泊車輔助系統(tǒng)中的車位線自動(dòng)檢測(cè)與識(shí)別

摘要 針對(duì)目前泊車輔助系統(tǒng)中的車位線識(shí)別問(wèn)題，建立了基于360°全景鳥(niǎo)瞰圖像的全自動(dòng)車位線檢測(cè)與識(shí)別模型，考慮到光照對(duì)圖像處理結(jié)果的影響，先對(duì)圖像進(jìn)行了預(yù)處理，然后采用一種基于中值的自適應(yīng)Canny邊緣檢測(cè)技術(shù)，并通過(guò)Hough變換，再根據(jù)車位線特征的先驗(yàn)知識(shí)對(duì)Hough變換結(jié)果進(jìn)行限制和優(yōu)化，實(shí)現(xiàn)了車位線的識(shí)別。同時(shí)對(duì)實(shí)際采集到的圖像進(jìn)行驗(yàn)證，結(jié)果識(shí)別率達(dá)到94.2%，證明了該方法的有效性和魯棒性。

關(guān)鍵詞 泊車輔助;車位線識(shí)別;自適應(yīng)Canny;Hough變換

近年來(lái)隨著對(duì)泊車輔助系統(tǒng)需求的快速增長(zhǎng)，提出了多種車位定位的方法，這些方法大致可分為4類：基于用戶界面的、基于設(shè)施的、基于空閑位的和基于車位線的方法。與其他方法相比，基于車位線的方法有以下優(yōu)勢(shì)：(1)可以與基于用戶界面的方法結(jié)合使用來(lái)減少由于司機(jī)重復(fù)操作帶來(lái)的不便，而這是基于用戶界面方法的主要缺陷。(2)不同于基于空閑位的方法，它能更準(zhǔn)確地定位停車位，因?yàn)槠涠ㄎ贿^(guò)程不依賴于相鄰汽車的停放姿勢(shì)而僅依賴于車位線。(3)它也可以有效地應(yīng)用于傾斜車位的情況。由于傳感器的局限性，運(yùn)用超聲波傳感器基于空閑位的方法在傾斜車位的情況下會(huì)失效。(4)與應(yīng)用雙目或者運(yùn)動(dòng)聲波的基于空閑位的方法相比，它通?；ㄙM(fèi)少量時(shí)間。(5)它不需要額外的傳感器，例如立體攝像頭、掃描激光雷達(dá)或者短波雷達(dá)，而是運(yùn)用后視攝像頭。

基于車位線的方法可以分為半自動(dòng)和全自動(dòng)的方法。與全自動(dòng)的方法相比，半自動(dòng)的方法可能產(chǎn)生更可靠的結(jié)果，而且花費(fèi)更少的計(jì)算資源，因?yàn)樗衼?lái)自人的額外信息。Jung等人提出了一種方法，這種方法需要司機(jī)在預(yù)停車位內(nèi)標(biāo)記一個(gè)點(diǎn)，然后利用方向梯度來(lái)進(jìn)行識(shí)別。實(shí)驗(yàn)驗(yàn)證這種方法只適用一種類型的車位。為克服此缺陷，提出了另外一種方法，可以識(shí)別各種類型的車位，但需要用戶更多的配合。這種方法需要用戶輸入車位兩端點(diǎn)的初始位置，構(gòu)成了車位的入口。基于這些初始位置，采用人工神經(jīng)網(wǎng)絡(luò)和遺傳算法進(jìn)行車位的識(shí)別。

另外，全自動(dòng)的方法也得到了發(fā)展。XU等人提出了一種基于顏色分割技術(shù)的的方法識(shí)別車位線，這種方法只能識(shí)別紅色車位線，而且基于顏色信息的方法已經(jīng)被證明對(duì)光照變化是敏感的。Tanaka等人提出了一種對(duì)邊緣片段運(yùn)用RANSAC檢測(cè)一組直線來(lái)識(shí)別車位線。由于這種方法高度依賴于直線檢測(cè)，其性能會(huì)因?yàn)椴糠治蹞p而下降。Jung等人提出的方法將各種類型的車位線模型化為一種分層樹(shù)結(jié)構(gòu)，基于這種結(jié)構(gòu)完成自動(dòng)識(shí)別。

但是，以上提出的方法都涉及到閾值，所以都會(huì)存在圖像處理領(lǐng)域一個(gè)普遍的問(wèn)題，即閾值設(shè)置過(guò)高，重要信息就可能被遺漏;閾值設(shè)置過(guò)低，干擾信息又會(huì)被看的重要，因此一個(gè)適用于所有圖像的普適閾值難以給出，所以針對(duì)以上問(wèn)題，本文采用了自適應(yīng)的思想，包括自適應(yīng)直方圖均衡化、自適應(yīng)二值化、自適應(yīng)Canny邊緣檢測(cè)，以滿足應(yīng)用的需要，實(shí)驗(yàn)證明這些算法都是有效的。

本文提出的方法可分為以下幾個(gè)過(guò)程：對(duì)汽車前、后、左、右4個(gè)攝像頭采集到的圖像進(jìn)行重建形成全景圖像;圖像預(yù)處理，包括直方圖均衡化，二值化以及形態(tài)學(xué)處理;Canny邊緣檢測(cè)以及Hough變換，然后在參數(shù)空間中利用車位線特征的先驗(yàn)信息對(duì)結(jié)果進(jìn)行優(yōu)化，最終得出識(shí)別結(jié)果。具體算法流程如圖1所示。

1 圖像預(yù)處理

通過(guò)加裝在汽車車身前、后、左、右的4個(gè)魚眼攝像頭，同時(shí)采集車輛四周的影像，經(jīng)過(guò)魚眼圖像矯正，鳥(niǎo)瞰變換和拼接后，形成一幅車輛4周的360°全景俯視圖，如圖2所示。

由此得到的原圖像不可避免地會(huì)受到光照、噪聲等的影響，因?yàn)榍捌谔幚淼馁|(zhì)量直接影響到后期識(shí)別的效果，所以為消除圖像中無(wú)關(guān)的信息，恢復(fù)有用的真實(shí)信息，增強(qiáng)有關(guān)信息的可檢測(cè)性和最大限度地簡(jiǎn)化數(shù)據(jù)，從而改進(jìn)特征抽取、圖像分割、匹配和識(shí)別的可靠性，需要對(duì)圖像進(jìn)行預(yù)處理，主要分為以下幾個(gè)步驟。

1.1 自適應(yīng)直方圖均衡化

首先將原彩色轉(zhuǎn)化為灰度圖像，考慮到光照影響導(dǎo)致灰度分布不均，需要對(duì)灰度圖像進(jìn)行直方圖均衡化。直方圖均衡化的基本思想是對(duì)原始圖像中的像素作某種映射變換，使變換后的圖像灰度概率密度是均勻分布的，即變換后圖像是一幅灰度級(jí)均勻分布的圖像，這意味著圖像灰度的動(dòng)態(tài)范圍得到了增加，從而可提高圖像的對(duì)比度。但是傳統(tǒng)的直方圖均衡化中灰度變換函數(shù)運(yùn)算與像素所處的位置無(wú)關(guān)，這種全局性處理的算法，具有算法簡(jiǎn)單、計(jì)算速度快等優(yōu)點(diǎn)，但由于其對(duì)所有像素點(diǎn)都做同樣的處理，忽略了圖像的局部特征，這就導(dǎo)致經(jīng)過(guò)直方圖均衡的圖像將丟失有用信息，給圖像的去噪處理及邊緣檢測(cè)帶來(lái)?yè)p失。因此本文采用對(duì)比度受限自適應(yīng)直方圖均衡法(CLAHE)，通過(guò)限制局部直方圖的高度來(lái)限制局部對(duì)比度的增強(qiáng)幅度，從而限制噪聲的放大及局部對(duì)比度的過(guò)增強(qiáng)。如圖3所示為分別對(duì)原灰度圖像進(jìn)行直方圖均衡化和CLAHE后的效果，可以看到CLAHE的效果明顯優(yōu)于傳統(tǒng)的直方圖均衡效果。

1.2 自適應(yīng)二值化

對(duì)圖像進(jìn)行直方圖均衡化處理后，為便于后期處理，需要對(duì)圖像進(jìn)行分割操作，達(dá)到目標(biāo)和背景分離的目的。圖像分割的關(guān)鍵是選取恰當(dāng)?shù)拈撝担撝颠x取的恰當(dāng)與否直接影響到感興趣信息的提取。這里采用局部自適應(yīng)閾值，它是根據(jù)像素鄰域塊的像素值分布來(lái)確定該像素位置上的二值化閾值。這樣做的優(yōu)點(diǎn)在于，每個(gè)像素位置處的二值化閾值不是固定不變的，而是由其周圍鄰域像素的分布來(lái)決定的。亮度較高圖像區(qū)域的二值化閾值通常會(huì)較高，而亮度較低的圖像區(qū)域的二值化閾值則會(huì)相適應(yīng)地變小。不同亮度、對(duì)比度、紋理的局部圖像區(qū)域?qū)?huì)擁有相對(duì)應(yīng)的局部二值化閾值。圖4顯示了采用該方法后的結(jié)果。

1.3 形態(tài)學(xué)處理

可以看到，在圖像分割完成后，不免存在著一些二值噪點(diǎn)，為此，考慮利用形態(tài)學(xué)對(duì)圖像進(jìn)行處理。對(duì)二值圖像進(jìn)行形態(tài)學(xué)處理的基本思想是運(yùn)用一個(gè)預(yù)先定義好的簡(jiǎn)單結(jié)構(gòu)元素去探測(cè)圖像，看這個(gè)結(jié)構(gòu)元素能否填放在該圖像內(nèi)部，并驗(yàn)證填放結(jié)構(gòu)元素方法的有效性。最基本的形態(tài)學(xué)運(yùn)算是腐蝕和膨脹，二者互為對(duì)偶運(yùn)算。腐蝕是將區(qū)域的內(nèi)邊界點(diǎn)變?yōu)楸尘?，使邊界向?nèi)部收縮，在這個(gè)過(guò)程中，小且無(wú)意義的物體將被消除;而膨脹則是將區(qū)域的外邊界點(diǎn)變?yōu)閷?duì)象點(diǎn)，使邊界向外部擴(kuò)張。

為利用結(jié)構(gòu)元素B膨脹集合A，可將B相對(duì)原點(diǎn)旋轉(zhuǎn)180°，得到-B，再利用-B對(duì)AC進(jìn)行腐蝕，腐蝕結(jié)果的補(bǔ)集就是所求的結(jié)果。

對(duì)輸入圖像進(jìn)行先腐蝕后膨脹，具有平滑功能，通常用于消除小對(duì)象物、在纖細(xì)點(diǎn)處分離物體、平滑較大物體邊界的同時(shí)并不明顯改變其體積，且圖像細(xì)節(jié)得以保留。圖5是經(jīng)過(guò)先腐蝕后膨脹得到的結(jié)果，可以看到經(jīng)過(guò)形態(tài)學(xué)處理后的二值化圖像已經(jīng)濾掉了部分噪點(diǎn)，便于下一步的識(shí)別處理。

2 Hough變換檢測(cè)車位線

2.1 基于中值的自適應(yīng)Canny邊緣檢測(cè)

邊緣是圖像特征的一個(gè)重要屬性，蘊(yùn)含了大量的信息，能勾勒出目標(biāo)物體，因此邊緣檢測(cè)技術(shù)是圖像處理中一類重要的分析方法。Can ny算子是最常用的邊緣檢測(cè)方法。Canny算法的步驟可歸納為：

(1)去噪。因?yàn)镃anny邊緣檢測(cè)算子對(duì)于未經(jīng)處理的原始圖像中的噪聲是敏感的，所以它采用高斯模板與原始圖像作卷積，得到的結(jié)果與原始圖像相比，有輕微的模糊。這樣，單獨(dú)的一個(gè)噪聲像素在經(jīng)過(guò)高斯平滑的圖像上變得基本沒(méi)有影響。

(2)查找圖像的亮度梯度。圖像的一個(gè)邊緣可能指向不同的方向，所以Canny算法運(yùn)用4個(gè)模板分別檢測(cè)去噪圖像中的垂直、水平、對(duì)角線邊緣。利用邊緣檢測(cè)算子(如Roberts，Prewitt，Sobel)分別計(jì)算出水平和垂直方向的一階導(dǎo)數(shù)Gx和Gy由此可以得到邊緣的梯度和方向

(3)跟蹤圖像邊緣，選擇滯后閾值。較大的亮度梯度更有可能被認(rèn)為是邊緣，但在多種情況下，指定一個(gè)閾值來(lái)確定某個(gè)梯度是否為邊緣是不可能的，因此Canny采用了滯后閾值。

滯后閾值需要高低兩個(gè)閾值。假設(shè)圖像中的重要邊緣都是連續(xù)曲線，這樣可以跟蹤給定曲線中模糊的部分，并丟掉一些雖然產(chǎn)生了大的梯度但沒(méi)有組成曲線的噪聲像素。所以從一個(gè)較大的閾值開(kāi)始，這將標(biāo)識(shí)出那些確信的邊緣。從真正的邊緣開(kāi)始，并利用前面導(dǎo)出的方向信息，在圖像中跟蹤整個(gè)的邊緣。在邊緣跟蹤時(shí)采用低閾值，這樣就可以跟蹤曲線的模糊部分直至回到起點(diǎn)。

這個(gè)過(guò)程一旦完成，就可得到一個(gè)二值圖像，其中的每個(gè)點(diǎn)表示是否是一個(gè)邊緣點(diǎn)。

與使用一個(gè)閾值相比，Canny邊緣檢測(cè)算法使用兩個(gè)閾值使得操作更加靈活，但還是存在的普遍問(wèn)題，閾值設(shè)置過(guò)高，重要信息就可能被漏掉;閾值設(shè)置過(guò)低，干擾信息又會(huì)被看的重要。難以給出適用于所有圖像的通用閾值問(wèn)題。

采用的解決方法首先是計(jì)算圖像的中值median，然后根據(jù)以下公式為高閾值high_thresh和低閾值low_thresh賦值，調(diào)用Canny邊緣檢測(cè)算法對(duì)圖像進(jìn)行邊緣檢測(cè)。

high_thresh=0.66×median;

low_thresh=0.33×median; (4)

圖6和圖7分別顯示了經(jīng)典Canny邊緣檢測(cè)和基于中值的Canny邊緣檢測(cè)結(jié)果，其中圖6是經(jīng)過(guò)手動(dòng)調(diào)整到最佳結(jié)果產(chǎn)生的圖像，圖7是利用自動(dòng)設(shè)定閾值得到的結(jié)果，從中可以看出基于中值的Canny邊緣檢測(cè)算法可以實(shí)現(xiàn)自動(dòng)邊緣檢測(cè)的目的。

2.2 Hough變換

霍夫變換(Hough Transform)是一種檢測(cè)直線和解析曲線的有效方法。它把二值圖像變換到Hough參數(shù)空間，利用參數(shù)空間極值點(diǎn)的檢測(cè)來(lái)實(shí)現(xiàn)目標(biāo)的檢測(cè)?；舴蜃儞Q不但可以用于檢測(cè)圖像中的直線，還可以擴(kuò)展到任意曲線的識(shí)別，多為圓和橢圓。

運(yùn)用兩個(gè)坐標(biāo)空間之間的變換，霍夫變換將在一個(gè)空間中具有相同形狀的曲線映射到另一個(gè)坐標(biāo)空間的一個(gè)點(diǎn)上形成峰值，因此，霍夫變換把曲線的檢測(cè)問(wèn)題轉(zhuǎn)換到參數(shù)空間中對(duì)點(diǎn)的檢測(cè)問(wèn)題，通過(guò)在參數(shù)空間里進(jìn)行簡(jiǎn)單的累加統(tǒng)計(jì)完成檢測(cè)任務(wù)。

考慮直角坐標(biāo)系中的一點(diǎn)(x0，y0)，經(jīng)過(guò)該點(diǎn)直線的一般方程可以寫為

ρ=x0cosθ+y0sinθ (5)

參數(shù)ρ和θ可以唯一地確定一條直線，這在ρ-θ空間內(nèi)是一條正弦曲線。若將x—y平面內(nèi)同一條直線的點(diǎn)列變換到ρ-θ空間，則所以正弦曲線都經(jīng)過(guò)一點(diǎn)(ρ’，θ’)，所以正弦曲線在ρ-θ空間其他各處都不相交。因此，X—Y平面內(nèi)一條直線上的無(wú)數(shù)點(diǎn)變換到ρ—θ空間內(nèi)時(shí)，經(jīng)過(guò)(ρ’，θ’)的次數(shù)為無(wú)窮，經(jīng)過(guò)其他各處次數(shù)都為1。也就是說(shuō)，Hough變換將X—Y平面內(nèi)的一條直線映射到了ρ—θ空間中的一個(gè)點(diǎn)。因此，Hough變換把直線檢測(cè)問(wèn)題轉(zhuǎn)換到參數(shù)空間里對(duì)點(diǎn)的檢測(cè)問(wèn)題，通過(guò)在參數(shù)空間里進(jìn)行簡(jiǎn)單的累加統(tǒng)計(jì)完成檢測(cè)任務(wù)。

圖8為將Hough變換應(yīng)用到邊緣檢測(cè)圖中得到的初始結(jié)果。

可以看到，由以上過(guò)程得到的結(jié)果存在偽車位線，需要進(jìn)一步對(duì)結(jié)果進(jìn)行優(yōu)化。注意到，在進(jìn)行邊緣檢測(cè)后每條車位線都是雙邊緣的，另外，這兩個(gè)邊緣是相互平行的且具有固定的寬度和近似相等的長(zhǎng)度，而且它們都反應(yīng)了同一條車位線，因此為了減少計(jì)算量，可以計(jì)算一個(gè)邊緣，而非兩個(gè)邊緣，在這里取兩條邊緣線的平均值作為實(shí)際的車位線?；谝陨舷闰?yàn)特征對(duì)初始識(shí)別結(jié)果進(jìn)行條件限制及優(yōu)化，得到如圖9所示的最終識(shí)別結(jié)果。

3 實(shí)驗(yàn)結(jié)果及分析

系統(tǒng)的硬件部分主要由魚眼攝像頭、圖像處理單元和顯示屏組成。由于車身內(nèi)部空間有限，圖像處理單元無(wú)法由PC機(jī)完成，因此在本系統(tǒng)中，設(shè)計(jì)使用DSP來(lái)完成視頻圖像的處理。軟件部分，以Visual Studio 2008為開(kāi)發(fā)環(huán)境，并調(diào)用OpenCV庫(kù)來(lái)完成算法的實(shí)現(xiàn)。實(shí)驗(yàn)選取了200張不同情況下的車位圖像對(duì)算法進(jìn)行了驗(yàn)證，并在相同的情況下將本文的方法與傳統(tǒng)的Hough方法進(jìn)行了對(duì)比，實(shí)驗(yàn)中采用召回率和識(shí)別率來(lái)對(duì)算法的效率進(jìn)行估計(jì)，其定義分別如下。

從實(shí)驗(yàn)可以看出，本文提出的基于自適應(yīng)思想的車位線檢測(cè)與識(shí)別方法具有較高的精確度和魯棒性。

4 結(jié)束語(yǔ)

隨著停車難的問(wèn)題日益嚴(yán)峻，泊車輔助系統(tǒng)的應(yīng)用越來(lái)越廣泛，本文提出了一種綜合運(yùn)用自適應(yīng)邊緣檢測(cè)和Hough變換等算法進(jìn)行自動(dòng)識(shí)別車位線的方法。通過(guò)實(shí)際采集到的圖像對(duì)算法進(jìn)行驗(yàn)證，并與傳統(tǒng)方法進(jìn)行了對(duì)比，驗(yàn)證了本文所提方法的高精度和高魯棒性。