基于方向引導(dǎo)優(yōu)化的主動(dòng)視覺(jué)導(dǎo)航參量計(jì)算方法

基于計(jì)算機(jī)視覺(jué)技術(shù)的視覺(jué)導(dǎo)航技術(shù)是人工智能領(lǐng)域的研究重點(diǎn)和熱點(diǎn)[1]。同傳統(tǒng)的衛(wèi)星定位（GPS）導(dǎo)航技術(shù)相比，基于視覺(jué)的導(dǎo)航方法具有實(shí)現(xiàn)方式靈活、性?xún)r(jià)比高、實(shí)時(shí)性好、導(dǎo)航快速精確等優(yōu)點(diǎn)[2-3]。但是，現(xiàn)有的視覺(jué)導(dǎo)航系統(tǒng)多數(shù)都是基于固定攝像機(jī)的限定視角導(dǎo)航方法，這類(lèi)導(dǎo)航系統(tǒng)只能適用于在直線(xiàn)行駛或者小彎度行駛情況，一旦出現(xiàn)大彎度轉(zhuǎn)彎，道路會(huì)偏離攝像機(jī)視場(chǎng)，導(dǎo)致路徑導(dǎo)航線(xiàn)丟失、導(dǎo)航失效[4-5]。為改善這種視角范圍的局限，傳統(tǒng)解決方法主要是將固定的攝像機(jī)改為廣角鏡頭攝像機(jī)，增大視場(chǎng)范圍[6]，但是廣角攝像機(jī)的圖像畸變嚴(yán)重，對(duì)圖像前期的處理精度和速度的要求嚴(yán)格，同時(shí)，增加了大量的圖像干擾信息，為后續(xù)的圖像處理增加了較大的難度。近年來(lái)，有學(xué)者提出了一種主動(dòng)視覺(jué)智能導(dǎo)航方法[7]，借鑒人類(lèi)觀察道路時(shí)的眼球轉(zhuǎn)動(dòng)機(jī)理，將攝像機(jī)安裝在可旋轉(zhuǎn)控制云臺(tái)系統(tǒng)上，通過(guò)一定的反饋控制，實(shí)時(shí)修正攝像機(jī)焦點(diǎn)和行駛路線(xiàn)正前方的夾角，保證行駛路線(xiàn)一直處于攝像機(jī)視角范圍內(nèi)。由于該方法在保證視角清晰的前提下，大幅擴(kuò)展了攝像機(jī)的視角范圍，近年來(lái)在目標(biāo)跟蹤[8]、人臉檢測(cè)[6]等領(lǐng)域得到了較多的研究和應(yīng)用。其中，如何精確獲取導(dǎo)航參量是主動(dòng)視覺(jué)導(dǎo)航系統(tǒng)的關(guān)鍵問(wèn)題之一[9]。傳統(tǒng)的計(jì)算方法主要通過(guò)預(yù)先設(shè)置的高精度標(biāo)定參照物，通過(guò)空間圖像和平面圖像的有效映射關(guān)系求取相關(guān)的參量值，該類(lèi)方法標(biāo)定精度高，但是應(yīng)用范圍有限且標(biāo)定復(fù)雜，不利于變化場(chǎng)景的導(dǎo)航[10]。文獻(xiàn)[11]提出了基于視覺(jué)圖像的自計(jì)算方法，該方法通過(guò)前端獲取的視頻幀圖像進(jìn)行系統(tǒng)參量的計(jì)算，利用Kruppa方程和分層逐步標(biāo)定的方式實(shí)現(xiàn)了導(dǎo)航參量的計(jì)算，該方法靈活性強(qiáng)、使用范圍較廣，但是計(jì)算精度和魯棒性較差，在背景存在干擾的情況下計(jì)算誤差較大，甚至引起導(dǎo)航失敗[12]。文獻(xiàn)[13]利用相機(jī)進(jìn)行可控運(yùn)動(dòng)，通過(guò)約束運(yùn)動(dòng)的性質(zhì)來(lái)實(shí)現(xiàn)導(dǎo)航參量的計(jì)算，提升了主動(dòng)視覺(jué)導(dǎo)航的參量計(jì)算精度和魯棒性。在此基礎(chǔ)上，先后發(fā)展出了旋轉(zhuǎn)計(jì)算方法[14]、平面正交計(jì)算方法[15]以及基于無(wú)窮遠(yuǎn)平面單應(yīng)性矩陣[16]的計(jì)算方法。該類(lèi)方法計(jì)算精度高、魯棒性好，但是該類(lèi)方法需要計(jì)算的參量過(guò)多且計(jì)算復(fù)雜，在實(shí)時(shí)導(dǎo)航系統(tǒng)中很難應(yīng)用。文獻(xiàn)[17]在此基礎(chǔ)上進(jìn)一步對(duì)計(jì)算復(fù)雜性進(jìn)行優(yōu)化，利用二維頻移運(yùn)動(dòng)的相對(duì)計(jì)算方法求解線(xiàn)性模型的部分參數(shù)，并通過(guò)畸變的方法引入非線(xiàn)性?xún)?yōu)化，有效地簡(jiǎn)化了計(jì)算過(guò)程，但是這種非線(xiàn)性畸變的過(guò)程對(duì)系統(tǒng)的初值和噪聲都非常敏感，計(jì)算穩(wěn)定性較差。

針對(duì)這些問(wèn)題，本文提出了一種基于方向引導(dǎo)優(yōu)化的主動(dòng)視覺(jué)導(dǎo)航參量計(jì)算方法。該方法的實(shí)現(xiàn)過(guò)程可以大致概括為三個(gè)步驟：(1)坐標(biāo)系的變換。為了實(shí)現(xiàn)理論計(jì)算與實(shí)際導(dǎo)航系統(tǒng)的高精度擬合，首先給出了車(chē)輛物理坐標(biāo)系與視覺(jué)圖像坐標(biāo)系的變換方程。(2)車(chē)道邊緣線(xiàn)的精確檢測(cè)。精確地獲取車(chē)道邊緣線(xiàn)是進(jìn)行視覺(jué)導(dǎo)航的前提，為了解決道路積水、陰影等背景干擾問(wèn)題，在傳統(tǒng)Canny算子初步檢測(cè)的基礎(chǔ)上，提出了方向引導(dǎo)優(yōu)化的方法。(3)大曲率彎道線(xiàn)精確檢測(cè)問(wèn)題。為了保證在大曲率轉(zhuǎn)彎情況下車(chē)道線(xiàn)的精確檢測(cè)問(wèn)題，在前期優(yōu)化的基礎(chǔ)上，提出了基于直線(xiàn)與曲線(xiàn)閾值優(yōu)化的廣義Hough變換方法，對(duì)不同曲率的線(xiàn)段進(jìn)行優(yōu)化選擇，精確檢測(cè)道路標(biāo)志線(xiàn)和邊緣線(xiàn)，實(shí)時(shí)計(jì)算和修正導(dǎo)航中心引導(dǎo)線(xiàn)的偏離角度。

1 坐標(biāo)變換

坐標(biāo)變換是進(jìn)行視覺(jué)導(dǎo)航實(shí)現(xiàn)的首要條件，為了實(shí)現(xiàn)圖像坐標(biāo)與實(shí)際車(chē)輛物理坐標(biāo)的意義映射，本文基于車(chē)輛行駛的實(shí)際道路環(huán)境構(gòu)建坐標(biāo)系，將攝像機(jī)中心定為坐標(biāo)原點(diǎn)，X軸為車(chē)輛行駛方向，Y軸為行駛方向的正左方，將控制云臺(tái)的縱向軸設(shè)置為Z軸。為便于后續(xù)云臺(tái)控制的分析，將車(chē)輛物理坐標(biāo)系獲取的圖像表示為(xr，yr，zr)，相應(yīng)的像素坐標(biāo)系可以表示為(u，v)，圖1表示了坐標(biāo)變換前后之間的關(guān)系，具體的變換關(guān)系計(jì)算如下[10]：

由于車(chē)輛導(dǎo)航過(guò)程中需要檢測(cè)的道路標(biāo)志線(xiàn)一直處于平面狀態(tài)(zr=0)，為方便計(jì)算，可將坐標(biāo)系重新修正為xrOyr坐標(biāo)系，將式(1)重新計(jì)算為：

2 道路邊緣檢測(cè)及方向引導(dǎo)優(yōu)化實(shí)現(xiàn)

2.1 方向引導(dǎo)優(yōu)化實(shí)現(xiàn)

首先通過(guò)Canny算進(jìn)行初步檢測(cè)，獲取圖像邊緣信息以后，保留圖像中的輪廓信息，但是由于陰影、積水和路面裂縫等路面特征的干擾，導(dǎo)致雜波輪廓信息同樣得到了保留，因此，該部分主要采用方向引導(dǎo)搜索優(yōu)化去除陰影干擾[14]。假設(shè)攝像機(jī)前端獲取的圖像被劃分為3×3圖像塊，當(dāng)前像素點(diǎn)(如圖2(a)中的灰色中心點(diǎn))具有8個(gè)鄰接的像素。為說(shuō)明搜索的方向性，假設(shè)目前的像素處于左車(chē)道，則車(chē)輛行駛的方向只有3個(gè)方向，如圖2(a)所示。同樣，處于右車(chē)道也具有3個(gè)行駛方向，如圖2(b)所示。

根據(jù)車(chē)輛在道路上的行駛規(guī)則，可以定義為最優(yōu)選擇方向?yàn)?0°、次優(yōu)選擇為45°、級(jí)別最低為0°，以車(chē)輛在左邊車(chē)道行駛為例給出搜索過(guò)程描述如下[15]。

(1)以圖像的左下角為參考進(jìn)行平面掃描，如果當(dāng)前像素判定為邊緣，記錄并創(chuàng)建候選線(xiàn)段；否則，繼續(xù)掃描直到找到邊緣點(diǎn)，并執(zhí)行第(2)步。

(2)根據(jù)方向優(yōu)先原理進(jìn)行掃描，判定邊緣點(diǎn)在3個(gè)方向中的位置并記錄坐標(biāo)，繼續(xù)掃描，直到結(jié)束；如果3個(gè)方向均未掃描到邊緣點(diǎn)，則跳轉(zhuǎn)第(3)步。

(3)遍歷整幅圖像，尋找新的邊緣點(diǎn)，直到結(jié)束。

上面的方向優(yōu)先搜索完成以后，可以建立線(xiàn)段集合，并記錄每一條線(xiàn)段的起始坐標(biāo)。

2.2 導(dǎo)航參量的計(jì)算

在2.1小節(jié)檢測(cè)的基礎(chǔ)上，為進(jìn)一步精確引導(dǎo)車(chē)輛的行駛，需基于檢測(cè)的邊緣線(xiàn)和道路標(biāo)志線(xiàn)進(jìn)行導(dǎo)航中心引導(dǎo)線(xiàn)的提取以及偏離角度的計(jì)算。首先采用圖像重心分割的方法獲取精確的導(dǎo)航引導(dǎo)線(xiàn)[16]，具體如圖3所示。

通過(guò)計(jì)算兩個(gè)標(biāo)志線(xiàn)以?xún)?nèi)的圖像（包括邊緣線(xiàn)與標(biāo)志線(xiàn)以?xún)?nèi)的圖像，主要是機(jī)器人行駛路線(xiàn)所在的邊界標(biāo)志）的重心，基于中心的縱坐標(biāo)進(jìn)行二次分割，獲取上下圖像的中心A和B點(diǎn)，直線(xiàn)AB即為機(jī)器人行駛區(qū)域內(nèi)的中心引導(dǎo)線(xiàn)。如圖3(b)所示，O為該幀圖像的整體重心，I1和I2主要用于偏離角度的計(jì)算。具體的計(jì)算過(guò)程如圖4所示。

為計(jì)算機(jī)器人的行駛偏角及偏距，在獲取機(jī)器人引導(dǎo)線(xiàn)以后，利用線(xiàn)段端點(diǎn)坐標(biāo)及長(zhǎng)度畫(huà)圓，并結(jié)合線(xiàn)段另一端點(diǎn)像素所在的坐標(biāo)位置，計(jì)算引導(dǎo)線(xiàn)的偏角。實(shí)驗(yàn)中，首先將機(jī)器人放置在行駛的路段進(jìn)行引導(dǎo)線(xiàn)初始化，利用圖3(a)擬合道路引導(dǎo)線(xiàn)，進(jìn)而基于圖3(b)計(jì)算引導(dǎo)線(xiàn)的線(xiàn)性方程，并確定其具體的位置m。以相機(jī)為O點(diǎn)，基于I1和I2計(jì)算機(jī)器人的位置偏移D和偏角α。

3 實(shí)驗(yàn)與結(jié)果分析

為驗(yàn)證本文方法的有效性，該部分主要針對(duì)路況復(fù)雜的彎道行駛進(jìn)行分析，視頻幀圖像大小為400像素×300像素。圖5(a)所示為在校園內(nèi)彎道測(cè)試實(shí)驗(yàn)現(xiàn)場(chǎng)獲取的彎道導(dǎo)航圖像，圖5(b)為本文優(yōu)化后的檢測(cè)結(jié)果。

表1為彎道視頻幀序列計(jì)算結(jié)果平均比較結(jié)果，從表中可以看出在彎道行駛情況下，3種方法的計(jì)算精度均有所下降，其中，文獻(xiàn)[13]和文獻(xiàn)[17]的性能明顯變差，而本文方法針對(duì)該序列的計(jì)算精度仍然保持了相當(dāng)高的精度，平均偏航角度的計(jì)算誤差控制在1.5°以?xún)?nèi)，平均行駛偏距控制在5個(gè)像素左右。

4 結(jié)論

本文主要針對(duì)主動(dòng)視覺(jué)導(dǎo)航系統(tǒng)參量的計(jì)算方法展開(kāi)研究，提出了一種基于方向引導(dǎo)優(yōu)化的主動(dòng)視覺(jué)導(dǎo)航參量計(jì)算方法。該方法是在文獻(xiàn)[13]的基礎(chǔ)上進(jìn)行優(yōu)化和改進(jìn)，利用主動(dòng)視覺(jué)相機(jī)的運(yùn)動(dòng)可控性進(jìn)行參量的計(jì)算。通過(guò)對(duì)傳統(tǒng)Canny算子檢測(cè)結(jié)果進(jìn)行方向引導(dǎo)優(yōu)化以后，明顯降低了道路陰影、路面積水等雜波的干擾，在此基礎(chǔ)上，進(jìn)一步采用閾值優(yōu)化的廣義Hough變換方法對(duì)檢測(cè)結(jié)果進(jìn)行分類(lèi)優(yōu)化，實(shí)現(xiàn)車(chē)道線(xiàn)的內(nèi)外邊緣及道路標(biāo)志線(xiàn)的精確檢測(cè)。實(shí)驗(yàn)結(jié)果表明，本文方法在彎道行駛情況下導(dǎo)航參量的計(jì)算精度明顯提升，具有優(yōu)秀的性能指標(biāo)。