一種通用的全景視覺水平邊線快速檢測方法

毛臣健 周 憶

(①重慶工業職業技術學院，重慶 401120;②重慶大學機械工程學院，重慶 400044)

基于反射鏡的全景視覺由于具有同一時刻獲取360°的視覺信息的優勢，在導航、監控、機器人等領域得到越來越多的應用。針對不同的目標特征，人們開發了各種用途的全景視覺，例如基于水平場景無畸變的全景視覺［1］、等角度全景視覺［2］和單視點錐形全景視覺［3］等。但是全景視覺成像復雜，往往難以兼顧多個目標的檢測與識別，現有的全景視覺大多針對某類目標進行檢測與識別，降低其他目標的識別要求。

具有直線性質的邊線是導航定位的重要標志物。除了水平無畸變的全景視覺可以保留邊線的直線特征外，普通的全景視覺圖像中，邊線成像后往往出現扭曲，形成不規則曲線，難以用函數形式表示。并且由于實時性要求，使在普通全景視覺中進行邊線檢測變得困難，所以一般采用單目視覺［4］或者水平無畸變的全景視覺進行邊線識別。單目視覺視場較小，并且增加額外的硬件成本，水平無畸變的全景視覺則會造成其他目標有較大形變，增加其他目標的識別難度。

本文提出一種用于普通全景視覺的水平邊線檢測方法，利用圖像坐標與水平場景坐標的關系，將通常在圖像坐標中實現的邊線檢測變換到水平場景坐標中進行求取，回避全景圖像中邊線扭曲的問題，采用部分點集代替全部候選點集的方式，不僅能夠實現普通全景視覺圖像上的邊線檢測，而且能夠根據實時性要求進行調整，擴展其應用范圍。

1 主要實現原理

雖然由于全景視覺成像的復雜性，不能兼顧不同目標的識別要求。但是對于全景視覺成像，往往是采用全景圖像坐標與水平場景坐標的關系來表示，如圖1所示，而且通常是唯一對應的。這樣，可以將全景圖像經過徑向擴展還原為按比例縮放的無畸變水平場景，然后利用一般的檢測方法即可對邊線進行檢測與識別。

直線檢測大多采用Hough變換，由標準算法到各種改進算法，直線Hough變換在實時性上已經有了較大的改善，但是對某種具體的算法來說，參與運算的候選點數量仍是影響算法實時性的重要因素，如果點數過多，則會影響其在實時系統中的應用。

每條邊線都具有兩條平行的邊緣直線，如果采用邊線中心線代替邊線本身，忽略干擾點，那么則會使用于檢測的邊緣點減少一半，并且采用中心線也比邊緣線具有更強的抗干擾能力。對于利用Hough變換進行直線檢測，由于其抗干擾能力強，并不需要對所有直線上的點進行運算，基于Hough變換這個優勢，可以采用部分點集代替全部點集進行直線檢測。利用部分點集進行直線檢測的關鍵是所選取的點集應該較為均勻地取自于所有點集，即應該分布在整個有效區域，而不是集中在某個范圍內，以免出現漏檢或誤檢。本文提出兩種不同的點集提取方式，以供不同的全景視覺使用。

2 候選點集的提取

本文方法是利用邊線中心線求取邊線的直線信息，故提取的點集應該是中心線的點集。如圖2所示，可以根據直線左右(或上下)邊緣點進行中心線上點的提取。易知，由于邊緣線KA、KB與中心線KC的斜率相同，如果A、B為左右邊緣線上的任意點，其連線的中點C必定位于中心線KC上。以下兩種提取方式都采用這樣的中心線點集獲取方法。

(1)基于水平無畸變圖像的提取方式

根據全景圖像與場景徑向關系可以將一般的全景圖像轉換為水平無畸變的全景圖像，然后利用等間距的橫向與縱向提取線分別尋找邊線的上下、左右邊緣點，如圖3所示，計算中點，即為帶檢測點。這樣的提取方式能夠對有效區域內的邊緣點進行均勻提取。但是由于一般的全景視覺往往注重觀察附近的目標，使較遠處的區域在圖像中所占比例較小，將其轉換為水平無畸變的全景圖像后，會引起邊緣點的誤差增大。所以對全景視覺的硬件要求較高，并輔以較好的插值算法使圖像在轉換后保持一定的清晰度。

(2)基于柱形圖的提取方式

全景圖像除了以圓形區域表示外，還經常以柱形圖表示。某點在柱形圖上的寬表示其角度信息，高表示其徑向長度。如果柱形圖的高與圓形全景圖像的徑向長度一致，那么柱形圖上一點A與其在圓形全景圖像上對應點A'具有圖4所示關系。

對柱形圖也可采用橫向與縱向提取線的方式進行點集的提取。與第一種提取方式不同的是，在柱形圖中，其縱向提取線對應于圓形全景圖像的徑向線，其橫向提取線則對應于一個以圓形全景圖像中心為圓心的圓，如圖5所示。

為了不使提取的點集過于集中于某一區域，柱形圖的橫向提取線的間距應該以實際場景為準，通過圖像徑向坐標與實際場景徑向坐標的關系轉換至柱形圖，如圖6所示。

基于柱形圖的提取方式對于其周圍的邊線來說，重視程度越遠越小。適合于價格較低的全景視覺，這是因為低價攝像機在全景成像中往往只能確保某一部分成像清晰，而其余部分較為模糊。

3 邊線檢測的主要流程

候選點集提取后，可以根據常用的直線Hough變換進行直線檢測，在此不再贅述。本文方法處理流程如下:

(1)利用模型或者擬合的方式得到圖像坐標與場地坐標之間的函數關系;

(2)選擇適合的邊緣點判斷方法;

(3)利用本文的邊緣點提取方式提取候選邊緣點集;

(4)利用直線 Hough 變換［5－6］檢測邊線中心線，并保存其所屬的候選點;

(5)利用最小二乘法對其所屬的點集進行擬合［7］，得到更為精確的直線參數。

4 實驗

由于安裝與加工精度的原因，對實驗所有的全景視覺其圖像坐標與場地坐標之間的函數關系采用逐點擬合的方式得到，在全景視覺附近放置兩條淺色邊線，如圖7所示。采用HSI顏色空間與閾值作為邊緣點的判斷方式，利用基于柱形圖的提取方式進行候選點集的提取，縱向提取線數量為100，橫向提取線為30，提取結果如圖8所示。提取點集的場景坐標如圖9所示。利用直線Hough變換以及最小二乘擬合的直線如圖10所示。圖11是將所得直線反映到原始全景圖像中的示意圖。

雖然由于安裝、加工以及擬合的問題，使提取點集的位置有所偏差，但是從圖11中還是可以看出，得到的直線基本與邊線吻合，說明了本文方法可以實現普通全景視覺的邊線提取，主流配置下，整個運算所消耗時間為15 ms。可以直接應用于實時系統中。

5 結語

全景視覺圖像可以實現無遮擋成像，但是由于成像復雜，使各種目標特征難以兼顧。而邊線作為機器人導航定位的重要標志，為了兼顧全景視覺識別邊線與其他目標，本文提出了一種全景視覺通用的邊線檢測方法，使全景視覺的設計不用考慮邊線因素。實驗表明該方法能夠實現一般全景圖像上的白線檢測，滿足實時系統的要求。

［1］曾吉勇，蘇顯渝.水平場景無畸變的折反射全景成像系統［J］.光學學報，2003，23(5):636 －640.

［2］湯一平，嚴海東，陳龍艷.無死角的全方位視覺傳感器的設計［J］.儀器儀表學報，2009，30(5):916 －920.

［3］LIN Shih－Schon，Ruzena Bajcsy.Single－View －Point Omni－directional catadioptric cone mirror imager［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，2006，28(5):840 －845.

［4］Aggarwal Nitin，Karl William Clem.Line detection in images through regularized hough transform［J］.IEEE Transactions on Image Processing，2006，15(3):582 －591.

［5］CAO Yang，WANG Shuhua，LI Heng.Skew detection and correction in document images based on straight－ line fitting［J］.Pattern Recognition Letters，2003，24(12):1871 －1879.

［6］Mochizuki Yoshihiko，Torii Akihiko，Imiya Atsushi.N － Point Hough transform for line detection［J］.Journal of Visual Communication and Image Representation，2009，20(4):242 －253.

［7］Fernandes，Leandro A F，Oliveira，et al.Real－ time line detection through an improved Hough transform voting scheme［J］.Pattern Recognition，2008，41(1):299 －314.