一種基于光條中心線的測距方法

游佳興，黃　魯

(中國科學技術大學 電子科學與技術系，安徽 合肥 230026)

?

一種基于光條中心線的測距方法

游佳興，黃魯

(中國科學技術大學 電子科學與技術系，安徽 合肥 230026)

在單目視覺避障系統中，利用紅色LED水平光條照射前方障礙物，由攝像頭獲得圖像并處理后得到紅光光條，根據光條中心在圖像中的位置判斷障礙物與攝像頭之間的距離。該文對Zhang并行細化算法進行了改進，以適應嵌入式系統快速準確得到紅光光條的中心線，由中心線坐標得到障礙物距離及寬度。實驗結果證明，該算法具有很好的中心線提取效果；測距范圍為25 cm，測距誤差在3 mm以內。

openCV；中心線提取；測距；單目視覺

引用格式：游佳興，黃魯. 一種基于光條中心線的測距方法[J].微型機與應用，2016,35(17)：11-13.

0　引言

目前，掃地機器人避障是非常熱門的研究領域，與傳統的超聲波、紅外測距[1]相比，視覺傳感器可以得到更多的環境信息；單目視覺系統具有成本低、體積小的特點，適合于掃地機器人。單目視覺避障的方法主要有單目圖像還原3D場景[2]、特征檢測[3]、結構光測距。本文利用紅色LED矩形光條照射前方障礙物，根據光條中心在圖像中的位置來判斷障礙物距離。

圖1(a)、(b)所示分別為距離障礙物5 cm和10 cm的情況下攝像頭獲得的圖像。由這兩個圖像可知，不同距離下的光條中心在圖像上的位置不同，從而達到測距的目的。

圖1　不同距離下攝像頭獲得的光條圖像

1　中心線提取

目前中心線的提取算法主要有以下兩種：

(1)基于距離變換的方法[4]。建立紅色光條的距離場模型，提取距離場中的局部極值點，然后細化處理得到的中心線。該算法的優點是精度高，適合三維場景；缺點是計算復雜度高，實時性較差。

(2)二值細化法[5]。該算法將得到的紅色光條二值化，利用迭代的方法從邊界開始逐漸刪除，直至得到中心線。該算法的優點是實現簡單，速度快，可反映各個光條的形狀；缺點是如果邊界有許多毛刺將會出現除中心線外其他的分支。

圖2　提取光條中心線步驟

由于本單目視覺避障系統是用于掃地機器人上，要求測距精度較高、實時性好，因此本文采用二值細化法。提取光條中心線的步驟如圖2所示。首先在Open Source Computer Vision Library(openCV)中利用HSV顏色空間將紅色光條提取出來[6]，如圖3所示，將紅色光條部分的像素值置0(黑色)，其他背景的像素值置255(白色)。針對邊界出現毛刺會影響中心線提取的缺點，對提取出的紅色光條圖像進行開運算，消除邊界毛刺的影響。

圖3　HSV顏色空間提取紅色光條

1.1圖像開運算去毛刺

開運算是圖像形態學中的先腐蝕后膨脹的結果，開運算可以在不改變光條基本形狀的情況下平滑邊界，消除邊界毛刺，避免中心線出現分支。本文利用openCV自帶的腐蝕函數cvErode(src,dst,element,1)和膨脹函數cvDilate(src,dst,element,1)來進行開運算操作。其中src為原圖像，dst為處理后的圖像，element為腐蝕膨脹窗口的形狀和大小(在本文中，選擇的是10×10的矩形窗口)，最后一個參數為膨脹腐蝕的次數。

1.2中心線提取算法

本文算法的思想是迭代刪除光條的上邊界和下邊界，且保證中心線上的像素點不會被刪除，直至得到光條的中心線。

將開運算處理后的二值圖像歸一化，利用openCV內的函數cvThreshold，光條部分的像素值為1，其他為0。為了判定像素值為1(光條部分)的點P1(i,j)是否為邊界，取其周圍3×3的窗口內的像素點作為判定，如表1所示。遍歷光條中的所有像素點，根據3×3窗口內P1(i,j)周圍8個像素點確定其是否為上邊界或下邊界，如果是則將其像素置0(刪除邊界)，最終得到水平方向垂直寬度為1的中心線。

表1　P1(i,j)周圍3×3窗口的像素點

算法將迭代分為兩個部分：第一部分是將光條的上邊界刪除，第二部分是將光條的下邊界刪除。將位于光條上邊界的點P1(i,j)置0的條件為：(1)B(P1)≤6;(2)A(P1)=1;(3)P2=0 &&P6≠0。

其中，B(P1)為P1點周圍8個像素點中為1的個數，即：

B(P1)=P2+P3+P4+P5+P6+P7+P8+P9

A(P1)為P2，P3,P4，…,P8,P9順序中01序列的個數，如圖4(a)所示，A(P1)=1;圖4(b)所示，A(P1)=2。

圖4　P1周圍8個像素點01序列的個數

如果P1點不滿足上述3個條件中的任何一個，則該點不屬于上邊界，P1點將不會被置0。位于光條下邊界的點滿足的條件與上邊界的條件類似，只是條件(3)有所改變：

P6=0 &&P2≠0。

圖5　判定條件(1)和(2)的必要性

對于條件(1),如果B(P1)>6,則該點肯定不在邊界上，如圖5(a)所示，該P1點滿足條件(2)和條件(3)，但是該點明顯位于中心線上，不能置0，所以需要滿足條件(1)。對于條件(2),如果出現圖5(b)所示的情況，該情況滿足(1)和(3)兩個條件，但是該P1點是位于中心線上，不能置0，由圖可知A(P1)=2,不滿足條件(2)，該P1點不會被置0。因此，條件(1)和(2)都是為了保護中心線上的點不會被置0而被保存下來的必須條件。

在滿足條件(1)和(2)以后，確定P1點不在中心線及光條內部(B(P1)=8的情況)，如果滿足條件(3),說明P1點位于光條的上邊界，則該點會被標記并置0。同樣，條件(3)′確定P1點位于光條的下邊界。如圖6所示為該算法得到中心線的例子，其中“*”代表標記置0的邊界，先標記上邊界并置0，再標記下邊界并置0，迭代以上步驟，直到得到圖6最右圖片的中心線為止。

圖6　中心線提取算法例子

圖7所示為程序的流程圖，vector M的初始值為0，即size(vector M)=0。

圖7　算法流程圖

2　根據中心線坐標求出距離

圖8所示為攝像機透視投影模型，其中，ABCD為圖像坐標系，A′B′C′D′為實際坐標系，機器人的前進方向為X′軸方向。O點為攝像機位置，O′為LED所在位置，OO′的距離為h，G點為圖像中心，G′為G點在實際坐標系的投影點，攝像機的俯仰角即∠G′OO′為θ，P點為1.2節中得到的中心線上的一點,相對于G點的坐標為P(x,y)，P′為P點對應的實際坐標系上的點，Dx為X′軸方向上P′與機器人之間的距離(即障礙物與機器人之間的距離)，Dy為P′在Y′軸方向上的距離(即障礙物的水平距離)。

由圖8可以得到Dx和Dy的距離公式如式(1)和式(2)所示，其中，(x,y)為P點相對于圖像坐標系中心G的坐標，dx和dy分別為圖像坐標系水平和垂直方向上的坐標點距，f為攝像機焦距。dx、dy、f為攝像機參數，通過標定得到，如表2所示。

(1)

(2)

圖8　透視投影模型

3　實驗結果及分析

圖9　前方障礙物為紅色紙盒和黃色紙盒

為了檢測算法的有效性，選取了前方障礙物為紙盒的環境信息。圖9(a)表示具體的環境信息圖片，(b)為攝像頭獲得并處理后的紅色光條的圖像，(c)為本文算法得到的中心線，(d)為Zhang并行化細化算法得到的骨架中心線。如圖9(d)所示，由于Zhang并行細化得到的是骨架中心線，是在兩個方向上對圖像進行細化，如果光條寬度不一致，就會得到豎直方向的分支，且會縮減中心線的長度，這樣會給機器人避障帶來很大的誤差(中心線的位置代表障礙物的位置)。

如表3所示，P(x,y)為圖9(c)中兩條中心線上的其中一個點相對于圖像中心的坐標。根據式(1)、式(2)測得障礙物距離。兩個盒子與機器人之間的實際距離分別為5 cm和10 cm，水平實際距離分別為8 cm和11.5 cm，結果如表3所示，其中Dy為正代表障礙物在機器人中心左邊，負為右邊。測距誤差在3 mm以內。在ARM Cortex-A8，CPU主頻為1 GHz，內存為512 MB的開發板中，對于圖9(a)所示的環境信息，該算法的運行時間為0.23 s。

表3　障礙物實際距離

4　結束語

本文針對單目視覺避障系統提出了一種快速的測距方法，算法處理效果好，測距精度較高，在嵌入式系統中能夠較好地保證實時性，但在算法的處理時間上還需改進。在未來的工作中，可以通過提高硬件要求來改進算法，改進算法的方案是增加中心線算法窗口大小，使每次迭代刪除的邊界更多，縮短運算時間。

[1] 曹小松，唐鴻儒，楊炯． 移動機器人多傳感器信息融合測距系統設計[J]． 自動化與儀表，2009，24(5):4-8．

[2] LIN Z， DAVIS L． Shape-based human detection and segmentation via hierarchical part-template matching[J]． Pattern Analysis and Machine Intelligence，2010，32(4):604-618.

[3] SAXENA A， SUN M， NG A Y． Make 3 D: Learning 3 D scene structure from a single still image[J]． IEEE Transactions on Pattern Analysis and Machine Intelligence，2009，31(5):824-840．

[4] SHARF A，LEWINER T，SHAMIR A，et al． On-the-fly curve-skeleton computation for 3D shapes[J]．Computer Graphics Forum，2007，26(3):323-328．

[5] PALAGYI K，KUBA A． A parallel 3D 12-subiteration thinning algorithm[J]． Graph Models Image Process，1999，61(4):199-221．

[6] 湯一平, 宗明理. 基于雙色反射模型的彩色結構光顏色識別的研究[J]. 計算機學報,2013,36(9):1908-1916.

A method of ranging based on light strip centerline

You Jiaxing,Huang Lu

(Electronic Science and Technology Department, University of Science and Technology of China, Hefei 230026, China)

In monocular vision obstacle avoidance system, using a red LED light illuminated in front of the obstacle, the image obtained by the camera and processed to give a red light bar, the distance between the obstacle and the camera is judged according to the position of the light strip center in the image. In this paper, Zhang parallel thinning algorithm has been improved to accommodate the embedded systems quickly and accurately obtain the center line of the red light. The obstacle distance and width is obtained by the centerline coordinates. Experimental results show that the algorithm has a good centerline extraction effect. Distance measuring range is 25 cm, the ranging error is within 3 mm.

openCV; centerline extraction; ranging; monocular vision

TP391

ADOI： 10.19358/j.issn.1674- 7720.2016.17.003

2016-04-01)

游佳興(1991-)，男，碩士研究生，主要研究方向：嵌入式系統。

黃魯(1961-)，男，碩士，副教授，主要研究方向：電路與系統、集成電路。E-mail：luhuang@ustc.edu.cn。