智能小車對障礙物識別的研究與實現(xiàn)

李 婉

（陜西國防工業(yè)職業(yè)技術(shù)學(xué)院，陜西 西安 710300）

1 障礙物識別原理及算法

智能小車在避障時，識別障礙物的輪廓邊緣非常重要。在圖像處理中，灰度值變化是在圖像邊緣最明顯的特征之一，所以邊緣檢測是障礙物識別的核心。對圖像中各像素點進(jìn)行求微分或二階微分來找到邊緣像素點，這樣就可以完成邊緣檢測[1]。

對于圖像邊緣檢測，國內(nèi)外常用的算法有一階導(dǎo)數(shù)和二階導(dǎo)數(shù)邊緣檢測算法[2-4]。Canny算法是目前最優(yōu)的一階邊緣檢測算法，其他算法在處理圖像時，圖像必須要經(jīng)過提前降噪等一系列處理，而Canny算法可以省略這一步，因為Canny算法本身可以完成對圖像的降噪等預(yù)處理。Canny邊緣檢測的主要步驟如下。

1）高斯濾波。濾波的主要目的是對圖像處理算法進(jìn)行降噪，采用高斯濾波會使圖像變平滑并增大邊緣的寬度。在一個位于（a,b）的像素點上，其灰度值可用f(a,b)來表示，高斯濾波的過程就是讓高斯矩陣和每一個像素點相乘，最終經(jīng)過高斯濾波的灰度值gσ(a,b)如公式（1）所示：

2）計算梯度大小和方向。在圖像處理中，通常會采用梯度來表示灰度值變化比較大的像素點，其變化包括程度與方向，因此對于邊緣圖像灰度值變化的計算，常采用一階導(dǎo)差分?jǐn)?shù)法，將圖像矩陣f(a,b)與卷積模板J1、J2進(jìn)行卷積，J1、J2如公式（2）、（3）所示：

卷積后分別得到像素點（a,b）處水平方向的幅度值gx(a,b)與垂直方向的幅度值gy(a,b)，再通過梯度公式（4）和（5）計算得到梯度值和梯度方向。

3）非極大值抑制。在對圖像進(jìn)行降噪處理時，采用的高斯濾波會將圖像邊緣增大，使得原本不是邊緣的像素點，也會被列入到圖像邊緣，所以需要采用非極大值抑制來過濾不是邊緣上的像素點，目的就是讓圖像邊緣的寬度盡可能為1個像素點，即位于圖像邊緣的像素點在梯度方向上的梯度值達(dá)到最大。這里添加一個類似于判斷函數(shù)，判斷像素點是否在梯度方向上的梯度值是最大，將最大值設(shè)為T，否則不是邊緣，將灰度值設(shè)為0。

4）使用雙閾值進(jìn)行邊緣連接。經(jīng)過上述三步后，已經(jīng)能得到邊緣質(zhì)量較高的圖像，但不能排除所有“偽邊緣”存在。Canny使用了高低兩個閾值作為滯后閾值，若像素值小于低閾值則去除該像素；若大于高閾值則認(rèn)為是邊緣；介于高低閾值中間的像素需要進(jìn)一步計算選擇連接的像素點，直到圖像閉合。

2 障礙物識別過程實現(xiàn)

智能小車障礙物識別如圖1所示，選用深度相機(jī)與Jetsion TX1作為硬件平臺來進(jìn)行智能小車周圍環(huán)境的獲取與處理[5]。

圖1 智能小車采集環(huán)境信息示意圖

示意圖中紅色空間直角坐標(biāo)系（Zm-Ym）為智能小車運行坐標(biāo)系，藍(lán)色直角坐標(biāo)系（Zc-Yc）為深度相機(jī)視覺范圍坐標(biāo)系。在障礙物識別過程中，需對圖像的深度進(jìn)行分析，而深度相機(jī)對障礙物圖像進(jìn)行采集時，采集到的是像素點數(shù)據(jù)，無法直接顯示圖片的深度，所以需將深度圖的數(shù)據(jù)先轉(zhuǎn)化為灰度圖。為了降低灰度化的圖像輪廓上出現(xiàn)突起等問題，需進(jìn)行形態(tài)學(xué)濾波、邊緣檢測等一系列操作，將障礙物標(biāo)記出來。具體過程如圖2所示[1]。

圖2 障礙物識別流程圖

2.1 深度圖灰度化處理

本文深度相機(jī)采集的像素點實際數(shù)據(jù)是障礙物到相機(jī)的距離。距離范圍在0.1 m～25 m之間，但智能小車因體型的局限，實際可用范圍在0.5 m～3 m之間，所以在設(shè)置安全距離時，將3 m以外的距離內(nèi)障礙物設(shè)置為0，拍攝的照片及深度圖如圖3所示。

圖3 拍攝的照片及深度圖

在深度圖灰度化處理的這一步中，需要進(jìn)行數(shù)據(jù)格式轉(zhuǎn)換，即對深度相機(jī)采集的深度圖像數(shù)據(jù)格式采用OpenCV的convertTo函數(shù)進(jìn)行轉(zhuǎn)換[6]。

2.2 圖像二值化

將采集到的圖像進(jìn)行深度灰度化處理后，對圖像繼續(xù)進(jìn)行二值化處理。灰度圖有256個亮度等級，為了讓圖像只出現(xiàn)黑色或白色，采用圖像二值化讓圖像上包含的所有像素點灰度值為0或255。經(jīng)過圖像二值化處理后的圖像如圖4所示。

圖4 二值化圖像

環(huán)境等不確定因素會使采集的圖像中包含一些非障礙物，若這些非障礙物不做處理，經(jīng)過二值化處理后可能會被誤判成障礙物，所以需要設(shè)定一個閾值，閾值將采集的所有數(shù)據(jù)分為兩部分，即定義當(dāng)灰度大于閾值時為最大值，灰度小于閾值時為0，這里用到的二值化函數(shù)原型為：cv2.threshold（img, threshold, maxval, type）。

2.3 形態(tài)學(xué)濾波

深度相機(jī)受外界環(huán)境影響，物體上會出現(xiàn)小洞，為了填充小洞，需采用閉運算來去除黑洞，并平滑邊界。而形態(tài)學(xué)濾波對于圖像處理來說本質(zhì)和濾波器一樣，能對圖像進(jìn)行降噪、邊緣增強(qiáng)等作用。本文中采用形態(tài)學(xué)濾波主要是為了進(jìn)行閉運算處理[7]。最終運算處理后的結(jié)果如圖5所示。

圖5 形態(tài)學(xué)濾波后的圖像

2.4 目標(biāo)物體邊緣檢測

障礙物圖像邊緣檢測可大幅減少數(shù)據(jù)量，剔除不相關(guān)信息，保留圖像結(jié)構(gòu)屬性。本過程采用Canny函數(shù)來進(jìn)行處理圖5圖形的邊緣檢測。

最終通過Canny算子處理后，再進(jìn)行取反操作得到的圖像如圖6所示。

圖6 障礙物邊緣檢測圖

2.5 標(biāo)記輪廓與凸包

經(jīng)Canny算法可以檢測出障礙物輪廓邊緣的像素，但輸出的圖片并沒有將每一個像素點進(jìn)行連接，因此需要在OpenCV函數(shù)庫先查找圖像邊緣每個像素點，然后使用drawContours函數(shù)將像素點輪廓繪制出來，最終得到的圖像如圖7所示。

圖7 繪制的邊緣輪廓

本實驗中采集的圖像相對較簡單，而實際中遇到棱角比較多且突出的障礙物時，根據(jù)以上的步驟難以分辨哪些區(qū)域可以在安全范圍內(nèi)通過。實際應(yīng)用中，人的手掌指縫外部范圍可以通過，而指縫是不能通過的，若不將指縫的間距進(jìn)行特殊標(biāo)記，經(jīng)過算法識別后會判別可以通過，這種誤判會影響智能小車的行駛路徑，所以這些區(qū)域要在算法上進(jìn)行排除處理。將手掌輪廓外部每個部分最突出的點進(jìn)行連接，如圖8所示，直線連接后形成一個閉合的輪廓。在圖像處理中將這種圍成的邊界稱為圖像的凸包，當(dāng)實際的圖像形成凸包后，可以近似認(rèn)為整個凸包為障礙物，這樣做的目的是增大小車安全有效的路徑行駛。

圖8 凸包

所以需要算法能準(zhǔn)確找出凸包輪廓像素點，此過程本文采用的是OpenCV中的convexHull函數(shù)來尋找凸包，使用drawContours函數(shù)來繪制凸包輪廓像素點。

對圖7進(jìn)行凸包輪廓像素點的繪制，得到圖如圖9所示，圖中紅色線條（凸起部分）為識別出來的障礙物輪廓，黑色線條（平滑部分）為障礙物輪廓的凸包[1,8]。隨后將凸包進(jìn)行形態(tài)學(xué)膨脹，目的是將輪廓凸包加粗外擴(kuò)，如圖10所示。

圖9 輪廓凸包

圖10 膨脹后凸包圖

2.6 圖片尺寸調(diào)整

避障只是智能小車行駛過程中的功能之一，在識別完障礙物后還需對行駛的路徑進(jìn)行規(guī)劃。為了使智能小車能及時地做出路徑規(guī)劃，則需要對圖片進(jìn)行壓縮處理，壓縮圖片不會使圖像變形，反而使計算的像素點減小，縮短了識別時間[9-10]。本文使用的深度相機(jī)采集到的圖片大小為1 080×720，用OpenCV中的resize函數(shù)將圖像進(jìn)行壓縮，最終壓縮為200×200。

為了驗證此算法是否適用于識別復(fù)雜的環(huán)境信息，用采集的室外圖像11（a）進(jìn)行驗證，最終得到識別出的障礙物圖像如圖11（b）所示。因此提出該算法可以實現(xiàn)智能小車對障礙物的識別。

圖11 采集的室外圖像與識別結(jié)果

3 結(jié)論

本文介紹了障礙物識別的相關(guān)原理及算法，核心選用Canny算法對障礙物輪廓進(jìn)行識別。在智能小車移動的過程中，采用深度相機(jī)對一定范圍內(nèi)的環(huán)境進(jìn)行圖像采集，并將圖像采用OpenCV函數(shù)進(jìn)行二值化、濾波、邊緣檢測、標(biāo)記輪廓凸包、調(diào)整圖像尺寸等一系列算法的處理，得到障礙物識別圖。最終經(jīng)過驗證，不論在簡單或復(fù)雜的環(huán)境中均可以識別出障礙物。