论文部分内容阅读
摘 要 基于机器视觉的智能汽车技术正在迅速发展并为驾驶员带来了极大便利。该技术中一个重要环节是道路标识线检测，本文主要对此进行了研究。首先分析了道路标识的特点，依据道路标识特征采用了中值滤波除去图像中噪声，采用环境光线设置阈值增强图像，然后分析了边缘检测算法，采用Sobel结合Hough变换的方法对图像边缘进行了提取，并达到了预期效果。
关键词 中值滤波；Sobel算子；Hough变换
中图分类号 TP911.73 文献标识码 A 文章编号 1673-9671-(2012)021-0204-02
汽车是现代生活中重要交通工具，给人们的生活带来了极大的舒适、快捷、方便。智能汽车是应用自动控制、通讯和计算机等信息技术，诸如汽车防撞装置、自动驾驶等主动式汽车辅助安全装置，以及减少驾驶员的负担等措施的智能汽车正迅速发展起来。开发智能汽车可以有效利用现存的道路设施，使得车辆、道路和驾驶者和谐的统一起来，具有极大的现实意义和广阔的应用前景。在基于图像处理的智能车中，边缘检测是一个非常重要的环节，本文主要研究道路标识的边缘检测
算法。
1 总体设计
首先，我们对常见道路标识进行分析，它具有如下特点：道路标识灰度值高、道路灰度值低，图像对比度较高；图像中各处道路标识的宽度基本一致，水平方向位置变化比较缓；道路标志线之间的宽度也基本一致，保持一种平行关系。通过分析这3个特点，我们可以发现，在道路标识识别中，对于硬件要求不需要太高，能够掌握通过分析这3个特点，我们可以发现，在道路标识识别中，对于硬件要求不需要太高，能够掌握主要边缘细节皆可，对于图像处理算法也是如此，增强图像边缘，忽略尽可能多的无关细节。
该系统边缘检测流程图如图1所示。
2 边缘检测
2.1 图像采集
图像传感器采用OV7670，输出格式采用8位数字输出，视场角为67度。摄像头采集到的原始图像如图2所示，图像中有较明显的噪声。
2.2 滤波除噪
由摄像头采集到的图像中含有较多噪声，以及摄像头镜头污浊的痕迹，但这些噪声与道路标识图像元素结构差异较大，还是很容易采用一般除噪方法还原出一幅清晰便于后续图像分析的图像。
道路标识结构元素为标准化图示，只需要了解它们的轮廓细节，对于其他细节忽略更佳，对于障碍物亦是，所以选择了中值滤波的方法除去不必要的噪声信号。中值滤波主要是让与周围像素灰度值的差比较大的像素改取与周围像素值接近的值，可以消除孤立的噪声点，还能防止边缘模糊。中值滤波数学表达为：
2.3 图像增强
经中值滤波后图像中噪声基本被消除，且道路标识线边缘没有受到影响，然而，随着日照等因素的影响，道路标识与背景的区分度有所变
化，这对后续图像处理采用同一方法与结构参数不利，因此我们采用了图像增强的技术适当调整图像灰度，减小对后续处理的影响，其中图像增强时采用的阈值由硬件的环境光线传感器得到。
2.4 边缘提取
现在实用边缘检测算法大多基于一阶、二阶微分，如Sobel算子、Log算子、Canny算子。一阶微分算子存在宽边缘，二阶微分算子存在虚假边缘，对噪声敏感。Canny算子是较理想算子，选取适当方差和阈值能满足人部分边缘检测要求，但是计算量较大，对细小边缘不敏感。应用以上算子进行边缘检测结果对照图如图3所示。从中我们可以发现，Sobel算子检测结果中对道路标识边缘描述比较简洁，整幅图像中多余边缘细节最少。Robort算子处理结果与Sobel相近，但多余细节仍比Sobel算子处理结果中的多。
基于前文归纳的道路标识的特点，Sobel算子进行边缘检测是最佳选择。Sobel边缘检测算子是先做成加权平均，再微分，然后求梯度。水平边缘Sobel算子垂直边缘Sobel算子，形成了Sobel边缘检测算子，待处理图像中的每个点都用这两个核做卷积，其中一个对垂直边缘影响最大，而另一个对水平边缘影响最大。Sobel算子能很好的提取出道路标识边缘轮廓线，同时忽略了一些不必要的细节。
2.5 边缘提取
Hough变换是运用两个坐标之间的变换来检测平面内的直线和曲线，这种变换具有在变换空间所期望的边缘凝聚在一起形成峰点的特性。它将原始图像中给定形状的曲线或直线变换成空间中的一个点，即原始图像中给定形状的曲线和直线上的点都集中到变换空间的某个点上形成峰点。这样就把对原始图像中的给定形状直线或曲线的检测问题，变成寻找变换空间中的峰点问题。以直线检测为例，平面中任意一条直线可以用两个参数ρ和θ完全确定下来，其中ρ指明了该直线到原点的距离，θ确定了该直线的方位，其函数关系可表示为：
f（（ρ，θ）（x，y））=ρ-xcosθ-ysinθ=0
由上述方程可以看出，图像中的每一点（xm，yn）映射到Hough空间中的一组累加点P（ρi，θj），满足上式的每一点，将使对应的所有累加器中的值加1。如果图像中包含一条直线，则有一个对应的累加值会出现局部最大值；通过检测 Hough 空间中的局部最大值，可以确定与该条直线对应的一对参数（ρi，θj），从而把该直线检则出来。实验结果如图4所示。
基金项目：国家大学生创新性实验计划项目101006030
参考文献
[1]Milan Sonka, Vaclav Hlavac, Roger Boyle.著,艾海舟，武勃等译. Image Processing, Analysis, and Machine Vision (Second Edition)[M].北京:人民邮电出版社,2003.
[2]刘直芳,王运琼,朱敏.数字图像处理与分析[M].北京:清华大学出版社,2006.
[3]张广军 编著.视觉测量[M].北京:科学出版社,2008.
关键词 中值滤波；Sobel算子；Hough变换
中图分类号 TP911.73 文献标识码 A 文章编号 1673-9671-(2012)021-0204-02
汽车是现代生活中重要交通工具，给人们的生活带来了极大的舒适、快捷、方便。智能汽车是应用自动控制、通讯和计算机等信息技术，诸如汽车防撞装置、自动驾驶等主动式汽车辅助安全装置，以及减少驾驶员的负担等措施的智能汽车正迅速发展起来。开发智能汽车可以有效利用现存的道路设施，使得车辆、道路和驾驶者和谐的统一起来，具有极大的现实意义和广阔的应用前景。在基于图像处理的智能车中，边缘检测是一个非常重要的环节，本文主要研究道路标识的边缘检测
算法。
1 总体设计
首先，我们对常见道路标识进行分析，它具有如下特点：道路标识灰度值高、道路灰度值低，图像对比度较高；图像中各处道路标识的宽度基本一致，水平方向位置变化比较缓；道路标志线之间的宽度也基本一致，保持一种平行关系。通过分析这3个特点，我们可以发现，在道路标识识别中，对于硬件要求不需要太高，能够掌握通过分析这3个特点，我们可以发现，在道路标识识别中，对于硬件要求不需要太高，能够掌握主要边缘细节皆可，对于图像处理算法也是如此，增强图像边缘，忽略尽可能多的无关细节。
该系统边缘检测流程图如图1所示。
2 边缘检测
2.1 图像采集
图像传感器采用OV7670，输出格式采用8位数字输出，视场角为67度。摄像头采集到的原始图像如图2所示，图像中有较明显的噪声。
2.2 滤波除噪
由摄像头采集到的图像中含有较多噪声，以及摄像头镜头污浊的痕迹，但这些噪声与道路标识图像元素结构差异较大，还是很容易采用一般除噪方法还原出一幅清晰便于后续图像分析的图像。
道路标识结构元素为标准化图示，只需要了解它们的轮廓细节，对于其他细节忽略更佳，对于障碍物亦是，所以选择了中值滤波的方法除去不必要的噪声信号。中值滤波主要是让与周围像素灰度值的差比较大的像素改取与周围像素值接近的值，可以消除孤立的噪声点，还能防止边缘模糊。中值滤波数学表达为：
2.3 图像增强
经中值滤波后图像中噪声基本被消除，且道路标识线边缘没有受到影响，然而，随着日照等因素的影响，道路标识与背景的区分度有所变
化，这对后续图像处理采用同一方法与结构参数不利，因此我们采用了图像增强的技术适当调整图像灰度，减小对后续处理的影响，其中图像增强时采用的阈值由硬件的环境光线传感器得到。
2.4 边缘提取
现在实用边缘检测算法大多基于一阶、二阶微分，如Sobel算子、Log算子、Canny算子。一阶微分算子存在宽边缘，二阶微分算子存在虚假边缘，对噪声敏感。Canny算子是较理想算子，选取适当方差和阈值能满足人部分边缘检测要求，但是计算量较大，对细小边缘不敏感。应用以上算子进行边缘检测结果对照图如图3所示。从中我们可以发现，Sobel算子检测结果中对道路标识边缘描述比较简洁，整幅图像中多余边缘细节最少。Robort算子处理结果与Sobel相近，但多余细节仍比Sobel算子处理结果中的多。
基于前文归纳的道路标识的特点，Sobel算子进行边缘检测是最佳选择。Sobel边缘检测算子是先做成加权平均，再微分，然后求梯度。水平边缘Sobel算子垂直边缘Sobel算子，形成了Sobel边缘检测算子，待处理图像中的每个点都用这两个核做卷积，其中一个对垂直边缘影响最大，而另一个对水平边缘影响最大。Sobel算子能很好的提取出道路标识边缘轮廓线，同时忽略了一些不必要的细节。
2.5 边缘提取
Hough变换是运用两个坐标之间的变换来检测平面内的直线和曲线，这种变换具有在变换空间所期望的边缘凝聚在一起形成峰点的特性。它将原始图像中给定形状的曲线或直线变换成空间中的一个点，即原始图像中给定形状的曲线和直线上的点都集中到变换空间的某个点上形成峰点。这样就把对原始图像中的给定形状直线或曲线的检测问题，变成寻找变换空间中的峰点问题。以直线检测为例，平面中任意一条直线可以用两个参数ρ和θ完全确定下来，其中ρ指明了该直线到原点的距离，θ确定了该直线的方位，其函数关系可表示为：
f（（ρ，θ）（x，y））=ρ-xcosθ-ysinθ=0
由上述方程可以看出，图像中的每一点（xm，yn）映射到Hough空间中的一组累加点P（ρi，θj），满足上式的每一点，将使对应的所有累加器中的值加1。如果图像中包含一条直线，则有一个对应的累加值会出现局部最大值；通过检测 Hough 空间中的局部最大值，可以确定与该条直线对应的一对参数（ρi，θj），从而把该直线检则出来。实验结果如图4所示。
基金项目：国家大学生创新性实验计划项目101006030
参考文献
[1]Milan Sonka, Vaclav Hlavac, Roger Boyle.著,艾海舟，武勃等译. Image Processing, Analysis, and Machine Vision (Second Edition)[M].北京:人民邮电出版社,2003.
[2]刘直芳,王运琼,朱敏.数字图像处理与分析[M].北京:清华大学出版社,2006.
[3]张广军 编著.视觉测量[M].北京:科学出版社,2008.