戴 睿 ，謝 雁
1.中國航空研究院 研究生院，江蘇 揚州 225006；
2.沈陽飛機設計研究所 揚州協同創新研究院，江蘇 揚州 225006
隨著人工智能與傳感器技術的發展，智能小車［1-5］越來越成為工業場景下的巡檢工具。智能小車在執行巡檢工作時，首先通過攜帶的攝像頭采集周圍環境的信息；
再通過計算機視覺算法對采集到的圖像信息進行識別與處理，確定圖像中的障礙物與目標物；
最后通過一系列控制算法，對小車的運動進行控制，使其完美地規避障礙物，從而順利到達目標地點。
本文主要針對具有規則引導線的智能小車日常巡檢中的直線導引和弧線導引進行研究。通過對采集到的圖像信息進行識別，對目標場景的引導線進行閾值分割及邊緣檢測；
再通過霍夫變換及骨架提取算法分別對直線引導線和弧線引導線進行追蹤；
最后通過參數化方法確定智能小車的設定點和設定方向。算法流程如圖1所示。
圖1 行進道路路線確定流程Fig. 1 Road route determination process
根據圖1 的算法流程，對于采集到的圖像信息需要進行預處理，以減少圖像識別中的無關信息，提高圖像識別的魯棒性。本文主要通過圖像灰度化、尺寸調整、模式濾波［6］對采集到的圖像進行預處理。由于智能小車在日常巡檢中需要對目標場景的引導線進行閾值分割及邊緣檢測，而引導線的檢測無需色彩信息，因此首先將原始輸入圖像進行灰度化處理；
其次，為了提高算法的運行速度，需要對輸入圖像進行尺寸調整；
最后，為了保留圖像的邊緣信息，濾除由于尺寸調整及原始輸入所產生的噪音點，采用模式濾波器對調整過尺寸的圖像進行濾波。經過圖像預處理后，輸出圖像的像素計算如公式（1）所示。
式中：g(i，j)為輸出圖像像素點（i，j）的灰度值；
f(k，l)為當前輸入圖像像素點（k，l）的灰度值；
S(i，j) 是 以(i，j) 為 中 心 的 濾 波 核 所 在 區 間；
w(i，j，k，l) =ws?wr（ws為基于空間的高斯函數，wr為基于像素的高斯函數），為由高斯函數經過兩次計算得到的數值。
當引導線圖像處于變化程度小的區域時，wr無限趨近于1，此時模式濾波為高斯濾波；
當引導線圖像處于變化程度高的區域時，wr與ws都無限趨近于0，此時可將圖像輸入。因此，通過模式濾波器能有效地保留引導線圖像的邊緣信息。
引導線圖像預處理前后的結果如圖2所示。
圖2 引導線圖像預處理前后的結果Fig. 2 Results before and after preprocessing of guide line image
由圖2可知，經過模式濾波處理后的引導線，其灰度值明顯區別于作為背景的周遭環境的灰度值，但還是不能滿足小車智能識別的需要，需要對其圖像進行分割。本文使用閾值分割法對目標圖像進行分割，即通過最大化類間方差法［7-8］計算引導線與背景之間的方差，如式（2）所示。
式中：σ2為引導線與背景之間的方差；
k為灰度級，取值范圍為0～255；
pA(k)為像素被分到前景的概率；
mA(k)為前景的平均灰度；
pB(k)為像素被分到背景的概率；
mB(k)為背景的平均灰度；
mG為整個圖像的平均灰度值。
通過式(2)遍歷0～255 個灰度級，求出引導線與背景之間方差σ2的最大值，此時的灰度級t即為分割引導線與背景的閾值。
以求出的閾值t為分界線，通過閾值二值化分割法，將引導線區域（前景）的像素置為255，引導線周遭環境區域（背景）的像素置為0，如式（3）所示。
式中：s(x，y)、D(x，y)分別為二值化分割前、后的灰度值。
引導線圖像經過二值化分割后即可進行邊緣檢測。經常使用的邊緣檢測算法有Sobel算子、拉普拉斯變換、Prewitt 算子、Roberts 算子、Canny算子［9］等。由于含有引導線的輸入圖像有較少的道路邊緣干擾，經過二值化處理后進行邊緣檢測時無需擔心因閾值設置不合理而導致有效的邊緣信息被去除；
同時又排除了其他干擾，無需擔心輸入圖像中的噪聲干擾被視作邊緣而不會被表示出來等問題，本文選用Canny 檢測算子對二值化處理后的引導線邊緣進行檢測，結果如圖3所示。
從圖3可以看出，Canny算子能夠很好地檢測出道路引導線的邊緣，滿足智能小車視覺導引的需求。
圖3 Canny二值化結果Fig. 3 Result of canny binarization
直線行駛的小車引導線圖像經Canny 邊緣檢測后得到引導線邊界，再通過Hough 變換［10］檢測引導線的直線邊界，進而通過兩邊界線求得道路中心線，并與道路中心線的數學模型一起得到小車行進過程中的設定點與設定方向。
3.1 引導線邊界擬合檢測算法
運用Hough變換檢測引導線邊界的算法如圖4所示，參數化引導如圖5所示。引導線邊界擬合算法流程如下：
圖4 引導線邊界擬合檢測算法Fig. 4 Detection algorithm of boundary fitting of line guide
（1）對圖3 二值化結果進行Hough 變換，將其圖像空間轉換成參數空間。
（2）任意選取一個邊緣點，如果該邊緣點落在已經找到的直線上，則重新選擇邊緣點；
否則，通過累加器累加邊緣點個數，得到累加值。
（3）通過峰值檢測函數找到累加器的最大累加值，與經統計得到的閾值500 相比較。如果累加值大于或等于閾值，則執行下一步；
反之，返回步驟2重新選取邊緣點。
（4）將找到的邊緣點集通過擬合公式擬合，得到引導線的邊界。
（5）將引導線邊界繪制在圖5 上，并判斷邊緣點是否全部檢測。如果邊緣點全部檢測完畢，則流程結束；
如果沒有，則返回步驟2，重復選取邊緣點，直至邊緣點全部檢測。
圖5 引導參數化Fig.5 Parameterization of line guide
3.2 直線行走引導的參數化跟蹤
直線行走引導的目的是讓偏離引導線中心的小車，通過給定的位置修正小車行駛過程中的位姿偏差。
假定攝像頭安裝在小車的前方正中心，攝像機捕捉到圖像的中心方向即小車的行駛方向。假定小車的初始位置為坐標原點(0，0)，觀測點距離小車位置為R，以小車質心為圓心，觀測點到小車質心距離為半徑作圓弧C，如圖5所示。
由于直線行走的小車其引導線邊緣相互平行，假定引導線的兩條邊緣線方程分別為x1=k1× y1+ c1（直線1）、x2= k2× y2+ c2（直線2），則引導線的中心線到兩邊的距離如式（4）所示。
由式（4）可得道路中心線的方程為x = k ×y + xe- ye，該中心線與圓弧C 的交點即為小車的設定點(xe，ye)。智能小車行駛時只需要根據設定點的坐標，通過運動控制策略即可實現實時位姿控制。
對弧線引導的道路圖像采用直線引導道路圖像相同的預處理操作，得到經Canny 邊界提取后的二值化圖像，通過圖像骨架提取算法提取弧線道路的中心線；
以智能小車質心為圓心，質心與觀測點之間的距離為半徑作圓弧，中心線與圓弧的交點即為設定點；
以設定點為圓心搜索弧形引導線輪廓邊界到設定點的最小距離，該最小距離的垂線方向即為設定方向。
4.1 引導線圖像骨架提取
弧線引導道路的中心線是弧線引導道路的中軸，也是智能小車行駛的最短路徑，因此弧線引導道路的骨架提取問題本質上是最短路徑規劃問題。本文應用Astar 最短路徑搜索算法對弧形引導線進行骨架提取，解決了骨架提取算法提取的骨架偏離引導線中軸的問題。骨架提取算法流程如圖6所示。
圖6 中，首先對Canny 檢測后的二值圖片進行距離變換，得到弧形引導道路的距離場，再經過分水嶺算法獲取含有引導道路的骨架潛在圖；
同時由主動輪廓模型確定引導道路的凸點，通過引導道路中心線端點到引導道路凸包的距離對引導線的骨架點進行篩選，得到骨架關鍵點；
利用 Astar 算法搜索引導道路的骨架關鍵點，從而得到引導線的骨架，如圖7所示。
圖6 骨架提取算法流程Fig. 6 Skeleton extraction algorithm flow
由圖7 可以看出，通過此方法得到的引導線骨架十分接近引導線的中心線，說明基于Astar的骨架提取算法在弧形引導線的骨架提取中非常適用。
圖7 弧形道路的骨架提取Fig. 7 Skeleton extraction of curved road
4.2 弧線行走引導的參數化跟蹤
同直線行走引導相似，以智能小車質心為圓心，質心到觀測點的距離為半徑作圓弧D，圓弧D與弧形道路中心線即骨架輪廓線的交點即為智能小車的設定點，如圖8所示。
圖8 弧形道路引導示意圖Fig. 8 Schematic diagram of arc-shaped road guidance
由于弧形道路中心線沒有一個通用的數學程式去建模，因此為簡化算法，本文采用遍歷的思想，以設定點為圓心，在道路區間找尋最大內切圓，從而求得設定點與兩邊界線距離和的最小值，如式（5）。
式中：(xl，yl)、(xr，yr)分別為小車的設定點(x′e，y′e)到左、右兩側邊界線的交點。
由式（5）可以得到道路中心線的方程為x=k × y + x′e- y′e，該中心線與圓弧D 的交點即為小車的設定點(x′e，y′e)。智能小車行駛時只需要根據設定點的坐標，通過運動控制策略即可實現實時位姿控制。
圍繞智能小車視覺導引，采用C++編程輔以OPENCV 庫處理圖像，采用Hough 變換法、Astar骨架提取法找尋引導道路中心線；
引入引導道路參數化模型，確定智能小車的設定點與設定方向。實驗結果表明，提出的引導線參數化方法，降低了智能小車導引的復雜度，能滿足具有規則引導線的智能小車的日間巡檢。