泊车辅助系统中的车位线识别范文

本站小编为你精心准备了泊车辅助系统中的车位线识别参考范文，愿这些范文能点燃您思维的火花，激发您的写作灵感。欢迎深入阅读并收藏。

《电子科技》2014年第五期

1图像预处理

通过加装在汽车车身前、后、左、右的4个鱼眼摄像头，同时采集车辆四周的影像，经过鱼眼图像矫正，鸟瞰变换和拼接后，形成一幅车辆4周的360°全景俯视图，如图2所示。由此得到的原图像不可避免地会受到光照、噪声等的影响，因为前期处理的质量直接影响到后期识别的效果，所以为消除图像中无关的信息，恢复有用的真实信息，增强有关信息的可检测性和最大限度地简化数据，从而改进特征抽取、图像分割、匹配和识别的可靠性，需要对图像进行预处理，主要分为以下几个步骤。

1.1自适应直方图均衡化首先将原彩色转化为灰度图像，考虑到光照影响导致灰度分布不均，需要对灰度图像进行直方图均衡化。直方图均衡化的基本思想是对原始图像中的像素作某种映射变换，使变换后的图像灰度概率密度是均匀分布的，即变换后图像是一幅灰度级均匀分布的图像，这意味着图像灰度的动态范围得到了增加，从而可提高图像的对比度。但是传统的直方图均衡化中灰度变换函数运算与像素所处的位置无关，这种全局性处理的算法，具有算法简单、计算速度快等优点，但由于其对所有像素点都做同样的处理，忽略了图像的局部特征，这就导致经过直方图均衡的图像将丢失有用信息，给图像的去噪处理及边缘检测带来损失。因此本文采用对比度受限自适应直方图均衡法(CLAHE)［7］，通过限制局部直方图的高度来限制局部对比度的增强幅度，从而限制噪声的放大及局部对比度的过增强。如图3所示为分别对原灰度图像进行直方图均衡化和CLAHE后的效果，可以看到CLAHE的效果明显优于传统的直方图均衡效果。

1.2自适应二值化对图像进行直方图均衡化处理后，为便于后期处理，需要对图像进行分割操作，达到目标和背景分离的目的。图像分割的关键是选取恰当的阈值，阈值选取的恰当与否直接影响到感兴趣信息的提取。这里采用局部自适应阈值，它是根据像素邻域块的像素值分布来确定该像素位置上的二值化阈值。这样做的优点在于，每个像素位置处的二值化阈值不是固定不变的，而是由其周围邻域像素的分布来决定的。亮度较高图像区域的二值化阈值通常会较高，而亮度较低的图像区域的二值化阈值则会相适应地变小。不同亮度、对比度、纹理的局部图像区域将会拥有相对应的局部二值化阈值。图4显示了采用该方法后的结果。

1.3形态学处理可以看到，在图像分割完成后，不免存在着一些二值噪点，为此，考虑利用形态学对图像进行处理。对二值图像进行形态学处理的基本思想是运用一个预先定义好的简单结构元素去探测图像，看这个结构元素能否填放在该图像内部，并验证填放结构元素方法的有效性。最基本的形态学运算是腐蚀和膨胀，二者互为对偶运算。腐蚀是将区域的内边界点变为背景，使边界向内部收缩，在这个过程中，小且无意义的物体将被消除;而膨胀则是将区域的外边界点变为对象点，使边界向外部扩张。为利用结构元素B膨胀集合A，可将B相对原点旋转180°，得到－B，再利用－B对AC进行腐蚀，腐蚀结果的补集就是所求的结果。对输入图像进行先腐蚀后膨胀，具有平滑功能，通常用于消除小对象物、在纤细点处分离物体、平滑较大物体边界的同时并不明显改变其体积，且图像细节得以保留。图5是经过先腐蚀后膨胀得到的结果，可以看到经过形态学处理后的二值化图像已经滤掉了部分噪点，便于下一步的识别处理。

2Hough变换检测车位线

2.1基于中值的自适应Canny边缘检测边缘是图像特征的一个重要属性，蕴含了大量的信息，能勾勒出目标物体，因此边缘检测技术是图像处理中一类重要的分析方法。Canny算子是最常用的边缘检测方法。Canny算法的步骤可归纳为:(1)去噪。因为Canny边缘检测算子对于未经处理的原始图像中的噪声是敏感的，所以它采用高斯模板与原始图像作卷积，得到的结果与原始图像相比，有轻微的模糊。这样，单独的一个噪声像素在经过高斯平滑的图像上变得基本没有影响。(2)查找图像的亮度梯度。图像的一个边缘可能指向不同的方向，所以Canny算法运用4个模板分别检测去噪图像中的垂直、水平、对角线边缘。利用边缘检测算子(如Roberts，Prewitt，Sobel)分别计算出水平和垂直方向的一阶导数Gx和Gy，由此可以得到边缘的梯度和方向(3)跟踪图像边缘，选择滞后阈值。较大的亮度梯度更有可能被认为是边缘，但在多种情况下，指定一个阈值来确定某个梯度是否为边缘是不可能的，因此Canny采用了滞后阈值。滞后阈值需要高低两个阈值。假设图像中的重要边缘都是连续曲线，这样可以跟踪给定曲线中模糊的部分，并丢掉一些虽然产生了大的梯度但没有组成曲线的噪声像素。所以从一个较大的阈值开始，这将标识出那些确信的边缘。从真正的边缘开始，并利用前面导出的方向信息，在图像中跟踪整个的边缘。在边缘跟踪时采用低阈值，这样就可以跟踪曲线的模糊部分直至回到起点。这个过程一旦完成，就可得到一个二值图像，其中的每个点表示是否是一个边缘点。与使用一个阈值相比，Canny边缘检测算法使用两个阈值使得操作更加灵活，但还是存在的普遍问题，阈值设置过高，重要信息就可能被漏掉;阈值设置过低，干扰信息又会被看的重要。难以给出适用于所有图像的通用阈值问题。采用的解决方法首先是计算图像的中值median，然后根据以下公式为高阈值high_thresh和低阈值low_thresh赋值，调用Canny边缘检测算法对图像进行边缘检测。图6和图7分别显示了经典Canny边缘检测和基于中值的Canny边缘检测结果，其中图6是经过手动调整到最佳结果产生的图像，图7是利用自动设定阈值得到的结果，从中可以看出基于中值的Canny边缘检测算法可以实现自动边缘检测的目的。

2.2Hough变换霍夫变换(HoughTransform)是一种检测直线和解析曲线的有效方法。它把二值图像变换到Hough参数空间，利用参数空间极值点的检测来实现目标的检测。霍夫变换不但可以用于检测图像中的直线，还可以扩展到任意曲线的识别，多为圆和椭圆。运用两个坐标空间之间的变换，霍夫变换将在一个空间中具有相同形状的曲线映射到另一个坐标空间的一个点上形成峰值，因此，霍夫变换把曲线的检测问题转换到参数空间中对点的检测问题，通过在参数空间里进行简单的累加统计完成检测任务。考虑直角坐标系中的一点(x0，y0)，经过该点直线的一般方程可以写为参数ρ和θ可以唯一地确定一条直线，这在ρ－θ空间内是一条正弦曲线。若将X－Y平面内同一条直线的点列变换到ρ－θ空间，则所以正弦曲线都经过一点(ρ''''，θ'''')，所以正弦曲线在ρ－θ空间其他各处都相交。因此，X－Y平面内一条直线上的无数点变换到ρ－θ空间内时，经过(ρ''''，θ'''')的次数为无穷，经过其他各处次数都为1。也就是说，Hough变换将X－Y平面内的一条直线映射到了ρ－θ空间中的一个点。因此，Hough变换把直线检测问题转换到参数空间里对点的检测问题，通过在参数空间里进行简单的累加统计完成检测任务。可以看到，由以上过程得到的结果存在伪车位线，需要进一步对结果进行优化。注意到，在进行边缘检测后每条车位线都是双边缘的，另外，这两个边缘是相互平行的且具有固定的宽度和近似相等的长度，而且它们都反应了同一条车位线，因此为了减少计算量，可以计算一个边缘，而非两个边缘，在这里取两条边缘线的平均值作为实际的车位线。基于以上先验特征对初始识别结果进行条件限制及优化，得到如图9所示的最终识别结果。

3实验结果及分析

系统的硬件部分主要由鱼眼摄像头、图像处理单元和显示屏组成。由于车身内部空间有限，图像处理单元无法由PC机完成，因此在本系统中，设计使用DSP来完成视频图像的处理。软件部分，以VisualStudio2008为开发环境，并调用OpenCV库来完成算法的实现。实验选取了200张不同情况下的车位图像对算法进行了验证，并在相同的情况下将本文的方法与传统的Hough方法进行了对比，实验中采用召回率和识别率来对算法的效率进行估计，其定义分别如下。从实验可以看出，本文提出的基于自适应思想的车位线检测与识别方法具有较高的精确度和鲁棒性。

4结束语

随着停车难的问题日益严峻，泊车辅助系统的应用越来越广泛，本文提出了一种综合运用自适应边缘检测和Hough变换等算法进行自动识别车位线的方法。通过实际采集到的图像对算法进行验证，并与传统方法进行了对比，验证了本文所提方法的高精度和高鲁棒性。

作者：陆桂明杨利涛李俊霞单位：华北水利水电大学信息工程学院华北水利水电大学电力学院