基于视觉导航的微型智能车路径识别系统研究

0 引言

自动导航国外研究起步较早，相对成熟。1943年美国诞生第一辆自动导航小车，1959年进一步改造，1985年自动导航技术飞速发展。上世纪60年代日本从美国引进该技术，此后日本的自动导航技术快速发展。2009年，印度成功将一名机器人运用在物流领域的自动化中［1］。国内相关研究虽起步较晚，但技术趋于成熟。2015年，天猫在某促销节日期间首次运用微型智能机器人搬运货物，以应对大量订单。2016年，京东自主研发的智能机器人在自动化仓库中表现出优异的避障功能，微型智能车在指定的位置之间搬运物品，大大减少了人力成本，快速高效［2］。

智能车的关键是图像边缘检测技术的准确性和实时性［3］。王慧［4］运用图像细化方法识别出路径的中心线。李进［5］对路径图像分割为上下两个区域，分别进行提取识别。本文主要采用“图像采集和处理”同时交替识别处理方式。获取图像后，首先运用线性变换方法对图像进行处理，消除由光线等因素造成的图像干扰；然后再对图像增强和边缘检测［6］。基于Sobel算子采用加权滤波，运算速度高。Roberts算子具有定位精度高的特点［7］，在综合利用两种算子的优点基础上提出一种融合算子，优化边缘检测算法，用图像处理结果验证算法的优越性。

1 视觉图像处理技术

机器视觉是利用摄像机作为“眼睛”获取路面信息，经过图像处理后作为“神经递质”传送给控制器，类似于人类的视觉系统。在工业应用中主要通过图像或视频数据让计算机对周围的事物进行观察判断，或者说利用摄像机拍到的视频原始数据在计算机内部进行处理和提取［8］，主要应用于人工智能、模式识别等领域，它的关键技术就是图像处理。现在图像处理技术已经发展到高分辨率、多灰度层次，不再是简单的二值图像处理［9］。

2 路径图像数据分析与处理

2.1 路径识别方法

为获得更大的视角，摄像机呈45°安装，识别的图像虽有变形，但可通过相应的算法进行校正［10-11］。现实仓库中的标识线都比较规则，采集到的图像也较规则。对图像先进行二值化再进行阀值分割。要正确完成导航路径识别，首先要对导航参数精确提取，核心就是对采集图像的处理。标识线识别原理：在仓库中黑色标识线和白色瓷砖背景路面的灰度值对比差异大，经图像处理后就能得到智能车辆的行驶路径，在采集的图像中提取黑色标识线边缘，得到标识线的中心线，根据此中心线的位置判断车体与跟踪标识线的相对位置，从而进行跟踪控制［12］。本文研究了路径图像的识别原理和方法，在识别每一帧路径图像时，为提高识别的准确性和实时性，依次进行图1所示的处理。

图1 路径识别流程

为了扩大微型智能车的视野范围，需要将摄像机与水平线成45°安装，如图2所示。其中，摄像头的安装高度为Z1，其视野角度与安装的高度Z1和俯仰角都有关系。车身长度L1即智能车的前后轮间距。微型智能车利用摄像机作为“眼睛”获取路面信息，实现从三维空间到二维平面的转换。用数学理论解释，其转换过程必然存在一个变换矩阵。在路径中标定特殊的位置，只要知道标定的位置就能计算出智能车的相对位置。在水平面的理想状态下，实际图像的坐标点和图像像素的坐标点满足以下关系式［13］：

其中，（x，y）是实际图像的坐标点，（u，v）是图像像素点的坐标，H3×3是实现从三维空间到二维平面的变换矩阵，且满足

摄像机采集到标识线会产生一定的形变，必须通过数学运算进行矫正。将变换矩阵和图选对应像素点的坐标代入式（1），即可得到实际的图像坐标点。

图3是图2的俯视图，即为场景平面图。采集图像区域距小车的距离为d，在实际场景中y值可忽略不计。识别区域的长度为w，宽度为h。定义智能车的中线为基准线，由摄像头获得的图像即是场景平面。

图2 摄像头安装

图3 场景平面

智能车在仓库运行时，在每个采样周期内必须完成图4所示的识别。识别过程必须同时保证识别的速度和识别的准确性，即识别的实时性。采集的路径图像由一行行像素组成，路径变化连续性使得路径行与行之间的对应边缘点位置相差不大。为此，考虑到智能车在仓库中的工作环境，在保证图像信息足够使用的情况下，取用整幅图像的部分图像以减少图像数据处理量。

图4 路径采集与二值化

2.2 路径识别处理

2.2.1 图像增强

噪声干扰是影响图片品质的主要因素，不利于对图像品质以及特征区域等数据的提取。生产过程中环境复杂，摄像机灯光是最大的影响因素，灯光照射太亮或太暗时，都会引起图像灰度值比较集中，导致图像区分度下降，从而降低对路径信息的正确识别，为此需要消除噪声影响，提高图像质量。增强图像处理可为下一步的图像处理和信息分析提供方便，过滤部分图像信息，如边缘信息、对比度、区域轮廓等［14］。对噪声的消除比较复杂，不能简单地通过常规的滤波方法消除。为达到理想的图片效果，需要运用多中滤波方法，利用更先进的算法来处理。

2.2.3 二值化及阈值选取

在数字图像处理中二值化手段应用广泛，大大减少了图像的数据量，能清楚地显示出图像轮廓。运用MATLAB对图像进行分析，采集原始图像的像素值在［0，255］之间。仔细研究发现白色背景像素值大多大于160，黑色标识线的像素值大多小于70。图像二值化后黑白背景区分明显，标识线轮廓清晰，如图4所示。但是，实际采集处理过程中黑白边界的像素值不是突变的，而是一个变化的过程，所以对原图像的二值化处理有助于区分黑白边界，减少图像处理的数据量和简化后续的图像处理。

图像二值化处理原理：先设定一个阈值，然后与待处理图像的像素比较大小。如果像素值大于阈值则显示黑色，用1表示；否则显示白色，用0表示。公式表示如下：

式（3）中，f（x，y）、G（x，y）分别为处理前、后的图像中处于（x，y）位置上的某个像素的灰度值，t为设定阈值。

经二值化处理后标识线十分清晰，但二值化后的标识线依然存在噪声。噪声的存在必然影响后续图像处理结果，所以有必要在后续图像处理之前对待处理图像进行平滑处理。中值滤波能有效保护图像边缘，减少脉冲干扰和椒盐噪声影响，是一种局部平均的平滑技术。最后运用数学形态学的相关理论去除噪声得到最终识别结果。

2.2.4 图像边缘检测算法融合

图像获取后，首先运用线性变换方法对图像进行处理，消除由光线等因素造成的图像干扰；然后，对图像增强和边缘检测。基于Sobel算子，运用加权滤波运算和Roberts算法具有定位精度高、对噪声敏感的优点。在综合利用两种算子优点的基础上，本文提出通过一种融合算子优化边缘检测算法。

Sobel算法原理模板如图5所示。图像的灰度值由式（4）算法转化，转化后的灰度值由式（4）得出：

式（4）中G代表点的梯度。

在提取图像的边缘信息时可用式（5）代替式（4）以减少运算量。

图5 Sobel算子

Roberts算法运用局部差分的方法检测图像边缘，算法公式如下：

式（6）中的各个单项式分别为4个领域的坐标，整个运算处理过程和人类的视觉系统相类似。算法模板如图6所示。基于Roberts算法和Sobel算法，本文提出一种改进的融合算法［15］，能减少系统运算量、提高准确性、保证实时性。

图6 Roberts算法模板

上式中，各符号的含义如下：T：用于选择坐标点灰度的阈值，决定用哪一种算法。G：处理中的坐标点灰度值。：代表基于Sobel算子的灰度值。GRoberts：代表基于Roberts算子的灰度值。

2.2.5 实验结果

实验结果如图7所示。改进的融合算法对采集到的路径图像运用不同的算法分别进行边缘检测处理，对处理结果进行对比。实验表明本文提出的融合算法边缘检测清晰，能够满足微型智能车的运行需求，对路径的识别快速高效，减少了计算量和运行内存，具有一定的实用性。

图7 实验结果

3 结语

视觉导航的微型智能车在行驶过程中对图像处理的速度和准确性要求较高。本文对路径识别算法进行相关研究，提出了一种融合算法。实验表明本文提出的融合算法边缘检测清晰，能够满足微型智能车的运行需求。对路径的识别快速高效，减少了计算量和运行内存，具有一定的实用性。在未来的研究与应用中，如何实现更高效的路径识别和图像处理还有待进一步研究。