倒車輔助系統(tǒng)車位線識別方法研究

吳曉剛

(興義民族師范學院，貴州 興義 562400)

?

倒車輔助系統(tǒng)車位線識別方法研究

吳曉剛

(興義民族師范學院，貴州 興義 562400)

提出了一種用于倒車輔助系統(tǒng)的基于改進Hough變換的車位線識別方法。算法首先采用局部像素分布特征以剔除非直線的干擾像素，然后使用像素直方圖自適應地選擇與車位線邊緣直線相適宜的梯度方向區(qū)間，減少參與Hough變換的像素點數(shù)的同時減少背景干擾直線邊緣的影響，最后通過判斷相鄰邊緣間的像素灰度關系，進一步確認車位線邊緣，從而識別出圖像中的車位線。相比于傳統(tǒng)hough變換和基于梯度方向區(qū)間的改進隨機Hough變換(Grad-RHT)，本文算法在保持與Grad-RHT運行效率相當?shù)那闆r下，在各種干擾背景下都取得了更好的車位線邊緣直線檢測正確率，表現(xiàn)出較好的識別魯棒性。

車位線識別；Hough變換；局部像素分布；梯度方向區(qū)間；灰度變化

車位識別影響著泊車過程的成敗，是倒車輔助系統(tǒng)的關鍵技術，對比現(xiàn)有技術，基于車位線[1-3]的識別技術具有定位準確、可用于傾斜車位等明顯優(yōu)勢。Xu等[4]借助顏色分割技術進行車位線識別，但僅對紅色車位線有效，且對光照變化較為敏感；Du等[5]使用RANSAC算法從邊緣片段中檢測一組直線來識別車位線，但其性能會因車位線被遮擋或部分污損而受到影響；JUNG等[6]采用單目視覺的方法重建后視三維場景，并在單應約束下通過提取水平投影的像素來識別車位標志線，但需要安裝立體相機，且立體匹配計算量很大；Wang等[7]通過Radon變換定位平行直線對來檢測車位線；Suhr等[8]將車位線建模為一種按類型劃分的分層樹結(jié)構(gòu)，首先生成車位線角點的備選點及其類型，然后根據(jù)樹節(jié)點類型去除錯誤點完成車位線的自動識別。

借鑒前人的研究成果，本文提出一種基于改進Hough變換的車位線檢測方法，算法首先根據(jù)車位線特征通過自適應提取合適的邊緣梯度方向范圍縮小參與Hough變換的像素點數(shù)，并減少背景干擾直線段的影響，其次通過峰值點逆向清零剔除車位線自身造成的干擾直線，最后根據(jù)相鄰邊緣像素灰度關系進一步確定車位線邊緣直線，從而實現(xiàn)車位線的準確識別。圖1為算法流程圖，通過對比試驗驗證，算法取得了較好的檢測結(jié)果，具有較好的魯棒性。

圖1 改進Hough變換的車位線檢測流程

1 傳統(tǒng)Hough變換車位線檢測

Hough變換[9-12]利用直線的投影不變性，將圖像中直線的檢測問題轉(zhuǎn)化為參數(shù)空間中點的檢測問題[13],經(jīng)Hough變換后，同一直線上的所有像素點，變換后的正弦曲線形成單一交點，該點為揭示直線的參數(shù)。圖2為傳統(tǒng)Hough變換提取的邊緣直線。

圖2 Hough變換提取車位線邊緣直線結(jié)果

從圖中可以看出，傳統(tǒng)Hough變換存在一定局限：

(1) 背景噪聲的存在勢必會增加存儲和計算負擔，還極易生成偽邊緣直線。

(2) 實際出現(xiàn)的階梯、柱子及門窗等干擾邊緣，也可被Hough變換提取。

(3) 車位線兩條邊緣直線段較近，因此需要對峰值點的分布效應進行恰當?shù)靥幚?，否則就無法確定次峰值點是代表車位線邊緣還是兩邊緣之間的虛假直線。

針對傳統(tǒng)Hough變換在車位檢測中的局限性，本文從后視車位圖像特征及車位線特征出發(fā)，對Hough變換進行改進，取得了較好的效果。

2 改進Hough變換車位線檢測

2.1 自適應梯度方向范圍搜索

當背景中存在噪聲或出現(xiàn)墻邊、柱子時，Hough變換會檢測出錯誤車位線邊緣且效率不高，為此，本節(jié)通過設置合理的梯度方向范圍剔除背景干擾直線，提高Hough變換的效率和準確性。

圖像中直線的梯度方向與其在參數(shù)空間的θ角相等(或相差180°)[14]，但由于背景干擾和梯度方向計算方法的影響，同一邊緣直線的梯度會出現(xiàn)一定的變化，因此，鎖定邊緣直線的θ范圍，可以減少Hough變換檢測直線的計算量，同時剔除該區(qū)間以外相位的干擾直線。為合理設定θ范圍，Burns等[15]固定將360°等分并編號為8個區(qū)并對每個像素標記編碼，將具有相同標志的像素用于同一直線檢測，Burns的固定等分法不能正確處理直線梯度方向跨兩個分區(qū)的情況，盡管采用重疊分割法可緩解這一問題，但仍不能確定最適合待檢測直線的合理θ范圍。

車位圖像中，車位區(qū)域通常占主要部分，其每對兩條車位線邊緣的梯度方向角集中在較小的范圍內(nèi)，在這種梯度方向集中而又占優(yōu)的圖像，車位線直線邊緣所對應的梯度方向?qū)⒃诮y(tǒng)計結(jié)果中占有明顯優(yōu)勢，為此，本文根據(jù)像素梯度方向建立像素直方圖，自適應地搜索與當前車位線邊緣梯度方向最適應的θ范圍，具體方法如下：

(1) 將參數(shù)空間的θ以1°為間隔限定在[0°，180°]內(nèi)，并作為像素直方圖的橫坐標。

(2) 根據(jù)文獻[16]模板計算邊緣直線的梯度方向，將與取整后的梯度方向相等的θ計數(shù)空間加1，形成像素直方圖。由于車位線的兩個邊緣直線平等或近似平行，其像素梯度方向相近或相差180°，因此在計算像素直方圖時將θ范圍限定在[0°，180°]，并將[180°，360°]內(nèi)的梯度方向減去180°。

(3) 搜索直方圖中值最大的兩個角度，并以其為中心，取45°范圍作為提取車位線邊緣的θ范圍，進行Hough變換。

圖3為根據(jù)自應方法確定的θ范圍進行Hough變換后提取的直線，可以看出與車位線邊緣梯度方向不同的直線被有效地剔除。

圖3 改進Hough變換提取直線結(jié)果

2.2 參數(shù)空間峰值點局部清零

從圖3可以看出，盡管θ范圍的確定剔除了部分背景邊緣直線的干擾，但由于車位線通常具有一定的寬度，使得兩邊緣間容易出現(xiàn)虛假邊緣，為此需要對峰值點局部進行處理，以減少虛假直線的檢測。

如圖4所示，L為峰值點對應的邊緣直線，傳統(tǒng)Hough變換為消除偽極值點的影響，通常采用式(1)、式(2)方法確定清零區(qū)域

ρmax-Δρ≤ρi≤ρmax+Δρ

(1)

θmax-Δθ≤θi≤θmax+Δθ

(2)

式中，(ρmax,θmax)為目標邊緣直線對應峰值點；(ρi,θi)為需要判斷是否清零的參數(shù)空間點；而Δρ，Δθ為清零區(qū)域范圍，圖4中式(1)、式(2)即為a、b、c、d4個點確定的區(qū)域Rabcd，清零后Rabcd內(nèi)任意極坐標點確定的直線都被清除，但圖中直線L3仍會被檢測到，從而在車位線邊緣附近出現(xiàn)一條對應次峰值點的偽邊緣。為此，文中采用逆向清零的改進措施，首先鎖定直線L在圖像中的區(qū)域RABCD，然后遍歷并標記RABCD內(nèi)每個像素點在參數(shù)空間中所對應的累積器，由于在RABCD區(qū)域中這些像素點僅用于檢測唯一一條邊緣直線，而不應該對其他直線做任何貢獻，因此將這些累積器清零即可將偽峰值點消除，從而保證邊緣直線提取的唯一。

圖4 逆向清零對干擾直線清除狀況

圖5為經(jīng)峰值點局部逆向清零后Hough變換提取的車位線邊緣直線，可以看出，圖3中的偽邊緣得到了抑制。但由于遠端車位線邊緣較近，經(jīng)局部清零后，遠端車位線僅提取一條邊緣，而由于算法提取8根直線，因此會在遠端等位置出現(xiàn)一條干擾直線。

圖5 直線提取對比結(jié)果

2.3 根據(jù)灰度變化一致性確定車位線邊緣

在車位圖像中，通常至少有一個車位線具有顯著的寬度和清晰的邊緣直線，通過改進Hough變換后可以較準確地檢測其邊緣線，并且在該車位線內(nèi)灰度圖像的灰度值通常變化不大，因此，以任一條提取的邊緣線為起點，搜索其一定寬度范圍內(nèi)的直線，如果搜索到另一直線，則計算兩直線間原灰度圖像像素的灰度值方差，當方差不大于預定的閾值Gv，則認為兩條直線邊緣確定一條車位線，根據(jù)四邊車位線的平行關系，可以進一步確定另外的車位線位置，對于不滿足車位線之間平行關系的邊緣直線，可以通過Hough變換繼續(xù)檢測另外的直線并進行判斷。圖6為經(jīng)過相鄰邊緣直線間灰度變化判斷后的邊緣直線提取結(jié)果，考慮到遠端車位線可能較窄，兩個邊緣直線不易明顯檢測的情況，在找不到合適的相鄰邊緣直線時，僅提取一條邊緣直線。

圖6 灰度變化判斷后車位線邊緣檢測結(jié)果

3 試驗驗證

為驗證文中算法的性能，試驗選用不同背景車位圖像，并將車位線提取結(jié)果與傳統(tǒng)Hough變換及文獻[17]中提出的基于梯度方向的改進隨機Hough變換(簡記為Grad-RHT)進行比較。

3.1 算法性能測試

圖7—圖9所示為不同背景的車位圖像車位線邊緣直線提取試驗結(jié)果，4幅圖像分別為原始灰度圖像、傳統(tǒng)Hough變換結(jié)果、Grad-RHT方法結(jié)果及本文算法識別結(jié)果。從圖7可以看出，對于背景干擾較小的停車位圖像，本文算法與另外兩種算法都取得了較好的檢測結(jié)果，但傳統(tǒng)方法及Grad-RHT方法仍將背景墻面與地面的交界線識別為車位線邊緣，而本文方法通過相鄰邊緣線之間的灰度值變化將背景邊緣線剔除。從圖8可以看出，當背景復雜時，傳統(tǒng)方法識別出的邊緣線會隨著背景變化檢測出不同的邊緣直線，而Grad-RHT方法與本文算法在梯度方向約束下，都取得了較好的車位線檢測結(jié)果。從圖9可以看出，當背景中出現(xiàn)明顯直線邊緣的柱子時，傳統(tǒng)方法出現(xiàn)較多錯誤，Grad-RHT方法因固定分割的限制易被柱子的邊緣直線梯度方向代替或因分割區(qū)間不合適使得車位線邊緣直線的梯度方向與背景柱子的邊緣方向劃為同一區(qū)間而被其干擾，從而檢測出柱子邊緣，而本文算法通過像素直方圖自適應選擇合適的梯度方向從而避開與柱子邊緣梯度方向劃為同一區(qū)間，另外當柱子邊緣梯度方向占優(yōu)而被選擇后，會通過相近直線間的灰度變化方差而識別出非車位線邊緣直線，惡劣情況下，檢測出的直線都不滿足車位線邊緣直線間的灰度變化關系時，會返回重新選擇合適的梯度方向區(qū)間，盡管此時重新選擇梯度方向區(qū)間和重新進行Hough變換后會占用更多的運行時間，但由于重新進行Hough變換只是在新選擇的梯度方向區(qū)間內(nèi)時運行，這部分消耗的時間并不大。

圖7 簡單背景下提取車位線試驗結(jié)果

圖8 復雜背景下提取車位線試驗結(jié)果

圖9 柱子等背景下提取車位線試驗結(jié)果

從3次試驗結(jié)果可見，當背景比較干凈時，3種試驗方法都取得較好的檢測結(jié)果，但當背景較復雜尤其背景中出現(xiàn)柱子、墻邊及陰影等比較明顯的直線邊緣時，傳統(tǒng)方法及Grad-RHT方法會錯誤地將這些干擾邊緣識別為車位線直線邊緣，而本文方法有效剔除了背景虛假邊緣像素點的干擾，保證了車位線檢測的魯棒性。

3.2 算法運行效率測試

將采集的圖像(分辨率1024×776)分成3組，組一為如圖7所示的背景簡單的停車位圖像，組二為如圖8所示的背景復雜的停車位圖像，組三為如圖9所示的背景中含有明顯柱子、墻邊及階梯等干擾的停車位圖像。由于算法主要提取停車位4個車位線，因此試驗限定提取圖像中的8根車位線邊緣直線，并按式(3)計算算法檢測直線的正確率。試驗中每幅圖像進行50次運算，并計算每組試驗的算法平均運行時間，同時由于每種算法都要對圖像進行預處理和邊緣檢測，因此試驗時這部分時間不計算在內(nèi)，表1為對比試驗3種算法的車位線邊緣直線檢測正確率及算法運行的平均時間。

(3)

表1 3種方法對比試驗結(jié)果

從表中算法檢測正確率可以看出，在不同的背景干擾下，本文算法都取得了較好的邊緣直線檢測正確率，從算法檢測結(jié)果分析可知，本文算法出現(xiàn)的錯誤檢測，主要是由于停車位圖像中遠端車位線變窄，僅檢測出一條邊緣直線；Grad-RHT方法在第3組試驗圖像中出現(xiàn)較低的直線檢測正確率主要是由于近端干擾背景直線使得算法在選擇梯度方向區(qū)間時產(chǎn)生錯誤。

從表中運行時間可以看出，傳統(tǒng)Hough變換方法在3組試驗圖像下都耗時較大，Grad-RHT方法雖然采用隨機Hough變換作為基礎，但在經(jīng)過梯度方向區(qū)間選擇后，參與Hough變換的像素點總數(shù)都較少，再進行隨機采樣并沒有明顯的運行效率優(yōu)勢。而在第3組試驗中，本文算法相對于Grad-RHT算法運行時間有所增加，主要是由于在進行Hough變換提取邊緣直線后，當相鄰直線間的像素灰度一致性檢測發(fā)現(xiàn)提取的直線不是車位線時，即當前直線簇對應的梯度方向區(qū)間并不是車位線邊緣直線的梯度方向區(qū)間，算法會重新判斷并選擇該區(qū)間而增加算法的耗時，但同時車位線檢測正確率有了較大的提高。

從比較試驗整體結(jié)果可以看出，本文算法相比于傳統(tǒng)方法在車位線檢測準確率和運行時間上有明顯的優(yōu)勢，而相對于Grad-RHT算法，在運行耗時相差不大的情況下，保證了較高的檢測正確率。

4 結(jié) 論

針對智能輔助倒車系統(tǒng)車位線識別問題，提出了一種基于改進的Hough變換的車位線檢測方法，算法利用車位圖像的特征，在圖像預處理和邊緣檢測基礎上，通過自適應邊緣直線段梯度方向區(qū)間提取及相鄰邊緣直線間的像素灰度關系，實現(xiàn)車位線快速準確識別。相比于傳統(tǒng)Hough變換和Grad-RHT方法，本文算法在保持與Grad-RHT運行效率相當?shù)那闆r下，在各種干擾背景下都取得了更好的車位線邊緣檢測正確率，表現(xiàn)出較好的魯棒性。

[1] YAN G, YANG W, RAWAT D B,et al. SmartParking: A Secure and Intelligent Parking System [J]. IEEE Intelligent Transportation Systems Magazine, 2011, 3(1):18-30.

[2] HUANG C C, WANG S J. A Hierarchical Bayesian Generation Framework for Vacant Parking Space Detection [J]. IEEE Transactions on Circuits and Systems for Video Technology，2011, 20(12):1770-1785.

[3] JEONG S H，CHOI C G, OH J N，et al. Low Cost Design of Parallel Parking Assist System Based on an Ultrasonic Sensor[J]. International Journal of Automotive Technology, 2010, 11(3):409-416.

[4] XU J, CHEN G, XIE M. Vision-guided Automatic Parking for Smart Car [J]. IEEE Intelligent Vehicles Symposium, 2000(10):725-730.

[5] DU X，TAN K K. Autonomous Reverse Parking System Based on Robust Path Generation and Improved Sliding Mode Control [J]. IEEE Transactions on Intelligent Transportation Systems, 2015, 16(3):1225-1237.

[6] HUANG C C, TAI Y S, WANG S J. Vacant Parking Space Detection Based on Plane-based Bayesian Hierarchical Framework [J]. IEEE Transactions on Circuits and Systems for Video Technology，2013,23(9):1598-1610.

[7] JUNG H G. Semi-automatic Parking Slot Marking Recognition for Intelligent Parking Assist Systems [J]. Journal of Engineering，2013(1):106-113.

[8] WANG X, WANG C, YANG M, et al. Automatic Parking Based on a Bird’s Eye View Cameras [J]. Journal of Shanghai Jiaotong University, 2013, 47(7):1077-1081.

[9] SUHR J K, JUNG H G. Automatic Parking Space Detection and Tracking for Underground and Indoor Environments [J]. IEEE Transactions on Industrial Electronics, 2016, 63(9):5687-5698..

[10] 張帆, 高云龍, 黃先鋒，等. 基于球面投影的單站地面激光點云直線段提取方法[J].測繪學報, 2015,44(6):654-662.

[11] 李明磊, 李廣云, 王力，等. 3D Hough Transform在激光點云特征提取中的應用[J]. 測繪通報, 2015(2):29-33.

[12] 王競雪, 朱慶, 張云生，等. 疊置分區(qū)輔助的相位編組直線提取算法[J].測繪學報, 2015,44(6):768-790.

[13] 戴激光, 宋偉東, 李建軍. 一種有效的直線提取算法[J]. 測繪通報， 2012(11):59-61.

[14] 滕今朝, 邱杰. 利用Hough變換實現(xiàn)直線的快速精確檢測[J]. 中國圖象圖形學報, 2008, 13(2):234-237.

[15] 陳珂, 吳建平, 李金祥，等. 一維概率Hough變換的實時魯棒多圓檢測方法[J]. 計算機輔助設計與圖形學學報, 2015, 27(10):1832-1841.

[16] BURNS J B, HANSON A R,RISEMAN E M. Extracting Straight Lines [J]. IEEE Transaction on Pattern Analysis and Machine Intelligence, 1986, 8(4)：425-455.

[17] 周紹光, 陳超, 岳建平. 形狀先驗和圖割的高分辨率遙感影像道路段提取[J]. 測繪學報, 2014, 43(1):60-65.

[18] 張江鑫, 沈小蘭, 王輝,等. 快速隨機Hough變換多直線檢測算法[J]. 浙江工業(yè)大學學報, 2013, 41(3):346-350.

Parking Slot Marking Recognition Algorithm in Parking Assist System

WU Xiaogang

(Xingyi Normal College for Nationalities, Xingyi 562400，China)

A new method based on improved Hough transform is proposed. Firstly, the local pixel distribution is used to eliminate the influence of outliers. Then, the suitable interval of the linear gradient to the edge of the parking line is adaptively selected based on the pixel histogram. Finally, the selected lines are identified by judging the gray relation，and thus the parking slot marking can be recognized. Compared with the traditional Hough transform and the improved random Hough transform based on the gradient direction region (Grad-RHT)，the proposed algorithm achieved a better recognition results and robustness under all kinds of interference background keeping the running efficiency of Grad-RHT.

parking slot marking recognition; Hough transform; local pixel distribution; gradient direction interval; gray variation

吳曉剛.倒車輔助系統(tǒng)車位線識別方法研究[J].測繪通報，2017(7)：34-38.

10.13474/j.cnki.11-2246.2017.0219.

2016-12-24；

2017-03-20

貴州省教育廳重點項目(黔教合KY字[2015]403)

吳曉剛(1970—)，男，副教授，主要從事圖像處理、模式識別方面的工作。E-mail：w_xg1970@163.com

P23

A

0494-0911(2017)07-0034-05