胡秀敏,何志琴
(貴州大學電氣工程學院,貴州 貴陽 550025)
無人駕駛汽車集成了電子、機械、自動控制、計算機科學及人工智能等學科的先進技術,能有效緩解交通擁堵、減少交通事故、降低汽車油耗,已成為各國學者及汽車企業(yè)的研究熱點[1-4]。本文采用圖像處理技術,研究無人駕駛中的車道線識別。
圖像預處理是對圖像進行相應的處理,去除多 余的信息。便于后續(xù)的識別[5-8]。
本文通過CCD 攝像頭獲得車道線圖片,首先對其進行灰度化處理?;叶然椿叶然幚砭褪菍?一幅色彩圖像轉化為灰度圖像的過程。彩色圖像分為R,G,B 三個分量,分別顯示出紅綠藍等各種顏色,灰度化就是使彩色的R,G,B 分量相等的過程。灰度化方法有最大值法,平均值法,中值法。本文采用平均值法[9-12]。
圖像去噪是數(shù)字圖像處理中的重要環(huán)節(jié)和步驟。去噪效果的好壞直接影響到后續(xù)的圖像處理工作如圖像分割、邊緣檢測等[13]。圖像信號在產(chǎn)生、傳輸過程中都可能會受到噪聲的污染。目前比較經(jīng)典的圖像去噪算法主要有以下三種:中值濾波、高斯濾波、均值濾波[4]。本文采用中值濾波。效果如圖1。
圖1 圖像去噪前后 Fig.1 before and after image denoising
腐蝕的具體操作是:用一個結構元素(一般是3×3 的大小)掃描圖像中的每一個像素,用結構元素中的每一個像素與其覆蓋的像素做“與”操作,如果都為1,則該像素為1,否則為0[14]。膨脹的具體操作是:用一個結構元素(一般是3×3 的大小)掃描圖像中的每一個像素,用結構元素中的每一個像素與其覆蓋的像素做“與”操作,如果都為0,則該像素為0,否則為1[15]。
開運算是先腐蝕后膨脹的過程,可以消除圖像上細小的噪聲,并平滑物體邊界。閉運算時先膨脹后腐蝕的過程,可以填充物體內(nèi)細小的空洞,并平滑物體邊界。
本文采用開運算平滑物體邊界,具體效果如圖2。
圖2 形態(tài)學處理 Fig.2 Morphological processing
閾值分割法是圖像分割中的經(jīng)典方法,它利用圖像中要提取的目標與背景在灰度上的差異,通過設置閾值來把像素級分成若干類,從而實現(xiàn)目標與背景的分離。算法流程:通過判斷圖像中每一個像素點的特征屬性是否滿足閾值的要求,來確定圖像中的該像素點是屬于目標區(qū)域還是背景區(qū)域,從而將一幅灰度圖像轉換成二值圖像。
用數(shù)學表達式來表示,則可設原始圖像f ( x, y ),T 為閾值,分割圖像時則滿足式(1)。
OTSU 是一種使用最大類間方差的自動確定閾值的方法。是一種基于全局的二值化算法,它是根據(jù)圖像的灰度特性,將圖像分為前景和背景兩個部分。當取最佳閾值T1時,兩部分之間的差別應該是最大的,在OTSU 算法中所采用的衡量差別的標準就是較為常見的最大類間方差。最大間類方差計算如下:
由式(2)~(3)可得:
前景點數(shù)占圖像比例為0v ,平均灰度為0u ;背景點數(shù)占圖像比例為1v ,平均灰度為1u ,圖像的總平均灰度為u,前景和背景圖象的方差g。分割效果如圖3。
圖3 閾值分割 Fig.3 Threshold segmentation
主要用于邊緣檢測,在技術上它是以離散型的差分算子,用來運算圖像亮度函數(shù)的梯度的近似值, Sobel 算子是典型的基于一階導數(shù)的邊緣檢測算子,由于該算子中引入了類似局部平均的運算,因此對噪聲具有平滑作用,能很好的消除噪聲的影響。Sobel 算子對于象素的位置的影響做了加權,與Prewitt 算子、Roberts 算子相比因此效果更好。
對數(shù)字圖像 ( , )f x y ,Prewitt 算子的定義如下:
則
Sobel 算法思想:Sobel 算子包含兩組3x3 的矩陣,分別為橫向及縱向模板,將之與圖像作平面卷積,即可分別得出橫向及縱向的亮度差分近似值。圖像的每一個像素的橫向及縱向梯度近似值可用如下式(8)(9)結合,來計算梯度的大小及方向。
在閾值分割后,使用sobel 算法及Prewitt 算子對圖像進行檢測,檢測效果如圖4 所示。
圖4 檢測效果 Fig. 4 detection effect
可見,Sobel 算法效果優(yōu)于Prewitt 算子。
本文針對無人駕駛汽車中的車道線檢測,設計了一種車道線識別方法。通過圖像預處理后,先對圖像進行二值化分割,然后采用 Sobel 算法和Prewitt 算子進行檢測,結果表明,Sobel 算法具有很好的檢測效果,能實現(xiàn)車道線的檢測。