游佳興，黃魯
　　（中國科學(xué)技術(shù)大學(xué) 電子科學(xué)與技術(shù)系，安徽 合肥 230026）

       摘要：在單目視覺避障系統(tǒng)中，利用紅色LED水平光條照射前方障礙物，由攝像頭獲得圖像并處理后得到紅光光條，根據(jù)光條中心在圖像中的位置判斷障礙物與攝像頭之間的距離。該文對Zhang并行細(xì)化算法進(jìn)行了改進(jìn)，以適應(yīng)嵌入式系統(tǒng)快速準(zhǔn)確得到紅光光條的中心線，由中心線坐標(biāo)得到障礙物距離及寬度。實驗結(jié)果證明，該算法具有很好的中心線提取效果；測距范圍為25 cm，測距誤差在3 mm以內(nèi)。
　　關(guān)鍵詞：openCV；中心線提取；測距；單目視覺　　

0引言
　　目前，掃地機(jī)器人避障是非常熱門的研究領(lǐng)域，與傳統(tǒng)的超聲波、紅外測距［1］相比，視覺傳感器可以得到更多的環(huán)境信息；單目視覺系統(tǒng)具有成本低、體積小的特點，適合于掃地機(jī)器人。單目視覺避障的方法主要有單目圖像還原3D場景［2］、特征檢測［3］、結(jié)構(gòu)光測距。本文利用紅色LED矩形光條照射前方障礙物，根據(jù)光條中心在圖像中的位置來判斷障礙物距離。
　　圖1（a）、(b)所示分別為距離障礙物5 cm和10 cm的情況下攝像頭獲得的圖像。由這兩個圖像可知，不同距離下的光條中心在圖像上的位置不同，從而達(dá)到測距的目的。
　　

1中心線提取
　　目前中心線的提取算法主要有以下兩種：
　　（1）基于距離變換的方法［4］。建立紅色光條的距離場模型，提取距離場中的局部極值點，然后細(xì)化處理得到的中心線。該算法的優(yōu)點是精度高，適合三維場景；缺點是計算復(fù)雜度高，實時性較差。
　　（2）二值細(xì)化法［5］。該算法將得到的紅色光條二值化，利用迭代的方法從邊界開始逐漸刪除，直至得到中心線。該算法的優(yōu)點是實現(xiàn)簡單，速度快，可反映各個光條的形狀；缺點是如果邊界有許多毛刺將會出現(xiàn)除中心線外其他的分支。

       由于本單目視覺避障系統(tǒng)是用于掃地機(jī)器人上，要求測距精度較高、實時性好，因此本文采用二值細(xì)化法。提取光條中心線的步驟如圖2所示。首先在Open Source Computer Vision Library(openCV)中利用HSV顏色空間將紅色光條提取出來［6］，如圖3所示，將紅色光條部分的像素值置0（黑色），其他背景的像素值置255（白色）。針對邊界出現(xiàn)毛刺會影響中心線提取的缺點，對提取出的紅色光條圖像進(jìn)行開運(yùn)算，消除邊界毛刺的影響。

　　1.1圖像開運(yùn)算去毛刺
　　開運(yùn)算是圖像形態(tài)學(xué)中的先腐蝕后膨脹的結(jié)果，開運(yùn)算可以在不改變光條基本形狀的情況下平滑邊界，消除邊界毛刺，避免中心線出現(xiàn)分支。本文利用openCV自帶的腐蝕函數(shù)cvErode(src,dst,element,1)和膨脹函數(shù)cvDilate(src,dst,element,1)來進(jìn)行開運(yùn)算操作。其中src為原圖像，dst為處理后的圖像，element為腐蝕膨脹窗口的形狀和大小（在本文中，選擇的是10×10的矩形窗口），最后一個參數(shù)為膨脹腐蝕的次數(shù)。
　　1.2中心線提取算法
　　本文算法的思想是迭代刪除光條的上邊界和下邊界，且保證中心線上的像素點不會被刪除，直至得到光條的中心線。
　　將開運(yùn)算處理后的二值圖像歸一化，利用openCV內(nèi)的函數(shù)cvThreshold，光條部分的像素值為1，其他為0。為了判定像素值為1（光條部分）的點P1(i,j)是否為邊界，取其周圍3×3的窗口內(nèi)的像素點作為判定，如表1所示。遍歷光條中的所有像素點，根據(jù)3×3窗口內(nèi)P1(i,j)周圍8個像素點確定其是否為上邊界或下邊界，如果是則將其像素置0（刪除邊界），最終得到水平方向垂直寬度為1的中心線。

　　算法將迭代分為兩個部分：第一部分是將光條的上邊界刪除，第二部分是將光條的下邊界刪除。將位于光條上邊界的點P1(i,j)置0的條件為：（1）B(P1)≤6;(2)A(P1)=1;(3)P2=0 && P6≠0。
　　其中，B(P1)為P1點周圍8個像素點中為1的個數(shù)，即：
　　B(P1)=P2+P3+P4+P5+P6+P7+P8+P9
　　A(P1)為P2，P3,P4，…,P8,P9順序中01序列的個數(shù)，如圖4(a)所示，A(P1)=1;圖4(b)所示，A(P1)=2。
　

　　如果P1點不滿足上述3個條件中的任何一個，則該點不屬于上邊界，P1點將不會被置0。位于光條下邊界的點滿足的條件與上邊界的條件類似，只是條件(3)有所改變：
　　P6=0 && P2≠0。
　　

       對于條件(1),如果B(P1)>6,則該點肯定不在邊界上，如圖5(a)所示，該P(yáng)1點滿足條件(2)和條件（3），但是該點明顯位于中心線上，不能置0，所以需要滿足條件（1）。對于條件（2）,如果出現(xiàn)圖5(b)所示的情況，該情況滿足(1)和(3)兩個條件，但是該P(yáng)1點是位于中心線上，不能置0，由圖可知A(P1)=2,不滿足條件(2)，該P(yáng)1點不會被置0。因此，條件(1)和(2)都是為了保護(hù)中心線上的點不會被置0而被保存下來的必須條件。
　　在滿足條件(1)和(2)以后，確定P1點不在中心線及光條內(nèi)部（B(P1)=8的情況），如果滿足條件(3),說明P1點位于光條的上邊界，則該點會被標(biāo)記并置0。同樣，條件(3)′確定P1點位于光條的下邊界。如圖6所示為該算法得到中心線的例子，其中“*”代表標(biāo)記置0的邊界，先標(biāo)記上邊界并置0，再標(biāo)記下邊界并置0，迭代以上步驟，直到得到圖6最右圖片的中心線為止。

　　圖7所示為程序的流程圖，vector M的初始值為0，即size(vector M)=0。
　　

2根據(jù)中心線坐標(biāo)求出距離
　　圖8所示為攝像機(jī)透視投影模型，其中，ABCD為圖像坐標(biāo)系，A′B′C′D′為實際坐標(biāo)系，機(jī)器人的前進(jìn)方向為X′軸方向。O點為攝像機(jī)位置，O′為LED所在位置，OO′的距離為h，G點為圖像中心，G′為G點在實際坐標(biāo)系的投影點，攝像機(jī)的俯仰角即∠G′OO′為θ，P點為1.2節(jié)中得到的中心線上的一點,相對于G點的坐標(biāo)為P(x,y)，P′為P點對應(yīng)的實際坐標(biāo)系上的點，Dx為X′軸方向上P′與機(jī)器人之間的距離(即障礙物與機(jī)器人之間的距離)，Dy為P′在Y′軸方向上的距離（即障礙物的水平距離）。
　　由圖8可以得到Dx和Dy的距離公式如式（1）和式（2）所示，其中，(x,y)為P點相對于圖像坐標(biāo)系中心G的坐標(biāo)，dx和dy分別為圖像坐標(biāo)系水平和垂直方向上的坐標(biāo)點距，f為攝像機(jī)焦距。dx、dy、f為攝像機(jī)參數(shù)，通過標(biāo)定得到，如表2所示。
　　

3實驗結(jié)果及分析
　

       為了檢測算法的有效性，選取了前方障礙物為紙盒的環(huán)境信息。圖9(a)表示具體的環(huán)境信息圖片，(b)為攝像頭獲得并處理后的紅色光條的圖像，(c)為本文算法得到的中心線，(d)為Zhang并行化細(xì)化算法得到的骨架中心線。如圖9(d)所示，由于Zhang并行細(xì)化得到的是骨架中心線，是在兩個方向上對圖像進(jìn)行細(xì)化，如果光條寬度不一致，就會得到豎直方向的分支，且會縮減中心線的長度，這樣會給機(jī)器人避障帶來很大的誤差（中心線的位置代表障礙物的位置）。
　　如表3所示，P(x,y)為圖9(c)中兩條中心線上的其中一個點相對于圖像中心的坐標(biāo)。根據(jù)式（1）、式（2）測得障礙物距離。兩個盒子與機(jī)器人之間的實際距離分別為5 cm和10 cm，水平實際距離分別為8 cm和11.5 cm，結(jié)果如表3所示，其中Dy為正代表障礙物在機(jī)器人中心左邊，負(fù)為右邊。測距誤差在3 mm以內(nèi)。在ARM CortexA8，CPU主頻為1 GHz，內(nèi)存為512 MB的開發(fā)板中，對于圖9（a）所示的環(huán)境信息，該算法的運(yùn)行時間為0.23 s。
4結(jié)束語
　　本文針對單目視覺避障系統(tǒng)提出了一種快速的測距方法，算法處理效果好，測距精度較高，在嵌入式系統(tǒng)中能夠較好地保證實時性，但在算法的處理時間上還需改進(jìn)。在未來的工作中，可以通過提高硬件要求來改進(jìn)算法，改進(jìn)算法的方案是增加中心線算法窗口大小，使每次迭代刪除的邊界更多，縮短運(yùn)算時間。
　　參考文獻(xiàn)
　　［1］ 曹小松，唐鴻儒，楊炯． 移動機(jī)器人多傳感器信息融合測距系統(tǒng)設(shè)計［J］． 自動化與儀表，2009，24(5):48．
　　［2］ LIN Z， DAVIS L． Shapebased human detection and segmentation via hierarchical parttemplate matching［J］． Pattern Analysis and Machine Intelligence，2010，32(4):604618.
　　［3］ SAXENA A， SUN M， NG A Y． Make 3 D: Learning 3 D scene structure from a single still image［J］． IEEE Transactions on Pattern Analysis and Machine Intelligence，2009，31(5):824840．
　　［4］ SHARF A，LEWINER T，SHAMIR A，et al． Onthefly curveskeleton computation for 3D shapes［J］．Computer Graphics Forum，2007，26(3):323328．
　　［5］ PALAGYI K，KUBA A． A parallel 3D 12subiteration thinning algorithm［J］． Graph Models Image Process，1999，61(4):199221．
　　［6］ 湯一平, 宗明理. 基于雙色反射模型的彩色結(jié)構(gòu)光顏色識別的研究［J］. 計算機(jī)學(xué)報,2013,36(9):19081916.