0 引言

    基于計算機視覺技術(shù)的視覺導航技術(shù)是人工智能領(lǐng)域的研究重點和熱點^[1]。同傳統(tǒng)的衛(wèi)星定位（GPS）導航技術(shù)相比，基于視覺的導航方法具有實現(xiàn)方式靈活、性價比高、實時性好、導航快速精確等優(yōu)點^[2-3]。但是，現(xiàn)有的視覺導航系統(tǒng)多數(shù)都是基于固定攝像機的限定視角導航方法，這類導航系統(tǒng)只能適用于在直線行駛或者小彎度行駛情況，一旦出現(xiàn)大彎度轉(zhuǎn)彎，道路會偏離攝像機視場，導致路徑導航線丟失、導航失效^[4-5]。為改善這種視角范圍的局限，傳統(tǒng)解決方法主要是將固定的攝像機改為廣角鏡頭攝像機，增大視場范圍^[6]，但是廣角攝像機的圖像畸變嚴重，對圖像前期的處理精度和速度的要求嚴格，同時，增加了大量的圖像干擾信息，為后續(xù)的圖像處理增加了較大的難度。近年來，有學者提出了一種主動視覺智能導航方法^[7]，借鑒人類觀察道路時的眼球轉(zhuǎn)動機理，將攝像機安裝在可旋轉(zhuǎn)控制云臺系統(tǒng)上，通過一定的反饋控制，實時修正攝像機焦點和行駛路線正前方的夾角，保證行駛路線一直處于攝像機視角范圍內(nèi)。由于該方法在保證視角清晰的前提下，大幅擴展了攝像機的視角范圍，近年來在目標跟蹤^[8]、人臉檢測^[6]等領(lǐng)域得到了較多的研究和應用。其中，如何精確獲取導航參量是主動視覺導航系統(tǒng)的關(guān)鍵問題之一^[9]。傳統(tǒng)的計算方法主要通過預先設置的高精度標定參照物，通過空間圖像和平面圖像的有效映射關(guān)系求取相關(guān)的參量值，該類方法標定精度高，但是應用范圍有限且標定復雜，不利于變化場景的導航^[10]。文獻[11]提出了基于視覺圖像的自計算方法，該方法通過前端獲取的視頻幀圖像進行系統(tǒng)參量的計算，利用Kruppa方程和分層逐步標定的方式實現(xiàn)了導航參量的計算，該方法靈活性強、使用范圍較廣，但是計算精度和魯棒性較差，在背景存在干擾的情況下計算誤差較大，甚至引起導航失敗^[12]。文獻[13]利用相機進行可控運動，通過約束運動的性質(zhì)來實現(xiàn)導航參量的計算，提升了主動視覺導航的參量計算精度和魯棒性。在此基礎上，先后發(fā)展出了旋轉(zhuǎn)計算方法^[14]、平面正交計算方法^[15]以及基于無窮遠平面單應性矩陣^[16]的計算方法。該類方法計算精度高、魯棒性好，但是該類方法需要計算的參量過多且計算復雜，在實時導航系統(tǒng)中很難應用。文獻[17]在此基礎上進一步對計算復雜性進行優(yōu)化，利用二維頻移運動的相對計算方法求解線性模型的部分參數(shù)，并通過畸變的方法引入非線性優(yōu)化，有效地簡化了計算過程，但是這種非線性畸變的過程對系統(tǒng)的初值和噪聲都非常敏感，計算穩(wěn)定性較差。

    針對這些問題，本文提出了一種基于方向引導優(yōu)化的主動視覺導航參量計算方法。該方法的實現(xiàn)過程可以大致概括為三個步驟：(1)坐標系的變換。為了實現(xiàn)理論計算與實際導航系統(tǒng)的高精度擬合，首先給出了車輛物理坐標系與視覺圖像坐標系的變換方程。(2)車道邊緣線的精確檢測。精確地獲取車道邊緣線是進行視覺導航的前提，為了解決道路積水、陰影等背景干擾問題，在傳統(tǒng)Canny算子初步檢測的基礎上，提出了方向引導優(yōu)化的方法。(3)大曲率彎道線精確檢測問題。為了保證在大曲率轉(zhuǎn)彎情況下車道線的精確檢測問題，在前期優(yōu)化的基礎上，提出了基于直線與曲線閾值優(yōu)化的廣義Hough變換方法，對不同曲率的線段進行優(yōu)化選擇，精確檢測道路標志線和邊緣線，實時計算和修正導航中心引導線的偏離角度。

1 坐標變換

    坐標變換是進行視覺導航實現(xiàn)的首要條件，為了實現(xiàn)圖像坐標與實際車輛物理坐標的意義映射，本文基于車輛行駛的實際道路環(huán)境構(gòu)建坐標系，將攝像機中心定為坐標原點，X軸為車輛行駛方向，Y軸為行駛方向的正左方，將控制云臺的縱向軸設置為Z軸。為便于后續(xù)云臺控制的分析，將車輛物理坐標系獲取的圖像表示為(x_r，y_r，z_r)，相應的像素坐標系可以表示為(u，v)，圖1表示了坐標變換前后之間的關(guān)系，具體的變換關(guān)系計算如下^[10]：

    由于車輛導航過程中需要檢測的道路標志線一直處于平面狀態(tài)(z_r=0)，為方便計算，可將坐標系重新修正為x_rOy_r坐標系，將式(1)重新計算為：

2 道路邊緣檢測及方向引導優(yōu)化實現(xiàn)

2.1 方向引導優(yōu)化實現(xiàn)

    首先通過Canny算進行初步檢測，獲取圖像邊緣信息以后，保留圖像中的輪廓信息，但是由于陰影、積水和路面裂縫等路面特征的干擾，導致雜波輪廓信息同樣得到了保留，因此，該部分主要采用方向引導搜索優(yōu)化去除陰影干擾^[14]。假設攝像機前端獲取的圖像被劃分為3×3圖像塊，當前像素點(如圖2(a)中的灰色中心點)具有8個鄰接的像素。為說明搜索的方向性，假設目前的像素處于左車道，則車輛行駛的方向只有3個方向，如圖2(a)所示。同樣，處于右車道也具有3個行駛方向，如圖2(b)所示。

    根據(jù)車輛在道路上的行駛規(guī)則，可以定義為最優(yōu)選擇方向為90°、次優(yōu)選擇為45°、級別最低為0°，以車輛在左邊車道行駛為例給出搜索過程描述如下^[15]。

    (1)以圖像的左下角為參考進行平面掃描，如果當前像素判定為邊緣，記錄并創(chuàng)建候選線段；否則，繼續(xù)掃描直到找到邊緣點，并執(zhí)行第(2)步。

    (2)根據(jù)方向優(yōu)先原理進行掃描，判定邊緣點在3個方向中的位置并記錄坐標，繼續(xù)掃描，直到結(jié)束；如果3個方向均未掃描到邊緣點，則跳轉(zhuǎn)第(3)步。

    (3)遍歷整幅圖像，尋找新的邊緣點，直到結(jié)束。

    上面的方向優(yōu)先搜索完成以后，可以建立線段集合，并記錄每一條線段的起始坐標。

2.2 導航參量的計算

    在2.1小節(jié)檢測的基礎上，為進一步精確引導車輛的行駛，需基于檢測的邊緣線和道路標志線進行導航中心引導線的提取以及偏離角度的計算。首先采用圖像重心分割的方法獲取精確的導航引導線^[16]，具體如圖3所示。

    通過計算兩個標志線以內(nèi)的圖像（包括邊緣線與標志線以內(nèi)的圖像，主要是機器人行駛路線所在的邊界標志）的重心，基于中心的縱坐標進行二次分割，獲取上下圖像的中心A和B點，直線AB即為機器人行駛區(qū)域內(nèi)的中心引導線。如圖3(b)所示，O為該幀圖像的整體重心，I₁和I₂主要用于偏離角度的計算。具體的計算過程如圖4所示。

    為計算機器人的行駛偏角及偏距，在獲取機器人引導線以后，利用線段端點坐標及長度畫圓，并結(jié)合線段另一端點像素所在的坐標位置，計算引導線的偏角。實驗中，首先將機器人放置在行駛的路段進行引導線初始化，利用圖3(a)擬合道路引導線，進而基于圖3(b)計算引導線的線性方程，并確定其具體的位置m。以相機為O點，基于I₁和I₂計算機器人的位置偏移D和偏角α。

3 實驗與結(jié)果分析

    為驗證本文方法的有效性，該部分主要針對路況復雜的彎道行駛進行分析，視頻幀圖像大小為400像素×300像素。圖5(a)所示為在校園內(nèi)彎道測試實驗現(xiàn)場獲取的彎道導航圖像，圖5(b)為本文優(yōu)化后的檢測結(jié)果。

    表1為彎道視頻幀序列計算結(jié)果平均比較結(jié)果，從表中可以看出在彎道行駛情況下，3種方法的計算精度均有所下降，其中，文獻[13]和文獻[17]的性能明顯變差，而本文方法針對該序列的計算精度仍然保持了相當高的精度，平均偏航角度的計算誤差控制在1.5°以內(nèi)，平均行駛偏距控制在5個像素左右。

4 結(jié)論

    本文主要針對主動視覺導航系統(tǒng)參量的計算方法展開研究，提出了一種基于方向引導優(yōu)化的主動視覺導航參量計算方法。該方法是在文獻[13]的基礎上進行優(yōu)化和改進，利用主動視覺相機的運動可控性進行參量的計算。通過對傳統(tǒng)Canny算子檢測結(jié)果進行方向引導優(yōu)化以后，明顯降低了道路陰影、路面積水等雜波的干擾，在此基礎上，進一步采用閾值優(yōu)化的廣義Hough變換方法對檢測結(jié)果進行分類優(yōu)化，實現(xiàn)車道線的內(nèi)外邊緣及道路標志線的精確檢測。實驗結(jié)果表明，本文方法在彎道行駛情況下導航參量的計算精度明顯提升，具有優(yōu)秀的性能指標。

參考文獻

[1] 姬長英，周俊.農(nóng)業(yè)機械導航技術(shù)發(fā)展分析[J].農(nóng)業(yè)機械學報，2014，45(9)：4-54.

[2] 李林，魏新華，朱文靜，等.機器視覺輔助導航系統(tǒng)研究[J].農(nóng)業(yè)機械學報，2015，46(5)：1-7.

[3] 張志斌，羅錫文，周學成，等.基于Hough變換和Fisher準則的壟線識別算法[J].中國圖象圖形學報，2007，12(12)：2164-2168.

[4] GUERRERO J M，GUIJARRO M，MONTALVO M，et al.Automatic expert system based on images for accuracy crop row detection in maize fields[J].Expert Systems with Applications，2013，40(2)：656-664.

[5] WALKER J S，CHEN Y J.Image denoising using tree base wavelet subband correlation and shrinking[J].Optical Engineering，2000，39(11)：2900-2908.

[6] Ji Wei，Zhao Dean，Cheng Fengyi，et al.Automatic recognition vision system guided for apple harvesting robot[J].Computers and Electrical Engineering，2012，38(5)：1186-1195.

[7] Li Bin，Wang Maohua.In-field recognition and navigation path extraction for pineapple harvesting robots[J].Intelligent Automation & Soft Computing，2013，19(1)：9-20.

[8] Wei Xiangqin，Jia Kun，Lan Jinhui，et al.Automatic method of fruit object extraction under complex agricultural back-ground for vision system of fruit picking robot[J].Optik International Journal for Light and Electron Optics，2014，125(19)：5684-5689.

[9] Tang Jinglei，Jing Xu，He Dongjian，et al.Visual navigation control for agricultural robot using serial BP neural network[J].Transactions of the Chinese Society of Agricultural Engineering，2011，27(2)：194-198.

[10] 李景彬，陳兵旗，劉陽.棉花鋪膜播種機導航路線圖像檢測方法[J].農(nóng)業(yè)機械學報，2014，40(1)：40-45.

[11] 張征明，盧偉，陸靜霞.基于快速偽球濾波的智能拖拉機視覺導航中場景去霧方法[J].機器人，2015，37(5)：603-613.

[12] 李顥，楊明.基于非線性逆透視變換的攝像機畸變參數(shù)標定[J].上海交通大學學報，2008，42(10)：1136-1139.

[13] Su Jianbo.Camera calibration based on receptive fields[J].Pattern Recognition，2007，40(10)：2837-2845.

[14] DANG T，HOFFMANN C，STILLER C.Continuous stereo self-calibration by camera parameter tracking[J].IEEE Transactions on Image Processing，2009，18(7)：1536-1550.

[15] 胡占義，吳福朝.基于主動視覺攝像機標定方法[J].計算機學報，2002，25(11)：1149-1156.

[16] BAKKER T，WOUTERS H，ASSELT K V，et al.A vision based row detection system for sugar beet[J].Computers and Electronics in Agriculture，2008，60(1)：87-95.

[17] 朱嘉，李醒飛，徐穎欣.攝像機的一種主動視覺標定方法[J].光學學報，2010，30(5)：1297-1303.