基于ipm的复杂环境下道路识别及车辆导航研究

《基于ipm的复杂环境下道路识别及车辆导航研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、基于IPM的复杂环境下道路识别及车辆导航研究　　摘要：在智能车辆自主导航中，对于复杂多变道路的识别和定向，在机器视觉辅助的前提下，往往需要借助许多其他复杂的传感器进行综合定位，增加了车辆的制造成本。造成这一现状的一个重要原因，是由于透视原理所引起的视觉畸变使得我们很难对当前的路面情形作出判断。提出了一种基于色差分割的阈值算法，在此基础上使用IPM（逆透视映射）算法，将相机拍摄到的世界坐标系下的三维景物转换成其在二维平面上的投影图，以此来修复由于透射原理所造成的视觉畸变。　　关键词：阈值选择色差分割逆透视映

2、射车道识别　　汽车自主导航技术已成为科学研究的热点。摄像机作为一种高性价比的被动光学传感器具有广泛的应用前景。摄像机通过实时图像采集能够获取丰富的路面信息，在有合适的光照的前提下，这种信息的获取不受环境其他因素的约束，具有普适性，但由于透视原理所造成的视觉上的畸变使得我们难以从摄像机中提取到有效的信息。为了有效地将图片信息利用起来，我们首先要考虑的是消除这种误差。透视原理所带来的视觉畸变在数学上可以定性地解释为三维景象的不规则投影所造成的。为了消除这种畸变，我们从数学上将透射过程进行逆变换，将三维景象进行

3、俯视投影。这一逆变换过程称之为逆透视映射（InversePerspectiveMapping，IPM）[1]。　　由于摄像机采集到的信息较为丰富，车道只是图像信息中的一部分，在实际环境中，如高速公路上，两旁的护栏、树木、道路边沿的白线、中间的行车标识，由于阳光产生的影子等都会被摄像机采集到。因此我们有必要对所采集到的图像进行分割，以此来区分车道、背景和道路标识等。尽管对图像的分割会造成信息的缺失，但我们对这些不同的景物的关注度也是不一样的，如车辆的影子、两旁的树木，我们并不关注它们。因此我们希望在分割的过

4、程中尽可能地将这些无用的信息过滤掉，这样才能得到一幅相对完整的车道俯视图。　　对于车道俯视图的处理，曾有学者提出基于Hough变换定性的识别方法，但是所能提取到的信息较为简单，且没有考虑到光影等其他环境因素的影响，不具备鲁棒性，因此不足以对车辆的自主导航提出指导性的意见。　　基于以上因素的综合考虑，本文提出一种全新的处理算法，不仅能对车道信息进行定量提取，同时也能对车辆本身的姿态进行估计，以此来实现车辆的自主导航。　　1车道分割　　车辆在行驶的过程中，周围的环境复杂多变，用单一的阈值来对图像进行分割很难达

5、到我们想要的效果。因此我们需要一种自适应的阈值分割方法，通过图像的实时变化来对图像进行分割。　　有关自适应的阈值算法，日本学者大展津在1993年最先提出Otsu算法[2]。这种算法通过统计图像整体的灰度分布，基于类间距离最大的考虑，计算出统计意义上的最佳阈值。在此基础上，又由一些国内学者进行改进，提出了二维Otsu算法[5]。该算法通过统计图像整体的灰度分布以及灰度梯度的分布，计算出最佳的二维阈值。后经过许多学者的改进[6]，该算法的性能大大提升，成为现今自适应阈值分割的主流算法。这种算法最大的改进之处在

6、于加入了灰度梯度的考虑，使得图像中一些对比度较低的部分也能被区分出来。但是在道路的分割中，由于光影、积水或者道路本身的原因导致错误分割。为了消除这种错误，本文在基于Otsu算法的前提下，提出一种新的分割方式：色差分割。　　该算法的核心思想是基于路面的颜色特征进行分割。我国的车道颜色多为黑色或者灰色，即使在较为明亮的强日光照射下，也只是淡淡的泛有黄色，在RGB空间内，整体与灰色非常接近。为了强调灰色这一颜色特征，我们在YUV空间对图像的像素进行统计。　　我们计算出每个像素点的（Ui，Vi），并对（Ui，Vi

7、）发生的概率进行统计，得到关于UV空间的二维统计直方图p（U，V）。　　现在我们来确定最佳的阈值分布。当（蓝色色差，红色色差）为（t，s）的时候，这组阈值将会把UV平面分成四个区域，Z0，Z1，Z2，Z3。根据色差UV的定义可知，UV都是较小的量，因此Z3在整体空间所占比重可以忽略掉。我们只考虑将Z0，Z1进行区分（我们认为在高值区域Z2和Z1是相似的，因此我们选取区分Z0，Z1，而实际上选择区分Z0，Z2所得到的结果也是相似的）。　　2逆透视映射（IPM）　　逆透视映射在计算时需要考虑相机本身的参数、姿

8、态等许多因素，导致计算十分复杂，经过相关学者的一系列简化、优化，最终得到一组切实可行、形式简洁的计算公式[3，4，7]。在这里我们先对参数作如下规定：　　（1）相机所处的高度为h。　　（5）图像坐标系（相机拍摄到图片的坐标系）的原点为图像的左上角，XY轴的正方向如下图所标注。　　（6）世界坐标系中的原点为相机位置在地面上的纵向投影。XY轴的正方向如图4和图5所标注。　　（7）所拍摄到的图像分辨率为m×n，其中m为纵向分辨率，n