0 引言

    井蓋缺失和破損對(duì)正常的行車造成了巨大安全隱患,。井蓋檢測(cè)系統(tǒng)對(duì)于智能輔助駕駛具有很高的應(yīng)用價(jià)值。近些年,，對(duì)于橢圓檢測(cè)的課題研究,，國(guó)內(nèi)外都取得了突出成果，并廣泛應(yīng)用在鋼管數(shù)統(tǒng)計(jì)^[1]和表盤識(shí)別^[2]場(chǎng)景中,。行車記錄儀拍攝與地面存在夾角,，圓形井蓋在成像時(shí)豎直方向發(fā)生不同程度的縮放，最終呈現(xiàn)出橢圓狀,。據(jù)此,，理論上可將路面井蓋的檢測(cè)轉(zhuǎn)換為對(duì)橢圓的檢測(cè)，但實(shí)際操作中,，一方面由于數(shù)字圖像成像的特殊性,，目標(biāo)邊緣往往呈現(xiàn)出鋸齒狀堆積，而非光滑的弧段,，如圖1所示,，通過單像素點(diǎn)的提取來擬合出橢圓，往往由于取點(diǎn)難度大,，導(dǎo)致錯(cuò)擬合；另一方面,，復(fù)雜的道路場(chǎng)景中,，背景變化較快，存在過多的干擾因素,，如噪點(diǎn)以及物體遮擋等造成的弧段不連續(xù)問題,，單純利用邊緣特征，無法快速將其從復(fù)雜背景中分離出來^[3-5],。

    本方案將從宏觀特征入手,，充分考慮方法實(shí)現(xiàn)的實(shí)時(shí)性和準(zhǔn)確性,，類比人的認(rèn)知規(guī)律，提出新的井蓋檢測(cè)框架,。

1 方案概述

    為保障實(shí)時(shí)處理速度,，在研究高效算法的基礎(chǔ)上，還需要配套的硬件設(shè)備,。如圖2所示,，系統(tǒng)主要由3部分組成：攝像頭、主機(jī)板卡,、7英寸LCD顯示屏幕,。

    不同時(shí)刻井蓋的定位雖然可以通過目標(biāo)跟蹤的方法減少一定的計(jì)算量，但是該方法每次僅在上一幀圖像的極窄區(qū)域內(nèi)進(jìn)行搜索,，對(duì)道路中出現(xiàn)的突發(fā)狀況難以做到及時(shí)預(yù)判,。全檢測(cè)的方法可以對(duì)每幀圖像的細(xì)節(jié)信息進(jìn)行處理，對(duì)畫面的實(shí)時(shí)變化敏感,。

2 硬件系統(tǒng)構(gòu)成

    TMS320DM6437是TI公司C6000系列中支持達(dá)芬奇技術(shù)的數(shù)字媒體處理器,，工作頻率最高可達(dá)600 MHz，能達(dá)到4 800 MIPS的峰值計(jì)算速度,，片上集成了視頻處理子系統(tǒng)VPSS,，極大地支持了前端預(yù)處理與后端顯示，減輕DSP核負(fù)擔(dān),；支持汽車上用于電子設(shè)備通信的控制器局域網(wǎng)絡(luò)（Controller Area Network,，CAN）總線，非常適合車載視頻設(shè)備的開發(fā)應(yīng)用,。

    主機(jī)板卡包括視頻輸入模塊,、外圍存儲(chǔ)模塊、視頻輸出模塊,、通信接口和電源模塊,。

    視頻輸入/輸出模塊：前端采用TVP5146視頻解碼芯片，將CCD攝像頭拍攝的畫面進(jìn)行A/D采樣和壓縮編碼,；后端通過編程,，實(shí)現(xiàn)多種標(biāo)準(zhǔn)輸出。

    外圍存儲(chǔ)模塊：外擴(kuò)了2 GB的DDR2和128 MB的Flash,，用于數(shù)據(jù)和程序的存放,。

    通信接口：通過JTAG接口對(duì)板卡進(jìn)行調(diào)試，預(yù)留了可以接入汽車的CAN總線接口,。

3 核心算法的實(shí)現(xiàn)

    本部分主要算法流程如圖3所示,。

3.1 感興趣區(qū)域的確定

    限定感興趣區(qū)域，可大大提高系統(tǒng)的處理速度^[6],，通常以車道線作為限定參考,。當(dāng)前,，車道線的檢測(cè)技術(shù)層出不窮，但在速度和準(zhǔn)確率上仍然難以達(dá)到平衡,。另一方面,，在超車或轉(zhuǎn)彎，乃至某些無交通限制的區(qū)域,，由于駕駛?cè)说闹饔^操作,，車輛已非嚴(yán)格地限制在車道線間。因此,，需要關(guān)注如何以車輛本身參考建立一個(gè)統(tǒng)一模式,，以應(yīng)對(duì)不同路況，淡化對(duì)車道線信息的依賴,。

    上邊界限定：圖像上部1/4范圍常為背景天空和樹木,，且與車輛本身距離較遠(yuǎn)，為非關(guān)注區(qū)域,。

    左右邊界限定：在透視模型中,，當(dāng)車道線保持平行時(shí)，透視圖像中所有車道線的延長(zhǎng)線必交于一點(diǎn),。假設(shè)已通過相機(jī)標(biāo)定技術(shù)得到了實(shí)際世界坐標(biāo)系和圖像坐標(biāo)的位置對(duì)應(yīng)關(guān)系,，那么，便可在圖4(a)的俯視圖中劃定現(xiàn)實(shí)世界中的研究區(qū)域^[7],。

    d為行車中r時(shí)間內(nèi)可能達(dá)到的左右偏移：

    最終,，通過3條相交線段，劃定出如圖4(b)成像圖中的梯形感興趣區(qū)域,。針對(duì)不同的場(chǎng)景（車,、道路、行車記錄儀廣角和安裝高度）,，區(qū)域限制略有差別,，但都可以通過其他操作進(jìn)行矯正。

3.2 候選目標(biāo)的確定

    連通區(qū)域分析在視覺跟蹤中的運(yùn)動(dòng)前景目標(biāo)分割與提取,、感興趣目標(biāo)區(qū)域提取中有著廣泛應(yīng)用^[8],。目標(biāo)往往存在于紋理密集、顏色或灰度突變處,，可據(jù)此進(jìn)行連通區(qū)域分割,。實(shí)際道路場(chǎng)景中，光影交錯(cuò),，僅通過灰度圖得到的二值化圖像來進(jìn)行連通區(qū)域的提取，極易造成區(qū)域間粘連,，為了獲得較好的效果,，常結(jié)合腐蝕和膨脹操作進(jìn)行區(qū)域提取,。然而，該操作一定程度弱化了邊緣信息,，對(duì)于井蓋,，不太關(guān)注內(nèi)部的特征（井蓋表面的紋理），而是關(guān)注更為突出的邊緣信息,。同時(shí),，以邊緣的連通性取代整個(gè)區(qū)域的運(yùn)算，能有效避免光照不均勻的影響,，加上合理的閾值設(shè)置,，初期便可以排除一些噪點(diǎn)，整體更具魯棒性,。

    標(biāo)記算法往往因遍歷方式和次數(shù)的不同,，存在時(shí)間或效率的差別。兩次遍歷算法,，通過一次遍歷圖像,，記錄連續(xù)的團(tuán)和等價(jià)對(duì)，進(jìn)而由等價(jià)對(duì)對(duì)圖像進(jìn)行第二次遍歷標(biāo)記,，具有比較高的效率(在二值化圖像中,，1為目標(biāo)，0為背景),。主要步驟如下：

    定義結(jié)構(gòu)體

    typedef struct Fx

     {int val;

    int lab;

       int flag;

       } F,；

    為便于描述，以F（x,，y）代表坐標(biāo)（x,，y）處像素的屬性列表；val為二值化值,；lab為標(biāo)簽值,，用來記錄連通區(qū)域的索引號(hào)；flag為歸屬標(biāo)志,，記錄標(biāo)簽間的相鄰位置關(guān)系,。

    (1)第一次遍歷

    當(dāng)F(x，y).val==1：

    如果F(x,，y)的鄰域中像素值都為0,，則賦給F(x，y).lab一個(gè)新的label值：label=label+1,，F(xiàn)(x,，y).lab=label；

    如果F(x，y)的鄰域中有val值為1的像素集合A：

    將A中l(wèi)abel最小值賦予給F(x,，y).lab,，即F(x，y).lab=min A.lab,；

    用flag記錄A中各個(gè)值（label）之間的同屬關(guān)系,，即labelSet[i]={label_m，…,，l    abel_n},，labelSet[i]=flag。

    (2)第二次遍歷

    訪問當(dāng)前F(x,，y).val 為1的像素點(diǎn),，找到與 F(x，y).lab同屬(具有相同flag)的最小label值,，賦予F(x,，y).lab；

    完成掃描后,，圖像中具有相同label值的像素就屬于同一個(gè)連通區(qū)域,。

    針對(duì)圖1(a)中實(shí)際場(chǎng)景處理的邊緣提取圖，采用連通域區(qū)域標(biāo)記,，得到的最小外接矩形,，如圖5所示。

    該矩形框進(jìn)一步鎖定了候選目標(biāo)的位置,。由于原圖像中包含更多的細(xì)節(jié)信息,，應(yīng)進(jìn)一步考察原灰度圖像中相應(yīng)位置處的特征。

3.3 多特征的判定

    合理地選擇特征,，可以有效區(qū)分井蓋與背景,，簡(jiǎn)化操作，降低復(fù)雜度,。

    邊緣特征：井蓋邊緣常呈現(xiàn)較大的弧彎曲,，且長(zhǎng)度需大于某一閾值T，才對(duì)整體輪廓提取有貢獻(xiàn),。

    灰度特征：人的視覺往往容易被顏色,、灰度、紋理特征突變目標(biāo)吸引,。井蓋的灰黑鑄鐵材質(zhì),，顏色較周邊路面暗。

    對(duì)稱性特征：井蓋在視場(chǎng)下呈現(xiàn)橢圓狀,，在水平方向和垂直方向都有嚴(yán)格的對(duì)稱性,。以水平方向?qū)ΨQ性判別為例,，通過式(3)來度量一定區(qū)域內(nèi)目標(biāo)的對(duì)稱性。

其中,，f(x,，y)為(x，y)處的灰度值,；H和W分別為所選區(qū)域的高度和寬度；G_s為對(duì)稱性度量值,，G_s越小,，對(duì)稱性越明顯，通常閾值設(shè)為0.15,。

    區(qū)域大小和縱橫比約束：井蓋有固定的大小規(guī)格,，這就決定了其在視場(chǎng)中所呈現(xiàn)的區(qū)域面積不可能過大或過小,；另外,，由于拍攝角度所引起的成像畸變，橢圓水平軸較長(zhǎng)于豎直方向的軸長(zhǎng),，引入縱橫比約束,，以橫豎軸長(zhǎng)比值ratio為度量，并以一定閾值T設(shè)限,，用來排除其他類圓形干擾物,，如自行車輪胎。通過對(duì)多種分辨率的行車記錄儀視頻統(tǒng)計(jì)對(duì)比,，在5～30 m范圍內(nèi),，T通常在1.8～4.2范圍內(nèi)。

    TI公司針對(duì)TMS320DM6437平臺(tái)提供了一個(gè)簡(jiǎn)單的DSP/BIOS實(shí)時(shí)操作系統(tǒng)環(huán)境,。在該系統(tǒng)中,，可以通過編寫mini-Driver驅(qū)動(dòng)程序，實(shí)現(xiàn)對(duì)視頻采集/顯示設(shè)備的控制,，如圖6所示,。為優(yōu)化程序處理，可借助TI公司提供的VLIB和IMGLIB庫(kù)進(jìn)行代碼的輔助編寫,。

4 實(shí)驗(yàn)結(jié)果與分析

    對(duì)行車記錄儀拍攝的一段時(shí)長(zhǎng)33 s的視頻進(jìn)行測(cè)試分析,，共計(jì)823幀圖像，單幀圖像分辨率為720×480,。

    利用本文方法,，在DM6437平臺(tái)上處理，視頻顯示無卡頓,，滿足處理實(shí)時(shí)要求,，但在某些場(chǎng)景中,，因邊緣信息不完整，連通性削弱,，常發(fā)生漏檢,，而誤檢多發(fā)生在類圓形的陰影處。對(duì)于宏觀特征區(qū)域連通法,，由于晴朗日光下樹木等物體影子與井蓋灰度相近,，當(dāng)難以有效利用閾值將粘連分開時(shí)，便造成定位偏差,，且漏檢較多,。基于邊緣的橢圓擬合,，在邊緣提取和車道線檢測(cè)部分消耗了大量時(shí)間,，同時(shí)該方法受場(chǎng)景復(fù)雜度影響明顯，不同幀之間的處理時(shí)間差別很大,。測(cè)試結(jié)果如表1所示,。

    部分測(cè)試結(jié)果如圖7和圖8所示。本文方法在其他場(chǎng)景下的檢測(cè)效果如圖9所示,。在多數(shù)場(chǎng)景下,，該方法均能快速準(zhǔn)確定位出井蓋位置。

5 結(jié)論

    本文采用一種多特征融合的方法,，對(duì)車輛前方井蓋進(jìn)行檢測(cè),，利用邊緣的連通性，得到目標(biāo)的候選區(qū)域,，通過對(duì)稱性,、區(qū)域大小、長(zhǎng)寬比等特征層層篩選,，可以很好地進(jìn)行井蓋目標(biāo)的定位,。

    該方法從宏觀特征出發(fā)，避免了細(xì)節(jié)信息處理的耗時(shí),，有效地提高了檢測(cè)速率,，且具有較高的檢測(cè)準(zhǔn)確率。然而該方法對(duì)邊緣檢測(cè)的依賴性較強(qiáng),，可能會(huì)因?yàn)檫吘壧崛〉钠?，造成誤差效應(yīng)的累積。因此,，如何尋找更為有效的特征信息,，提高算法效率，是將來研究的重點(diǎn),。

參考文獻(xiàn)

[1] 彭正濤.基于快速類圓中心定位算法的棒材在線計(jì)數(shù)系統(tǒng)的研究和設(shè)計(jì)[D].武漢：武漢科技大學(xué),，2012.

[2] 施瀅,，夏春華，胡琳娜,，等.指針式儀表讀數(shù)的機(jī)器視覺智能識(shí)別方法[J].傳感器與微系統(tǒng),，2017(11)：47-49，52.

[3] 吳堯鋒,，王文,，盧科青，等.邊界聚類橢圓快速檢測(cè)方法[J].浙江大學(xué)學(xué)報(bào)(工學(xué)版),，2016,，50(2)：346.

[4] MICHELE F，ANDREA P,，RITA C.A fast and effective ellipse detector for embedded vision applications[C].Pattern Recognition，2014,，47(11)：3693-3708.

[5] 胡海鷗,，祝建中.基于弧段組合的直接最小二乘橢圓擬合[J].杭州師范大學(xué)學(xué)報(bào)（自然科學(xué)版）,2011，10 (6)：556-560.

[6] 趙午峰,，喬瑞萍,，孫賀.基于TMS320DM6437的車道線檢測(cè)與跟蹤[J].電子技術(shù)應(yīng)用，2017,，43(4)：17-20.

[7] 劉宏哲,，袁家政，鄭永榮.計(jì)算機(jī)視覺算法與智能車應(yīng)用[M].北京：電子工業(yè)出版社,，2015.

[8] Di Zhipeng,，He Dongzhi.Forward collision warning system based on vehicle detection and tracking[C].2016 International Conference on Optoelectronics and Image Processing(ICOIP)，Warsaw,，2016：10-14.

作者信息:

喬瑞萍,，孫  賀，董員臣,，王  方

（西安交通大學(xué) 電子與信息工程學(xué)院,，陜西 西安710049）