一種基于雙目視覺的無人駕駛汽車可通區(qū)域檢測方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，具體涉及一種基于雙目視覺的無人駕駛汽車可通行區(qū)域檢測方法。
【背景技術(shù)】
[0002]隨著社會的發(fā)展，汽車已經(jīng)成為人類日常生活不可替代的交通工具。然而，隨之而來是其帶來的日益突出的安全問題。而汽車智能化技術(shù)的快速發(fā)展則為解決這一問題提供了有力手段。近些年來，世界各大知名汽車企業(yè)積極參與汽車智能化的產(chǎn)業(yè)革命中，使得無人駕駛汽車已不再是個(gè)概念，很多成熟的智能化技術(shù)已被應(yīng)用于汽車行業(yè)，并取得了顯著的經(jīng)濟(jì)和社會效益。同時(shí)，軍事、安保等領(lǐng)域的地面無人平臺技術(shù)研究也取得突破性進(jìn)展，無人排爆機(jī)器人等設(shè)備在人民安防、國家安全等重大領(lǐng)域發(fā)揮著巨大作用。
[0003]目前無人駕駛汽車技術(shù)中障礙物探測方法主要是基于激光雷達(dá)，毫米波雷達(dá)或超聲探測器等主動性傳感器，而這類傳感器通常成本較高，功耗較大，容易相互干擾。目前汽車行業(yè)使用成熟的無人駕駛汽車技術(shù)主要有自動巡航系統(tǒng)，車道保持系統(tǒng)，自主泊車系統(tǒng)等，這些系統(tǒng)一般結(jié)合雷達(dá)和圖像信息進(jìn)行工作。具體方法是依靠雷達(dá)探測障礙物，攝像機(jī)檢測車道線或其他道路信息，再將兩者進(jìn)行融合處理。如果只利用攝像機(jī)實(shí)現(xiàn)所有功能，不僅可以減少設(shè)備成本，更降低了傳感器功耗，增加了系統(tǒng)的使用壽命。因此，單純依靠雙目像機(jī)實(shí)現(xiàn)車道線檢測、障礙物探測、行車記錄等工作要求具有廣闊的市場前景。
[0004]障礙物探測作為無人駕駛系統(tǒng)和輔助駕駛系統(tǒng)中的關(guān)鍵技術(shù)，在汽車的安全通行，舒適駕駛等方面發(fā)揮巨大作用。如何準(zhǔn)確，高效地探測障礙物，獲得可通行區(qū)域?qū)o人駕駛汽車和輔助駕駛系統(tǒng)都有著至關(guān)重要的影響。通常，基于圖像進(jìn)行可通行區(qū)域檢測主要分為基于紋理特征，顏色特征和深度特征三大類。目前，部分學(xué)者利用單目相機(jī)獲取彩色圖像，利用紋理分割或色彩分割識別出可通行區(qū)域，但其效果往往并不理想，受環(huán)境影響較大，且主要應(yīng)用于較為規(guī)范的城市交通環(huán)境中，在非結(jié)構(gòu)化環(huán)境中并不適用。而基于深度信息主要是通過雙目或多目相機(jī)獲得環(huán)境視差圖，再利用視差圖獲得稠密或稀疏的深度信息，估計(jì)出地面模型。這類方法可適用于復(fù)雜路面環(huán)境，但往往計(jì)算量大，實(shí)時(shí)性差，并不能較好地應(yīng)用于地面無人平臺。由此可見，基于圖像信息高效、實(shí)時(shí)地檢測可通行區(qū)域是一項(xiàng)巨大挑戰(zhàn)，同時(shí)對地面無人平臺和輔助駕駛系統(tǒng)的發(fā)展具有很高的應(yīng)用價(jià)值。

【發(fā)明內(nèi)容】

[0005]為解決上述問題，本發(fā)明提供一種基于雙目視覺的無人駕駛汽車可通區(qū)域檢測方法，該方法適用性強(qiáng)，可在雨雪等復(fù)雜天氣條件和野外、城市等多種道路環(huán)境下穩(wěn)定工作，且實(shí)時(shí)性較好，可廣泛應(yīng)用于地面無人平臺和輔助駕駛系統(tǒng)。
[0006]實(shí)現(xiàn)本發(fā)明的技術(shù)方案如下:
[0007]—種基于雙目視覺的無人駕駛汽車可通區(qū)域檢測方法，其包括:
[0008]步驟I，獲取安裝在無人駕駛車上的車載雙目攝像機(jī)采集的車輛前方左右目圖像作為原始識別圖像；
[0009]步驟2，對左右目圖像進(jìn)行預(yù)處理:首先利用色彩恒常性方法對左右目圖像進(jìn)行色彩增強(qiáng)，其次將色彩增強(qiáng)后的圖像轉(zhuǎn)換為灰度圖像;再次采用SGM方法對灰度圖像進(jìn)行雙目立體匹配，獲得視差范圍為0-128之間的稠密視差圖；最后對所述稠密視差圖進(jìn)行中值濾波、膨脹和腐蝕處理，獲取處理后的稠密視差圖；
[0010]步驟3，對步驟2中所獲取的處理后的稠密視差圖每一列所有像素進(jìn)行灰度統(tǒng)計(jì)，獲得相應(yīng)的U視差圖，將該U視差圖的視差范圍規(guī)范化到O到255之間得到規(guī)范化U視差圖；
[0011]步驟4，使用Canny算子對步驟3中所獲得的規(guī)范化U視差圖進(jìn)行邊界提取，獲得二值化的邊界U視差圖；遍歷邊界U視差圖，若像素(i，j)的像素值不為O，則遍歷所述稠密視差圖第j列的所有像素，尋找與像素(i，j)的像素值相同或相差小于設(shè)定閾值&的像素，并將其設(shè)為障礙像素，從而獲得粗略的障礙物圖，再對該障礙物圖進(jìn)行中值濾波、膨脹和腐蝕處理，獲得處理后的障礙物圖；
[0012]步驟5，利用步驟4所獲得的處理后的障礙物圖，對步驟2處理后的稠密視差圖進(jìn)行障礙物剔除，獲得剔除大量障礙物后(或含少量障礙物)的視差圖；
[0013]步驟6，對步驟5中所獲得的剔除大量障礙物后的視差圖的每一行所有像素進(jìn)行灰度統(tǒng)計(jì)(統(tǒng)計(jì)視差范圍為O-128)，獲得相應(yīng)的V視差圖，將該V視差圖的視差范圍規(guī)范化到O至IJ255之間得到規(guī)范化的V視差圖；
[0014]步驟7，使用Canny算子對步驟6中所獲得的規(guī)范化的V視差圖進(jìn)行邊界提取，獲得二值化的邊界V視差圖；利用霍夫變換，在所述邊界V視差圖中檢測線段，從檢測出的線段中選擇對應(yīng)于步驟2中處理后的稠密視差圖中道路區(qū)域的線段，將其與邊界V視差圖縱軸交點(diǎn)的水平線作為道路區(qū)域的上邊沿；
[0015]步驟8，根據(jù)步驟7中所獲得的道路區(qū)域上邊沿，將步驟2中所獲的處理后的稠密視差圖中道路區(qū)域的上邊沿以上部分剔除，獲得剔除非道路區(qū)域的視差圖；
[0016]步驟9，針對剔除非道路區(qū)域的視差圖，按照步驟3-4的方式獲得最終障礙物，其中在按步驟3的方式執(zhí)行過程時(shí)，不再統(tǒng)計(jì)視差圖中被剔除的道路區(qū)域以上部分的像素，且在按照步驟4的方式執(zhí)行過程時(shí)，將所獲得的障礙圖中的道路區(qū)域上邊沿以上部分全部設(shè)為障礙物(該道路區(qū)域上邊沿為步驟7中所獲)；
[0017]步驟10，對步驟9獲得的障礙物圖進(jìn)行灰度反轉(zhuǎn)，獲得可通行區(qū)域圖。
[0018]本發(fā)明在執(zhí)行完步驟10后還包括執(zhí)行如下步驟:
[0019]步驟11，對步驟10獲得的可通行區(qū)域圖進(jìn)行外層輪廓檢測，獲得所有外層輪廓，每一輪廓為一潛在可通行區(qū)域；
[0020]步驟12，對步驟11中獲得的輪廓進(jìn)行篩選，選擇最靠近車輛前輪，且面積最大的輪廓作為最終可通行區(qū)域。
[0021]有益效果
[0022]第一，本發(fā)明通過獲取稠密視差圖，直接在視差圖中利用統(tǒng)計(jì)信息識別障礙物與可通行區(qū)域，可以提高處理速度，并保證識別的精確性。
[0023]由于本發(fā)明服務(wù)于地面無人車輛平臺，因此對識別速率要求較高。通常而言，在無人平臺以4 O k m / h的速度前行情況下，要求可通行區(qū)域的識別幀率在8 H z左右。本方法在Intel雙核2.6GHzCPU處理器條件下，每秒可處理5到7幀，相比同類功能的其他方法具有明顯速率優(yōu)勢，若移植到DSP等嵌入式硬件平臺，其處理速度足以滿足無人車要求。
[0024]本發(fā)明之所以識別速率較快，原因在于本方法直接在視差圖上進(jìn)行統(tǒng)計(jì)分析以識別可通行區(qū)域，并不像其他方法將稠密視差信息轉(zhuǎn)換為3D點(diǎn)云，再利用3D信息進(jìn)行地面模型擬合，從而減少了大量非線性運(yùn)算。同時(shí)，因?yàn)楸景l(fā)明是基于統(tǒng)計(jì)信息，對噪聲信息敏感度較低，可獲得穩(wěn)定的可通行區(qū)域檢測結(jié)果。
[0025]第二，本發(fā)明通過對視差圖進(jìn)行統(tǒng)計(jì)獲得U視差圖和V視差圖，利用UV視差圖將障礙物特征和道路特征映射為直線特征。
[0026]由于U視差圖是對圖像每一列進(jìn)行灰度統(tǒng)計(jì)，而V視差圖對圖像每一行進(jìn)行灰度統(tǒng)計(jì)。而障礙物的視差特征是在列方向上灰度較為集中，且障礙物越高，則灰度值越集中，而道路的視差特征是在行方向上灰度較為集中，且從車頭由近及遠(yuǎn)其視差只逐漸增大，集中度一直比較高。因此，U視差圖中橫向直線對應(yīng)在原始視差圖中正是一個(gè)個(gè)障礙物，而V視差圖中傾斜直線對應(yīng)原始視差圖中正是道路區(qū)域。因此，利用UV視差圖則可以較為精確地、快速地區(qū)別開障礙物與道路。
[0027]第三，本發(fā)明使用Canny算子對U視差圖和V視差圖進(jìn)行邊緣檢測，將U視差圖和V視差圖進(jìn)行二值化，在U視差圖中減少非障礙物產(chǎn)生的噪聲，在V視差圖中減少障礙物產(chǎn)生的噪聲。
[0028]傳統(tǒng)的UV視差圖二值化的方法是利用固定的二值化閾值，根據(jù)常見障礙物高度進(jìn)行設(shè)定，并沒有自適應(yīng)性。本發(fā)明首先將UV視差圖規(guī)范化到O到255之間，然后利用Canny算子進(jìn)行二值化，可以自適應(yīng)不同環(huán)境和不同高度的障礙物。
[0029]第四，本發(fā)明首先使用U視差圖，剔除大量障礙物在V視差圖中的干擾信息，提高V視差圖中道路區(qū)域映射直線的檢測準(zhǔn)確率，同時(shí)根據(jù)V視差圖檢測道路區(qū)域的大致范圍，進(jìn)一步獲得精確的U視差圖，從而獲得精確的障礙物圖。
[0030]由于障礙物會在V視差圖中產(chǎn)生干擾，造成V視差圖中道路映射直線的檢測難度加大。本方法首先根據(jù)U視差圖獲得粗略的障礙物圖，然后利用該障礙物圖剔除視差圖中大量干擾障礙物，再利用剔除了大量障礙物的視差