摘要：提出一种基于投影统计的导航路径识别算法，由相机采集环境图像并进行预处理，再遍历感兴趣区域，利用路径线宽度、梯度等约束条件进行有效边缘点的筛选并投影；提取左边界线的中线作为目标路径，并建立跟踪感兴趣区域进行路径线跟踪。试验结果表明，所提出的的算法鲁棒性较强，准确性能较好。
关键词：图像处理；AGV；路径检测；投影统计
An AGV navigation path detection algorithm based on image processing
[Abstract]A path recognition algorithm based on projection statistics is proposed.Firstly，the image is collected by the camera and preprocessed，then traversing the region of interest，using the path line width and gradient and other constraints to select and project effective edge points.The middle line of the left and right boundary lines is taken as the target path，and reestablish the tracking area of interest to track the path line.The experimental results show that the proposed algorithm is robust and accurate.
Key words：Image processing；AGV；Path detection；Projection statistics
0 前言
近几年，世界各国在机器人领域的研究非常火热，并取得了极大的进展[1]。机器人作为高科技发展的结晶，同时也是人工智能技术和机器自动化技术发展到一定水平的结果[2-4]。目前世界上各领域应用的机器人数量已超千万，并且对机器人的需求仍在增长[5-7]。其中视觉导航方式因其精度更高，导航速度较快的特点，表现出非常大的潜力[8]。本文提出一种基于投影统计的路径识别算法，具有实时性好鲁棒性较强的优点。
1 识别算法流程
本文提出的导航路径线检测算法逻辑框图如图1所示。
图1 导航路径线识别算法框图
Fig1 Flow chart of navigation path line detection algorithm
基于投票机制的路径识别算法总体流程如下：由相机采集环境信息并进行预处理；遍历感兴趣区域，进行有效边缘点的筛选；建立与图像对应的关联性投影空间；当完成遍历投影后，提取左右边界线的中线作为目标路径；在跟踪模块中，提出利用前一帧的位置信息对车道路径线进行约束，进一步提高了算法的实时性。
2 图像预处理
2.1 图像灰度化
通常图像灰度化以减少过多的冗余计算，因此需将彩色图像灰度化。使用分量法进行色彩空间转化，转化过程可由式（2.1）表示：
（2.1）
其中，T1，T2，T3分别为R，G，B颜色分量所对应的权值，
且满足T1+T2+T3=1。研究发现，当T1=0.3，T2=0.59，T3=0.11时，最适合人眼的感觉，图像灰度化过程由式（2.2）给出：
（2.2）
2.2 高斯滤波
采用（2.4）式高斯型函数G（x，y）与原图像f（x，y）进行卷积以得到滤波后的图像I（x，y），图像的模糊程度由
值决定[21]。
（2.3）
高斯模糊化的图像输出为：
（2.4）
最终处理结果如图2.1所示：
（a）原始图像 （b）滤波并灰度化结果
图2.1 滤波并灰度化结果
Fig 2.1 Gray and filter result
2.3 边缘检测
使用Sobel算子计算像素
中3×3邻域内横向和纵向的导数。以
分别代表经水平和垂直方向边缘检测后的图像灰度值，由此得到的梯度幅值和方向可由下式表示：
（2.7）
（2.8）
使用Sobel处理结果如图2.2所示：
图2.2 Sobel边缘检测
Fig2.2 Sobel edge detection
3 导航路径线检测
3.1 特征点筛选
由于摄像机采集的路径图像具有显著的边缘特征。具体筛选步骤如下：
Step1：为了尽可能地保留车道路径线的信息点而又不产生过多的噪声点，选取合适的水平像素点阈值
；
Step2：建立投影空间。申请一个
的map空间记录边缘点的方向角度和位置。
Step3：逐行扫描感兴趣区域搜索道路特征点，利用Step1和路径线宽度等条件进行筛选。边缘点筛选过程如图3.1所示。
图3.1 特征点筛选
Fig3.1 Lane edge point screening
3.2 路径线提取
本文采用改进的Hough提取车道路径线。Hough变换的基本原理如图3.2所示，将图像平面上的点一一映射到参数平面，然后通过统计特性在参数平面上进行分析，寻找正弦曲线交点投票的峰值点，以此来提取原图像平面上对应的直线。为进一步提高算法的实时性，本文利用检测的方向角，进行反向搜索，可快速提取车道路径线。
直线在xoy直角坐标系中的表示
（b）直线在极坐标系中的表示
图3.2 Hough 变换原理图
Fig 3.2 Schematic diagram of Hough transform
3.3 路径线跟踪
由于相机采集的图像速度很快，可认为相邻帧间的道路变化是连续的，本文提出利用前一帧的位置信息对路径线进行约束，此方法可显著提高算法的实时性和准确性，如图3.3所示。
图3.3 带状跟踪区域
Fig3.3 Zonal tracking area
4实验结果
本对上述的导航路径线检测算法进行试验，以验
证其有效性。识别实验的图像样本如图4.1所示，
图4.1 导航路径图
Fig 4.1 Navigation path diagram
由此最终提取的车道路径线如图4.2所示。
图4.2 车道路径线
Fig 4.2 Center line of navigation
5结论
提出一种基于图像处理的AGV导航路径检测算法，提出使用导航路径线宽度、梯度等约束条件进行有效边缘点的筛选；建立与图像对应的关联性投影空间，将满足搜索条件的边缘点记录在投影空间中；当完成遍历投影后，提取左右边界线的中线作为目标路径，在跟踪模块中，提出利用前一帧的位置信息对车道路径线进行约束，进一步提高了算法的实时性。
参考文献:
[1]郭建明，田献军，刘清.基于模糊神经网络的移动机器人轨迹实时跟踪[J].武汉理工大学学报，2009，31（8）：128-132
[4]郭景华.视觉导航式智能车辆横向与纵向控制研究[D].大连理工大学，2012.
[3]刘天辉.车辆视觉导航中道路检测算法研究[D].沈阳工业大学，2015.
[4]佘宏杰，赵燕伟，冷龙龙.复杂工况下视觉AGV 导航标识带中心线的提取研究[J].计算机测量与控制，2016，24（1）：212-215.
[5]王视鎏.视觉导引AGV 的自动驾驶系统[D].复旦大学，2011.
[6]李占贤，冯永利.单舵轮AGV 路径跟踪控制器设计[J].控制工程，2014，21（S1）：70-72+84.
[7]朱琳军.双差速驱动AGV 协同运动控制技术研究[D].南京航空航天大学，2015.
[8]蔡自兴，贺汉根，陈虹.未知环境中移动机器人导航控制理论与方法[M].北京：科学出版社，2009
作者简介：刘楚，19910823，籍贯：重庆，学历本科，职称：无，研究方向：控制工程
论文作者:刘楚
论文发表刊物:《基层建设》2018年第30期
论文发表时间:2018/11/13
标签：路径论文; 图像论文; 算法论文; 灰度论文; 如图论文; 所示论文; 车道论文; 《基层建设》2018年第30期论文;