（通信与信息系统专业论文）基于视觉的结构化道路检测算法研究.pdf

摘要 近年来，随着世界经济的发展，现有的道路运输系统已不能满足需要。各国 政府和研究机构将大量精力投入到智能交通系统的研究。其中汽车辅助驾驶和 自主导航是智能交通系统的关键技术。基于视觉的道路检测技术是智能车辆导 航方法的研究热点之一。经过多年的发展，基于视觉的道路检测技术已经有了 很大的进步。目前，国内外已有很多视觉导航系统，但在系统的实时性、鲁棒 性和实用性方面尚不能满足人们的要求。 本文首先对结构化道路检测技术的研究中所涉及到的图像处理和目标识别 方法做了深入的研究和分析，介绍了图像底层处理的基本原理及方法，并且说 明了各种方法的特点。 其次，对结构化道路图像的底层处理进行了分析。通过分析摄像机模型，本 文给出了一种逆透视变换方法。利用逆透视变换方法消除了图像透视效果，这 样为之后的道路图像底层处理提供了一个良好的基础。根据逆透视变换图片的 标志线特征和投影后图像质量特点，本文给出了道路标志线模板增强方法和分 段阈值化处理方法。 接下来，本文分析了道路模型，采用了h o u g h 变换对结构化道路标志线进行 拟合。并且提出了h o u g h 变换拟合的改进方法。利用优化的阈值分割图像和概 率h o u g h 变换提高了拟合速度，利用最小二乘法提高了拟合效果。通过h o u g h 变换结合最小二乘法的方法进行道路拟合，从而摆脱了固定道路模板的束缚， 使得该算法对道路的适应能力大大提高，提高了算法的鲁棒性。 在论文的最后，通过建立仿真实验环境对算法进行了检验。经过实验，分析 了各种环境下的算法执行结果，证明了上述算法的有效性和可靠性。并且分析 了算法中的函数，对函数进行了优化，使算法所需要的时间大大缩短，为之后 算法在嵌入式系统上的移植提供了一个良好的基础。 关键字：坐标变换，阈值分割，图像二值化，h o u g h 变换 a b s t r a c t r e c e n t l y ，c o u p l e dw i t ht h ed e v e l o p m e n to ft h ew o r l d se c o n o m y , t h ee x i s t i n g t r a n s p o r t a t i o ns y s t e mc a n tm e e tt h en e e d s m a n yc o u n t r i e sa n di n s t i t u t i o n sh a v e i n v e s t e ds om u c hi n t ot h ei n t e l l i g e n tt r a n s p o r t a t i o ns y s t e m ( i t s ) t h em o s ti m p o r t a n t t e c h n o l o g yo ft h ei t si st h ev e h i c l ea s s i s t a n td r i v i n ga n da u t o m a t i cg u i d a n c e t h e l a n ed e t e c t i o na l g o r i t h mb a s e do nv i s i o ni sah o t s p o to ft h ei n t e l l i g e n tv e h i c l e n a v i g a t i o nr e s e a r c h a tp r e s e n t ，a l t h o u g ht h e r ea r em a n yv i s i o ng u i d a n c es y s t e m s ， n o n eo ft h e mc a nm e e to u rr e q u i r e m e n ti nr e a l t i m e ，r o b u s t n e s s ，a n dp r a c t i c e f i r s t l y , t h er e s e a r c hi sc o n c e n t r a t e do nt h ei m a g ep r o c e s s i n gm e t h o d sa n do b j e c t r e c o g n i t i o nm e t h o d si n v o l v e d i nt h es t r u c t u r a lr o a dd e t e c t i o nt e c h n o l o g y t h e p r i n c i p l e s a n dm e t h o d si nl o wl e v e li m a g ep r o c e s s i n ga r ei n t r o d u c e d t h e c h a r a c t e r i s t i c so ft h e s em e t h o d sa r ec o m p a r e d s e c o n d l y ，t h el o wl e v e lp r o c e s s i n go fs t r u c t u r a lr o a dp i c t u r e i sa n a l y s i s e d t h r o u g ha n a l y s i s o ft h ec a m e r am o d e l ，am e t h o do fa d v e r s e p e r s p e c t i v e t r a n s f o r m a t i o ni sg i v e n t h ee f f e c to fi m a g ep e r s p e c t i v eh a sb e e ne l e m i n a t e db yt h i s m e t h o d i t sp r o v i d eag o o df o u n d a t i o nf o rt h er o a di m a g ep r o c e s s i n g i na c c o r d a n c e w i t ht h ec h a r a c t e r i s t i c so ft h er o a ds i g n sa n dt h ec h a r a c t e r i s t i c so fa d v e r s ep e r s p e c t i v e i m a g e ，t h em e t h o d so f r o a ds i g n se n h a n c e m e n ta n db i n a r i z a t i o nh a sb e e nf i g u r e d o u t t h i r d l y , t h er o a dm o d e li sa n a l y s e d t h eh o u g ht r a n s f e ri su s e dt oi m i t a t et h e r o a ds i g n s t h ei m p r o v e m e n t so ft h et r a n s f e ra r eg i v e n t h eo p t i m i z e db i n a r yi m a g e a n dp r o b a b i l i s t i ch o u g ht r a n s f e rh a v eb e e n u s e dt oi m p r o v et h es p e e d t h el e a s t s q u a r e sa n a l y s i sh a sb e e nu s e dt oi m p r o v et h ee f f e c t h o u g ht r a n s f e ra n dt h el e a s t s q u a r e sa n a l y s i sh a v eb e e nu s e dt oi m p r o v ei m i t a t et h er o a ds i g n s t h es h a c k l e so f f i x e dt e m p l a t er o a dc o u l db ec a s to f fb yt h em e t h o d t h ec a p a c i t ya n dr o b u s t n e s so f t h ea l g o r i t h mh a sb e e ni m p r o v e d a tt h ee n do ft h i sp a p e lt h es i m u l a t i o ne n v i r o n m e n th a sb e e ne s t a b l i s h e d t h e r e s u l t so fa l g o r i t h mi nv a r i e t yo fc i r c u m s t a n c e sh a v eb e n na n a l y s i s e d t h ev a l i d i t y n a n dr e l i a b i l i t yo ft h ea l g o r i t h mh a sb e e nt e s t e d t h ef u n c t i o no ft h ea l g o r i t h mh a s b e e na n a l y s i s e d a n dt h ef u n c t i o nh a sb e e no p t i m i z e ds ot h a tt h ea l g o r i t h mg r e a t l y s h o r t e nt h et i m en e e d e d i t sp r o v i d eag o o df o u n d a t i o nw h e nt h ea l g o r i t h mw a su s e d i ne m b e d e ds y s t e m k e yw o r d s ：g e o m e t r i c a lt r a n s f o r m ，t h r e s h o l d ，b i n a r i z a t i o n ，h o u g ht r a n s f e r i i i 独创性声明 本人声明，所呈交的论文是本人在导师指导下进行的研究工作及取得的研 究成果。尽我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其 他人已经发表或撰写过的研究成果，也不包含为获得武汉理工大学或其它教育 机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何 贡献均已在论文中作了明确的说明并表示了谢意。 ，一 签名：陛多。日期：2 受：s ：星 关于论文使用授权的说明 本人完全了解武汉理工大学有关保留、使用学位论文的规定，即学校有权 保留、送交论文的复印件，允许论文被查阅和借阅；学校可以公布论文的全部 或部分内容，可以采用影印、缩印或其他复制手段保存论文。 ( 保密的论文在解密后应遵守此规定) 日期：z 望：& ：星 武汉理。1 ：人学硕十学位论文 1 1 课题研究背景 第1 章绪论 随着城市化进展的加快和汽车普及率的提高，城市交通拥挤同益加剧，交通 事故频频发生，交通环境逐渐恶化。这种交通问题是使人困扰的、波及世界范 围的严重问题。解决交通问题的直接办法是提高路网的通行能力，但无论是哪 个国家的大城市，可供修建道路的空间有限，建设资金筹措困难。同时，由于 交通系统是一个相当复杂的大系统，单独从车辆方面考虑或者单独从道路方面 考虑，都很难从根本上解决问题。此外，能源和环境问题的严重性也日益为人 们所认识。在这种背景下，从系统的观念出发，把车辆和道路综合起来考虑， 运用各种高新技术系统来解决问题的思想就应运而生了，这就是智能交通系统 i t s ( i n t e l l i g e n tt r a n s p o r t a t i o ns y s t e m s ) 。 经过3 0 年的发展，美国、欧洲、日本成为世界i t s 研究的三大基地。目 前，另外一些国家和地区的i t s 研究也有相当大的规模，如澳大利亚、韩国、 新加坡、香港等。可以说，全球正在形成一个新的i t s 产业，难易计数的大小 项目正在开展，发展规模和速度惊人，以“保障安全、提高效益、改善环境、节 约能源”为目标的i t s 概念正逐步在全球形成。 车辆自动避撞及自动驾驶技术主要任务是提高汽车行驶安全性。通过车辆及 道路的各种传感器掌握道路、周围车辆的状况等驾驶环境信息，通过车载机、 道路信息提供装置等实时地提供给驾驶员，并进行危险警告，最终实现自动驾 驶。自动避撞系统由车载传感器( 微波雷达、激光雷达、摄像机、其他形式的 传感器等) 、车载计算机和控制执行机构等构成。行驶中的车辆通过车载的传感 器测定出与前车、周围车辆以及与道路设施的距离和其他情况，车载计算机进 行处理，对驾驶员提出警告，在紧急情况下，强制车辆制动。 机器视觉与其他传感方式相比，具有检测信息量大，能够遥测的特点，非常 适合用于路径的识别与跟踪，因此是智能车辆导航研究中的一个重要方向。 在实际生活中，驾驶员通过视觉可以获得9 0 以上的环境信息，例如交通 标志、交通信号、车道线、道路形状、车辆、道路标记、障碍物等，很显然， 武汉理i 。人学硕十学能论立 u r 以考虑应用机器视觉来理解道路环境。基丁砚五导航的智能车辆研究虽早可 追溯到上世纪6 0 年代水1 舢于实时图像处理的计算量非常大，而当时的训锋 能山t 分有限只有少数几个研究小组开展这方面研究。随着技术的不断发腱， 目前的计算机硬件水平为实时图像处理提供了可能。一方面，处理器和存储器 的价格不断下降，商用计算机的体积不断变小，而性能有了显著的提高，例如 h 时的商用笔记本电脑町以满足一般实时图像处理的要求；另一方面， c c d ( c h a r g e c o u p l e d d e v i c e 惯像头费用低廉，体积小此外图像处理算法有柔 韧性和适应能力强等特点。因此视觉导航在智能车辆的导航巾有广阔的应用前 景。 现在国内外有许多研究单位致力于智能车辆视觉导航技术的研究，并且取得 了根大的进展。由于目前这些视觉导航系统中的道路检测技术都存在着一定的 不足，在较差的道路环境下。例如正午阳光直射、阿雪、阡| 光偏照引起的反光 等，道路检测效果就下降很多。为了提高道路检测算法的鲁棒性，研究人员正 在研究多传感器的融合技术( 例如通过雷达获得道路的深度信息) 。日前智能车 辆的视觉导航技术研究较多并且取得较大进展的国家和地区有：欧洲、美国、 同本、韩国等。 美国在这方面进展比较快目前主要智能车辆研究有美国c m u ( c a m e g i e m e l l o nu n i v e 鸺j t n 机器人研究中心研究开发的适用于规则道路结构的n a v l a b 系 列“、美国军方研制的d e m o i u 智能车辆等。 图1 in a v l a b5图1 2 n a v l a b l l n a v l a b 系列目前己到n a v l a b 1 1 ，采用了模板匹配的方法，计算车辆偏离车 道中心线的距离，主要采用的视觉传感器为一台s o n yd x c - 1 5 1 a 彩色摄像机， 装在车体侧面玻璃上，后视镜下面，用于道路和障碍物检测；c m u 还开发了 r a n g e r 智能车辆，适用于野外环境。 武汉理1 人学硕士学位论文 图l3d e m o 智能车辆 d e m o i i i 智能车辆集中了多种技术c c d 、激光、雷达、超声波、红外线、 微波等，适用于白天、黑夜及各种不利的环境( 如下雨、路面有污垢) ，在等级 公路上速度为4 0 m p h ( 很高的可靠性) ，在野外环境中速度为2 0 m p h ( 干燥、白天) 和l o m p h ( 晚问、潮湿1 ，可以检测和避开任何不规则障碍物。炎崮福罗里达大学 智能机器实验室( m a c i n n ei n t e l l i g e n c el a b o r a t o r yd e p to fe l e c t r i c a la n dc o m p u t e r e n g i n e e r i n gu n i v e r s i t yo ff l o r i d a ，u s a ) 研制的k e l v i n 智能车辆，采用了2 个摄 像机，根高尔夫手推车尺寸差不多大小，适用于相对比较平缓的地区，非常轻 便，车速可超过l o m p h 威斯康星州大学( u n i v e r s i t yo f w i s c o n s i na tm a d i s o n ) 从驾驶的车辆上采集 图像，在实验室进行仿真，利用假定的道路区域的颜色信息分割图像，采用h o u 曲 变换检测道路边缘。此外美国的研究机构还有俄亥俄州大学、密歇根州大学等。 欧洲方面其中德国、意太利、法国比较出名，具有代表性研制工作有位于幕 尼黑的德国联邦国防大学u b m0 b eu n i v e r s i t td e rb u n d e s w e h rm i i n c h e n ) 与德国 奔驰汽车公司研制的v a m o r s 和v a m o r s p p l l 4 i 两种试验车，该系统采用了 e m s v j s i o ns y s t e m 血e w e x p e c t a t i o n b a s e d m u l t i f o c a ls a c e a d i c v i s i o n ) ，计算机系 统由基于t r a n s p u t e r 的并行处理单元和两台p c - 4 8 6 组成，传感器系统由4 个小 型彩色c c d 摄像机，构成两组主动式双目视觉系统，一组安装在车体前部后视 镜附近特制的平台上，另一组固定在车体后部挡风板的上方，3 个惯性线性加速 计和角度变化传感器，测速表及发动机状态测量仪。目前己在商速公路和普通 标准公路进行了大量的试验。 意大利的u n i v e r s i t yo fp a r m a 研制的a r g o 5 1 工程，是p r o m e t h e u s 工程 中重要部分，一个全自动智能车辆，采用了g o l d ( g e n e r i co b s t a c l ea n dl a n e d e t e c t i o n ) 系统ii ，采用了两个摄像机和别的传感器，a r g o 已经进行了大量的 武汉理1 人学硕+ 学位论文 试骑，大约2 0 0 0 k r n 。障碍物检测主要为道路前方车辆的检测，利用乍辆的 二右 边缘荻度值对称和边缘结构对称性束确定车辆位置。 法国帕斯卡人学与洼闷的d r a s 雪铁龙( c i t r o e n ) 技术中心合作，联 研制了f e u g e o t 系统。 亚洲智能车辆领域研究水平比较先进的有韩国、同本、中国、新加坡等尤 其同本，由于交通问题显得更加突出，智能交通系统更加受到政府的重视。十 1 9 9 6 年，日本1 7 1 1 8 】 9 i i i 成立了高速公路先进巡航一辅助驾驶研究协会 a h s r a ( a d v a n c e d c r u i s e - a s s i s t h i g h w a ys y s t e m r e s e a r c h a s s o c i a t i o n ) ，参加者包 括众多的汽车商和研究机构。该协会的主要目的是研制自动车辆导航的方法， 促进日本智能车辆技术的整体进步。韩国大学和韩国的d o n g - a 大学，日本的 丰田公司、三菱公司、弓自达公司m e c h a n i c a l e n g i n e e r i n g l a b o r a t o r y 等机构均 进行了大量的研究。 我国在该领域的研究起步比较晚，与发达国家有一定的差距，目前在国内智 能车辆领域里研究的机构有： 清华大学： 图1 4t h m r - v 清华智能车t h m r vf 】舭2 1 1 鞭1 邮埘卿由清华大学智能技术与系统国家重点 实验室“移动机器人f m m r ) 课题组”研制，课题组负责人何克忠教授。该车是用 三星s x z 6 5 1 0 七座厢式车改装，配置了规划计算机、监控计算机、视觉计算机 和多台测控计算机，各台计算机之间通过1 0 me t h e r n e t 实现数据通信。配 备了磁罗盘- 光码盘、d g p s 互补定位系统，二维扫描激光雷达测障系统，c c d 摄 像机视觉处理系统，还安装了包括方向控制、油门控制和刹车控制的车体控制 武汉理i ：人学硕士学位论文 系统。清华智能车t h m r v 在公路上，车道线自动足艮踪时平均速度1 0 0 k m h ， 最高速度达到1 5 0 k m h 。在速度上已经接近国际上的先进水平，在图像处理、 控制算法和机械精度上取得了一定的技术突破。 国防科技大学： c i t a v t - - i v 1 7 】是由国防科技大学自动化研究所研制的新一代地面无人驾 驶车辆，由b j 2 0 2 0 s g 吉普车改装而成。国防科技大学自动化研究所从8 0 年 代木期开始跟踪和研究汽车自动驾驶技术先后研制了c l t 觚，t i 型，c i t a v t i l 型无人驾驶小车，进行无人驾驶汽车的原理性研究。九十年代初期的 c i t a v t - - i i i 型是以在非结构化道路环境下遥控和自主驾驶为目的的自动驾驶 汽车，在此期间与其他兄弟院校合作，还进行了几项“国防预研”项目研究， c i t a v t - - i v 型视觉导航自主车是以研究在结构化道路环境下的自主驾驶技术 为主要目标，该车在2 0 0 0 年4 月在长沙市绕城公路上进行了自主实验最高车 速达到了7 5 6 k m h ，已经接近该车的速度极限。 吉林工业大学的j u t 系列【1 8 】1 1 9 】【2 0 l ( 吉林工业大学研制的智能汽车的模型 车) 。以王荣本教授为代表，由国家自然科学基金项目( 5 8 9 7 5 0 3 2 ) 、教育部博 士基金项目( 9 7 0 1 8 5 0 8 ) ，教育部科学技术研究重点项目( 0 0 0 3 7 ) 资助。道路 检测方法：用最大方差设定阈值提取道路边缘，然后利用线性模型确定道路轨 迹线。目前j u t 一4 型高速智能车辆已完成整车安装调试，其无人驾驶视觉 导航设计速度5 0 k m h 以上，装备有世界先进水平的3 d 激光成像仪，利用多 传感器信息融合技术、人工智能、最优控制理论正深入开发非结构道路环境下 的路径识别与跟踪、安全车距保持、换道超车等机理与关键技术，总体研究开 发具有世界先进水平，在国内处于领先地位。 此外还有北京工业大学、浙江大学、重庆大学以及a t b 智能军用车辆联合 研究项目等科研院校、小组、研究机构从事此方面的研究。国内的研究机构关 于智能车辆研究阶段不相同，但都处于试验阶段，还没有有关产品投入市场。 1 2 课题研究意义 首先，基于道路检测技术的驾驶员辅助驾驶系统或预警系统，可以减轻驾驶 员的压力和疲劳程度，提高行驶的安全性，减少交通事故的发生，提高交通效 率。据资料统计，美国的交通事故中，由于人为因素造成事故占7 0 以上，并 5 武汉理1 ：人学硕+ 学位论文 且每年有多于3 , 0 0 0 ，0 0 0 的交通事故是由于车辆偏离车道而不是与其它车辆相 撞造成，这些事故每年造成1 3 ，0 0 0 人死亡和1 6 5 的交通堵塞，据估计如果车 辆装有路径偏离预警系统，估计5 3 的此类事故可以避免。 其次，视觉导航中的道路检测技术可以用来提高智能巡航控制中跟踪引导车 辆的精度，使车辆的队列自动驾驶系统更加可靠。 再者，可以将道路检测技术和其它技术相结合，提高系统性能。如视觉传感 器导航技术和自动驾驶技术可以实现车辆的自适应巡航，辅助人们把车开得又 快又稳、安全可靠；汽车夜间行驶时，如果装上红外摄像头，就能实现夜晚的 汽车安全辅助驾驶。 智能车辆视觉导航技术在智能交通、汽车安全辅助驾驶、车辆的自动或遥控 驾驶、工厂、仓库的巡逻等方面有着广泛的应用前景。另外智能车辆还可以用 到其它场合，例如星球探险、危险区域采样、军事用途等。随着社会不断发展， 智能车辆在工业、商业、科学应用方面会越来越受人们重视，因此智能车辆视 觉导航技术研究具有重要的理论意义和实际应用价值。 1 3 本文的研究内容和组织结构 本论文的内容是通过图像检测技术理解道路环境，针对当前道路检测技术的 难点，提出了基于道路坐标变换，道路标志线特征提取和直线模型结合最小二 乘法拟合的道路检测方法，并予以实验验证。 本文的组织结构如下： 第1 章是绪论部分，首先介绍了基于视觉的道路检测技术的发展背景及研究 状况，总结出目前存在的问题，并分析了道路检测技术的研究意义； 第2 章介绍了基于视觉的道路检测原理，阐述了道路的结构特征以及检测过 程中所涉及的图像处理知识； 第3 章介绍了利用投影变换简化道路图像，说明了在道路上，道路、摄像机、 图像之间的坐标系关系，并通过坐标变换来消除道路图像的透视效果。同时介 绍了逆透视道路图像底层处理设计，说明了自定义长条形模板对道路标志增强 的效果并说明了分段阈值分割的优点； 第4 章介绍了结构化道路标志线拟合设计，说明了h o u g h 变换在道路提取中 的优点与不足，并提出了完善方法； 6 武汉理1 ：人学硕+ 学位论文 第5 章进行了算法仿真实验，并说明了如何在c 语言中进行移植，以及如何 对算法进行优化。 第6 章在总结全文工作的基础上，对课题目前存在的问题进行了分析，并为 进一步研究指明了方向。 7 武汉理1 人学硕+ 学位论文 第2 章道路检测中的图像处理技术 2 1 彩色和灰度图像转换 由于人眼对于彩色图像细节的分辨能力与黑白图像相比要低得多，一般在 进行图像处理之前先将彩色图像转换成灰度图像，这样在处理时只需对单通道 的图像处理，可以提高运动目标检测与跟踪的速度。 根据r 、g 、b 颜色分量和y u v 色彩系统中亮度信号y 之间的关系可以计 算出亮度y ，它们之间的关系为1 2 1 】： y = 0 2 9 9 r + 0 5 8 7 g + 0 1 1 4 b ( 2 1 ) 根据式( 2 - 1 ) 可以将彩色图像变换为灰度图像，图2 1 给出了彩色图像转 化成灰度图像的具体例子： 彩色道路图像 2 2 灰度直方图 图2 1 彩色和灰度的转换 灰度道路图像 灰度直方图是数字图像处理中一个最简单、最有力的工具，它描述了一幅 图像的灰度级内容。数字图像的直方图是灰度值的离散函数，它表示数字图像 中每一灰度与其出现概率间的统计关系。 对于一幅数字图像f ( x ，y 1 ，其像素总数为n ，用r k 表示第t 个灰度值对应 的灰度， 表示具有灰度的像素的个数。用横坐标表示像素的灰度级，纵坐 武汉理f 人学硕十学位论文 标表示该扶度h 现的频率( 即像素的个数) ，则直方图可以定义【2 2 】为： p ( r ) = 鲁 ( 2 - 2 ) 式中，p ( ) 表示狄度r k 出现的相对频数。 图2 2 中( a ) 给出了一幅原始灰度图像，( b ) 给出了( a ) 的直方图形式： ( a ) 原始图像( b ) 直方图 图2 2 数字图像及直方图 2 3 空间滤波技术 2 3 1 模扳操作 ，1 1 1 1 1 p o ，y ) - p o ，y ) 。；1 1l 。1 i 晓- 3 ) 。【1 1 1 j 这种表示方法有点像矩阵，我们称其为模板瞄l ( t e m p l a t e ) 。中间的黑点表示中 ( n e i g h b o r h o o do p e r a t i o n ) ，即某个象素点的结果灰度不仅和该象素灰度有关，而 糕击去 武汉理i 。人学硕+ 学忙论文 其中最后一个模板常称为高斯模板，它是通过采样2 维高斯函数得到的。各 个模板滤波效果如下陶所示 图2 3 有噪声的道路图像图2 43 x 3 模板滤波图像 豳2 5 高斯模板滤波图像 幽2 65 x 5 模板滤波幽像 由上面图像滤波效果可以看出来，模板操作在去除噪音的同时，在滤除噪音 的同时损失了比较多的道路图像细节。特别是当模板较大时，损失细节越明显。 2 3 2 中值滤波 在空域滤波技术中，中值滤波i 驯是一种能在去除噪声的同时又能保护目标边 界不使其变得模蝴的滤波方法中值滤波为非线性处理技术。阻一维滤波为例， 中值滤波器选取一个含有奇数个像素的移动窗口，在图像上从左到右，从上到 下逐行移动，用窗口内灰度的中值取代窗口中一f i , 像素的灰度值，作为中值滤波 器的输出，其数学表达式如式( 2 - 4 ) 所示。 f ( x ，y ) - m e d i a n s m m ( 2 4 ) 式中为当前点“，y ) 的领域。快速中值滤波的实现步骤可归纳如下： ( 1 ) 建立一个大小为( 2 n + 2 ) x ( 2 n + 1 ) 的中值滤波窗1 2 1 ，并沿图像行序列移 动，步长为2 ： 武汉理1 人学硕 学佛论文 f 2 ) 窗口缚次移动后，先埘窗ii 内所有元鬃作一次排序，得到一个元素的序列， 元素的个数为( 2 n + 2 ) 。( 2 + 1 ) ，暂定形式中值像素为( 2 n + 2 ) _ x ( 2 n + i ) + 1 号 z 像素 ( 3 ) 用( 2 + 2 ) ( 2 n + 1 ) 之外的( 2 + 1 ) 个元素，采用上l f 【i 所述的方法分别移 动中值指针得到最后的中值指针， ( 4 ) 取第个窗口的前列元素，重复( 2 ) ，( 3 ) ，得到第一个窗i s i 中值； ( 5 ) 按照从行到列的顺序，对整个图像作( 1 ) ，( 2 ) ，( 3 ) ，( 4 ) 步骤至结束。 采用快速中值滤波算法可以在一次排列中求出两个窗口的中值，与传统中值 滤波相比处理速度上的差别是明显的。 中值滤波会削弱三角信号的项部峰值信号，但不影响阶跃信号和斜坡信号， 对图像边缘有保护作用。虽然中值滤波可以抑制随机点状噪声，但同时也抑制 持续期小于窗口的1 2 的脉冲信号，因而可能破坏图像的某些细节，且随着窗口 的扩大，有效信号的损失也将明显增大，所以在实际应用中，窗口大小的选择 要适宜。 图2 7 有噪声的道路图像 图2 83 x 3 模板中值滤波图像 图2 93 x i 模板中值滤波图像 图2 1 0l x 3 模板中值滤波图像 由上面图像滤波效果可以看出来，中值滤波在去除噪音的同时，可以比较好 的保留边缘锐度和图像的细节。这些细节是我们进行道路标志提取的重要部分。 武汉理1 ：人学硕+ 学位论文 所以，中值滤波比较适合本课题的要求。 2 4 图像二值化 图像的二值化【冽【2 6 l 属于图像区域分割范畴。一幅图像中属于同一区域的像素 应具有相同或相似的属性，不同区域的像素属性不同。因此图像的分割就要寻 求具有代表性的属性，利用这类属性进行划分，使具有相同属性的像素归属同 一区域，不同属性的像素归属不同区域。当只利用一个属性时，图像区域分割 就成为确定属性的闭值的问题，就是选择一个闭值将图像转化为只有两个灰度 级【通常取0 ( 黑色) 或2 5 5 ( 白色) 1 】的二值图像。 一般来说，图像阈值选取方法可以分为全局和局部的阂值选取方法，全局阈 值选取是根据整幅图像确定一个阈值，局部阈值选取方法是将图像划分成若干 子图像，然后根据每个子图像确定相应的阈值。 全局阈值选取方法进一步可分为点依赖和区域依赖，如果阈值的选取仅仅依 赖于每个点的像素值，则这种阂值选取就是点依赖。如果阈值选取依赖于相邻 点的局部特性，则这种阈值选取方法就是区域依赖。点依赖的全局阈值选取方 法有：最大类间方差、最大熵方法、直方图方法、矩量保持法、最小误差法等。 区域依赖的全局阈值选取方法有概率松弛法、共生矩阵方法、灰度分布统计方 法等。下面就典型的几种阈值选取方法进行介绍。 2 4 1 直方图方法 直方图方法是直接从原始图像的灰度分布直方图上确定阈值，包括p 一分位 数法、双峰法、直方图凹面分析法。下面就双峰法进行分析。 双峰法阳是一种很常用的简单方法，在较理想状态下，图像中的目标和背景 非常清楚，灰度直方图呈现明显的双峰状。这时可以选取直方图两峰之间的谷 底对应的灰度值作为阈值，可将目标区域和背景区域分开。但由于实际图像的 情况往往比较复杂；而且可能噪音干扰比较大，直方图参差不齐，确定直方图的 最大值和最小值是比较困难的。另外，当直方图中双峰值差别比较大、各区域 直方图的波形重叠，或者双峰间的距离较大而且平坦情况时，用这种方法检测 效果不太好。而且直方图只表明图像中各个灰度级上有多少个像素，并不能描 述这些像素的任何位置信息，并且同一个直方图可以对应若干个不同的图像。 1 2 武汉理i ：人学硕十学位论文 2 4 2 最大类问方差 最大类问方差【冽是由只本o s t u 于1 9 7 8 年提出的，又称为大津阈值分割法， 它是基于判别式分析最小二乘原理的基础上推导得出的，算法比较简单。将图 像中的狄度值按照灰度级用阈值丁分成两类c o 和c 1 ，其中c o ； o 工，n ， c 。一 t + 1 ，丁+ 2 ，l 一1 ) 。用仃；、西、z 分别表示类内，类问和总体方差， 则通过判决准则函数表达式( 2 5 ) 达到最大值来确定最佳阈值丁： a ：萼，7 。萼七：要( 2 5 ) 0 w o t0 w 在上面的三个准则函数中，由于露与丁值无关，因此q 最为简便，由此最 优阈值可进一步简化。通过式( 2 6 ) 求出阈值。 t 。一a r gm a x 2 ( 2 - 6 ) t o - d o 1 工一1 1 。、 式( 2 6 ) 中，其参数如式( 2 7 ) 、( 2 - 8 ) 所示。 以= 坦c a ( t 蛐) 1 - r a ( t ) ( 2 - 7 ) o 口2 ”荟僻( 丁) 。磊啦( z ) 。荟e ( 2 - 8 ) 式( 2 8 ) 中i 为图像灰度值，只为灰度值i 在图像中出现的频率。最大类间方差 算法计算简单，运算速度比较快，是实际应用中经常采用的方法，它对噪声和 目标大小比较敏感，当目标和背景大小比例悬殊时，类间方差准则函数可能成 双峰或者多峰，那么最大类间方差算法就会检测失效。 2 4 3 最大熵法 熵用来定义一个系统的信息量，是系统不确定性的度量，近年来很多人将信 息理论应用于图像处理和模式识别领域。假设图像仅由其灰度分布直方图表示 的基础上，来定义图像的熵，并用这一度量来实现图像中目标利背景的分离。 令丁为图像分割的阈值，定义后验熵如式( 2 9 ) ，这里的日膏，。可以分别看作 图像二值化后，与图像中黑、白像素点有关的后验信息的度量。 三l一-1 h 口一一 ：l o g 。只h 。一一 ：只l o g 。 ( 2 - 9 ) 箭i - 尔+ l 在知道了灰度直方图先验熵的情况下，通过使后验熵= h 。+ 日。，取最大值 来确定最优阈值。使后验熵h 取最大值相当于使表达式( 2 1 0 ) 作为估价函数取得 1 3 武汉理丁大学硕十学位论文 最大值来确定阈值。 旭) = 鲁瓦而l o g 厕。p r+ 【1 一瓦h r1 瓦磊l o g 瓦( 1 - 忑p r ) 面( 2 - 1 0 ) 表达式( 2 1 0 ) d p 参数h r 、h 工、片如式( 2 1 1 ) 所示。 r 一一薹只l 。g 。h 工一一善只l o g 。只弓2 薹 ( 2 - 1 1 最大熵方法对不同目标大小和信噪比( s n r ) 的图像均能产生很好的分割效 果，目标大小对算法的影响较小，可以用于小目标分割。但这种算法涉及对数 运算，运算速度比较慢，实时性不是很好【矧。 2 5 图像边缘检测 图像边缘是图像的基本特征之一，它蕴涵了图像丰富的内在信息( 如方向、 阶跃性质与形状等) ，是计算机视觉、模式识别等的基础，广泛应用于图像分割、 图像分类、图像配准和模式识别中。因此，边缘检测是图像处理的一个重要环 节。然而，由于实际景物图像的边缘往往具有模糊性，加上噪声干扰的影响， 而且边缘和噪声都属于高频信号，很难用频带做取舍，因此不容易检测到理想 的边缘。 传统的图像边缘检测方法大多从图像的高频分量中提取边缘信息，微分运算 是边缘检测与提取的主要手段。下面对一些传统的边缘检测算子进行简要的介 绍。 1 r o b e r t 边缘检测算子 r o b e r t 算子。它是2 2 算子，使用如图2 1 1 中的掩模来数字化地近似一阶 导数g 。和g 。利用局部差分算子寻找边缘，计算沿4 5 。方向的一阶差分。图像的 梯度为两个4 5 0 方向的梯度向量和，直接计算图像差分，不包含平滑，故不能抑制噪 声，对具有陡峭的低噪声图像响应最好。它是一种利用局部差分算子寻找边缘的 算子： g b ，y ) 。t 7 可i 了了一1 j 孑弋；j j 厕】2 + 内一7 i i 丽) 】2f 7 2 ( 2 1 2 ) 其中，f ( x ，y ) 是具有整数像素坐标的输入图像，平方根运算使该处理类似于 在人类视觉系统中发生的过程。 1 4 武汉理l ：人学硕十学位论文 r o b e r t g j2z 9 一z 5 g v z 8 一z 6 图2 1 1r o b e r t 检测算计 2 s o b e l 边缘检测算子 s o b e l 算子有两个，一个是检测水平边沿的如图2 1 2 左边；另一个是检测垂 直平边沿的如图2 1 2 右边。 邻域中心点处地梯度可由s o b e l 算子按如下方式计算： g ；窿+ g 2 ：k + + z 9 ) 一匕+ 2 2 2 + z 3 斤+ 他+ 2 2 6 + 毛) 一( z 。+ 2 2 4 + 乃炉，2 ( 2 1 3 ) 因此，我们说若在位置( x ，y ) 处g 芑t ，则在该位置地一个像素是一个边缘 像素，其中r 是一个指定地闽值。 121 o0o l2l - lo 1 2 02 - lo1 s o b e l 6 0 - ( z 7 + 2 2 8 + z 9 ) 一( z l + 2 2 2 + z 3 ) g y - g ，+ 2 2 6 + z ，) 一仁l + 2 z + z 7 ) 图2 1 2s o b e l 检测算子 3 p r e w i t t 边缘检测算子 p r e w i t t 边缘检测算子使用的是如图2 1 3 所示的掩模来数字化地近似一阶导 数值g 。和g ，。换言之，一个邻域地中心点处地梯度可由p r e w i t ts o b e l 算子按如 下方式计算： g ；k + 嘭l 胆；缸，+ z 8 + z 9 ) 一( z 。+ z ：+ z ，汗+ ，+ 气+ z 9 ) 一g 。+ z 4 + z ，圩 胆( 2 1 4 ) 因此，我们说若在位置( x ，y ) 处g t ，则在该位置地一个像素是一个边缘像素， 其中r 是一个指定地阈值。 武汉理f ：人学硕十学位论文 111 ooo ll 1 1o1 101 10l q - z 7 + 2 。+ z 9 ) 一( z i + z 2 + z ，) g ，- ( z 3 + z 6 + z ) 一k ，+ z 4 + z 7j 图2 1 3p r e w i t t 检测算予 4 l a p l a c i a no fg a u s s i a n ( l o g ) 边缘检测算子 由于噪声点( 灰度与周围点相差很大的点) 对边沿检测有一定的影响，所以效 果更好的边沿检测器是高斯拉普拉斯( l o g ) 算子。它高斯平滑滤波器和拉普拉斯 锐化滤波器结合了起来，先平滑掉噪声，再进行边沿检测，所以效果会更好。 ，2 考虑高斯函数 ( r ) ；一e 2 0 2 ( 2 1 5 ) 其中，2 = x 2 + y 2 ，仃是标准差。这是一个平滑函数，若和一幅图像卷积， 则会使图像变模糊。模糊的程度由盯的值决定。该函数的拉普拉斯算子( 关于r 的二阶导数) 为 r，： v ： ( ，) ；一l 生i p 一2 0 z ( 2 1 6 ) l 仃 j 该函数称为l a p l a c i a no fg a u s s i a n ( l o g ) 有一些显而易见的原因。因为求 二阶导数是线性运算，所以用v 2 j l ( ，) 对图像进行卷积( 滤波) 与先用平滑函数 对图像卷积再计算结果的拉普拉斯算子是一样的。这是l a p l a c i a no fg a u s s i a n 算 子最关键的概念。我们知道v 2 i l ( ，) 对图像卷积会产生两个效果：使图像变平滑 ( 从而减少噪声) ；计算拉普拉斯算子，以便产生双边缘图像。然后边缘就是找 到两个边缘之间的零交叉。 该算子对应的模板如图2 1 4 所示，它是一个与方向无关的各向同性( 旋转轴 对称) 边缘检测算子。其零交叉点也可作为图像的阶跃型边缘点，而其极小值点 可作为图像的屋顶型边缘。l a p l a c i a n 算子极小值算法用于检测屋顶型边缘的效 果不错，但对噪声敏感性较大；而其过零点算法若直接用于检测阶跃型边缘，则不 仅过零点的门限难以选择，而且检测精度一般地较低。 1 6 武汉理jl 1 人学硕十学位论文 olo l- 41 01o 图2 1 4l o g 边缘检测算子 5 c a n n y 边缘检测算子 传统的边缘检测算予如r o b e r t s 、p r e w i t t 、s o b e l 等算子，大部分都是局部窗 口梯度算子。，由于它们对