基于圖像分割匹配的賽道元素識別算法

引 言

近年來，智能汽車技術(shù)迅猛發(fā)展，它是一種集環(huán)境感知、規(guī)劃決策、自動行駛等功能于一體的綜合系統(tǒng)，是典型的高新技術(shù)綜合體，具有重要的軍用及民用價值。因此，智能汽車競賽也越來越受重視。智能汽車的核心部分是賽道元素識別、方向和速度控制，精準(zhǔn)的賽道元素識別算法是方向和速度控制的基礎(chǔ)和前提 [1]。為此，本文提出一種基于圖像分割匹配的賽道元素識別算法，以實現(xiàn)對賽道元素的精準(zhǔn)識別。

1 傳統(tǒng)智能汽車賽道識別的現(xiàn)狀

如圖1 所示，智能汽車競賽的賽道元素主要有環(huán)島、十字、彎道、終點線、路障和會車區(qū)。傳統(tǒng)的賽道識別算法一般是以賽道邊界線斜率、曲率和圖像中黑白跳變等信息為依據(jù)進行賽道元素的區(qū)分識別，每種賽道類型都需要對應(yīng)特定的識別算法。傳統(tǒng)的賽道識別方法存在以下缺點 ：

（1）賽道邊界線斜率和曲率一般由圖像多個點的坐標(biāo)獲得，一旦賽道邊界線上存在噪點，便會嚴(yán)重影響邊界斜率和曲 率 [2] ；

（2）每種賽道類型都需要特定的識別算法，賽道元素識別算法不能復(fù)用，程序代碼過于冗余，會消耗主控芯片過多的運算資源，最終導(dǎo)致識別時間過長 [3-4]。

2 數(shù)字圖像處理基本方法

2.1 數(shù)字圖像的矩陣分割

數(shù)字圖像數(shù)據(jù)一般用數(shù)組形式進行存儲，而數(shù)組與矩陣之間存在密切的關(guān)聯(lián)，因此數(shù)字圖像可以用矩陣方式來表示， 并且可以采用矩陣?yán)碚摵途仃囁惴▽?shù)字圖像進行分析和處理。如圖 2 所示，圖像的像素數(shù)據(jù)是一個矩陣，矩陣的行對應(yīng)圖像的高，矩陣的列對應(yīng)圖像的寬，矩陣的元素對應(yīng)圖像的像素，矩陣元素的值即為像素的灰度值 [5]。

矩陣分割 ：將一個矩陣用若干條橫線和豎線分成許多個小矩陣，將每個小矩陣稱為該矩陣的子塊，使原矩陣的結(jié)構(gòu)顯得簡單而清晰 [6]，從而能夠大大簡化運算步驟。圖 3 所示是將一個四維矩陣分割為二維矩陣 [7]。

2.2 數(shù)字圖像統(tǒng)計特征

（1）灰度平均值指一幅圖像中所有像素灰度值的算術(shù)平均值，計算公式如下 ：

（2）灰度方差指圖像中各個像素的灰度值與整個圖像平均灰度值的離散程度，計算方式如下 ：

3 基于圖像分割匹配的識別算法

3.1 算法基本思想

圖像分割匹配算法的首要任務(wù)是進行圖像分割，對模板圖像與未知圖像分別進行矩陣分割，降低存儲圖像的數(shù)組維度 [8]。將構(gòu)建的模板圖像按照一定的搜索策略在未知圖像上做平穩(wěn)的全覆蓋移動，將模板圖像的灰度值與模板圖像投射在未知圖像的區(qū)域灰度值做相似性測量，如灰度值方差比較、相關(guān)函數(shù)、相關(guān)系數(shù)等 [9]。如果測量的最小誤差小于之前設(shè)定的閾值 [10]，則認定未知圖像和模板圖像相匹配，否則認定未知圖像和模板圖像不匹配 [11]。

3.2 算法設(shè)計

算法流程如圖 4 所示，步驟如下 ： 

（1）選取合適的賽道圖像作為模板，將模板賽道圖像進行二值化處理 ； 

（2）將模板圖像進行矩陣分割，并用一個多維數(shù)組Template_Image[m][n] 存儲圖像數(shù)據(jù)，計算分割后各子塊圖像的灰度平均值并存儲到數(shù)組 Template_average[m][n] 中 ； 

（3）輸入未知圖像，將未知圖像進行二值化處理 ； 

（4）將未知圖像進行矩陣分割，并用一個多維的數(shù)組Image[m][n] 存儲圖像數(shù)據(jù)，計算分割后各子塊圖像的灰度平均值并存儲到數(shù)組 average[m][n] 中 ； 

（5）將模板圖像各子塊的灰度平均值數(shù)組 Template_average[m][n] 和未知圖像各子塊的灰度平均值數(shù)組average[m][n] 代入公式運算， f =Template_average[m][n]， f（i，j）=average[m][n]，最終計算得到未知圖像灰度值方差variance ； 

（6）設(shè)置合適的方差閾值，將方差 variance 和設(shè)置的方差閾值進行比較，判斷未知圖像是否與模板圖像匹配。

4 算法識別準(zhǔn)確率測試

4.1 測試裝置的硬件結(jié)構(gòu)

全國大學(xué)生“恩智浦杯”智能汽車競賽中的 B 型車模作為本次測試的硬件設(shè)備，車體上搭載了競賽專用的硬件二值化攝像頭，該攝像頭獲取的圖像為黑白二值圖像。圖 5 所示測試用車實物。

4.2 測試過程

本次測試選取智能汽車競賽中的彎道賽道元素、十字路口賽道元素和終點線賽道元素作為測試對象，賽道元素二值化圖像如圖 6 所示。測試時智能車通過各賽道元素時的速度約為 1.5 m/s。為了直觀判斷并記錄算法是否正確識別到賽道，可設(shè)定當(dāng)智能車識別到相應(yīng)賽道元素時，蜂鳴器響，否則蜂鳴器不響。將傳統(tǒng)賽道元素識別算法與本文提出的識別算法對三種賽道圖像進行 10 次平行實驗，分別記錄智能車通過相應(yīng)賽道元素時準(zhǔn)確識別的次數(shù)。

4.3 測試結(jié)果分析

測試數(shù)據(jù)如圖 7所示，通過分析統(tǒng)計圖表的數(shù)據(jù)可知， 在識別彎道賽道、十字賽道、終點線賽道的實驗中，傳統(tǒng)賽 道識別算法未能準(zhǔn)確識別賽道的次數(shù)分別為 3 次、4 次、2 次 ； 而本文提出的新賽道識別算法分別只有 1次、2次、0次。對比可知，本文提出的新賽道識別算法能更準(zhǔn)確地識別賽道 元素，識別誤判率更低。此外，在測試中發(fā)現(xiàn)不同賽道元素 之間圖像特征差異大，傳統(tǒng)識別算法通用性差，每種賽道類 型都需要特定的識別算法。本文提出的基于圖像分割匹配的 賽道元素識別算法可實現(xiàn)一對多的識別效果，在實際應(yīng)用中 只需在該算法中預(yù)存賽道類型的模板圖像數(shù)據(jù)并設(shè)置合適的 方法閾值即可實現(xiàn)賽道元素的識別，能夠有效精簡程序、節(jié)約硬件資源、縮短程序運行時間。

5 結(jié) 語

本文分析了智能汽車競賽中傳統(tǒng)賽道元素識別算法的不足，提出了基于圖像分割匹配的賽道元素識別算法。通過多次重復(fù)實驗驗證了算法的可行性，相比傳統(tǒng)的識別算法，基于圖像矩陣分割匹配的賽道元素識別算法原理簡單，程序精簡，識別準(zhǔn)確率高。該算法在智能汽車競賽中能更好地提高圖像的識別準(zhǔn)確率。