双目立体视觉的障碍物检测方法综述

（桂林电子科技大学信息与通信学院，广西 桂林 541004）

在欧洲、美国、日本等发达国家的一些科研机构及汽车制造商，都在进行着智能汽车的研究，一些先进的技术已经得到推广应用。在国内，主要由研究机构和高校主导智能车辆的研究，但在技术上还与发达国家有着一定差距。障碍物检测的应用前景十分阔，具有极大的实际应用意义，是智能车辆研究中重要的关键技术。根据传感器类型不同，障碍物检测方法有：激光雷达、超声波、结构光、双目摄像机等。其中，使用双目摄像机可以获得丰富的彩色图像信息和深度信息，设备简单、成本低廉，基于双目立体视觉的检测方法是近年来研究的热点之一。

1 双目立体视觉的障碍物检测系统

道路的障碍物定义为高于路平面的物体，而有些研究将低于路面平面的物体也视为障碍物。根据道路情况，可将道路分为结构化道路和非结构化道路。对结构化道路的障碍物检测，主要以道路连线检测为重点，该技术已获得了一定的研究成果。对于非结构化道路障碍物检测仍是难点和重点。

基于双目立体视觉的障碍物检测系统，通常是由双目摄像机（两台固定位置的摄像机）、计算机、显示设备等组成。计算机从双目摄像机获取原始图像，转换到灰度或RGB三通道的格式图像进行处理，最后将结果输出。由于双目摄像机安装的位置是固定分开的，不同位置摄像机观察到的场景视角不一样，计算机除获得图像信息外还可以获得深度信息。在获取双目图像后，依据模式识别、图像处理、人工智能等理论，使用各种不同的方法对障碍物检测。

2 双目立体视觉系统

双目立体视觉是根据两幅不同角度场景的图像产生视差，视差反应了景物的深度。计算机上的双目立体视觉系统使用两个不同位置的摄像机获取不同场景的图像，通过在图像对上查找对应点来计算视差。双目立体视觉系统的立体成像，通常包括四个步骤：消除畸变、摄像机校正、图像匹配和重投影。消除畸变包括切向畸变和径向畸变，摄像机校正是为了计算出摄像机的焦距、成像中心和两摄像机的相对距离。摄像机校正这一步主要调整摄像机间的角度和距离，使两台摄像机的图像行对准，为图像匹配减少计算量。图像匹配主要是查找基准图像上各个点在另一幅的位置，其位置差即为视差值。在计算得到视差值后，利用摄像机间的位置关系通过三角测量的原理转换成三维点云[1]。三角测量原理图如图1所示。图1中，假设图像对已经校正行对立，物理世界坐标上的点P在左右图像上的成像点为和焦距为f，左右图像的投影中心分别为υl和υr，T为两摄像机的相对距离，则视差利用相似三角形可计算出点P与摄像机的距离：

图1 三角测量原理图

3 立体匹配算法

立体匹配是查找基准图像上各点在另一图像上位置，计算视差的过程，是立体视觉中最难和最关键的技术。立体视觉系统中，两幅不同角度场景的图像受到如下的影响：光学失真与噪声、光滑表面反射、投影缩减、低纹理、纹理重复、透视失真、透明、非连续和遮挡，因此给立体匹配计算带来了极大的困难。

近年来，各种立体匹配算法不断提出，但一般步骤包括：匹配代价计算、匹配代价叠加、视差获取和视差细化。按不同的计算策略可分为局部匹配算法和全局匹配算法，局部匹配算法的计算量通常要比全局匹配算法少，但全局匹配算法更能获得较好的匹配效果。考虑到立体匹配算法的实时性和较好匹配效果的要求，文献[2]提出了半全局的匹配算法(semi-global stereo matching, SGBM)，这是一种改进的动态规划算法，具有高效的特点，同时能获得较高的计算精度。

4 障碍物检测方法

基于双目立体视觉的障碍物检测方法可分为单目检测和双目检测，单目检测实质是先通过单幅图像检测障碍物在图像上的位置，再用双目立体视觉计算障碍物的空间信息。文献[3]首先根据亮度直方图分割出道路区域，再在道路区域内利用颜色分割出可疑障碍物区域，提取可疑障碍物区域的特征进行区域，计算可疑障碍物的高度，最终确定障碍物。通过这种方法大大减少了立体匹配的计算量，对路面上障碍物的检测有较好的效果，但仅适用于特定颜色的路面，同时路面边缘上的障碍物存在漏检的风险。

文献[4]检测车道标线并在线标定相机俯角，使用基于角点的立体视觉感知算法。通过这种方法，消除了车辆行驶过程中摄像机俯仰角的变化带来的影响，弱化了立体匹配中极线约束的要求，减少了立体匹配的计算量。但这种方法仅适用于带标线的道路，同时需要检测到障碍物较多的角点，对于障碍物角点较少或路面上角点较多的情况，会影响到检测结果的正确性。

文献[5]提出基于 V视差图的障碍物检测算法，先通过立体匹配计算出视差图，再根据一行上相同视差数目计算出U-V视差图，检测V视差图中的直线信息，结合U视差图确定路面和障碍物。该方法受光照、阴天等影响较小，可检测面状的障碍物，但对于球状或其他不规则形状的障碍物检测难度较大。

文献[6]提出一种使用全局优化算法的双目立体视觉实时检测方法，在确定路面与摄像机的坐标关系后，通过映射使目标图像的路面与基准图像的路面相匹配，最后使用全局优化的匹配算法在基准图像和映射后的目标图像间计算，确定障碍物与路面的边缘。该方法能实时检测障碍物，在雨、雾、强光、弱光等恶劣环境下，也能获得较好的检测效果，但受车辆行驶中俯仰角的变化影响较大。

除了上述这些方法外，还有其他一些适用特定场景或具有一定突出优点的检测方法，如：重投影变换检测法[7]、光流法[8]、结合传感器检测方法[9]等。

5 总结

总之，各种基于双目立体视觉的障碍物检测方法都有独自的优点和缺点，面对复杂的道路环境，在智能车辆上的应用还没有较好的解决方案。同时，障碍物检测的应用前景十分阔，具有重大的实际应用意义，是智能车辆研究中重要的关键技术。

[1]Gray Bradski, Adrian Kaehler. Learning OpenCV Computer Vision with the OpenCV Library[M].O'Reilly Media, Inc,USA,2008.

[2]Klaus A, Sormann M,Karner K.Segment-based stereo matching using belief propagation and a self-adapting dissimilarity measure[C]//Pattern Recognition,2006.ICPR 2006.18th International Conference on. IEEE,2006,3: 15 -18.

[3]李庆忠,陈显华,顾伟康.基于彩色立体视觉的障碍物快速检测方法[J].计算机科学,2004, 30(9):72-75.

[4]姜岩,高峰,徐国艳.基于角点特征的立体视觉车辆环境感知系统研究[J].机械工程学报,2011,47(14): 99-107.

[5]陈雪,张卫彬,程广涛.基于双目立体视觉的障碍物检测方法[J].软件导刊,2012,11(2):146-148.

[6]Kubota S,Nakano T,Okamoto Y. A global optimization algorithm for real-time on-board stereo obstacle detection systems[C]//Intelligent Vehicles Symposium, 2007 IEEE.IEEE, 2007: 7-12.

[7]李岩,林学.颠簸环境下的快速障碍物检测算法[J].软件学报,2000,11(12):1666-1683.

[8]Pantilie C D, Nedevschi S. Real-time obstacle detection in complex scenarios using dense stereo vision and optical flow[C]//Intelligent Transportation Systems (ITSC),2010 13th International IEEE Conference on. IEEE,2010:439-444.

[9]王荣本,赵一兵,李琳辉,等.智能车辆的障碍物检测研究方法综述[J].公路交通科技,2008, 24(11): 109-113.