图像畸变对智能车控制的影响及对策研究

况宗旭 李军红 何俊延 马锦模 张逸帆

摘要：由于智能车视野范围的要求，摄像头一般要向下倾斜一定角度安装，这种安装方式会造成图像畸变，得到的图像不能反映路面的真实情况。本文分析图像畸变的产生及对智能车控制的影响，提出采用“非均匀行采集”和“线性补偿”的方法矫正摄像头图像畸变，并基于Opencv进行仿真实验，且在智能小车上应用图像矫正算法进行实车调试。实验结果表明，根据矫正后的图像信息识别路径，能有效地避免智能车偏离导航线，提高智能车的控制精度和响应速度。

关键词：图像畸变；非均匀行采集；线性补偿；智能小车

1绪论

利用摄像头摄取道路图像信息，识别路面引导线实现自主导航是现阶段智能车较常用的导航方法。[1]摄像头在拍摄图像时，最理想的位置是垂直于拍摄平面，这样才能保证图像按几何比例重现。由于智能车视野范围的要求，摄像头的安装一般与拍摄平面成一定倾斜角度，这种角度的存在会造成图像畸变。在这种情况下，直接利用目标引导线在图像中的相对位置制定控制策略，会造成较大的误差，甚至使小车严重偏离导航线。针对上述问题，本文采用“非均匀行采集”和“线性补偿”的方法矫正摄像头图像畸变，根据矫正后的图像信息进行路径识别。仿真实验和实车调试的结果表明，图像畸变矫正为智能车控制策略的实现奠定了基础，能有效提高智能车的控制性能。

2图像畸变的产生及影响

2.1图像畸变的产生

当摄像头垂直安装时，与向下倾斜一定角度安装相比，获得的视野范围是最小的。因此，为了满足车辆视野范围的要求，摄像头一般会向下倾斜一定角度。由于俯仰角不为零，摄像机的主光轴与所摄的路面不垂直，而像平面与摄像机主光轴垂直，根据几何光学可知，图像存在几何图像畸变。几何图像畸变主要分为两个部分，包括横向畸变和纵向畸变，[2]如下图所示。

2.1.1横向畸变

如图1所示，在摄像头垂直拍摄输出的道路图像中，两条车道线是平行关系，当摄像头向下倾斜拍摄，图像中两条车道线却变为不平行，且横向距离不断被压缩。这表明摄像头对不同距离处的地平面进行了不同程度的横向压缩，而且距离越远，压缩越严重。

2.1.2纵向畸变

如图1所示，道路中间的等间隔引导线在摄像头垂直拍摄时表现为等间隔均匀分布，当摄像头向下倾斜拍摄，引导线出现了不同程度的纵向压缩，而且距离摄像头越远，压缩越严重。

2.2图像畸变对智能车控制的影响

采用“标识线图像识别法”实现智能車轨迹跟踪控制，一般是基于识别的路沿车道线，通过对左右边界取中值，提取轨迹实际中线进行寻迹跟踪。但是当图像发生畸变时，车道线会出现变形，提取的轨迹中线会出现如图2所示的“丢线”现象，得到的轨迹中线与实际中线相比出现较大偏差。

根据图2的结果可知，对畸变的弯道图像进行处理得到的轨迹中线与实际中线出现了较大的偏差，在进行方向控制时，以期望中线作为参考中线，由于实际中线出现偏移，输出的控制量会出现错误。而且，在进行速度控制时也需要针对实际中线的相对位置制定相应策略，当实际中线出现偏离，智能车的速度控制也会出现较大误差。

智能车图像信息的底层处理是整个上层控制策略的基础，[3]图像的稳定性和准确性都决定着上层的方向控制和速度控制能否发挥作用，图像畸变的产生对上层控制策略会产生许多诸如图2所示的不良影响。在这种情况下，直接利用轨迹中线在图像中的相对位置制定控制策略，会造成较大的误差，甚至使小车严重偏离导航线。

3畸变图像矫正方法

由于图像畸变的存在，想要得到准确的图像信息，需要将畸变图像的图像坐标矫正到世界坐标，[4]图像矫正方法如图3所示。

图像的纵向畸变是一种非线性几何畸变，本文采用非均匀行采集的方法，根据图像数据纵向分布的密集程度，在摄像头图像采集模块中进行非均匀行采样。[2]图像的横向畸变是一种线性几何畸变，本文采用线性补偿的方法，对纵向畸变矫正后的图像在图像处理模块中进行线性变换的处理。[2]

3.1纵向畸变矫正

纵向畸变矫正的方法有很多种，最常见的是公式法，计算出图像坐标和世界坐标的映射函数，处理数据时按照函数进行还原。但是，还原函数一般都比较复杂，由于智能车处理器运算速度的限制，该畸变矫正方法往往不能满足智能车实时控制的需求。为此，本文采用了“非均匀行采集”的方法来矫正纵向畸变。非均匀行采集是基于纵向畸变的特点来设计的，根据图像数据纵向分布的密集程度进行非均匀采样。由于纵向畸变表现为距离摄像头越远的区域压缩越严重，数据分布越密集，在采样时，对越远的区域设置的采样间隔越小，就能有效地补偿图像的纵向压缩。非均匀行采集的示意图如图4所示：

采样间隔长度y与采样行数x的规则函数可以采用“拟合曲线法”来获取。在路面设置等间隔的引导线，经摄像头均匀行采集输出后，等间隔的引导线会出现如图1（b）所示的纵向压缩。摄像头输出图像的引导线间隔与引导线行数的关系函数就是采样间隔长度y与采样行数x的规则函数。输出图像的间隔与引导线行数的关系如表一所示：

根据拟合曲线可得采样间隔长度y与采样行数x的规则函数为y=0.1x2+0.08x+5。

3.2横向畸变矫正

道路经图像采集模块进行非均匀行采样后，输出的图像还存在横向畸变。由于图像横向畸变是一种线性几何畸变，只需要计算出图像坐标和世界坐标的线性关系就可以实现图像的畸变矫正。如图6所示，梯形ABCD表示畸变图像，EF为垂直穿过摄像头主光轴的采集行（未发生横向畸变）。

图像横向畸变矫正公式如下：

u=EF（EFAB）nNMN

式中，M为采集图像的总行数，N为EF所在的行数，n为任意一行的行数，u为第n行的横向长度。

4仿真分析与实物调试

4.1仿真结果与分析

本文基于开源计算机视觉库OpenCV进行图像畸变矫正仿真，在VisualStudio2013中配置OpenCV库作为仿真环境，[5]应用“非均匀行采集”的方法矫正图像纵向畸变，应用“线性补偿”的方法矫正图像横向畸变。

畸变图像来源于飞思卡尔智能车实验室跑道的真实采样，采用鹰眼摄像头OV7725向下倾斜45°拍摄。仿真实验中选取了直道、弯道、坡道、圆环等不同状况下的图像，采用“理论计算+试凑”的方法，调试出不同状况下的实验参数，直道下的仿真结果如下所示。其中图7（a）为畸变图像，图7（b）为矫正后的图像。

仿真结果表明，矫正后的图像与畸变图像相比，横向变形和纵向压缩都得到了有效改善，应用“非均匀行采集”和“线性补偿”的方法能够有效解决图像纵向和横向的畸变的问题。

4.2实物调试结果与分析

本文以飞思卡尔摄像头四轮组智能小车作为实验对象，配置C语言编译器IAR为实验环境，设计关于“非

均匀行采集”和“线性补偿”的算法，利用校正后的图像提取轨迹中线进行循迹导航。畸变图像提取中线结果与矫正后的图像提取中线结果分别如图8（a）、图8（b）所示。

实验结果表明，采用矫正后的图像提取中线明显能有效避免提取的轨迹中线偏离实际中线，保障图像的稳定性和准确性，确保上层方向和速度控制策略的实现。

5结语

本文研究了装有摄像头的智能车图像矫正问题。由于摄像头安装的位置与地面会存在一定的倾斜角度，获得的图像会出现畸变，不能反映真实的路况。为了保证图像信息的稳定性和准确性，真实反映道路实际情况，必须对畸变图像进行矫正。本文分析了图像畸变的产生及对智能车控制的影响，分别应用“非均匀行采集”和“线性补偿”的方法矫正图像的纵向和横向畸变，并通过实验得出了“非均勻行采集”的规则函数，且推导出了“线性补偿”的矫正公式。经过一系列仿真及实物实验表明，运用本文提出的图像畸变矫正方法可以达到预期的目的，解决图像畸变问题，减小或消除畸变图像对智能车控制的影响。该算法能够尽可能还原路况，在智能车导航和工业生产等方面具有一定得应用价值。

参考文献：

[1]李旭.自主车辆多传感器导航与横向鲁棒控制的研究[D].东南大学，2006.

[2]甄红涛，齐晓慧，白勇博.智能车摄像头图像畸变矫正的研究[J].信息技术，2011，35（01）：5255.

[3]邹细勇.自主移动机器人的智能导航研究[D].浙江大学，2005.

[4]胡玲艳.智能车路径识别中图像信息的矫正[J].电子制作.2013.15.

[5]王福斌，李迎燕，刘杰，陈至坤.基于OpenCV的机器视觉图像处理技术实现[J].机械与电子，2010（06）：5457.

项目：本研究得到了南华大学大学生研究性学习和创新性实验计划项目（2017XJXZ008）的资助

*通讯作者：李军红（1971），男，湖南耒阳人，硕士，主要从事电力电子技术、电机控制、智能控制及应用等方面研究工作。