基于双目摄像头的路面障碍物检测与研究

顾晨晨，王震洲

（河北科技大学 信息科学与工程学院，河北 石家庄 050018）

图像处理在辅助驾驶当中运用非常广泛，国内外对障碍物检测也有广泛的研究。对障碍物的检测也分为多种，大致分为基于颜色的、基于光流的、基于运动补偿的障碍物检测。各种检测方法都存在着一定的优缺点。本设计采用的是双目摄像头组建立体视觉系统，并采集路面信息。通过Huogh变换检测出可行区域，并建立统计模型。利用图像熵对障碍物检测，再利用Kalman滤波对目标障碍物进行跟踪检测。

1 图像的获取与处理

本设计采用两个CCD摄像头对道路图像进行拍摄，可以建立立体系统。并利用Matlab对CCD的图像进行灰度化、图片均衡化、图像滤波、图像二值化、图像边缘化的处理[1-3]。灰度化是把彩色图像转化成灰度的，方便以后的检测。然后对图像进行均衡化，即通过非线性的拉伸，把直方图的分布变成均匀分布。图像滤波，对图像去噪，可以较好地保留图像的细节。对图像进行二值化将图像上的像素点的灰度值设为0或1，更便于提取有用信息。对图像进行边缘化，可以分割或者提取图像的重要特征。

通过这些处理可以得到更精准的路面图像信息，为后续工作做好准备。

2 通过Hough变换对车道线检测

Hough变换可以把二维坐标映射到极坐标，Hough变换中原图的点就会在参数空间形成线，从而得到车道线的参数。这是车道线检测常用的方法。本文中采用Hough变换算法对车道线进行检测。基本原理为：图像里的直线先用二维坐标一般方程表示，通过坐标变换转换为极坐标，通过统计得到峰值，在极坐标中可以找到中点集的峰值去检测出车道线。这样可以检测出汽车的可行区域，缩小障碍物的检测范围。

3 路面障碍物检测

3.1 坐标系转换

根据车道线的检测获取感兴区域，根据感兴区域进行边缘检测，可以加强障碍物的区域特征，通过图像熵来判断是否有路面障碍物。

双目立体系统中两个摄像头与被测物体可以构成三角形，两个摄像头平行放置，通过两个摄像头的拍摄可以体现出两张位置不同的图像。再通过视差就可以恢复障碍物的三维信息。

利用双目对图像进行采集，需要把场景转化为投影。这个过程需要对所收集到的图像进行坐标变换及对图像信息从世界坐标系变换到图像坐标系中。世界坐标系是用来表示检测的物体与摄像头的坐标。相机坐标系是由摄像头的光孔为原点建立坐标系。图像坐标系可以用物理坐标和像素坐标表示，便于后续对障碍物的检测。坐标转换的过程如图1所示。

图1 坐标转换过程

3.2 对感兴趣区域边缘检测

路面障碍物存在着水平和竖直的特征，可以选取检测到图像的竖直和水平信息，竖直和水平信息都存在时，说明这里正是障碍物的位置。并对图像进行腐蚀处理，可以消除干扰区域，对图像进行膨胀处理，可以放大有用的区域。

3.3 对图像进行熵值计算

用图像熵可以对图像的平均信息量进行描述。熵值较小，说明包含的信息量小，路面灰度相对均匀，表示没有障碍物；如果熵值相对较大，则说明路面信息丰富，进一步表示有障碍物[4-6]。

通过多次实验之后可以得到熵值，检测到的图像熵值计算公式为：

其中i表示图像中的每一个点，Pi表示在该点处的概率。并且可以比较多组数据，计算出阈值T。求出图像中每个区域的熵值。当Hj大于T时，说明有障碍物；当Hj小于或等于T时，没有障碍物[7-8]。

3.4 障碍物的鉴定

本文提出了用Kalman滤波与熵值共同对障碍物进行判定。Kalman滤波适合估计动态系统。是运用的数学递归，可以很好地去实现线性滤波的方法。Kalman滤波方便在计算机上进行编程实现。用于障碍物的检测当中可以提高实时性。

可以用线性方程表示Kalman滤波，即：

系统的测量值方程为：

其中：X（k）是k时刻的系统状体方程，U（k）是k时刻对系统的控制量。A和B是系统参数，在多模型系统中，这两个参数是矩阵。W（k）是过程的噪声，V（k）是测量时的噪声。可以用高斯白噪声对其进行假设。

用Kalman建立的数学模型为：

（1）从上一次的系统状态对下一次进行预测：

（2）Kalman协方差的方程为：

其中X（k|k－1）为上一状态预测结果，X（k－1|k－1）为上一状态最优结果。U（k）是现在状态的控制量。第二个方程是第一个方程对应的协方差。

（3）通过上述的方程可以得到现状态的最优化估计值，方程为：

（4）K代表现状态，X（k|k）是最优化估计值。Kg是Kalman增益。

Kalman增益方程为：

通过上面的公式可以求出最好的估计值，接下来更新K状态时的协方差。

更新K状态的公式为：

公式当中前两个是对时间的更新，后3个是对状态的更新。Kalman滤波很容易通过计算机进行递归的编程。

用Kalman方程可以对目标进行最优化的跟踪，结合上述检测，可以实时对障碍物进行检测。

4 结语

基于双目摄像头的路面障碍物检测，利用了两个CCD摄像头成像，再通过图像处理，将世界坐标转化为图像坐标，然后通过Hough变换检测出车道线。在可行域内进行熵值的计算检测出障碍物，利用Kalman进行目标跟踪。通过双目摄像头拍摄图片可以拍摄出一个点的两个坐标，结合两幅图片的同一个位置可以很好地判定是否为障碍物，从而对障碍物进行实时检测与跟踪。用此方法可以更精确、实时地检测出障碍物目标。