摘要：該自主車輛地面自動辨識技術(shù)是以Leobot—Edu自主車輛作為試驗載體，并應(yīng)用DH—HV2003UC—T視覺傳感器對常見的5種行車路面(石子路面、水泥路面、土壤路面、草地路面、磚地路面)進行圖像信息的采集，應(yīng)用Matlab圖像處理模塊對其依次進行壓縮嫡碼、復(fù)原重建、平滑、銳化、增強、特征提取等相關(guān)處理后，再應(yīng)用Matlab BP神經(jīng)網(wǎng)絡(luò)模塊進行模式識別。通過對模式識別結(jié)果分析可知，網(wǎng)絡(luò)訓練目標的函數(shù)誤差為20％，該系統(tǒng)路面識別率達到預(yù)定要求，可以在智能車輛或移動機器人等相關(guān)領(lǐng)域普及使用。
關(guān)鍵詞：自主車輛；視覺傳感器；圖像處理；模式識別

0 引言
    20世紀80年代，具有廣闊應(yīng)用前景的自主車輛受到中西方各國的普遍關(guān)注。自主車輛接收的大部分信息來自機器視覺。CCD將行車路面轉(zhuǎn)換為光電圖像信息，并通過計算機進行相關(guān)處理，快速在復(fù)雜環(huán)境中提取有用信息并產(chǎn)生合理的行為規(guī)劃。為了滿足自主車輛地面自動辯識技術(shù)對識別率的預(yù)定要求，本文分別對地面圖像信息采集模塊、機器視覺圖像處理模塊、神經(jīng)網(wǎng)絡(luò)模式識別模塊進行了設(shè)計與研究。

1 地面圖像信患采集模塊
    該設(shè)計將上海中為智能機器人有限公司出品的教育型機器人Leobot—Edu作為試驗載體，將大恒DH—HV2003UC—T視覺傳感器安裝在車體之上，并對常見的五種行車路面(石子路面、水泥路面、土壤路面、草地路面、磚地路面)進行地面圖像信息的采集。為了提高模式識別結(jié)果的準確性，該設(shè)計中對每一路面都進行了6次采集作業(yè)，并搜集到6組地面圖像信息，將其中質(zhì)量最好的一組地面圖像信息作為訓練樣本，將剩余的5組地面圖像信息作為測試樣本。本文以訓練樣本中石子路面為例，進行分析說明，其路面原圖如圖1所示。

2 機器視覺圖像處理模塊
2．1 圖像壓縮編碼
    應(yīng)用線性預(yù)編碼方法對圖像壓縮進行編碼。圖像壓縮的基本方法有無損壓縮和有損壓縮兩類。預(yù)測編碼方式是應(yīng)用較廣泛的有損壓縮編碼技術(shù)。DPCM系統(tǒng)的核心是預(yù)測器設(shè)計，預(yù)測器與壓縮率有密切聯(lián)系，最簡單的預(yù)測器是線性預(yù)測器，即：
   
    式中：ai為預(yù)測系數(shù)；k為預(yù)測階數(shù)。設(shè)計時通常按均方誤差最小化準則對預(yù)測誤差和量化誤差進行理想的聯(lián)合最佳化。均方誤差定義為：
   
    令對每個ai的偏導(dǎo)數(shù)為零，即可求出為最小值時的各預(yù)測系數(shù)ai。定義數(shù)據(jù)的自相關(guān)函數(shù)為：
  
    只要已知xn的k+1個相關(guān)函數(shù)值R(0)，R(1)，R(2)，…，R(k)，即可解出k個預(yù)測系數(shù)使均方誤差最小。
    該設(shè)計訓練樣本中石子路面圖像的壓縮編碼圖如圖2所示。

2．2 圖像復(fù)原重建
   圖像復(fù)原重建有諸多方法，本文采用較為常用的維納濾波復(fù)原法。尋找一個濾波器使得復(fù)原后的圖像與原始圖像f(x，y)的方差最小，即：
   
    式中：E{·}為數(shù)學期望算子。如果圖像f(x，y)與噪聲n(x，y)不相關(guān)，且h(x，y)有零均值，則由上述條件可以推導(dǎo)出維納濾波器的傳遞函數(shù)為：
   
    式中：H*(u，v)為退化系統(tǒng)傳遞函數(shù)；H(u，v)的復(fù)共軛；Pf(u，v)和Pn(u，v)分別為原始圖像和噪聲的功率譜。
    該設(shè)計訓練樣本中石子路面圖像的復(fù)原重建圖如圖3所示。

    圖像平滑分為空間域處理和頻率域處理兩種。中值濾波法是非線性信號處理方法，它是用一個有奇數(shù)點的滑動窗口并將窗口中心點的值用窗口內(nèi)各點的中值代替。設(shè)一維序列f1，f2，…，fn，取窗口長度為m，對此一維序列進行中值濾波，就是從輸入序列中相繼抽出m個數(shù)fi-v，…，fi-1，fi，fi+1，…，fi+v。其中，fi為窗口中心點值，再將這m個點值按其數(shù)值大小排序，取其序號為中心點的那個數(shù)作為濾波輸出。用數(shù)學公式表示為：
   
    式中：A為窗口；{fij}為二維數(shù)據(jù)序列。
    該設(shè)計訓練樣本中石子路面圖像的平滑圖如圖4所示。

2．4 圖像銳化
    圖像銳化可以在空間域中進行，常用的方法是微分法；亦可以在頻率域中進行，常用的方法是高通濾波法。圖像中的邊緣或線條等細節(jié)部分與圖像頻譜中的高頻成分相對應(yīng)，因此采用高通濾波法讓高頻分量順利通過，使低頻分量受到抑制，就可增強高頻的成分，使圖像的邊緣或線條變得清晰，實現(xiàn)圖像的銳化。高通濾波可用空間域或頻域法來實現(xiàn)。在空間域?qū)崿F(xiàn)高通濾波通常是用離散卷積法，卷積的表達式是：
   
    式中：g(m1，m2)是m×m方陣；f(n1，n2)是n×n方陣，沖擊響應(yīng)H是l×l方陣，歸一化的沖擊方陣可以避免處理后的圖像出現(xiàn)亮度偏移，其中的H等效于用Laplacian算子增強圖像。
    該設(shè)計訓練樣本中石子路面圖像的銳化圖如圖5所示。
2．5 圖像增強
    圖像的直方圖是圖像的重要統(tǒng)計特征，是表示數(shù)字圖像中每一灰度級與該灰度級出現(xiàn)的頻數(shù)間的統(tǒng)計關(guān)系。用橫坐標表示灰度級，縱坐標表示頻數(shù)。按照直方圖的定義可表示為：
    
    式中：N為一幅圖像的總像素數(shù)；nk是k級灰度的像素數(shù)；rk表示第k個灰度級；P(rk)表示該灰度級出現(xiàn)的相對頻數(shù)。直方圖修正通常有直方圖均衡化和直方圖規(guī)定化兩大類。直方圖均衡化是一種常用的灰度增強算法，是將原圖像的直方圖經(jīng)過變換函數(shù)修整為均勻直方圖，然后按均衡化后的直方圖修整原圖像。直方圖的規(guī)定化是使增強后圖像的灰度級分布是不均勻且具有規(guī)定形狀的直方圖，可以突出感興趣的灰度范圍。
    該設(shè)計訓練樣本中石子路面圖像的增強圖如圖6所示。

2．6 圖像特征提取
    圖像特征是指圖像的原始特性或?qū)傩?。圖像特征的提取有很多方法，其中比較典型的有：8連接邊界特征、4連接邊界特征、面積比特征、歐拉數(shù)特征、角點特征和矩特征。分別予以說明如下：
    (1)邊界特征。像素的4-鄰域稱像素的(i，j)的直接鄰域，符號為d-近鄰。像素的8-鄰域是除去d-近鄰的像素外剩下的對角線上的4個像素，稱為(i，j)的非直接鄰域，符號為i-近鄰。
    (2)面積比特征。為滿足圖像檢索的要求把圖像以圖像質(zhì)點為圓心，以距圓心最遠的像素點為半徑畫圓，而后將圓的半徑等距分成n份，畫n個同心圓。設(shè)圓環(huán)內(nèi)面積分別為s(1)，s(2)，…，s(n)，如果圖像面積用圖像像素點表示，并將s(N)歸一化，得到Ts(N)即：
   
    式中：N為1，2，…，n；m00為總面積；s(N)為面積特征向量。
    (3)歐拉數(shù)特征。在二值圖像中1像素連接成分數(shù)C減去孔數(shù)H的值為圖像的歐拉數(shù)。通常用E來表示圖像的歐拉數(shù)，則：
   
    (4)角點特征。角點檢測方法有2種：提取圖像邊緣并以鏈碼形式將其表示，而后找最大曲率的點作為角點；對圖像灰度進行操作并計算圖像灰度分布的曲率，找最大曲率的點作為角點。Harris算子定義為：
    
     式中：k取0．04～0．06之間。當R(x，y)超過給定的閾值時則認為該點為圖像的角點。
    (5)矩特征：設(shè)二維連續(xù)函數(shù)f(x，y)，(p，q)階矩定義為：
   
    式中：q=0，1，2，…。若矩是分段連續(xù)的且只在xy平面內(nèi)具有非零值，則存在各階矩。
    該設(shè)計訓練樣本中石子路面圖像的8連接邊界特征圖、4連接邊界特征圖、面積比特征、歐拉數(shù)特征、角點特征、矩特征如圖7所示。

    圖7中，面積比特征為-0．431 0；歐拉數(shù)特征為119；角點特征為(1 075，1 024)135，(1 099，1 029)136，(956，1 031)139；矩特征為6．555 4，14．418 7，27．517 5，26．824 8，54．171 2，34．098 3，55．239 9。
    同理，訓練樣本中5種路面的6個相關(guān)特征參數(shù)如下所示：
    石子路面：-0．431 0，119，135，136，139，6．555 4，14．418 7，27．517 5，26．824 8，54．171 2，34．098 3，55．239 9；
    水泥路面：-0．953 8，42，161，143，135，6．556 8，14．459 4，30．881 7，32．196 2，64．574 4，39．641 1，65．386 5；
    土壤路面：-0．792 8，63，147，113，143，6．533 9，14．418 0，32．086 8，31．915 5，64．111 2，41．127 8，65．093 5；
    草地路面：-0．822 4，138，60，106，75，6．510 7，14．377 1，26．706 9，29．822 3，59．502 0，38．214 6，58．168 3；
    磚地路面：-0．375 7，-48，149，137，143，6．567 5，14．485 3，30．016 5，30．394 0，61．165 5，41．055 4，60．736 7。

3 神經(jīng)網(wǎng)絡(luò)模式識別模塊
    應(yīng)用Matlab中BP神經(jīng)網(wǎng)絡(luò)模塊進行分類與識別。人工神經(jīng)網(wǎng)絡(luò)簡稱為神經(jīng)網(wǎng)絡(luò)。人工神經(jīng)元k表示為：
   
    式中：xi為輸入信號；wik為神經(jīng)元k的突觸權(quán)值；m為輸入信號數(shù)目；uk為線性組合器的輸出；bk為神經(jīng)元單元的閾值；f(·)為激活函數(shù)；yk為輸出信號。神經(jīng)元的輸入／輸出狀態(tài)表示為：
   
    式中：τij為突觸時延；Tj為j的閾值；wij為i到j(luò)的突觸連接系數(shù)；f(·)為變換函數(shù)。
    該設(shè)計在分析多種數(shù)據(jù)分類方法和理論之后，以石子路面、水泥路面、土壤路面、草地路面、磚地路面5種常見行車路面為研究對象，采集了6組路面圖像特征信息作為備選庫，其中以質(zhì)量最優(yōu)的一組路面圖像特征信息作為訓練樣本，把其他5組路面圖像特征信息作為測試樣本進行BP神經(jīng)網(wǎng)絡(luò)的建立、訓練、測試。
3．1 BP神經(jīng)網(wǎng)絡(luò)的建立
    該設(shè)計在BP神經(jīng)網(wǎng)絡(luò)的建立過程中應(yīng)用newff()函數(shù)對各個參數(shù)進行了相關(guān)設(shè)置。其訓練樣本、目標樣本如下所示：
3．2 BP神經(jīng)網(wǎng)絡(luò)的訓練
    該設(shè)計在BP神經(jīng)網(wǎng)絡(luò)的訓練過程中應(yīng)用train()函數(shù)對各個參數(shù)進行了相關(guān)設(shè)置，其顯示周期、學習速度、最大訓練輪回數(shù)、目標函數(shù)誤差如下所示：
   
3．3 BP神經(jīng)網(wǎng)絡(luò)的測試
    該設(shè)計在BP神經(jīng)網(wǎng)絡(luò)的測試過程中應(yīng)用sire()函數(shù)對各個參數(shù)進行了相關(guān)設(shè)置，其測試樣本如下所示：

    該設(shè)計中5種路面圖像的BP神經(jīng)網(wǎng)絡(luò)模式識別訓練目標函數(shù)誤差為20％，實現(xiàn)了方便快捷的模式識別分類功能，結(jié)果如圖8所示。

4 結(jié)語
    文中研究的自主車輛地面自動辨識技術(shù)基于視覺傳感器的地面圖像信息自主識別技術(shù)，在諸多領(lǐng)域具有廣泛的應(yīng)用前景。通過對模式識別結(jié)果分析可知，訓練目標函數(shù)誤差為20％，該系統(tǒng)路面識別率達到預(yù)定要求，可以在智能車輛或移動機器人等相關(guān)領(lǐng)域普及使用。