一种基于图像处理的AGV导航路径检测算法*

一种基于图像处理的AGV导航路径检测算法*

刘楚

身份证号码：50022419910823XXXX

摘要：提出一种基于投影统计的导航路径识别算法，由相机采集环境图像并进行预处理，再遍历感兴趣区域，利用路径线宽度、梯度等约束条件进行有效边缘点的筛选并投影；提取左边界线的中线作为目标路径，并建立跟踪感兴趣区域进行路径线跟踪。试验结果表明，所提出的的算法鲁棒性较强，准确性能较好。

关键词：图像处理；AGV；路径检测；投影统计

AnAGVnavigationpathdetectionalgorithmbasedonimageprocessing

[Abstract]Apathrecognitionalgorithmbasedonprojectionstatisticsisproposed.Firstly，theimageiscollectedbythecameraandpreprocessed，thentraversingtheregionofinterest，usingthepathlinewidthandgradientandotherconstraintstoselectandprojecteffectiveedgepoints.Themiddlelineoftheleftandrightboundarylinesistakenasthetargetpath，andreestablishthetrackingareaofinteresttotrackthepathline.Theexperimentalresultsshowthattheproposedalgorithmisrobustandaccurate.

Keywords：Imageprocessing；AGV；Pathdetection；Projectionstatistics

0前言

近几年，世界各国在机器人领域的研究非常火热，并取得了极大的进展[1]。机器人作为高科技发展的结晶，同时也是人工智能技术和机器自动化技术发展到一定水平的结果[2-4]。目前世界上各领域应用的机器人数量已超千万，并且对机器人的需求仍在增长[5-7]。其中视觉导航方式因其精度更高，导航速度较快的特点，表现出非常大的潜力[8]。本文提出一种基于投影统计的路径识别算法，具有实时性好鲁棒性较强的优点。

1识别算法流程

本文提出的导航路径线检测算法逻辑框图如图1所示。

图1导航路径线识别算法框图

Fig1Flowchartofnavigationpathlinedetectionalgorithm

基于投票机制的路径识别算法总体流程如下：由相机采集环境信息并进行预处理；遍历感兴趣区域，进行有效边缘点的筛选；建立与图像对应的关联性投影空间；当完成遍历投影后，提取左右边界线的中线作为目标路径；在跟踪模块中，提出利用前一帧的位置信息对车道路径线进行约束，进一步提高了算法的实时性。

2图像预处理

2.1图像灰度化

通常图像灰度化以减少过多的冗余计算，因此需将彩色图像灰度化。使用分量法进行色彩空间转化，转化过程可由式（2.1）表示：

（2.1）

其中，T1，T2，T3分别为R，G，B颜色分量所对应的权值，且满足T1+T2+T3=1。研究发现，当T1=0.3，T2=0.59，T3=0.11时，最适合人眼的感觉，图像灰度化过程由式（2.2）给出：

（2.2）

2.2高斯滤波

采用（2.4）式高斯型函数G（x，y）与原图像f（x，y）进行卷积以得到滤波后的图像I（x，y），图像的模糊程度由值决定[21]。

（2.3）

高斯模糊化的图像输出为：

（2.4）

最终处理结果如图2.1所示：

（a）原始图像（b）滤波并灰度化结果

图2.1滤波并灰度化结果

Fig2.1Grayandfilterresult

2.3边缘检测

使用Sobel算子计算像素中3×3邻域内横向和纵向的导数。以分别代表经水平和垂直方向边缘检测后的图像灰度值，由此得到的梯度幅值和方向可由下式表示：

（2.7）

（2.8）

使用Sobel处理结果如图2.2所示：

图2.2Sobel边缘检测

Fig2.2Sobeledgedetection

3导航路径线检测

3.1特征点筛选

由于摄像机采集的路径图像具有显著的边缘特征。具体筛选步骤如下：

Step1：为了尽可能地保留车道路径线的信息点而又不产生过多的噪声点，选取合适的水平像素点阈值；

Step2：建立投影空间。申请一个的map空间记录边缘点的方向角度和位置。

Step3：逐行扫描感兴趣区域搜索道路特征点，利用Step1和路径线宽度等条件进行筛选。边缘点筛选过程如图3.1所示。

图3.1特征点筛选

Fig3.1Laneedgepointscreening

3.2路径线提取

本文采用改进的Hough提取车道路径线。Hough变换的基本原理如图3.2所示，将图像平面上的点一一映射到参数平面，然后通过统计特性在参数平面上进行分析，寻找正弦曲线交点投票的峰值点，以此来提取原图像平面上对应的直线。为进一步提高算法的实时性，本文利用检测的方向角，进行反向搜索，可快速提取车道路径线。

直线在xoy直角坐标系中的表示

（b）直线在极坐标系中的表示

图3.2Hough变换原理图

Fig3.2SchematicdiagramofHoughtransform

3.3路径线跟踪

由于相机采集的图像速度很快，可认为相邻帧间的道路变化是连续的，本文提出利用前一帧的位置信息对路径线进行约束，此方法可显著提高算法的实时性和准确性，如图3.3所示。

图3.3带状跟踪区域

Fig3.3Zonaltrackingarea

4实验结果

本对上述的导航路径线检测算法进行试验，以验

证其有效性。识别实验的图像样本如图4.1所示，

图4.1导航路径图

Fig4.1Navigationpathdiagram

由此最终提取的车道路径线如图4.2所示。

图4.2车道路径线

Fig4.2Centerlineofnavigation

5结论

提出一种基于图像处理的AGV导航路径检测算法，提出使用导航路径线宽度、梯度等约束条件进行有效边缘点的筛选；建立与图像对应的关联性投影空间，将满足搜索条件的边缘点记录在投影空间中；当完成遍历投影后，提取左右边界线的中线作为目标路径，在跟踪模块中，提出利用前一帧的位置信息对车道路径线进行约束，进一步提高了算法的实时性。

参考文献:

[1]郭建明，田献军，刘清.基于模糊神经网络的移动机器人轨迹实时跟踪[J].武汉理工大学学报，2009，31（8）：128-132

[4]郭景华.视觉导航式智能车辆横向与纵向控制研究[D].大连理工大学，2012.

[3]刘天辉.车辆视觉导航中道路检测算法研究[D].沈阳工业大学，2015.

[4]佘宏杰，赵燕伟，冷龙龙.复杂工况下视觉AGV导航标识带中心线的提取研究[J].计算机测量与控制，2016，24（1）：212-215.

[5]王视鎏.视觉导引AGV的自动驾驶系统[D].复旦大学，2011.

[6]李占贤，冯永利.单舵轮AGV路径跟踪控制器设计[J].控制工程，2014，21（S1）：70-72+84.

[7]朱琳军.双差速驱动AGV协同运动控制技术研究[D].南京航空航天大学，2015.

[8]蔡自兴，贺汉根，陈虹.未知环境中移动机器人导航控制理论与方法[M].北京：科学出版社，2009

作者简介：刘楚，19910823，籍贯：重庆，学历本科，职称：无，研究方向：控制工程