摘要：該自主車輛地面自動辨識技術是以Leobot—Edu自主車輛作為試驗載體，并應用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，應用Matlab圖像處理模塊對其依次進行壓縮嫡碼、復原重建、平滑、銳化、增強、特征提取等相關處理后，再應用Matlab BP神經(jīng)網(wǎng)絡模塊進行模式識別。通過對模式識別結果分析可知，網(wǎng)絡訓練目標的函數(shù)誤差為20％，該系統(tǒng)路面識別率達到預定要求，可以在智能車輛或移動機器人等相關領域普及使用。
關鍵詞：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，具有廣闊應用前景的自主車輛受到中西方各國的普遍關注。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處理，快速在復雜環(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對識別率的預定要求，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)絡模式識別模塊進行了設計與研究。

1 地面圖像信患采集模塊
    該設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果的準確性，該設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
    應用線性預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。預測編碼方式是應用較廣泛的有損壓縮編碼技術。DPCM系統(tǒng)的核心是預測器設計，預測器與壓縮率有密切聯(lián)系，最簡單的預測器是線性預測器，即：
   
    式中：ai為預測系數(shù)；k為預測階數(shù)。設計時通常按均方誤差最小化準則對預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的偏導數(shù)為零，即可求出為最小值時的各預測系數(shù)ai。定義數(shù)據(jù)的自相關函數(shù)為：
  
    只要已知xn的k+1個相關函數(shù)值R(0)，R(1)，R(2)，…，R(k)，即可解出k個預測系數(shù)使均方誤差最小。
    該設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 圖像復原重建
   圖像復原重建有諸多方法，本文采用較為常用的維納濾波復原法。尋找一個濾波器使得復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，且h(x，y)有零均值，則由上述條件可以推導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。
    該設計訓練樣本中石子路面圖像的復原重建圖如圖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，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)絡模式識別模塊
    應用Matlab中BP神經(jīng)網(wǎng)絡模塊進行分類與識別。人工神經(jīng)網(wǎng)絡簡稱為神經(jīng)網(wǎng)絡。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的突觸連接系數(shù)；f(·)為變換函數(shù)。
    該設計在分析多種數(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)絡的建立、訓練、測試。
3．1 BP神經(jīng)網(wǎng)絡的建立
    該設計在BP神經(jīng)網(wǎng)絡的建立過程中應用newff()函數(shù)對各個參數(shù)進行了相關設置。其訓練樣本、目標樣本如下所示：
3．2 BP神經(jīng)網(wǎng)絡的訓練
    該設計在BP神經(jīng)網(wǎng)絡的訓練過程中應用train()函數(shù)對各個參數(shù)進行了相關設置，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)絡的測試
    該設計在BP神經(jīng)網(wǎng)絡的測試過程中應用sire()函數(shù)對各個參數(shù)進行了相關設置，其測試樣本如下所示：

    該設計中5種路面圖像的BP神經(jīng)網(wǎng)絡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，結果如圖8所示。

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