侯宇豪1, 邢耀文1, 刘诗琼1
1.湖北汽车工业学院汽车动力传动与电子控制湖北省重点实验室，湖北 十堰 442002）
摘 要：基于图像处理技术研究感兴趣区域的障碍物识别方法，利用图像处理技术进行滤波、去噪，边缘检测等预处理，通过Sobel算子测试，确定图像边缘检测算法，采用霍夫变换算法实现车道线检测，并通过对比图像每行灰度均值进行车辆前方目标感兴趣区域的获取。搭建matlab仿真平台对比分析图像数据，测试结果表明，该方法可实现前方车道线内车辆目标的有效检测与识别。
关键词：图像处理；Sobel算子；霍夫变换
文献标志码: A 中图分类号: TP751
引言
近年来，智能车辆(Intelligent Vehicle)已经成为研究的热门话题，其中车辆障碍物检测已经成为智能车辆中一项关键技术。如利用神经网络方法进行图像像素分隔与识别[3]，以及视觉传感器下的非结构化场景的道路检测[4]等。
目前，车道线检测以及前方车辆等障碍物检测一直是行业关注和研究的重点。本文在视觉传感器得到的实际公路图像基础上，针对前方车辆目标进行了有效识别与检测。
2图像预处理
路边的树木、杂物等各种物体阴影部分会对车道线检测形成一定程度的干扰。数据在传输过程中也有可能存在数据的丢失与转变，使图像上出现一些不可避免的噪点。因此，在车道线与障碍物检测之前，需要对图像数据进行预处理。
2.1图像灰度化
图像的灰度化处理就是将图像由彩色变为黑白的过程。所谓的灰度图像是其G、R、B三个像素分量相等的图像，此举可有效降低图像处理计算量。图像的灰度化处理一般有两种方法[5]：
一是求出G、R、B三个像素分量的平均值，然后再平均的分给这三个分量。
二是根据YUV的颜色空间，Y表示的是某一个像素点的亮度，其值的大小表示亮度等级，根据YUV与RGB的变化关系，可以建立如下关系式：
Y=0.3R+0.59G+0.11B (1)
通过对三种颜色的加权平均，得到Y的灰度值。最终绘出的图像以及图像直方图如图1，图2所示。
图1 灰度图像 图2 灰度图像直方图
2.2图像的中值滤波
.png)
中值滤波器对脉冲噪声有非常好的滤除作用，在消除噪声的同时，可以使信号的边沿部分不受干扰，让信号完整不失真[6]。这些优点都是线性滤波器不具备的。
本文采用中值滤波的方法来处理图像。利用中值滤波消除了绝大部分不平滑区域，并保留了图像的纹理细节特征。
2.3图像的边缘检测
数字图像的边缘检测是指确定数字图像中某一特定模式下的灰度变换的定向、定位和度量等问题[9]。在图像处理过程中，选取合适的边缘方向及相应的算子类型，可以大幅度降低计算量，并可以较好地得到感兴趣区域。本文分别采用常见的Sobel算子完成图像的边缘检测。
Sobel算子包括两个3*3的梯度矩阵，将它与图像作平面的卷积，即可分别得到横向和纵向的亮度差分的近似值[7,8]。如果A为原始图像数据，Gx为横向边缘检测的图像，Gy为纵向边缘检验的图像，其公式如下:
(2)
(3)
.png)
.png)
(4)
然后可使用下列公式计算梯度的方向。
(5)
.png)
图3 Sobel算子边缘检测图像
如图3所示，Sobel算子边缘检测得到的图像，两边的风景线条检测出来的较少，而车道线则很完整。
3感兴趣区域提取与障检测碍物
3.1利用霍夫变换实现车道线检测
霍夫变换的基本思想就是直线与点的对偶特性，在图像空间中，所有过点的直线都满足：
(6)
.png)
是从原点到这条线的正常长度 ，是沿X轴方向的夹角。任何一点（x,y）在这条线上，和满足：
(7)
先确定与的取值范围，如图5中车道线呈类三角形。
图4 类三角形车道线示意图
其中的取值范围一般在110°-165°之间，的取值范围20°-75°，然后构造累加器：
(8)
通过对比累加器的值可以得到，其最大值对应的直线即为车道线。
3.2车辆检测与定位
由于道路环境错综复杂，本文采用了简单并且可靠性较高的检测算法，其流程如图6所示。
图5 障碍物检测流程图
车辆底部与其他部位所呈现出来的图像灰度值有较大差别，因此可以利用车辆底部阴影部分图像像素灰度均值的跳跃，进行车辆的有效识别。
为减少无关因素的干扰，本文将车道线以外图像元素清零，建立车道线以内感兴趣区域，仅对车道线以内目标车辆图像进行处理，从而得到感兴趣区域内的边缘检测二值图像。
4基于MATLAB仿真平台搭建
4.1matlab仿真平台总体设计
MATLAB仿真平台输出结果如图6所示。其中，左侧图像结果为Sobel算子边缘检测处理图片。
图6 MATLAB仿真平台测试结果
图7 路面灰度均值曲线图
.png)
从图7曲线加圈处可以看出，曲线灰度均值有两次向下突变，此处突变区域即可判断为前方车辆目标。
结束语
本文基于图像处理技术研究障碍物识别方法并搭建MATLAB仿真平台将图像数据进行对比分析。仿真结果表明，本文所提出的前方车辆目标识别方法可以得到特征明显的车辆识别图像，为智能驾驶控制系统提供了较好的感知数据。
参考文献
[1]赵小军等.基于MATLAB图像处理的车辆检测与识别[J]. 数据采集与处理, 2009(S1): 141-143.
[2] Robert K. Video-based Traffic Monitoring at Day and Night Vehicle Features Detection Tracking[C].ITSC’09 12th International IEEE Conference on,2009:1-6.
[3] Sebastian Bittel, Vitali Kaiser. Pixel-wise Segmentation of Street with Neural Networks.Cs.cv2015:396-399.
[4]李贞培等.三种基于GDI+的图像灰度化实现方法[J]. 计算机技术与发展,2009(07):73-75.
基金项目：湖北汽车工业学院大学生创新创业训练计划项目DC2020067；DC2020071
作者简介：侯宇豪 (1997－)，男，湖北武汉人，主要研究方向为汽车智能驾驶技术；Email:493788579@qq.com