一种基于光条中心线的测距方法

　　游佳兴，黄鲁
　　（中国科学技术大学 电子科学与技术系，安徽 合肥 230026）

       摘要：在单目视觉避障系统中，利用红色LED水平光条照射前方障碍物，由摄像头获得图像并处理后得到红光光条，根据光条中心在图像中的位置判断障碍物与摄像头之间的距离。该文对Zhang并行细化算法进行了改进，以适应嵌入式系统快速准确得到红光光条的中心线，由中心线坐标得到障碍物距离及宽度。实验结果证明，该算法具有很好的中心线提取效果；测距范围为25 cm，测距误差在3 mm以内。
　　关键词：openCV；中心线提取；测距；单目视觉　　

0引言
　　目前，扫地机器人避障是非常热门的研究领域，与传统的超声波、红外测距［1］相比，视觉传感器可以得到更多的环境信息；单目视觉系统具有成本低、体积小的特点，适合于扫地机器人。单目视觉避障的方法主要有单目图像还原3D场景［2］、特征检测［3］、结构光测距。本文利用红色LED矩形光条照射前方障碍物，根据光条中心在图像中的位置来判断障碍物距离。
　　图1（a）、(b)所示分别为距离障碍物5 cm和10 cm的情况下摄像头获得的图像。由这两个图像可知，不同距离下的光条中心在图像上的位置不同，从而达到测距的目的。
　　

1中心线提取
　　目前中心线的提取算法主要有以下两种：
　　（1）基于距离变换的方法［4］。建立红色光条的距离场模型，提取距离场中的局部极值点，然后细化处理得到的中心线。该算法的优点是精度高，适合三维场景；缺点是计算复杂度高，实时性较差。
　　（2）二值细化法［5］。该算法将得到的红色光条二值化，利用迭代的方法从边界开始逐渐删除，直至得到中心线。该算法的优点是实现简单，速度快，可反映各个光条的形状；缺点是如果边界有许多毛刺将会出现除中心线外其他的分支。

       由于本单目视觉避障系统是用于扫地机器人上，要求测距精度较高、实时性好，因此本文采用二值细化法。提取光条中心线的步骤如图2所示。首先在Open Source Computer Vision Library(openCV)中利用HSV颜色空间将红色光条提取出来［6］，如图3所示，将红色光条部分的像素值置0（黑色），其他背景的像素值置255（白色）。针对边界出现毛刺会影响中心线提取的缺点，对提取出的红色光条图像进行开运算，消除边界毛刺的影响。

　　1.1图像开运算去毛刺
　　开运算是图像形态学中的先腐蚀后膨胀的结果，开运算可以在不改变光条基本形状的情况下平滑边界，消除边界毛刺，避免中心线出现分支。本文利用openCV自带的腐蚀函数cvErode(src,dst,element,1)和膨胀函数cvDilate(src,dst,element,1)来进行开运算操作。其中src为原图像，dst为处理后的图像，element为腐蚀膨胀窗口的形状和大小（在本文中，选择的是10×10的矩形窗口），最后一个参数为膨胀腐蚀的次数。
　　1.2中心线提取算法
　　本文算法的思想是迭代删除光条的上边界和下边界，且保证中心线上的像素点不会被删除，直至得到光条的中心线。
　　将开运算处理后的二值图像归一化，利用openCV内的函数cvThreshold，光条部分的像素值为1，其他为0。为了判定像素值为1（光条部分）的点P1(i,j)是否为边界，取其周围3×3的窗口内的像素点作为判定，如表1所示。遍历光条中的所有像素点，根据3×3窗口内P1(i,j)周围8个像素点确定其是否为上边界或下边界，如果是则将其像素置0（删除边界），最终得到水平方向垂直宽度为1的中心线。

　　算法将迭代分为两个部分：第一部分是将光条的上边界删除，第二部分是将光条的下边界删除。将位于光条上边界的点P1(i,j)置0的条件为：（1）B(P1)≤6;(2)A(P1)=1;(3)P2=0 && P6≠0。
　　其中，B(P1)为P1点周围8个像素点中为1的个数，即：
　　B(P1)=P2+P3+P4+P5+P6+P7+P8+P9
　　A(P1)为P2，P3,P4，…,P8,P9顺序中01序列的个数，如图4(a)所示，A(P1)=1;图4(b)所示，A(P1)=2。
　

　　如果P1点不满足上述3个条件中的任何一个，则该点不属于上边界，P1点将不会被置0。位于光条下边界的点满足的条件与上边界的条件类似，只是条件(3)有所改变：
　　P6=0 && P2≠0。
　　

       对于条件(1),如果B(P1)>6,则该点肯定不在边界上，如图5(a)所示，该P1点满足条件(2)和条件（3），但是该点明显位于中心线上，不能置0，所以需要满足条件（1）。对于条件（2）,如果出现图5(b)所示的情况，该情况满足(1)和(3)两个条件，但是该P1点是位于中心线上，不能置0，由图可知A(P1)=2,不满足条件(2)，该P1点不会被置0。因此，条件(1)和(2)都是为了保护中心线上的点不会被置0而被保存下来的必须条件。
　　在满足条件(1)和(2)以后，确定P1点不在中心线及光条内部（B(P1)=8的情况），如果满足条件(3),说明P1点位于光条的上边界，则该点会被标记并置0。同样，条件(3)′确定P1点位于光条的下边界。如图6所示为该算法得到中心线的例子，其中“*”代表标记置0的边界，先标记上边界并置0，再标记下边界并置0，迭代以上步骤，直到得到图6最右图片的中心线为止。

　　图7所示为程序的流程图，vector M的初始值为0，即size(vector M)=0。
　　

2根据中心线坐标求出距离
　　图8所示为摄像机透视投影模型，其中，ABCD为图像坐标系，A′B′C′D′为实际坐标系，机器人的前进方向为X′轴方向。O点为摄像机位置，O′为LED所在位置，OO′的距离为h，G点为图像中心，G′为G点在实际坐标系的投影点，摄像机的俯仰角即∠G′OO′为θ，P点为1.2节中得到的中心线上的一点,相对于G点的坐标为P(x,y)，P′为P点对应的实际坐标系上的点，Dx为X′轴方向上P′与机器人之间的距离(即障碍物与机器人之间的距离)，Dy为P′在Y′轴方向上的距离（即障碍物的水平距离）。
　　由图8可以得到Dx和Dy的距离公式如式（1）和式（2）所示，其中，(x,y)为P点相对于图像坐标系中心G的坐标，dx和dy分别为图像坐标系水平和垂直方向上的坐标点距，f为摄像机焦距。dx、dy、f为摄像机参数，通过标定得到，如表2所示。
　　

3实验结果及分析
　

       为了检测算法的有效性，选取了前方障碍物为纸盒的环境信息。图9(a)表示具体的环境信息图片，(b)为摄像头获得并处理后的红色光条的图像，(c)为本文算法得到的中心线，(d)为Zhang并行化细化算法得到的骨架中心线。如图9(d)所示，由于Zhang并行细化得到的是骨架中心线，是在两个方向上对图像进行细化，如果光条宽度不一致，就会得到竖直方向的分支，且会缩减中心线的长度，这样会给机器人避障带来很大的误差（中心线的位置代表障碍物的位置）。
　　如表3所示，P(x,y)为图9(c)中两条中心线上的其中一个点相对于图像中心的坐标。根据式（1）、式（2）测得障碍物距离。两个盒子与机器人之间的实际距离分别为5 cm和10 cm，水平实际距离分别为8 cm和11.5 cm，结果如表3所示，其中Dy为正代表障碍物在机器人中心左边，负为右边。测距误差在3 mm以内。在ARM Cortex睞8，CPU主频为1 GHz，内存为512 MB的开发板中，对于图9（a）所示的环境信息，该算法的运行时间为0.23 s。
4结束语
　　本文针对单目视觉避障系统提出了一种快速的测距方法，算法处理效果好，测距精度较高，在嵌入式系统中能够较好地保证实时性，但在算法的处理时间上还需改进。在未来的工作中，可以通过提高硬件要求来改进算法，改进算法的方案是增加中心线算法窗口大小，使每次迭代删除的边界更多，缩短运算时间。
　　参考文献
　　［1］ 曹小松，唐鸿儒，杨炯． 移动机器人多传感器信息融合测距系统设计［J］． 自动化与仪表，2009，24(5):48．
　　［2］ LIN Z， DAVIS L． Shape瞓ased human detection and segmentation via hierarchical part瞭emplate matching［J］． Pattern Analysis and Machine Intelligence，2010，32(4):604618.
　　［3］ SAXENA A， SUN M， NG A Y． Make 3 D: Learning 3 D scene structure from a single still image［J］． IEEE Transactions on Pattern Analysis and Machine Intelligence，2009，31(5):824840．
　　［4］ SHARF A，LEWINER T，SHAMIR A，et al． On瞭he瞗ly curve瞫keleton computation for 3D shapes［J］．Computer Graphics Forum，2007，26(3):323328．
　　［5］ PALAGYI K，KUBA A． A parallel 3D 12瞫ubiteration thinning algorithm［J］． Graph Models Image Process，1999，61(4):199221．
　　［6］ 汤一平, 宗明理. 基于双色反射模型的彩色结构光颜色识别的研究［J］. 计算机学报,2013,36(9):19081916.