论文部分内容阅读
【摘 要】停车位边线是平行泊车中进行车辆位姿计算的重要参考，在边线视觉检测的过程中会受到停车位其他标志线的影响。针对这一现象，提出了一种基于停车位标志线在图像中位置的边线检测方法，实验结果表明该方法取得了较好的结果。
【关键词】停车位；标志线；边线；视觉检测
随着技术的不断进步，针对平行泊车采用机器视觉技术进行车位周边信息的感知逐渐成为辅助泊车系统的一个发展方向[1][2][3]。在机器视觉辅助泊车中，停车位靠近道路的边线是最为重要的标志线，但是停车位一般由多条标志线组成，因此停车位边线的视觉检测成为平行泊车中视觉辅助系统中不可回避的问题。
1.平行泊车中停车位边线的检测
平行泊车一般是在借助道路设置的停车位进行泊车，如图1所示。泊车时，根據停车空间的大小选择倒车入库或直行入库。在车位空间狭小时，一般选择倒车入库，这时候车辆与泊位的相对位置尤为重要。
图1 平行泊车
在已有的辅助泊车系统中，一般通过各种检测手段实时测量车辆相对泊位的位置。随着技术进步，在无人驾驶车辆的开发中，应用机器视觉进行车辆位置的检测越来越普遍。而在机器视觉检测中，车辆位置和姿势的检测较为依赖泊位中靠近道路的停车位边线。一般以该边线作为一个参考线，在行进中不断修正坐标。这就使得停车位边线的视觉检测成为平行泊车中车辆位置姿势检测的基础。
2. 边线视觉检测中存在的问题
按机器视觉的传统方法，对于原始的停车位图像首先需要进行图像分割。所谓图像分割就是将图像分为两个部分，一部分是停车位的标志线，另一部分是地面背景信息，如图2所示。在已有的图像处理技术中，多用RGB图像进行图像处理。图像中的每一个像素点均由RGB三个值组成， R代表红色（RED）， G代表绿色（GREEN）， B代表蓝色（BLUE）。由于停车位的标志线一般都是由白色油漆刷成，在获取图像中标志线存在较明显的反光效果。因此，在图像分割中可以选择R+G+B作为分割特征，以传统的阈值分割的方法就可以取得较好的效果。
如图2所示，分割后的图像中停车位的标志线为黑色的像素点，白色为道路背景。图像中较粗的线为停车位的边线，由于停车位标志线的油漆一致，这时提取停车位的边线就要受到其他标志线的干扰。如图2（a）所示远离道路的标志线与边线相比，长度相近，在图2（b）中由于车辆位置的关系边线的长度甚至比横向的标志线还短。这就使得边线的提取受到了其他标志线的影响。
3.基于图像中位置的边线提取方法
通过分析图2可以知道停车位边线一般置于图像右下方，这可以成为边线提取的依据。实际上，平行泊车过程中，由于车辆是由道路中间向外侧的停车位行进，所谓的边线自然是靠近车辆的标志线。因此可以考虑据此进行停车位边线的提取。
（a） （b）
图2 车位二值图 （a）边线提取受干扰 （b）边线过短
对于图2所示二值图像，可以根据直线的不同斜率和截距进行边线的寻找。以图像左上角为图像原点，图像中远离原点的两个方向为坐标轴，在图像的上边缘、右边缘和下边缘左边缘之间寻找不同截距、不同斜率的直线。如果直线上在图像中的点与黑色的像素点对应则该直线为某条标志线。在寻找得到所有标志线中，以在两个方向上截距之和最小的直线为停车位的边线。
采取上述方法对图2两幅图像提取停车位边线的结果如图3所示，黑色的线段为停车位的边线，两幅图像均较好的提取了停车位的边线。
（a） （b）
图3 图2提取的车位边线
4.结论
针对平行泊车中车辆位置视觉检测以停车位边线为参考的情况，提出了一种基于标志线在图像中位置的停车位边线提取方法，这较好的实现了停车位边线的视觉检测，为平行泊车视觉检测提供了理论基础。
参考文献：
[1]潘必超. 图像边缘检测技术在车库停车线识别上的应用[J]. 计算机时代. 2010（11）
[2]马少华， 王超. 基于视觉感知系统和模糊逻辑控制器的车辆辅助泊车设计[J]. 沈阳建筑大学学报（自然科学版） 2011（5）
[3]王旭东， 王春香， 杨明， 王冰. 一种基于环视相机的自动泊车方法[J]. 上海交通大学学报 2013（7）
作者简介：
刘有明（1988-），男（汉族），江西赣州人，硕士研究生，主要研究领域：图像处理。
【关键词】停车位；标志线；边线；视觉检测
随着技术的不断进步，针对平行泊车采用机器视觉技术进行车位周边信息的感知逐渐成为辅助泊车系统的一个发展方向[1][2][3]。在机器视觉辅助泊车中，停车位靠近道路的边线是最为重要的标志线，但是停车位一般由多条标志线组成，因此停车位边线的视觉检测成为平行泊车中视觉辅助系统中不可回避的问题。
1.平行泊车中停车位边线的检测
平行泊车一般是在借助道路设置的停车位进行泊车，如图1所示。泊车时，根據停车空间的大小选择倒车入库或直行入库。在车位空间狭小时，一般选择倒车入库，这时候车辆与泊位的相对位置尤为重要。
图1 平行泊车
在已有的辅助泊车系统中，一般通过各种检测手段实时测量车辆相对泊位的位置。随着技术进步，在无人驾驶车辆的开发中，应用机器视觉进行车辆位置的检测越来越普遍。而在机器视觉检测中，车辆位置和姿势的检测较为依赖泊位中靠近道路的停车位边线。一般以该边线作为一个参考线，在行进中不断修正坐标。这就使得停车位边线的视觉检测成为平行泊车中车辆位置姿势检测的基础。
2. 边线视觉检测中存在的问题
按机器视觉的传统方法，对于原始的停车位图像首先需要进行图像分割。所谓图像分割就是将图像分为两个部分，一部分是停车位的标志线，另一部分是地面背景信息，如图2所示。在已有的图像处理技术中，多用RGB图像进行图像处理。图像中的每一个像素点均由RGB三个值组成， R代表红色（RED）， G代表绿色（GREEN）， B代表蓝色（BLUE）。由于停车位的标志线一般都是由白色油漆刷成，在获取图像中标志线存在较明显的反光效果。因此，在图像分割中可以选择R+G+B作为分割特征，以传统的阈值分割的方法就可以取得较好的效果。
如图2所示，分割后的图像中停车位的标志线为黑色的像素点，白色为道路背景。图像中较粗的线为停车位的边线，由于停车位标志线的油漆一致，这时提取停车位的边线就要受到其他标志线的干扰。如图2（a）所示远离道路的标志线与边线相比，长度相近，在图2（b）中由于车辆位置的关系边线的长度甚至比横向的标志线还短。这就使得边线的提取受到了其他标志线的影响。
3.基于图像中位置的边线提取方法
通过分析图2可以知道停车位边线一般置于图像右下方，这可以成为边线提取的依据。实际上，平行泊车过程中，由于车辆是由道路中间向外侧的停车位行进，所谓的边线自然是靠近车辆的标志线。因此可以考虑据此进行停车位边线的提取。
（a） （b）
图2 车位二值图 （a）边线提取受干扰 （b）边线过短
对于图2所示二值图像，可以根据直线的不同斜率和截距进行边线的寻找。以图像左上角为图像原点，图像中远离原点的两个方向为坐标轴，在图像的上边缘、右边缘和下边缘左边缘之间寻找不同截距、不同斜率的直线。如果直线上在图像中的点与黑色的像素点对应则该直线为某条标志线。在寻找得到所有标志线中，以在两个方向上截距之和最小的直线为停车位的边线。
采取上述方法对图2两幅图像提取停车位边线的结果如图3所示，黑色的线段为停车位的边线，两幅图像均较好的提取了停车位的边线。
（a） （b）
图3 图2提取的车位边线
4.结论
针对平行泊车中车辆位置视觉检测以停车位边线为参考的情况，提出了一种基于标志线在图像中位置的停车位边线提取方法，这较好的实现了停车位边线的视觉检测，为平行泊车视觉检测提供了理论基础。
参考文献：
[1]潘必超. 图像边缘检测技术在车库停车线识别上的应用[J]. 计算机时代. 2010（11）
[2]马少华， 王超. 基于视觉感知系统和模糊逻辑控制器的车辆辅助泊车设计[J]. 沈阳建筑大学学报（自然科学版） 2011（5）
[3]王旭东， 王春香， 杨明， 王冰. 一种基于环视相机的自动泊车方法[J]. 上海交通大学学报 2013（7）
作者简介：
刘有明（1988-），男（汉族），江西赣州人，硕士研究生，主要研究领域：图像处理。