基于計算機視覺技術的視覺導航技術是人工智能領域的研究重點和熱點[1]。同傳統的衛星定位（GPS）導航技術相比，基于視覺的導航方法具有實現方式靈活、性價比高、實時性好、導航快速精確等優點[2-3]。但是，現有的視覺導航系統多數都是基于固定攝像機的限定視角導航方法，這類導航系統只能適用于在直線行駛或者小彎度行駛情況，一旦出現大彎度轉彎，道路會偏離攝像機視場，導致路徑導航線丟失、導航失效[4-5]。為改善這種視角范圍的局限，傳統解決方法主要是將固定的攝像機改為廣角鏡頭攝像機，增大視場范圍[6]，但是廣角攝像機的圖像畸變嚴重，對圖像前期的處理精度和速度的要求嚴格，同時，增加了大量的圖像干擾信息，為后續的圖像處理增加了較大的難度。近年來，有學者提出了一種主動視覺智能導航方法[7]，借鑒人類觀察道路時的眼球轉動機理，將攝像機安裝在可旋轉控制云臺系統上，通過一定的反饋控制，實時修正攝像機焦點和行駛路線正前方的夾角，保證行駛路線一直處于攝像機視角范圍內。由于該方法在保證視角清晰的前提下，大幅擴展了攝像機的視角范圍，近年來在目標跟蹤[8]、人臉檢測[6]等領域得到了較多的研究和應用。其中，如何精確獲取導航參量是主動視覺導航系統的關鍵問題之一[9]。傳統的計算方法主要通過預先設置的高精度標定參照物，通過空間圖像和平面圖像的有效映射關系求取相關的參量值，該類方法標定精度高，但是應用范圍有限且標定復雜，不利于變化場景的導航[10]。文獻[11]提出了基于視覺圖像的自計算方法，該方法通過前端獲取的視頻幀圖像進行系統參量的計算，利用Kruppa方程和分層逐步標定的方式實現了導航參量的計算，該方法靈活性強、使用范圍較廣，但是計算精度和魯棒性較差，在背景存在干擾的情況下計算誤差較大，甚至引起導航失敗[12]。文獻[13]利用相機進行可控運動，通過約束運動的性質來實現導航參量的計算，提升了主動視覺導航的參量計算精度和魯棒性。在此基礎上，先后發展出了旋轉計算方法[14]、平面正交計算方法[15]以及基于無窮遠平面單應性矩陣[16]的計算方法。該類方法計算精度高、魯棒性好，但是該類方法需要計算的參量過多且計算復雜，在實時導航系統中很難應用。文獻[17]在此基礎上進一步對計算復雜性進行優化，利用二維頻移運動的相對計算方法求解線性模型的部分參數，并通過畸變的方法引入非線性優化，有效地簡化了計算過程，但是這種非線性畸變的過程對系統的初值和噪聲都非常敏感，計算穩定性較差。

針對這些問題，本文提出了一種基于方向引導優化的主動視覺導航參量計算方法。該方法的實現過程可以大致概括為三個步驟：(1)坐標系的變換。為了實現理論計算與實際導航系統的高精度擬合，首先給出了車輛物理坐標系與視覺圖像坐標系的變換方程。(2)車道邊緣線的精確檢測。精確地獲取車道邊緣線是進行視覺導航的前提，為了解決道路積水、陰影等背景干擾問題，在傳統Canny算子初步檢測的基礎上，提出了方向引導優化的方法。(3)大曲率彎道線精確檢測問題。為了保證在大曲率轉彎情況下車道線的精確檢測問題，在前期優化的基礎上，提出了基于直線與曲線閾值優化的廣義Hough變換方法，對不同曲率的線段進行優化選擇，精確檢測道路標志線和邊緣線，實時計算和修正導航中心引導線的偏離角度。

1 坐標變換

坐標變換是進行視覺導航實現的首要條件，為了實現圖像坐標與實際車輛物理坐標的意義映射，本文基于車輛行駛的實際道路環境構建坐標系，將攝像機中心定為坐標原點，X軸為車輛行駛方向，Y軸為行駛方向的正左方，將控制云臺的縱向軸設置為Z軸。為便于后續云臺控制的分析，將車輛物理坐標系獲取的圖像表示為(xr，yr，zr)，相應的像素坐標系可以表示為(u，v)，圖1表示了坐標變換前后之間的關系，具體的變換關系計算如下[10]：

由于車輛導航過程中需要檢測的道路標志線一直處于平面狀態(zr=0)，為方便計算，可將坐標系重新修正為xrOyr坐標系，將式(1)重新計算為：

2 道路邊緣檢測及方向引導優化實現

2.1 方向引導優化實現

首先通過Canny算進行初步檢測，獲取圖像邊緣信息以后，保留圖像中的輪廓信息，但是由于陰影、積水和路面裂縫等路面特征的干擾，導致雜波輪廓信息同樣得到了保留，因此，該部分主要采用方向引導搜索優化去除陰影干擾[14]。假設攝像機前端獲取的圖像被劃分為3×3圖像塊，當前像素點(如圖2(a)中的灰色中心點)具有8個鄰接的像素。為說明搜索的方向性，假設目前的像素處于左車道，則車輛行駛的方向只有3個方向，如圖2(a)所示。同樣，處于右車道也具有3個行駛方向，如圖2(b)所示。

根據車輛在道路上的行駛規則，可以定義為最優選擇方向為90°、次優選擇為45°、級別最低為0°，以車輛在左邊車道行駛為例給出搜索過程描述如下[15]。

(1)以圖像的左下角為參考進行平面掃描，如果當前像素判定為邊緣，記錄并創建候選線段；否則，繼續掃描直到找到邊緣點，并執行第(2)步。

(2)根據方向優先原理進行掃描，判定邊緣點在3個方向中的位置并記錄坐標，繼續掃描，直到結束；如果3個方向均未掃描到邊緣點，則跳轉第(3)步。

(3)遍歷整幅圖像，尋找新的邊緣點，直到結束。

上面的方向優先搜索完成以后，可以建立線段集合，并記錄每一條線段的起始坐標。

2.2 導航參量的計算

在2.1小節檢測的基礎上，為進一步精確引導車輛的行駛，需基于檢測的邊緣線和道路標志線進行導航中心引導線的提取以及偏離角度的計算。首先采用圖像重心分割的方法獲取精確的導航引導線[16]，具體如圖3所示。

通過計算兩個標志線以內的圖像（包括邊緣線與標志線以內的圖像，主要是機器人行駛路線所在的邊界標志）的重心，基于中心的縱坐標進行二次分割，獲取上下圖像的中心A和B點，直線AB即為機器人行駛區域內的中心引導線。如圖3(b)所示，O為該幀圖像的整體重心，I1和I2主要用于偏離角度的計算。具體的計算過程如圖4所示。

為計算機器人的行駛偏角及偏距，在獲取機器人引導線以后，利用線段端點坐標及長度畫圓，并結合線段另一端點像素所在的坐標位置，計算引導線的偏角。實驗中，首先將機器人放置在行駛的路段進行引導線初始化，利用圖3(a)擬合道路引導線，進而基于圖3(b)計算引導線的線性方程，并確定其具體的位置m。以相機為O點，基于I1和I2計算機器人的位置偏移D和偏角α。

3 實驗與結果分析

為驗證本文方法的有效性，該部分主要針對路況復雜的彎道行駛進行分析，視頻幀圖像大小為400像素×300像素。圖5(a)所示為在校園內彎道測試實驗現場獲取的彎道導航圖像，圖5(b)為本文優化后的檢測結果。

表1為彎道視頻幀序列計算結果平均比較結果，從表中可以看出在彎道行駛情況下，3種方法的計算精度均有所下降，其中，文獻[13]和文獻[17]的性能明顯變差，而本文方法針對該序列的計算精度仍然保持了相當高的精度，平均偏航角度的計算誤差控制在1.5°以內，平均行駛偏距控制在5個像素左右。

4 結論

本文主要針對主動視覺導航系統參量的計算方法展開研究，提出了一種基于方向引導優化的主動視覺導航參量計算方法。該方法是在文獻[13]的基礎上進行優化和改進，利用主動視覺相機的運動可控性進行參量的計算。通過對傳統Canny算子檢測結果進行方向引導優化以后，明顯降低了道路陰影、路面積水等雜波的干擾，在此基礎上，進一步采用閾值優化的廣義Hough變換方法對檢測結果進行分類優化，實現車道線的內外邊緣及道路標志線的精確檢測。實驗結果表明，本文方法在彎道行駛情況下導航參量的計算精度明顯提升，具有優秀的性能指標。