智能车辆系统(IVS, Intelligent Vehicle System)是近年来新兴的一门交叉学科，其研究涉及到计算机测量与控制、计算机视觉、传感器数据融合、车辆工程等诸多领域，可以说，智能车辆的研究是计算机视觉与计算机控制在车辆工程上的综合应用。司机在驾驶车辆的过程当中，其所接收的交通信号、交通图案、道路标识等信息几乎全部来自于视觉。因此，计算机视觉系统是实现智能车辆系统中自动防撞技术所需解决的重要问题，也在近年来成为研究的重点。为了使车辆能够根据其视觉传感器所得到的景物图像进行自动控制，就必须采用某些特殊的图像处理技术对采集到的图像进行特征提取操作。如在图像中分割出感兴趣的区域，或是从图像中寻找出感兴趣的曲线，或是单纯地对地面的纹理特征进行分析，等等。本文的主要研究内容是如何从一幅图像中提取感兴趣的特征曲线。为了解决图像在获取和传输过程中由于噪声污染等原因而产生的失真问题，改善视觉效果以便于人和机器对图像的理解和分析，我们首先需要根据图像的特点或者存在的问题采取简单的改善方法对图像的特征进行增强。 在对图像进行增强处理之后，即可开始对图像进行特征提取。边缘是图像中最重要的特征，我们需要在二值边缘图像中提取感兴趣的特征曲线，以使计算机根据这些曲线对车辆进行智能控制。图像的边缘检测算法种类繁多，其中微分算子类边缘检测算法是一类计算量较小，且检测结果较佳的算法。本文通过对各种算子检测效果以及抗噪声能力的比较实验，最终选择Log算子作为图像边缘提取的工具，运用Log算子边缘检测算法为下一步特征提取提供二值边缘图像。 <WP=75> 为了实现计算机视觉车辆防撞系统，需要在二值边缘图像中提取出我们感兴趣的特征曲线，以使计算机能够根据曲线所在的位置控制车辆，使其在安全范围内行驶。通过对公路图像的观察，我们发现直线是其中最重要的曲线，它们直接反映出车道线的位置，限制了车辆的行驶范围。所以，我们将直线的提取作为我们的研究重点。另外，为了适应车辆控制必须快速实时的要求，特征曲线的提取算法必须具有实时性。而传统的特征曲线提取算法由于计算量大，存储负担重等原因，无法满足算法的实时性要求。因此，我们提出一种改进算法，以提高原有算法的效率。 Hough变换是一种十分有效的特征曲线提取算法，特别是在二值图像中提取直线。其基本思想是点－线的对偶性，对于直线而言，通常的方法是根据直线的极坐标方程将图像从自然空间映射到极坐标参数空间。通过累加矩阵的记录，在参数空间中寻找共线点的信息，从而提取出原图像中的特征曲线。Hough变换的优点是抗噪能力强，能够确定不连续曲线的确切位置。其缺点是它需要很大的存储空间，计算量较大，无法满足实时性要求。另外，Hough变换中累加矩阵中的峰值只是直线上像素点的总数，无法确定这些像素点的确切位置。因此，人们提出了Hough逆变换算法，这种算法能够根据Hough空间的参数直接逐像素点的重建原图像，并且重建位置准确。然而，Hough逆变换算法仍然无法满足车辆控制系统中对算法的实时性要求，它忽略了特征曲线本身的某些特征，具有较大的盲目性。针对这一点，我们提出基于曲线特征的快速Hough逆变换算法(CF－IHT)。该算法首先在图像中随机地选取一些“特征点”，根据重建原则判断这些点是否为原图像中的边缘像素点，并在一个空矩阵中重建有意义的点。然后根据边界跟踪原理，依据待检测曲线的特征寻找“生长点”，并重建其中有意义的点。接着将重建出的“生长点”作为新一轮检测的“特征点”，再依据上面的规则寻找新的“生长点”。循环上面的过程，直到检测出的曲线符合预先制定的检测标准为止。通过CF－IHT算法对抽象图像和具体景物图像的实验证明，该算法在准确地提取了图像特征曲线的基础上，缩小了存储空间，降低了计算复杂度。在存储空间方面，标准的Hough逆变换对图像中的每个像素点逐一进行重建，这不但使用了大量的运算时间，而且占用了很多存储空间用于储存像<WP=76>素点在自然坐标系中的坐标位置和该点在Hough参数空间中的累加矩阵对应的元素值。CF－IHT算法首先在原图像中选取n个特征点，再以这些特征点为起点，利用曲线的某些先验信息，根据边界跟踪的方法沿着某些特定的方向寻找生长点，这大大减少了参与检测的像素点的个数，去除了那些与检测曲线无关的冗余点，从而缩减了存储空间。另外，该算法中重复使用“循环体”，使“循环体”中的参数重复使用各自开辟的存储空间，这也从一定程度上解决了标准IHT所需存储空间过大的问题。在计算复杂度方面，标准Hough逆变换盲目地对原图像逐像素点重建，累加矩阵中的大部分元素只累加了一到两次，大量的计算是无意义的。而CF－IHT算法通过特征点的选取和边界跟踪，基本上只重建了待测曲线上的点，大大减小了重建运算的调用次数，从而降低了计算复杂度。综上所述，CF－IHT算法能够有效地提取出二值边缘图像中我们感兴趣的曲线，并且与SIHT算法相比，使用了较少的存储空间，降低了算法的计算复杂度，提高了原有算法的实时性，使其更适于实际应用。实验结果表明，通过?