基于邊界特征的車道標識線檢測方法

劉仕照，錢 鷹

（重慶郵電大學自動化學院 重慶 400065）

近十幾年來，安全輔助駕駛系統(tǒng)是當前國際智能系統(tǒng)的重要研究內(nèi)容，其安全輔助駕駛技術(shù)的研究主要集中在車道偏離預(yù)警、前方障礙物探測、以及駕駛員狀態(tài)監(jiān)測等方面。基于道路檢測技術(shù)的駕駛員輔助駕駛系統(tǒng)或預(yù)警系統(tǒng)，可以減輕駕駛員的壓力和疲勞程度，提高行駛的安全性，減少交通事故的發(fā)生，提高交通效率。在車道偏離預(yù)警系統(tǒng)的研究當中，車輛的導(dǎo)航路徑主要是車道標識線，因此，快速準確的識別車道標識線具有重要意義。目前，道路識別算法主要有圖像特征法和模型匹配法[1-2]，這兩種方法都對復(fù)雜車道環(huán)境（如樹木，房屋，陰影，車道標示線不明顯）難以檢測和錯誤檢測。究其原因，絕大部分是由于在預(yù)處理時，圖像分割效果不夠好，導(dǎo)致后續(xù)的車道標識線識別出現(xiàn)偏差。

文中利用Sobel算子對原始道路圖像進行邊緣增強，采用基于邊緣特征的閾值選取方法實現(xiàn)圖像二值化，然后利用數(shù)學形態(tài)學濾波處理，除去雜散邊緣和雙邊緣，最后結(jié)合抗干擾能力強的Hough變換識別出車道標識線。

1 圖像預(yù)處理

由于攝像機所采集到的圖像是主要有天空和道路區(qū)域兩部分主要信息，且因為環(huán)境復(fù)雜，圖像中可能含有無用噪聲，不適應(yīng)與車道標識線的直接提取，這就需要根據(jù)車道特征，確定道路區(qū)域，進行預(yù)處理，排除無用的信息，好的預(yù)處理算法可以有效提高車道線分割的正確率。本文預(yù)處理過程包括如下3個步驟：

1）灰度化：由于256色位圖的調(diào)色板內(nèi)容復(fù)雜，使得圖像處理的許多算法沒有辦法展開，因此有必要進行灰度處理。本文灰度轉(zhuǎn)換采用傳統(tǒng)方法實現(xiàn):

其中，Gray代表像素點的灰度值，R，G，B分別代表Red，Green和Blue的分量值。

2）均值濾波：中值濾波[3]是一種能在去除噪聲的同時又能保護目標邊界不使其變得模蝴的濾波方法，是一種非線性濾波技術(shù)。一維濾波的數(shù)學表達式如下：

其中，Sf（x，y）是當前點 f（x，y）的領(lǐng)域。 中值濾波會削弱三角信號的頂部峰值信號，但不影響階躍信號和斜坡信號，對圖像邊緣有保護作用。在去除噪音的同時，可以比較好的保留邊緣銳度和圖像的細節(jié)。這些細節(jié)是我們進行道路標志提取的重要部分。

3）確定道路區(qū)域：攝像機采集的實際道路圖像中，除了路面之外的其他圖像信息都是屬于無用信息，在算法實現(xiàn)中應(yīng)該盡量避免處理這些無用信息，以減少計算量以提高算法的速度。在后續(xù)的Hough變換提取車道線時，對二值化處理后的圖像保留圖像的下半部分路面信息，將圖像上半部分的天空部分當成背景掩去。

2 邊界特征提取技術(shù)

2.1 最優(yōu)閾值的選取

閾值化是圖像分割中最重要的一種技術(shù)，傳統(tǒng)的閾值分割算法主要有全局閾值法和局部閾值法，一般來說，前者對質(zhì)量較好的圖像有效，后者對環(huán)境復(fù)雜的圖像有效。閾值選取的合理與否直接影響道路識別結(jié)果，為適應(yīng)環(huán)境的變化，本文對車道圖像采用全局閾值分割算法。目前有多種方法用于全局閾值的確定，例如：P－tile 方法、2－Mode 方法、OTSU 方法[4－5]等。

OTSU是1979年提出的最大類間方差（又名大律法），它是最佳門限將圖像灰度直方圖分割成兩部分，使兩部分類間方差取最大值，即分離性最大。

2.2 基于邊緣特征的二值化

算法思想的關(guān)鍵：首先，用微分算子檢測圖象的邊緣；然后，在這些邊緣象素點上進行二值化閾值的自動選取；最后，對于其他非邊緣象素點則采取常規(guī)方法進行二值化處理。該算法描述如下：

Step1：對輸入圖像進行灰度化、中值濾預(yù)處理得到圖像f；Step2：利用OTSU算法確定圖像f的一個整體閾值TH0；Step3：對f利用Sobel算子進行邊緣提取，得到邊緣特征圖象e。

在進行車道檢測和跟蹤時，攝像機所獲得道路圖像中，平行的車道在圖像遠處近似相交于一點，車道線在圖像中呈現(xiàn)45。和135。的方向。因此為更好檢測車道線，在經(jīng)典Sobel算子中需增加45。和135。的方向模版，如圖1所示。

圖1 45°和 135°方向模板Fig.1 45°and 145°direction template

則45°方向梯度和135°方向梯度的公式如下所示：Δ

Step4：對邊緣特征圖像e利用OTSU求取最優(yōu)閾值進行常規(guī)二值化處理，得到二值圖象b；

Step5：確定f的每個象素對應(yīng)的閾值；

掃描Step4得到的二值圖像b中的每一個像索，若某像素點是邊緣像素點，令A(yù)等于Step1中圖像f中對應(yīng)像素點及其8鄰域像素點的平均灰度值，并將該像素點及其8鄰域像素點的值賦值為A；若像素點不是邊緣像素點，就將該像素點及其8鄰域像素點的閥值置為Th0。其算法描述如下：

圖2 二值化試驗結(jié)果Fig.2 The test result of binary

根據(jù)以上所述進行試驗，實驗結(jié)果如圖2所示，由實驗結(jié)果可以看出，傳統(tǒng)的Soble邊緣檢測后得到的二值圖像損失了很多細節(jié)，遠視野區(qū)域的車道標識線損失，不利于后續(xù)的車道線擬合；采用OTSU算法求得的閾值直接二值化圖像使得左車道線完全消失，不利于后續(xù)車道線的識別與擬合；采用本文的基于邊界特征的二值化方法，對車道圖像進行二值化，保留了更多的邊緣細節(jié)，車道標示線明顯清晰無損，但也存在有雙邊緣的現(xiàn)象，需要對圖像進一步細化處理。

3 形態(tài)學細化

數(shù)學形態(tài)學[6－7]是針對圖像形態(tài)、結(jié)構(gòu)等非線性因素的處理，數(shù)學形態(tài)學在圖像處理中得到廣泛應(yīng)用，越來越多的系統(tǒng)采用形態(tài)學算子來對圖像進行預(yù)處理和后處理。形態(tài)學原理簡單、計算量小，能靈活構(gòu)造具有車道線特征的結(jié)構(gòu)元素，提取出車道左右標識線。 通過形態(tài)學處理能較好的去除雙邊緣、除去圖像中的雜散邊緣和孤立像素點，從而進一步簡化和精確車道標識線，使得到的結(jié)果圖像最大程度簡化，從而使后續(xù)的hough變換速度更快?；镜男螒B(tài)學操作有腐蝕、膨脹、開啟、閉合，形態(tài)學濾波器的一種實現(xiàn)方式是將開啟和閉合結(jié)合起來。設(shè)A為輸入圖像（可以是灰度圖和二值圖），B是結(jié)構(gòu)元素。

1） 開運算：A 被 B 的形態(tài)學開運算記著：A?B=（AΘB）⊕B，這種運算是A被B腐蝕后再用B來膨脹的結(jié)果。開運算能消除圖像中的細小對象，在不改變形狀的情況下，削弱圖像的尖峰噪聲，平滑圖像的邊緣。

2）閉運算：A被 B的形態(tài)學閉運算記著：A·B=（A⊕B）ΘB，這種運算的是A被B膨脹后再用B來腐蝕的結(jié)果。閉運算能填充圖像中細小的空洞。

由于開、閉運算具有各自的濾波效果又不同程度地影響到圖像的目標信息，所以實際中一般采用形態(tài)學開、閉的級聯(lián)形式，組成形態(tài)學組合濾波器[8-9]。常用的有開閉、閉開濾波器，分別用代表開和閉運算。對圖2（d）中二值化的圖像進行形態(tài)學細化，實驗時采用2×2的square結(jié)構(gòu)元素，實驗結(jié)果如圖3所示。開運算濾波之后刪除了不包括結(jié)構(gòu)元素的對象區(qū)域，平滑了對象輪廓，去掉了細小的突出部分，閉運算將狹窄的缺口連接成細長的彎口，填充了比結(jié)構(gòu)元素小的漏洞。實驗表明，采用閉開濾波器方法得到的圖像邊緣接近于理想邊緣，去除了幾乎所有高斯噪聲引起的偽邊緣。

圖3 形態(tài)學濾波結(jié)果Fig.3 Results of morphological filtering

4 Hough變換識別車道線

Hough變換的基本思想就是建立圖像空間和參數(shù)空間的映射關(guān)系，即在圖像空間中共線的點對應(yīng)參數(shù)空間中相交的線，在參數(shù)空間中相交于同一個點的所有直線在圖像空間里都有共線的點與之對應(yīng)。

假設(shè)直線方程為：y=αx+b，對應(yīng)的極坐標參數(shù)方程為：xcosθ+ysinθ=λ。其中ρ表示該直線到原點的距離，θ表示過原點到該直線的垂線與極軸正向之間的夾角。一般來說θ的取值范圍是-90°≤θ≤90°，D的取值范圍是-D≤λ≤D，其中D是圖像中角點間的距離。

圖4 hough變換描述Fig.4 Hough transform description

如圖4所示，圖像空間中過1、3、5的直線在交于參數(shù)空間中的S點，過2、3、4點的直線交于參數(shù)空間中的T點，因此，只要確定參數(shù)空間中共點的各曲線，就能確定圖像空間中的直線。Hough變換的誘人之處是把λθ參數(shù)空間細分為了所謂的累加器單元，即編程時將參數(shù)ρ和θ量化成許多小格，對于每一個（xi，yi）點代入 θ的量化值，算出各個 λ，所得值落在某個小格內(nèi)，便使該小格的計數(shù)累加器加l，當全部點（xi，yi）點變換后，對小格進行檢驗，有大的計數(shù)值的小格對應(yīng)于共線，其（λ，θ）可用作直線的擬合參數(shù)。有小的計數(shù)值的各小格一般反映非共線點，丟棄不用。圖5是Hough變換識別的車道線結(jié)果，在原圖像中顯示。

圖5 Hough變換識別車道線Fig.5 Lane recognition in transforam

5 實驗與結(jié)論

本實驗采用尼康S230安裝在面包車的后視鏡下方，在貴陽市長嶺南路環(huán)城高速路上獲取道路圖像，采用 Ulead GIF Animator 5將AVI車道視頻文件轉(zhuǎn)換到幀序列，處理對象為240×320的RGB圖像。在 Inter E2180處理器，2 G內(nèi)存，Widows XP操作系統(tǒng)，Matlab7.1環(huán)境下編程實現(xiàn)上述處理過程，分別對光照條件良好、陰暗天氣、有陰影的車道線圖像進行實驗（如圖6，左側(cè)為原圖，右側(cè)為識別結(jié)果），每幀圖像處理平均時間為0.3 s，能準確的檢測出車道線，和實際車道線相吻合。其中對兩個視頻序列圖像共400幀圖像進行試驗，能準確檢測車道線的有386幀，檢測率為96.5%，實驗表明該算法抗干擾能力強，能克服路面陰影、橋梁、行車道、前方車輛的干擾，準確地識別出車道標識線。

圖6 車道標識線識別實驗結(jié)果Fig.6 Results of lane identification

6 結(jié)束語

本文相對于傳統(tǒng)車道線線識別算法中的圖像二值化來說，本文算法簡單，而且得到的圖像邊緣接近于理想邊緣，明顯提高了車道線檢測的準確率。在道路陰影，道路標識線影響，前方車輛和橋梁干擾的條件下，都能準確的識別除車道標識線。但對一些非規(guī)范化道路環(huán)境的車道檢測（彎道），車道中有樹干的陰影及前方車輛及障礙物較多的情況還需進一步研究。

[1]Kim Z W.Robust lane detection and tracking in challenging scenarios[J].IEEE Transactions on Intelligent Transportation Systems，2008，9（1）:16-26.

[2]王榮本，余天洪，顧柏園，等.基于邊界的車道標識線識別和跟蹤方法研究[J].計算機工程，2006，32（18）:195-196，239.

WANG Rong-ben， YU Tian-hong， GU Bo-cyuan， et al.Research on linear lane mark identi-fication and track method based on edge[J].Computer Engineering，2006，32（18）：195-196，239.

[3]黃濤，丁俊進.基于機器視覺道路識別算法的研究[J].電子設(shè)計工程，2007（4）:34-38.

HUANG Tao，DING Jun-jin.Reseach of the road recognition algorthm based on the machine vision[J].Electronic Design Engineering，2007（4）:34-38.

[4]吳冰，山海濤，郭建星.基于邊緣灰度的二值化閾值確定方法[J].武漢大學學報：工學版，2003，36（3A）:165-169.

WU Bing， SHAN Hai-tao， GUO Jian-xing.A new method edge-gray-based attaining the Threshold of image-binaried[J].Engineering Journal of Wuhan University，2006，36 （3A）:165-169

[5]張慶英，岳衛(wèi)宏，肖維紅，等.基于邊界特征的圖像二值化方法應(yīng)用研究 [J].武漢理工大學學報，2005，27（2）:56-57，64.

ZHANG Qing-ying， YUE Wei-hong， XIAO Wei-hong， et al.Study on image binarizing process based on edge features[J].Journal of Wuhan University of Technology，2005，27（2）:56-57，64.

[6]朱彤，閻瑩，袁志業(yè).一種基于形態(tài)學變換的車道檢測方法[J].山東交通學院學報，2006，14（1）:13-16.

ZHU Tong， YAN Ying， YUAN Zhi-ye.A new lane detection method based on morphological transformation[J].Journal of Shangdong Jiaotong University，2006，14（1）:13-16.

[7]DeborahBraid， A lbertobroggi， Garysehmiede1.The terra max aut on omous vehicle concludesthe 2005 DARPAG Gr and challenge[C]//Intelligent Vehicles Symposium California，June，2006:534-539.

[8]Park H，Yoo J.Structuring element decomposition for efficient implementation of Morphological filters[J].IEEE Proceedings Vision Image and Signal Processing，2001，148（1）:31-35.

[9]CHEN Min-hua，YAN Ping-fan.A multi-scaling approach based on Morphological Filtering[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2001，11 （7）:694-700.