一種新型車輛偏離車道預警系統(tǒng)的研究

郎明華， 簡林莎， 袁紹鵬， 閻景波， 牛振乾

（長安大學汽車學院，陜西西安 710064）

在基于圖像處理的車輛預警系統(tǒng)中，通常采用預處理的方法來獲取車輛周圍環(huán)境信息，經(jīng)過濾波、邊緣檢測等中間環(huán)節(jié)后將圖像二值化，雖然這種方法在天氣和道路條件好的情況下是可以接受的，但是在一些復雜的環(huán)境下對圖像進行二值化就會造成大量信息的丟失，使得道路的識別增加了難度，而且對于實時性的要求也不能滿足，因此對于應用預處理的方法要作進一步的改善和提高。

本文介紹了一種基于灰度圖像的道路邊界識別技術，首先是灰度圖像的統(tǒng)計，然后用道路邊界的灰度信息和邊緣線的灰度梯度信息，綜合其圖像的一些特點建立標志函數(shù)，目的是看擬合質(zhì)量的好壞，將標識線提取出來再判斷產(chǎn)生偏離與否。此方法能夠大大提高復雜環(huán)境下道路標志線識別的實時性，更加有效地降低事故的發(fā)生，增加汽車的主動安全性［1－2］。

1 系統(tǒng)結構和流程

該系統(tǒng)的主要功能和目的是有效地提取出車道標志線，提高實時性，在車輛偏離車道時發(fā)出報警提醒駕駛員，從而避免事故發(fā)生。該系統(tǒng)包括：

（1）基于灰度圖像的車道檢測執(zhí)行系統(tǒng)。其主要的功能是先對錄制的視頻進行采集和存取，然后傳入灰度圖像處理裝置并識別和檢測出車道的標志線，對車道的標志線進行對比分析，判斷是否偏離并發(fā)出預警信號。

（2）CCD攝像頭。將其安裝在汽車的正前方，在行駛過程中對車輛前方不斷地采集視頻，并傳輸?shù)杰嚨罊z測執(zhí)行系統(tǒng)中進行分析處理。

（3）車載揚聲器。其作用是將車道檢測執(zhí)行系統(tǒng)分析處理的結果進行接收，如果車道發(fā)生偏離就發(fā)出報警信號。

系統(tǒng)的結構和流程如下：首先將CCD攝像頭安裝在車輛的縱向中心線的前端上，將拍攝的圖像經(jīng)過傳輸線傳到灰度圖像的車道檢測執(zhí)行系統(tǒng)中，進行灰度圖像的統(tǒng)計；然后用道路邊界的灰度信息和邊緣線的灰度梯度信息，綜合其圖像的一些特點，就可以將標志函數(shù)建立，利用Hough變換就可以得出車道線；通過攝像頭的各個參數(shù)和在車輛縱向中心線上的安裝位置相互綜合來計算出車輛與車道的相互位置關系，如果達到了設定的偏離值時就會由執(zhí)行系統(tǒng)發(fā)出指令使揚聲器發(fā)聲，以此來提醒駕駛員更改車輛行駛方向或修正行駛路線。系統(tǒng)的結構和流程如圖1、圖2所示。

圖1 系統(tǒng)結構示意圖

圖2 系統(tǒng)實施流程圖

由圖1可知，智能車道標識線識別與報警裝置和灰度圖像處理是最為重要的環(huán)節(jié)。車輛前端縱向中心線上安裝有攝像頭，攝像頭將采集到的圖像傳輸?shù)交叶葓D像處理模塊，圖像處理模塊與偏離判斷分析模塊連接，然后偏離分析模塊上又連著報警器。安裝的CCD攝像頭在對路面進行連續(xù)攝像后，將圖像傳輸?shù)交叶葓D像處理模塊，灰度圖像處理模塊基于目標函數(shù)建立和擬合曲線的基礎上，對采集到的圖像進行灰度圖像處理，然后找出車道標志線，對車道標志線進行偏離分析，最后發(fā)出預警響鈴［3］。

2 建立模型與目標函數(shù)

2.1 建立道路邊界的拋物線模型

現(xiàn)在通常所指的道路識別是在給定的笛卡爾直角坐標系中，用一條曲線精確地擬合道路邊界，找到邊界線在該笛卡爾直角坐標系中的代數(shù)方程，但是由于路面大多數(shù)是直線型，因此要考慮到道路有較小曲率的情況，另外還要考慮到實時性的要求，所以建立如圖3所示的坐標系，其中使用的圖片為320×240像素，1個像素代表1個單位長度。

圖3 坐標系的建立

建立的方程模型為二次拋物線模型，即

從（1）式中可以明顯地看到，a的值能反映出其大致的結構圖形和變化趨勢，如果a＝0，說明代表的是直線邊界；如果a＞0，說明道路是向右轉的；如果a＜0，說明道路是向左轉的。如果a無限接近于0，那么二次項是高階無窮小，可以略去，所以b的值大致就可以說明圖像底部道路邊界的斜率。c的值說明了它與x軸的交點坐標，得到此交點位置能幫助得知c的值。

2.2 建立目標函數(shù)

要想建立目標函數(shù)就要在道路邊界中搜索拋物線方程，找到最大的一條作為道路邊界擬合曲線，所以搜索到目標函數(shù)是道路識別的關鍵問題。

（1）道路特征值分析。如圖4所示為強光照射路面時的圖像，圖5所示為預處理后的圖像。在圖5中出現(xiàn)了大量的不規(guī)則的噪聲，丟失了大量的可用信息，例如灰度梯度信息等等，因此道路邊界特征就大量地丟失，而要在丟失大量信息后提取邊界更是很困難的事情。

信息丟失的原因有2條：① 在圖像預處理中，若閾值分割不當就導致整體圖像的信息發(fā)生改變，就像路面和道路的邊界上的噪聲處理中，在二值化處理之后丟失了梯度的信息；② 預處理（此處預處理包括平滑處理、中值濾波、邊緣檢測、閾值分割）中的灰度圖像不能考慮路面與邊緣線的灰度相對值的大?。?］。因此要對道路特征進行分析處理，找到灰度特征和梯度特征。此外，目標函數(shù)要進行小塊的統(tǒng)計和選取，通常選取的最小單位有3＊3或5＊5的小塊，經(jīng)過對比分析可以得出，采用5＊5的小塊來分割坐標軸。

圖4 強光照射路面時的圖片

圖5 預處理后的圖像

搜索到的待評價道路邊界方程為：

為了更加容易計算，在坐標系上此拋物線的回擊位置按照y坐標等間隔原則由x軸位置向上順次取出50個點來作為統(tǒng)計小塊的中心位置點，即各點坐標滿足（2）式之后，在圖像上拋物線位置間隔取出5＊5的小塊共n個［5－7］。

（2）提取灰度特征。道路邊緣與路面間有著很明顯的灰度差，即

其中，Mi為第i個小塊灰度均值；Mr為路面平均灰度；ΔM（i）為第i個小塊灰度均值與路面的平均灰度的差值。

灰度可以作為道路邊緣的一個特征，這樣在每一幅圖像的識別過程中，在路面位置的中間底部選取均勻的一塊統(tǒng)計灰度均值，然后將其濾波后作為路面的平均灰度Mr。

（3）提取梯度特征。路面與道路邊緣的交界之處有著較為明顯的灰度梯度，抽取道路邊緣線處的子塊，其內(nèi)部的灰度均值之間就會存在著一個明顯的差值，對于有大量噪聲的情況，小塊的圖像梯度特征可能不明顯，但是對于整個的道路邊緣線，小塊的內(nèi)部差值特征是很明顯的，因此可以提取出來。圖6所示為小塊內(nèi)的左上半塊和右下半塊差值示意圖，同理可得出左下半塊與右上半塊、上半塊與下半塊、右半塊與左半塊的示意圖。

圖6 左上半塊與右下半塊

提取方法如下：小塊內(nèi)的右上半塊和左上半塊間為T1（i），即

左下半塊和右上半塊間為T2（i），即

上半塊和下半塊間為T3（i），即

右半塊和左半塊間為T4（i），即

其中，T1（i）、T2（i）、T3（i）、T4（i）分別為分塊情況下的第i個小塊內(nèi)2部分的灰度均值之差；Mleft－up、Mright－up、Mup、Mleft分別為第i個小塊內(nèi)灰色位置處（每個小塊內(nèi)的分塊分為灰白2種顏色）的灰度均值；Mright－down、Mleft－down、Mdown、Mright分別為第i個小塊內(nèi)白色位置處的灰度均值。

（4）確立目標函數(shù)。通過梯度計算方法和上述分析，來討論左右邊界問題：① 在左邊界上，通常左邊界的小塊上只有T1的特征比較明顯，當b＞2時，道路邊界線接近水平，因此T1、T3的特征比較明顯；當b＜0.5時，道路邊界線接近豎直的程度，因此T1、T4的特征比較明顯。②在右邊界上，通常右邊界的小塊上只有T2的特征比較明顯，當b＜－2時，道路邊界線更加接近水平，因此T2、T3的特征比較明顯；當b＞－0.5時，道路邊界線接近于豎直的程度，因此T2、T4的特征比較明顯。

綜合上述小塊的灰度特征、塊內(nèi)的灰度均值差特征和統(tǒng)計的小塊的信息，建立了評價目標函數(shù)，左邊界的目標函數(shù)為（4）式。其中，β1～β4為對應權系數(shù)；ΔM（i）是拋物線上第i個小塊的灰度均值與路面平均灰度值之間的差值；n為拋物線上的有效統(tǒng)計塊數(shù)；T1（i）、T2（i）、T3（i）、T4（i）分別指拋物線上的第i個小塊的4種塊內(nèi)灰度均值之差；α為權系數(shù)［8］。同理也可以得出右邊界的目標函數(shù)。

特征權系數(shù)是為了推導出未知量而引入的一組不定系數(shù)，特征權系數(shù)α和β1～β4的選取對于目標函數(shù)的選取是極其關鍵的，通過各種試驗和模擬來推算出權系數(shù)。在強光條件下其取值的范圍如下：0.15＜α＜0.30，0.35＜β2＜0.60，0.20＜β3＜0.40；在夜晚光線極其不佳時的取值為：0.20＜α＜0.35，0.40＜β2＜0.54，0.25＜β3＜0.45。為適應各種復雜的工況，根據(jù)上述的實驗結果選取了權系數(shù)為：α＝0.2，β2＝0.5，β3＝0.3。

而左右邊界上的識別權系數(shù)的確定方法是相似的，這樣就確定了目標函數(shù)的權系數(shù)。左邊界上：0.5≤b≤2時，α＝0.4，β1＝0.6；b＞2時，α＝0.2，β1＝0.45，β3＝0.3；b＜0.5時，α＝0.2、β1＝0.45，β4＝0.3。右邊界上：－2≤b≤－0.5時，α＝0.4，β2＝0.55；b＜－2時，α＝0.2，β2＝0.45，β3＝0.35；b＞－0.5時，α＝0.2，β2＝0.45，β4＝0.3。

其中，道路邊界的拋物線模型采用（1）式來表示，從而可以尋找目標函數(shù)中最大的拋物線參數(shù)a、b、c，使拋物線能夠精確地擬合道路邊界，并且利用蟻群算法來優(yōu)化參數(shù)，這里不再闡述。

按照上述公式和算法并且基于Matlab平臺處理，得出道路識別線［9－10］如圖7所示，此張圖片是在強光中拍攝的，能夠清楚地識別出車道線，這比預處理圖5所示的要清楚得多，而且信息量的丟失減少了。

圖7 經(jīng)灰度圖像處理的圖片

3 發(fā)出預警

執(zhí)行控制系統(tǒng)將其參數(shù)提取出來后，根據(jù)所規(guī)定的原來的車道夾角來判斷車輛是否發(fā)生偏離，采用車道的2個右側同位角之和?1＋?2來判斷車輛是否偏移。在左側的判斷方法：?1＋?2大于左側臨界角與右側臨界角的和時就發(fā)出報警信號；在右側的判斷方法：?1＋?2小于左側臨界角與右側臨界角的和時就發(fā)出報警信號。

4 結束語

本文介紹了一種利用灰度圖像的車輛偏離車道預警系統(tǒng)，它通過CCD攝像頭采集圖像并進行灰度圖像的統(tǒng)計，用道路邊界的灰度信息和邊緣線的灰度梯度信息，綜合其圖像的特點建立標志函數(shù)，從而提取出車道標志線，然后利用偏離分析模塊將其信息傳到車載揚聲器發(fā)出預警。此方法經(jīng)過試驗證明能夠提高復雜環(huán)境下的道路標志線識別的實時性，比普通的圖像預處理的識別效果要好得多，并且此裝置結構簡單、質(zhì)量輕、效率高，不影響車輛行駛過程中的阻力和行駛速度，從而可以大大提高車輛行駛的主動安全性。

［1］ 馬 雷，武波濤，王連東.彎曲道路識別方法與目標函數(shù)選取的研究［J］.汽車工程，2008，30（7）：561－565.

［2］ Gonzalez R C，Woods R E.數(shù)字圖像處理［M］.阮秋琦、阮宇智，譯.第2版.北京：電子工業(yè)出版社，2003：235－236.

［3］ 圣 華.車道線檢測在車道偏離預警中的應用研究［D］.合肥：合肥工業(yè)大學，2010.

［4］ 馬 雷，臧俊杰，張潤生，等.基于DS證據(jù)理論的不同光照條件下道路邊界識別［J］.汽車工程，2011，33（8）：707－712.

［5］ 張 榮，王 勇，楊 榕.TM圖像中道路目標識別方法的研究［J］.遙感學報，2005，9（2）：220－224.

［6］ 王榮本，余天洪，郭 烈，等.基于機器視覺的車道偏離警告系統(tǒng)研究綜述［J］.汽車工程，2005，27（4）：463－465.

［7］ 董因平.高速汽車車道偏離預警系統(tǒng)研究［J］.長春理工大學學報，2004，27（1）：48－50.

［8］ 李 旭，張為公.基于視覺的車道偏離報警系統(tǒng)的研究［J］.儀器儀表學報，2008，29（7）：1554－1558.

［9］ Lee Joon Wong.A machine vision system for lane departure detection［J］.Computer Vision and Image Understanding，2002，86（1）：52－78.

［10］ An Xianjing，Wu Mo，He Hangen.A novel approach to provide lane departure waning using only one forward－looking camera［C］／／International Symposium on Collaborative Technologies and Systems.Las Vegas，USA，2006：357－361.