基于DM6446的車道線快速檢測算法

(杭州電子科技大學(xué)計算機應(yīng)用技術(shù)研究所，浙江 杭州310018)

0 引 言

目前，國內(nèi)外對于車道檢測算法的研究主要圍繞基于道路標(biāo)識線的檢測，很多算法都將車道線歸類為直線模型，從而轉(zhuǎn)換為對直線的檢測，且大多對直線的檢測采用Hough 變換。文獻1所提基于Hough變換算法存在很大的盲目性，需要大量存儲空間和運算時間，難以滿足實時性要求。并且在結(jié)構(gòu)化道路里，非直線型的車道線是大量存在，單獨把車道線歸類為直線模型，存在一定的失真性。因此，增強算法的實時性和準(zhǔn)確性是目前急需解決的問題。采用TMS320DM6446 嵌入式平臺，在對場景進行最優(yōu)閾值化分割的基礎(chǔ)上融合區(qū)域生長法獲得車道線候選點集;并采用提取連通分量的聚類算法獲取候選點集聚類中心，以初步提取候選點，再經(jīng)過篩選和分類得到有效特征點;最后用最小二乘法擬合基于二次曲線模型的車道線[2-4]。本文最終實現(xiàn)了對車道線的實時性檢測，具有良好的魯棒性，為車道偏離警告系統(tǒng)的構(gòu)建提供了有利的基礎(chǔ)。

1 硬件平臺

本實驗的硬件平臺主要采用SEED-DVS6446 開發(fā)板等對車道線快速檢測算法進行了測試。該硬件平臺采 用 了 TI 推 出的DaVinci 系列 DSP 處 理 器TMS320DM6446平臺。TMS320DM6446平臺的結(jié)構(gòu)框圖，如圖1所示，ARM和DSP是共享外部的SDRAM 存儲器，實現(xiàn)數(shù)據(jù)的共享和傳輸;ARM 子模塊主要負(fù)責(zé)各模塊初始化，系統(tǒng)的配置和控制等;視頻處理子系統(tǒng)(VPSS)負(fù)責(zé)視頻捕獲的視頻前端輸入和圖像顯示的視頻后端輸出;DSP 子系統(tǒng)負(fù)責(zé)具體實現(xiàn)車道線檢測算法。

圖1 TMS320DM6446系統(tǒng)結(jié)構(gòu)示意圖

2 車道線檢測算法

2.1 圖像預(yù)處理

由于僅對視頻的亮度分量進行處理，因此，首先對原始視頻YUV422 序列進行亮度提取，并做1/4采樣，獲得原圖的亮度信息灰度圖Y(i，j)。在道路圖像中，存在部分無用的圖像信息，通過確定感興趣區(qū)域，不但減少干擾信息，還可以降低算法的計算量。選取道路路面消失點做水平線，水平線以下區(qū)域即為感興趣區(qū)域。由于視頻采集中不可避免存在噪聲，抖動等問題，通過采用3×3 模板，對灰度圖Y(i，j)進行中值濾波。

2.2 候選點集的提取

在傳統(tǒng)的車道線提取研究中，主要采用了幾何特征方式，不能達(dá)到良好預(yù)期效果。為了增強檢測的魯棒性，本算法提出采用融合最優(yōu)閾值化及區(qū)域生長法，更有效的獲取車道線，從而建立車道線候選點集[5]。

首先，利用區(qū)域生長法在感興趣區(qū)域內(nèi)選取3個象素點作為種子點，從種子點開始以8 連通方式搜索相鄰的象素點f(x，y)，若該點滿足生長準(zhǔn)則的閾值，則將其加入種子點區(qū)域內(nèi)，區(qū)域不斷的生長，直至達(dá)到停止準(zhǔn)則結(jié)束，如圖2所示:

圖2 候選點集的建立過程

圖2(a)為原圖，其生長區(qū)域標(biāo)記為1，其他標(biāo)記為0，得到路面區(qū)域M(i，j)。由于車道線與路面相差很大，可能未被選取，因此需要進一步進行填充。根據(jù)實驗數(shù)據(jù)得到車道線在圖像中所占寬度最大為15個象素點。對圖像M(i，j)進行遍歷，當(dāng)象素點M(x，y)滿足象素點M(x+15，y)和M(x-15，y)為1時，也將M(x，y)標(biāo)記為1，如圖2(b)，1為黑色，0為白色。同時，對圖像采用最優(yōu)閾值法對Y(i，j)進行閾值處理，大于閾值T 標(biāo)記為0，小于閾值T 標(biāo)記為1，得到圖像O(i，j)，如圖2(c)。

經(jīng)過上述處理后，若象素點同時滿足M(x，y)為1和O(x，y)為0，則標(biāo)記為1，可得到圖像F(i，j)，即稱為候選點集，如圖2(d)。

2.3 候選點集篩選及有效特征點建立

由于受各種因素影響，初步提取的候選點集仍存在噪聲和其他干擾。為提高候選點集的準(zhǔn)確性，需做進一步處理。利用連通方式遍歷F(i，j)，將圖像中相鄰的象素點聚為一類。經(jīng)聚類后，圖像中所有相連的象素點就分別聚合到一起，得到新的候選點集{Mi}，i=1，2，…，p。在本實驗中車道線的象素點最少為16個，將{Mi}中象素點少于16個的剔除。

由于車道線存在磨損和人為等因素導(dǎo)致候選點不連續(xù)，為了增強篩選后的候選點信息，對候選點圖像進行膨脹操作。候選點信息增強后，需要對車道線進行分段，添加3條分割線，再重新聚類。仍采用連通方式遍歷圖像，建立新的集合{Ri}，i=1，2，…，n，如圖3所示:

在圖3(a)中的3條白線即為分割線。對每個點集合計算相應(yīng)的中心坐標(biāo){為集合Ri的候選點的個數(shù)，并按橫坐標(biāo)x 大小，從低到高進行排序，得到新的集合即為有效特征點集合Hi={C(xi，yi)}，i=1，2，…，n，如圖3(b)。

圖3 車道線候選點的聚類和篩選分類結(jié)果

2.4 有效特征點分類

在結(jié)構(gòu)化道路上，車輛正前方視角可能存在多條車道線。因此，需要將初步得到的有效特征點集合，進行左右分類和篩選。分類步驟如下:

查找離中心線w/2 最近的中心點記作P(xn/2，yn/2)。根據(jù)實驗數(shù)據(jù)，當(dāng)P(xn/2，yn/2)的橫坐標(biāo)和中心線相差大于等于d(左右車道線的在圖像中最近距離的1/2)個象素點，則P(xn/2，yn/2)到P(xn，yn)需歸類到右車道線，P(x0，y0)到P(xn/2，yn/2)歸類到左車道線內(nèi)。如果|P(xn/2，yn/2)-w/2|小于d個象素點，且P(xn/2，yn/2)位于中心線左側(cè)時，則從P(x0，y0)到P(xn/2，yn/2)歸類為左車道線，P(xn/2+1，yn/2+1)到P(xn，yn)歸類為右車道線;否則，P(x0，y0)到P(xn/2-1，yn/2-1)歸類為左車道線，P(xn/2，yn/2)到P(xn，yn)歸類為右車道線。

在分類后仍需要進一步處理，篩選出車輛正前方視野內(nèi)的最近的兩條車道線。記上一步提取的左車道線的有效特征點集為{L(xi，yi)}，i=1，2，…，s，右車道線的有效特征點集為{R(xi，yi)}，i=1，2，…，t，且兩集合都要按x軸坐標(biāo)從低到高重新排序，如圖3(c)，其中“-”為左車道線的有效特征點，“+”為右車道線的有效特征點。

對于左車道線{L(xi，yi)}，從最高位開始掃描，記當(dāng)前點其坐標(biāo)為(xn，yn)，下一個點坐標(biāo)為(xn-1，yn-1)，w=(xn-xn-1)，h=(yn-yn-1)，如果滿足:

式1、2，則將繼續(xù)保留集合內(nèi)，其他情況的將剔除掉;式1是車輛正常行駛情況，其中w與h的4倍關(guān)系取決于圖像的視角，式2是車輛向左變道情況，其d1是左右車道線有效點的水平最近距離，d2是車道線有效點的垂直最近距離，d3是中心線水平坐標(biāo)。

對于右車道線{R(xi，yi)}，從最低位開始掃描，記當(dāng)前點其坐標(biāo)為(xn，yn)，下一個點坐標(biāo)為(xn+1，yn+1)，w=(xn-xn-1)，h=(yn-yn-1)，如果滿足:

式2、3，則將繼續(xù)保留集合內(nèi)，其他情況的將剔除掉;式2 也適合是車輛向右變道情況，式3是車輛正常行駛情況。

經(jīng)過本次篩選后分別得到左車道線的有效特征點集合{L'(xi，yi)}，i =1，2，…，n和右車道線的有效特征點集合{R'(xi，yi)}，i=1，2，…，m，如圖3(d)。

2.5 最小二乘法擬合車道線

本算法為了能更真實地標(biāo)記出車道線，采用二次曲線作為車道線模型。將前述所得的有效特征點{L'(xi，yi)}，和{R'(xi，yi)}分別作為擬合所需的樣本點，采用最小二乘法來擬合該二次曲線，即yi=a0通過樣本點的輸入結(jié)合最小二乘法擬合，分別得到左車道線yl和右車道線yr。在原圖感興趣區(qū)域內(nèi)，描繪出車道線，將圖放入顯示緩沖隊列。

3 實驗結(jié)果與分析

實驗測試平臺由SEED-DVS6446 開發(fā)板、SEED-XDS560PLUS仿真器和inphic 播放器組成。視頻測試序列為一段采集于高速公路的視頻(720×576，25fps，mpg)。實驗結(jié)果，如圖4所示:

圖4 車道線檢測效果示意圖

圖4(a)(c)為外界干擾較少時，正常行駛或變換車道狀態(tài)車道線的檢測效果;圖4(d)和圖4(e)為周圍存在干擾時(車輛陰影、橋梁等影響)車道線的檢測效果，圖4中白色即為車道線。視頻序列共673幀，本文算法車道線識別率為91.3%，每幀平均耗時為46ms，滿足了車道線的實時性檢測，并且具有良好的魯棒性。

4 結(jié)束語

本文提出的基于TI 公司Davinci系列DSP 處理DM6446 嵌入式平臺的車道線快速檢測算法，其建立于二次曲線模型基礎(chǔ)上，通過在感興趣區(qū)域內(nèi)，融合最優(yōu)閾值化和區(qū)域生長法獲取車道線，與其他只采用單一閾值化檢測法相比具有更好的魯棒性;最后利用建立有效特征點來擬合車道線，降低了樣本點數(shù)，與采用傳統(tǒng)Hough 變換檢測直線相比，檢測更接近實際標(biāo)記處車道線，且易于在嵌入式平臺上實現(xiàn)。實驗結(jié)果表明，算法對結(jié)構(gòu)化道路車道線檢測具有良好的魯棒性和實時性，滿足了為車輛偏離警告系統(tǒng)的有效決策提供有利條件。

[1]余厚云，張為公.直線模型下的車道線跟蹤與車道偏離檢測[J].自動化儀表，2009，30(11):1-7.

[2]林國余，陳旭，張為公.基于多信息融合優(yōu)化的魯棒性車道線檢測算法[J].東南大學(xué)學(xué)報(自然科學(xué)版)，2010，40(4):771-772.

[3]Chaiwai Nuthong，Theekapun Charoenpong.Lane Detection using Smoothing Spline[C].Yantai:IEEE 2010 3rd International Congress on Image and Signal Processing，2010:989-993.

[4]Tan Yi，Han Feng，F(xiàn)aroog Ibrahim.A Radar Guided Vision System for Vehicle Validation and Vehicle Motion Characterization[C].Seattle:IEEE Intelligent Transportation Systems Conference，2007:1 059-1 066.

[5]肖曉明，馬智，蔡自興，等.一種自適應(yīng)的區(qū)域生長算法用于道路分割[J].控制工程，2011，18(3):364-368.