基于特征點(diǎn)提取的彎道識(shí)別算法研究

葛平淑，徐國(guó)凱，宮長(zhǎng)明，趙秀春

(大連民族學(xué)院機(jī)電信息工程學(xué)院，遼寧大連 116605)

高速公路彎道是交通事故的多發(fā)路段，其事故發(fā)生概率大且事故嚴(yán)重程度高。單位里程的公路，彎道上的事故次數(shù)明顯高于直線路段發(fā)生的事故數(shù)，這是因?yàn)檐囕v在彎道路段易發(fā)生側(cè)滑甚至側(cè)翻。根據(jù)《中華人民共和國(guó)道路交通事故統(tǒng)計(jì)年報(bào)》，2006年，彎道路段發(fā)生的事故數(shù)量占全部交通事故的9.31%，從事故嚴(yán)重程度來(lái)看，受傷人數(shù)和死亡人數(shù)分別占事故總?cè)藬?shù)的11.2%和12.23%，直接經(jīng)濟(jì)損失占全部交通事故損失的11.47%。因此，保證車輛在高速公路彎道路段的行駛安全性至關(guān)重要，對(duì)于汽車安全輔助駕駛技術(shù)而言，能夠準(zhǔn)確識(shí)別彎道邊界并判斷道路彎曲方向是實(shí)現(xiàn)車道偏離預(yù)警、車道保持等主動(dòng)安全功能的技術(shù)關(guān)鍵。

目前，國(guó)內(nèi)外彎道檢測(cè)的相關(guān)研究主要采用基于道路模型的檢測(cè)方法，常見的道路模型主要有二項(xiàng)式模型［1］、拋物線模型［2］、雙曲線模型［3］、直線 －拋物線模型［4］、廣義曲線模型［5］等。文獻(xiàn)［1－5］均采用基于道路模型的傳統(tǒng)方法，研究了彎道分道線的檢測(cè)提取算法。該方法大致可分為兩個(gè)基本步驟:一是建立道路的曲線模型，二是求解模型的數(shù)學(xué)參數(shù)。上述傳統(tǒng)方法對(duì)特定的結(jié)構(gòu)化道路或等級(jí)較高的公路有較好的檢測(cè)效果，但一種車道模型很難普遍應(yīng)用于多種不同的道路，適用性較差。在國(guó)內(nèi)，曲線道路邊界的識(shí)別技術(shù)還不成熟，主要原因在于曲線識(shí)別的模式復(fù)雜、情況多樣、道路模型難以統(tǒng)一，并且由于算法的復(fù)雜性，很難滿足準(zhǔn)確性和實(shí)時(shí)性的要求［6］。因此，本文提出了一種基于特征點(diǎn)提取的彎道車道線檢測(cè)新算法，在提取車道線直線段上的特征點(diǎn)后，根據(jù)道路彎曲方向提取曲線段上的特征點(diǎn)，并對(duì)車道線候選特征點(diǎn)進(jìn)行濾波，最終逐點(diǎn)連線分段擬合出彎道車道線。該方法主要基于以下考慮:①?gòu)澋缊D像的近景部分可以近似看成是直線道路;②由微分法可知，長(zhǎng)度很短的曲線段，可看成是直線段［7］。另外，文中方法與基于道路模型的傳統(tǒng)方法的區(qū)別在于，省略了曲線模型建立和數(shù)學(xué)參數(shù)求解的復(fù)雜過程，通過依次連接車道線特征點(diǎn)，分段擬合實(shí)現(xiàn)彎道的識(shí)別和二維重建，算法簡(jiǎn)單、實(shí)時(shí)性高，且普遍適用于一般等級(jí)的高速公路彎道路段。

1 圖像的獲取和預(yù)處理

車輛在行駛時(shí)需要的周圍道路環(huán)境信息，是通過機(jī)器視覺傳感器來(lái)獲取的。在車輛的正前方安裝CCD圖像傳感器獲取視覺信息，得到一系列數(shù)字圖像。本實(shí)驗(yàn)用VC++驅(qū)動(dòng)彩色光學(xué)CCD圖像傳感器獲取圖像并對(duì)圖像進(jìn)行預(yù)處理，最后轉(zhuǎn)換為二值圖。

首先對(duì)彩色圖像進(jìn)行灰度化處理，再采用雙邊濾波對(duì)灰度圖像進(jìn)行平滑，選用基于大津法的自適應(yīng)閾值算法［8］進(jìn)行閾值分割，然后將分割所得二值圖和濾波所得灰度圖進(jìn)行邏輯與運(yùn)算，這樣在對(duì)圖像進(jìn)行二值化的同時(shí)保留了原圖和背景中相同的部分，去除了不同的部分。實(shí)驗(yàn)證明，用上述方法對(duì)圖像進(jìn)行預(yù)處理，能夠?qū)⒌缆愤吔巛^清晰的突顯出來(lái)，且對(duì)不同的光照條件和天氣變化具有良好的適應(yīng)性。實(shí)驗(yàn)結(jié)果如圖1，(a)為原始圖像，(b)為對(duì)應(yīng)預(yù)處理后的圖像。從左往右依次為正常光照、陰影遮蓋和陰雨干擾下的道路圖像。

圖1 圖像預(yù)處理結(jié)果

2 彎道標(biāo)志線檢測(cè)

2.1 道路模型的建立

根據(jù)CCD的標(biāo)定參數(shù)及其視距，參考高速公路設(shè)計(jì)和建設(shè)標(biāo)準(zhǔn)，從大量的實(shí)驗(yàn)道路圖像中得出結(jié)論:車輛前方40 m視距以內(nèi)的彎道分道線在圖像上都可近似為直線［9］。由實(shí)驗(yàn)道路圖像可知，在大多數(shù)情況下該近似模型都能成立。通過上述分析可建立如圖2的彎道模型。

圖2 彎道模型

在準(zhǔn)確識(shí)別彎道邊界的基礎(chǔ)上，為縮短車道線識(shí)別的時(shí)間，本文提出了一種基于特征點(diǎn)提取的彎道標(biāo)志線識(shí)別算法。該算法首先利用Hough變換獲得左、右車道線的兩直線方程;接著分別確定對(duì)應(yīng)車道線直線段上的特征點(diǎn);然后按照文中給出的判斷準(zhǔn)則求解道路的彎曲方向;從而根據(jù)彎道方向搜索曲線段上的特征點(diǎn)，并對(duì)車道線候選特征點(diǎn)進(jìn)行濾波;最終逐點(diǎn)連線分段擬合當(dāng)前車道線，進(jìn)而實(shí)現(xiàn)車道線的二維重建。整個(gè)算法的流程如圖3。

圖3 彎道標(biāo)志線識(shí)別算法流程圖

2.2 Hough 變換

彎道分道線的近似直線段一般位于道路圖像的下半?yún)^(qū)域，因此，將圖像下方1/2區(qū)域定為預(yù)搜索區(qū)域。這樣可減少圖像控件中被投票的目標(biāo)點(diǎn)數(shù)，縮小Hough變換的投票空間，在一定程度上提高算法的實(shí)時(shí)性和穩(wěn)定性。

在此基礎(chǔ)上，為縮小搜索范圍，減少算法時(shí)間，文中將左、右車道線的檢測(cè)分開處理。由經(jīng)驗(yàn)可知，左車道線的直線傾角angleleft一般小于90°，而右車道線的直線傾角angleright通常情況下為90°～180°。為進(jìn)一步減少搜索時(shí)間，對(duì)近百幀不同道路環(huán)境下圖像的試驗(yàn)結(jié)果進(jìn)行統(tǒng)計(jì)分析，最終將 angleleft確定在40°～70°之間，同 時(shí) 將 angleright確定為 110°～160°，上下浮動(dòng)各5°。此時(shí)，左、右車道線的斜率分別設(shè)為kl、kr，如圖4，其中(a)為左車道線模型，(b)為右車道線模型。

圖4 車道線模型

本文采用上述Hough變換方法對(duì)Sobel算子運(yùn)算后的圖片進(jìn)行處理，通過比較提取Hough變換后參數(shù)平面上的峰值點(diǎn)，由此分別獲得圖像中左、右車道線直線段的方程。

2.3 確定直線段的特征點(diǎn)

根據(jù)左、右車道線直線段的方程，可分別確定道路圖像中兩車道線的最低點(diǎn)pointbottom和最高點(diǎn)pointtop，即車道線直線段的特征點(diǎn)。一般情況下，在圖像中左車道最低點(diǎn)的橫坐標(biāo)為0，最高點(diǎn)的縱坐標(biāo)為0，對(duì)右車道而言，最低點(diǎn)的縱坐標(biāo)通常為圖像最大高度Height，最高點(diǎn)的橫坐標(biāo)為0。直線段上特征點(diǎn)的確定示意圖如圖5。

圖5 直線段特征點(diǎn)的確定

另外，為保證直線上段特征點(diǎn)提取的準(zhǔn)確性，這里考慮了特征點(diǎn)溢出圖像的情況。左車道線特征點(diǎn)的溢出情況如圖6。其中，圖(a)為最低點(diǎn)pointbottom溢出的情況，此時(shí)理論上的最低點(diǎn)應(yīng)為A1，但由于A1超過圖像的最大高度，溢出圖像邊界，故需將實(shí)際最低點(diǎn)設(shè)定為該車道線與圖像最大高度處的交點(diǎn)A2;圖(b)則表示最高點(diǎn)pointtop溢出的情況，此時(shí)B1應(yīng)為理論最高點(diǎn)，但鑒于B1已超過圖像的最大寬度，因此將該車道線與圖像最大寬度處的交點(diǎn)B2定為實(shí)際最高點(diǎn)。同時(shí)，右車道線特征點(diǎn)的溢出情況如圖7。其中，圖(a)表示最高點(diǎn) pointtop溢出，圖(b)表示最低點(diǎn)pointbottom溢出。同理，此時(shí)需將C2設(shè)定為右車道線的實(shí)際最高點(diǎn)，D2設(shè)定為右車道線的實(shí)際最低點(diǎn)。在獲得左、右車道線的兩直線方程后，兩直線的交點(diǎn)pointmeet也隨之確定。

圖6 左車道線特征點(diǎn)溢出情況

圖7 右車道線特征點(diǎn)溢出情況

2.4 判斷彎道方向

(1)初步確定兩車道線的候選拐點(diǎn)。將車道線最低點(diǎn)pointbottom與兩車道線直線部分交點(diǎn)pointmeet間的直線段設(shè)為預(yù)搜索區(qū)域，從最低點(diǎn)處按規(guī)定步長(zhǎng)從下往上依次掃描。當(dāng)滿足設(shè)定的停止準(zhǔn)則時(shí)，搜索停止，此時(shí)的像素點(diǎn)可初步確定為該車道線上直線段與曲線段的交點(diǎn)，即所謂的拐點(diǎn)pointtemp。實(shí)驗(yàn)中當(dāng)搜索到一個(gè)黑色像素點(diǎn)，且已搜索到的白色像素點(diǎn)大于指定數(shù)量時(shí)，搜索停止。若任一車道線的拐點(diǎn)不能按上述搜索條件確定，則令該車道線拐點(diǎn)的縱坐標(biāo)與另一已知車道線拐點(diǎn)的縱坐標(biāo)相等，從而初步確定該車道線的拐點(diǎn)。

(2)對(duì)車道線候選拐點(diǎn)進(jìn)行濾波。為保證定位準(zhǔn)確需對(duì)上述所得的車道線候選拐點(diǎn)進(jìn)行濾波，方法為:首先確定實(shí)驗(yàn)圖像中左、右車道線候選拐點(diǎn)中的較高點(diǎn)，將該點(diǎn)與另一車道線候選拐點(diǎn)間的直線段作為濾波區(qū)域，然后在該區(qū)域自上而下依次掃描，當(dāng)搜索到第一個(gè)白色像素點(diǎn)時(shí)，停止搜索，此像素點(diǎn)即為濾波后所得的該車道線的準(zhǔn)確拐點(diǎn)。

(3)判斷車道線彎曲方向。將左、右車道線的拐點(diǎn)pointtemp與兩車道線直線段交點(diǎn)pointmeet間的區(qū)域設(shè)為搜索區(qū)域，分別在各車道線區(qū)域從下往上掃描，在圖像每一行中，從對(duì)應(yīng)車道線直線方程上的點(diǎn)開始，分別向左、右兩側(cè)各遍歷5列，并統(tǒng)計(jì)直線段兩側(cè)白色像素點(diǎn)的個(gè)數(shù)。其中，將左車道線左、右兩側(cè)白色像素點(diǎn)的個(gè)數(shù)分別記為numll、numlr，同時(shí)將右車道線左、右兩側(cè)白色像素點(diǎn)個(gè)數(shù)分別記為numrl、numrr。

其中N為常數(shù)，試驗(yàn)中設(shè)為10。

車道線彎曲方向求解的流程圖如圖8。

圖8 車道線彎曲方向求解流程圖

2.5 彎道標(biāo)志線的重建

在已知車道線彎曲方向和車道線拐點(diǎn)的前提下，設(shè)定曲線段上特征點(diǎn)的搜索準(zhǔn)則:從當(dāng)前車道線直線方程上的點(diǎn)開始，向該車道的彎曲方向遍歷N列，當(dāng)搜索到第一個(gè)白色像素點(diǎn)時(shí)停止掃描，實(shí)驗(yàn)以此確定各車道線曲線段的特征點(diǎn)。例如，如果當(dāng)前車道是左彎道，在各車道線拐點(diǎn)point-temp與兩車道線直線部分的交點(diǎn)pointmeet間從下往上依次掃描，在圖像每一行中，從對(duì)應(yīng)車道線直線方程上的點(diǎn)開始，向左遍歷10列，當(dāng)搜索到第一個(gè)白色像素點(diǎn)時(shí)，即停止搜索。此點(diǎn)即為左彎道對(duì)應(yīng)曲線段在該行的像素點(diǎn)。另外，根據(jù)大量試驗(yàn)得出，此時(shí)兩直線段交點(diǎn)pointmeet的縱坐標(biāo)不應(yīng)小于0.4倍圖像高度。由上述方法同理可得右彎道分道線上曲線段的系列特征點(diǎn)。

在這里，試驗(yàn)也沒有采用傳統(tǒng)方法中先根據(jù)求解所得的數(shù)學(xué)參數(shù)確定道路曲線模型，再對(duì)車道線建立對(duì)應(yīng)曲線模型進(jìn)行二維重建［10］的模式，而是調(diào)用OpenCV庫(kù)的cvLine函數(shù)依次連接車道線特征點(diǎn)，分段擬合并重建當(dāng)前車道的直線段和曲線段。由于車道線各相鄰特征點(diǎn)距離僅1－2個(gè)像素，根據(jù)微分原理可得到相對(duì)平滑的分道線曲線。

3 實(shí)驗(yàn)結(jié)果

為了測(cè)試文中方法的準(zhǔn)確性和魯棒性，試驗(yàn)使用性能為 AMD Sempron(tm)×2、2.41GHz CPU、1.0G內(nèi)存的PC機(jī)對(duì)道路圖像進(jìn)行測(cè)試，圖像大小為320*240(像素)。實(shí)驗(yàn)對(duì)不同形狀車道線的識(shí)別結(jié)果進(jìn)行統(tǒng)計(jì)分析，統(tǒng)計(jì)結(jié)果見表1。

表1 對(duì)不同形狀道路識(shí)別實(shí)驗(yàn)結(jié)果統(tǒng)計(jì)

結(jié)果表明，該算法不僅能準(zhǔn)確識(shí)別不同形狀的彎道車道線，而且對(duì)直線車道也有良好的識(shí)別效果，平均識(shí)別率約為91.72%。不同車道線形狀下的車道識(shí)別結(jié)果如圖9，上行為原始圖像，下行為識(shí)別結(jié)果，圖像上綠色線段為車道線重建結(jié)果，紅色文字表示車道線彎曲方向。

圖9 不同車道線形狀下車道識(shí)別結(jié)果

另外，對(duì)文中方法與基于道路模型的傳統(tǒng)方法的實(shí)時(shí)性進(jìn)行了比較，實(shí)驗(yàn)結(jié)果表明，其算法時(shí)間較傳統(tǒng)方法減少了27 ms，同時(shí)識(shí)別準(zhǔn)確率提高了20%。隨機(jī)抽取150幀320*240的彎道圖像進(jìn)行試驗(yàn)后的統(tǒng)計(jì)結(jié)果見表2。為進(jìn)一步驗(yàn)證文種方法的有效性，實(shí)驗(yàn)又選取了部分存在不同干擾的道路圖像進(jìn)行測(cè)試，識(shí)別結(jié)果現(xiàn)舉例如圖10，上行為原始圖像，下行為識(shí)別結(jié)果。

表2 兩種方法的實(shí)驗(yàn)比較

圖10中，(a)列是存在地面路標(biāo)干擾時(shí)的原圖和識(shí)別結(jié)果，(b)列有大面積陰影遮蓋的原圖和識(shí)別結(jié)果，(c)列為存在車道線遮擋時(shí)的原圖和識(shí)別結(jié)果，(d)列是陰雨天氣下的原圖和識(shí)別結(jié)果。從識(shí)別結(jié)果可以看出該方法識(shí)別虛線型分道線的有效性。

圖10 不同干擾下車道線識(shí)別結(jié)果

4 結(jié)論

為降低高速公路彎道處的交通事故發(fā)生率，研究了一種基于特征點(diǎn)提取的高速公路彎道識(shí)別算法，采用準(zhǔn)確提取車道線直線段和曲線段上各相關(guān)特征點(diǎn)的方法，逐點(diǎn)連線分段擬合從而實(shí)現(xiàn)彎道路段分道線的識(shí)別與重建。通過對(duì)大量的道路圖像進(jìn)行驗(yàn)證測(cè)試，在多數(shù)情況下，該算法都能準(zhǔn)確區(qū)分彎道的方向，而且計(jì)算復(fù)雜度均在應(yīng)用要求規(guī)定的范圍內(nèi)，但該算法僅限于識(shí)別當(dāng)前車輛所在車道的分道線。為保證車輛在高速公路變換車道時(shí)的安全性，需改進(jìn)文中方法以實(shí)現(xiàn)多車道分道線的檢測(cè)與重建。另一方面，為實(shí)現(xiàn)彎道路段的車道偏離預(yù)警，還需要實(shí)時(shí)計(jì)算彎道的曲率半徑，進(jìn)而結(jié)合控制理論確定車輛在彎道處的臨界安全車速和合適的汽車方向盤轉(zhuǎn)角，以此提高駕駛的安全性。這將作為下一步研究的重點(diǎn)。

［1］CHIU K Y，LIN S F.Lane detection using color－based segmentation［C］∥Proceedings of IEEE Intelligent Vehicles Symposium，Washington，DC:IEEE，2005:706－711.

［2］WANG Y F，DAHNOUN N，ACHIM A.A novel system for robust lane detection and tracking［J］.Signal Processing，92(2012)，319－334.

［3］KHALIFA O O，KHAN I M，ASSIDIQ A M.A hyperbola－pair based lane detection system for vehicle guidance［C］ ∥World Congress on Engineering and Computer Science，San Francisco，CA，2010:585 －588.

［4］JUNG L R，KELBER C R.A lane departure warning system based on a linear－ parabolic lane model［C］∥IEEE Intelligent Vehicles Symposium，2004:891－895.

［5］劉富強(qiáng)，張姍姍，朱文紅，等.一種基于視覺的車道線檢測(cè)與跟蹤算法［J］.同濟(jì)大學(xué)學(xué)報(bào):自然科學(xué)版，2010，38(2):223 －229.

［6］馬雷，武波濤，李昊.基于蟻群算法的彎曲道路邊界的識(shí)別［J］.兵工學(xué)報(bào)，2009，30(9):1236 －1241.

［7］許波文，張建明，劉志強(qiáng).基于分段歸類擬合算法的車道檢測(cè)系統(tǒng)［J］.計(jì)算機(jī)工程與設(shè)計(jì)，2009，(30)20:4766－4769.

［8］管欣，賈鑫，高振海.基于道路圖像對(duì)比度－區(qū)域均勻性圖分析的自適應(yīng)閾值算法［J］.吉林大學(xué)學(xué)報(bào):工學(xué)版，2008，38(4):758 －763.

［9］劉濤，黃席樾，周欣，等.高速公路彎道識(shí)別算法［J］.重慶大學(xué)學(xué)報(bào):自然科學(xué)版，2003，26(7):24－27.

［10］高德芝，段建民，楊磊，等.應(yīng)用多階動(dòng)態(tài)規(guī)劃的車道線識(shí)別方法［J］.機(jī)械工程學(xué)報(bào)，2011，47(8):141－145.

(責(zé)任編輯 劉敏)