一種基于紋理特征的車道線檢測(cè)方法研究

黨宏社，郭楚佳

(陜西科技大學(xué) 電氣與信息工程學(xué)院，陜西 西安 710021)

隨著經(jīng)濟(jì)的發(fā)展，交通壓力日益增大，行車安全成為了矚目的焦點(diǎn)，安全駕駛輔助系統(tǒng)也成為研究的熱點(diǎn)。在車道偏離預(yù)警、防碰撞預(yù)警等預(yù)警系統(tǒng)中，車道線檢測(cè)具有十分重要的作用。只有準(zhǔn)確檢測(cè)車道線，才能定位車輛實(shí)際相對(duì)位置，進(jìn)而確保行車安全。

現(xiàn)階段檢測(cè)車道線的方法主要有以下幾種，歸于相同特點(diǎn)區(qū)域的域增長(zhǎng)法[1]。這種方法需要不斷準(zhǔn)確定義區(qū)域增長(zhǎng)的起始點(diǎn)；對(duì)直線有很好的識(shí)別效果的Hough變換法[2-3]，但其識(shí)別結(jié)果過(guò)分依賴于圖像分割的結(jié)果；基于顏色突變的閾值分割法[4-5]，對(duì)于有強(qiáng)光照、陰影或路面有部分臟污等情況，魯棒性較弱。故而對(duì)于車道線的檢測(cè)需要尋求一種受外界干擾較小的特征量，針對(duì)這種特征進(jìn)行車道線識(shí)別擬合。

在采集到的車道圖像信息中，近景處的信息相對(duì)于遠(yuǎn)景處較為全面，識(shí)別準(zhǔn)確率也會(huì)相對(duì)較高，但是車道線擬合過(guò)程中，需要整條車道線的離散點(diǎn)信息，才能準(zhǔn)確擬合，對(duì)于遠(yuǎn)景部分，往往會(huì)存在較大的偏差。由于車輛長(zhǎng)期路過(guò)碾壓，路面上會(huì)形成一定的車轍印，在得到的圖像中十分明顯，而對(duì)于有強(qiáng)光照強(qiáng)陰影的路面，其局部紋理方向依舊為車輛行駛方向，故而，可以采用車轍印紋理特征實(shí)現(xiàn)車道線的檢測(cè)。

本方法在車道線識(shí)別過(guò)程中，通過(guò)對(duì)近景處的車轍印紋理特征，分5個(gè)尺度、8個(gè)方向進(jìn)行Gabor變換，并對(duì)特征圖進(jìn)行融合，分析其紋理方向，通過(guò)投票機(jī)制選取車道線消失點(diǎn)位置，進(jìn)而利用消失點(diǎn)，建立扇形掃描區(qū)域，定位車道線，擬合車道線直線方程(圖1)。本方法利用近景處的紋理特征，可以彌補(bǔ)遠(yuǎn)景處圖像分割不準(zhǔn)確引起的車道線擬合失敗的不足。

圖1 圖像在5個(gè)尺度8個(gè)方向的Gabor變換結(jié)果Fig.1 Gabor transformation results at 5 scales in 8 directions

1 理論基礎(chǔ)

筆者主要按照Gabor變換、消失點(diǎn)檢測(cè)、及車道線直線方程確定幾個(gè)步驟說(shuō)明基于紋理特征的車道線檢測(cè)方法的理論基礎(chǔ)。

1.1 基于Gabor變換的紋理識(shí)別

Gabor變換是D.Gabor 1946年提出的[6]。由于Gabor函數(shù)在頻率和方向上的表達(dá)方式與人類視覺系統(tǒng)很相似，所以被用來(lái)表達(dá)紋理的特征。近年來(lái)Gabor濾波已經(jīng)被廣泛用于人臉識(shí)別[7]及指紋識(shí)別[8],利用Gabor核函數(shù)對(duì)紋理特征進(jìn)行變換，可以最大程度的凸顯紋理方向特征。

對(duì)于方向Φ和尺度ω，Gabor濾波核函數(shù)如式(1)[9]：

(1)

式中：a=xcosΦ+ysinΦ；b=-xsinΦ+ycosΦ；c=2.2。

選取5個(gè)尺度、8個(gè)方向，一共40個(gè)模板進(jìn)行濾波計(jì)算。不同尺度可以反映出不同強(qiáng)度的紋理特征，不會(huì)丟失與單一模板尺度不匹配的紋理信息。由于透視成像原理，車道中的車轍印方向分布在0～π之間，故而濾波器的方向選擇為8個(gè)，即在0～7/8π之間每間隔π/8取一點(diǎn)，分別在不同尺度使用8方向?yàn)V波器組來(lái)提取車轍印紋理的方向特征，其融合圖像見圖2。

圖2 8個(gè)方向上5個(gè)尺度的融合圖像Fig.2 Fusion image of 5 scales in 8 directions

設(shè)I(x，y)為一灰度圖像的(x，y)點(diǎn)，圖像I與方向Φ和尺度ω下的Gabor核的卷積，定義如式(2)：

Gω,Φ=I?ψω,Φ

{Gω,Φ:ω∈(1,…,4),Φ∈(1,…,7)}

(2)

在Z=(x，y)點(diǎn)的卷積結(jié)果也分為實(shí)部與虛部?jī)刹糠郑瑸榱烁黠@的綜合細(xì)節(jié)紋理特征，在方向判別之前將響應(yīng)的值取為實(shí)部與虛部的平方和，如式(3)：

Iω,Φ(z)=Re[Gω,Φ(z)]2+Im[Gω,Φ(z)]2

(3)

某一方向Φ下的響應(yīng)值定義為該方向不同尺度ω的變換結(jié)果的融合，為均勻得到每個(gè)尺度的信息，取不同尺度結(jié)果的平均值，如式(4)：

RΦ(z)=AverageωIω,Φ(z)

(4)

得到的融合結(jié)果，對(duì)于8個(gè)不同方向的圖像響應(yīng)各不相同，與圖像紋理方向相同的區(qū)域響應(yīng)相對(duì)較強(qiáng)，而與圖像紋理方向相悖的區(qū)域響應(yīng)相對(duì)較弱。

筆者采取最大值的方法，由8個(gè)方向的融合圖像得到原圖像中對(duì)應(yīng)點(diǎn)的方向索引值，即局域紋理的方向由每個(gè)像素點(diǎn)的8個(gè)Gabor方向特征最大值的索引來(lái)評(píng)估，如式(5)：

(5)

式中：RΦ(z),Φ∈(0,…,7)對(duì)應(yīng)像素點(diǎn)z=(x,y)在8個(gè)方向上的Gabor特征(RΦ(z)為融合后特征圖，包含Gabor特征的實(shí)部、虛部)，在此將k作為融合編碼，T(z)=k,k∈(1,…,8)，T(z)∈[1,8]，每個(gè)編碼值表征一種局部方向，對(duì)應(yīng)模板的8個(gè)不同方向，最終每個(gè)車道圖片轉(zhuǎn)化為多方向特征的融合圖像。其對(duì)應(yīng)融合編碼索引值如表1。

表1 融合編碼索引值

1.2 消失點(diǎn)的選取

由透視原理可知，凡是平行的直線都消失于無(wú)窮遠(yuǎn)處的同一個(gè)點(diǎn)，則以道路方向?yàn)橐曈X方向，兩條平行的車道線會(huì)交于遠(yuǎn)處的某一點(diǎn)，這點(diǎn)在透視圖中就叫做消失點(diǎn)。由于消失點(diǎn)是車道線以及與其平行所有紋理直線的視覺相交點(diǎn)，檢測(cè)消失點(diǎn)對(duì)于準(zhǔn)確的估計(jì)車道線位置有著重要意義。

由于路面近景處的路面車轍信息較為豐富且明顯，故而選擇圖中近景處中心全景3/4的區(qū)域作為參與投票點(diǎn)。假設(shè)V1，V2，V3為圖像I(x，y)中的3個(gè)消失點(diǎn)的待選點(diǎn)，其融合編碼索引值分別為T1(z)，T2(z)，T3(z)，圖像為m×n維。

設(shè)P為其中的任意一點(diǎn)，根據(jù)對(duì)應(yīng)融合編碼索引值T1(z)，T2(z)，T3(z)，查找其紋理方向，P點(diǎn)與候選消失點(diǎn)的連線方向設(shè)為(PV1)，(PV2)，(PV3)。若3點(diǎn)的連線方向與紋理方向的夾角均大于π/6則判定投票點(diǎn)失效，繼續(xù)選取下一投票點(diǎn)進(jìn)行投票，直至分析完成所有投票點(diǎn)，統(tǒng)計(jì)V1，V2，V3這3點(diǎn)的投票結(jié)果，若某一點(diǎn)的投票結(jié)果明顯高于另兩點(diǎn)，則可以判定這一點(diǎn)為標(biāo)準(zhǔn)消失點(diǎn)，如圖3。

圖3 候選消失點(diǎn)及其投票結(jié)果Fig.3 Candidate vanishing points and their voting results

1.3 確定車道線方程

消失點(diǎn)蘊(yùn)含了直線的方向信息，從一個(gè)消失點(diǎn)出發(fā)，可以找到經(jīng)過(guò)該點(diǎn)的所有直線，每條車道線均經(jīng)過(guò)消失點(diǎn)，并且道路邊緣檢測(cè)所得的兩條車道線對(duì)應(yīng)直線是以不同斜率通過(guò)消失點(diǎn)的，故而可以據(jù)其準(zhǔn)確檢測(cè)車道線位置。

假設(shè)經(jīng)過(guò)投票所得的消失點(diǎn)為V(xv,yv)，在其下方π/6～5π/6的扇形區(qū)域建立扇形掃描區(qū)域，每間隔π/180設(shè)置一條定標(biāo)線，編號(hào)為li,i∈[1,120]，建立120項(xiàng)數(shù)組C，當(dāng)li覆蓋的點(diǎn)值為1，則設(shè)置Ci加一，累計(jì)完成可得統(tǒng)計(jì)數(shù)組C，假設(shè)：

(6)

(7)

則兩條車道線表示如式(8)及式(9)：

(8)

(9)

2 算法設(shè)計(jì)

其具體算法設(shè)計(jì)如下：

20世紀(jì)70年代，Wilkins(1972)對(duì)詞匯知識(shí)在語(yǔ)言使用中的重要性有過(guò)精辟的論述：“沒有語(yǔ)法，很多東西無(wú)法表達(dá)；沒有詞匯，什么東西也無(wú)法表達(dá)?！睂?duì)于母語(yǔ)學(xué)習(xí)者和外語(yǔ)學(xué)習(xí)者以及教師來(lái)講，詞匯是相當(dāng)重要的學(xué)習(xí)和講授的內(nèi)容（Gass&Selinker,2001）。詞匯量大小對(duì)學(xué)習(xí)者很重要，但是要求學(xué)生每時(shí)每刻都拿著單詞本來(lái)背記，或者老師上課時(shí)主要講單詞的用法，都是不現(xiàn)實(shí)的。教師應(yīng)鼓勵(lì)學(xué)生進(jìn)行廣泛的閱讀，比起任何孤立的外顯教學(xué)課程，這樣的閱讀更能大大增加詞匯量（Coady&Huckin,1997）。

輸入：一幅彩色圖像Im×n×3

輸出：標(biāo)記車道線位置的彩色圖像

1)對(duì)原圖Im×n×3進(jìn)行均值濾波，并將其轉(zhuǎn)化為灰度圖像；

2)根據(jù)式(1)生成Gabor濾波核函數(shù)，通過(guò)Gabor核函數(shù)和式(2)、式(3)對(duì)圖像Im×n×3進(jìn)行卷積，方向Φ和尺度ω下的卷積圖像記為Iω，Φ(z)，并計(jì)算融合紋理特征圖像，根據(jù)式(4)分別將8個(gè)方向上、不同5個(gè)尺度的Gabor變換結(jié)果進(jìn)行融合，將Φ方向上的融合圖記為RΦ(z)；

3)根據(jù)式(5)和表1對(duì)每一候選投票點(diǎn)的方向進(jìn)行標(biāo)記，記其方向編碼為T(z)；

4)對(duì)候選消失點(diǎn)進(jìn)行投票，利用索引值T(z)對(duì)應(yīng)的方向信息與候選消失點(diǎn)進(jìn)行匹配投票，得票明顯高于另兩點(diǎn)的點(diǎn)即為標(biāo)準(zhǔn)消失點(diǎn)：V(xv，yv)；

5)根據(jù)式(6)～式(9)推導(dǎo)實(shí)際車道線直線方程，y1與y2；

6)在圖像Im×n×3中繪制y1與y2兩條車道線。

3 實(shí)驗(yàn)結(jié)果與分析

為驗(yàn)證文中算法對(duì)各種情況下車道線的檢測(cè)效果，選取了多類圖片進(jìn)行實(shí)驗(yàn)，如強(qiáng)光照、強(qiáng)陰影、路面顏色干擾等，在利用OTSU自動(dòng)閾值分割法對(duì)圖像進(jìn)行二值化分割，圖像中存在較多的干擾，包括天空及路邊人行道，由于色彩相近，都得不到很好的分割。

在MATLAB 2008b環(huán)境下，用直接Hough直線檢測(cè)方法[10]以及上述算法對(duì)多幅道路圖像進(jìn)行了識(shí)別和驗(yàn)證。實(shí)驗(yàn)結(jié)果如圖4。

圖4 仿真結(jié)果Fig.4 Simulation results

Hough直線檢測(cè)方法對(duì)于亮度較高的、連續(xù)的直線有較好的擬合效果，但是Hough變換法受天空及路面陰影影響較大，對(duì)于有強(qiáng)光照、強(qiáng)陰影、路面干擾的情況，并不能很好的檢測(cè)出車道線位置，并且，其車道線檢測(cè)結(jié)果過(guò)分依賴于圖像二值化結(jié)果，而對(duì)于復(fù)雜路面環(huán)境，二值化的結(jié)果本身就無(wú)法完全表示路面車道線及道路邊沿的實(shí)際情況，故而引起Hough直線檢測(cè)的誤判斷。相比，本方法利用圖像近景處點(diǎn)的方向紋理特征進(jìn)行消失點(diǎn)的檢測(cè)，通過(guò)消失點(diǎn)進(jìn)行車道線的定位，對(duì)于強(qiáng)光照、強(qiáng)陰影和路面顏色干擾都具有較好的檢測(cè)效果。

4 結(jié) 論

在車道線檢測(cè)方法中，最需要考慮車道線的實(shí)際情況，積水、淤泥和破損等情況都會(huì)影響車道線的連續(xù)性，公路上其它標(biāo)示如斑馬線都會(huì)影響車道線的檢測(cè)。分析與計(jì)算機(jī)仿真實(shí)驗(yàn)表明，筆者所提出的基于道路紋理特征提取道路消失點(diǎn)的方法是有效的。此方法對(duì)復(fù)雜背景下的車道線檢測(cè)有較好的效果，對(duì)強(qiáng)光照、陰影等因素不敏感，可以不依賴于圖像分割的結(jié)果，準(zhǔn)確識(shí)別車道線。

[1] 陳勇,黃席樾,唐高友,等．基于機(jī)器視覺的車道檢測(cè)與二維重建方法[J]．儀器儀表學(xué)報(bào),2007,28(7):1205-1210.

Chen Yong,Huang Xiyue,Tang Gaoyou,et al.Lane detection and two dimensional rebuilding based on machine vision [J].Chinese Journal of Scientific Instrument,2007,28(7):1205-1210.

[2] Ghazali K,Xiao Rui,Ma Jie.Road Lane Detection Using H-Maxima and Improved Hough Transform[C]// Proceedings of 4thInternational Conference on Computational Intelligence,Modeling and Simulation.Kuantan,Malaysia:CIMSim,2012:205-208.

[3] Chen Long,Li Qingquan,Mao Qingzhou,et al.Block-Constraint Line Scanning Method for Lane Detection[C]//Intelligent Vehicles Symposium (IV).San Diego,CA:IEEE,2010:89-94.

[4] 孫波成,秋延峻.基于圖像處理的路面裂縫識(shí)別研究[J].重慶交通大學(xué)學(xué)報(bào):自然科學(xué)版,2008,27(1):61-64.

Sun Bocheng,Qiu Yanjun.Pavement cracks identification using image technology [J].Jourmal of Chongqing Jiaotong University:Natural Science,2008,27(1):61-64.

[5] 沈瑜,羅維薇,王小鵬,等.一種新的車道線快速識(shí)別算法[J].計(jì)算機(jī)應(yīng)用研究,2011,28(4):1544-1550.

Shen Yu,Luo Weiwei,Wang Xiaopeng,et al.Novel algorithm of fast lane identification [J].Application Research of Computers,2011,28(4):1544-1550.

[6] Gabor D.Theory of communication (Part 1:The analysis of information) [J].Electrical Engineers III,1946,93(26):429-441.

[7] Arindam K,Bhattacharjee D,Dipak K B,et al.High performance human face recognition using independent high intensity Gabor wavelet responses:a statistical approach [J].International Journal of Computer Science & Emerging Technologies,2011,2(1):178-187.

[8] 侯洪麗,張宵霞,王福明.基于Gabor函數(shù)能量特征的指紋增強(qiáng)[J].電子測(cè)試,2011,5(5):19-22.

Hou Hongli,Zhang Xiaoxia,Wang Fuming.Fingerprint enhancement based on Gabor functional energy features [J].Electronic Test,2011,5(5):19-22.

[9] 趙英男,孟凡斌,金忠.Gabor核函數(shù)的設(shè)置研究[J].計(jì)算機(jī)科學(xué),2009,36(1):111-113.

Zhao Yingnan,Meng Fanbin,Jin Zhong.Research on design of Gabor kernels’ windows [J].Computer Science,2009,36(1):111-113.

[10] 段汝嬌,趙偉,黃松嶺,等.一種基于改進(jìn)Hough變換的直線快速檢測(cè)算法[J].儀器儀表學(xué)報(bào),2010,31(12):19-22.

Duan Rujiao,Zhao Wei,Huang Songling,et al.Fast line detection algorithm based on improved Hough transformation [J].Chinese Journal of Scientific Instrument,2010,31(12):19-22.