車道線圖像檢測(cè)與車輛偏航預(yù)警模型構(gòu)建＊

魏慶媛，程文冬，沈云波

（西安工業(yè)大學(xué) 機(jī)電工程學(xué)院，西安710021）

在非駕駛?cè)酥饔^意志下，車輪接觸或越過車道線的行為稱車輛偏航．車輛偏航的誘因來自于外界環(huán)境因素（光照較弱，天氣惡劣，車道線不清晰等）、駕駛?cè)艘蛩兀ㄆ隈{駛，注意力分散等）和車輛因素（側(cè)向滑移、車輪跑偏等）．研究表明在高速公路交通事故當(dāng)中，由于車輛偏航導(dǎo)致碰撞事故的比例已經(jīng)占到約30%［1］．如果能夠?qū)崟r(shí)監(jiān)測(cè)車輛的橫向位移狀態(tài)，并對(duì)駕駛?cè)水a(chǎn)生預(yù)警信號(hào)或主動(dòng)干預(yù)車輛，將會(huì)大大減少由于車輛偏航導(dǎo)致的交通事故［2］．正因如此，車輛偏航預(yù)警技術(shù)逐漸成為安全輔助駕駛、智能導(dǎo)航等領(lǐng)域的重要研究?jī)?nèi)容．

如何從復(fù)雜的道路監(jiān)測(cè)圖像中魯棒提取車道線區(qū)域并進(jìn)行線型擬合是實(shí)現(xiàn)偏航預(yù)警的首要問題．國內(nèi)外學(xué)者常在道路感興趣區(qū)域（Region of Interest，ROI）內(nèi)獲取圖像灰度、邊緣梯度等特征信息，再結(jié)合實(shí)際道路的曲率特征，將車道線擬合為直線模型［3］、二次曲線模型［4］或分段曲線拼接模型［5］．文獻(xiàn)［3］采用直線與二次曲線模型研究了復(fù)雜路況下的車道線擬合方法，并運(yùn)用Kalman濾波實(shí)現(xiàn)了車道線實(shí)時(shí)跟蹤；文獻(xiàn)［5］建立了方向可調(diào)濾波器檢測(cè)遠(yuǎn)近場(chǎng)ROI窗口內(nèi)的車道線，并采用分段直線建立擬合模型，具有較好的車道線檢測(cè)與跟蹤性能，但是該方法對(duì)于遠(yuǎn)場(chǎng)車道線擬合誤差較大．盡管非直線模型在各種曲率道路中具有更高的擬合精度，但此類模型對(duì)車道線候選像素的需求量更大，算法更加復(fù)雜，不利于實(shí)時(shí)監(jiān)測(cè)．另外在車輛偏航監(jiān)測(cè)研究方面，許多方法［6］需進(jìn)行道路坐標(biāo)系與圖像坐標(biāo)系的轉(zhuǎn)換，因此對(duì)攝像機(jī)標(biāo)定結(jié)果的依賴性很強(qiáng)．在線標(biāo)定和離線標(biāo)定的計(jì)算量都很大，同時(shí)計(jì)算精度并不穩(wěn)定．為此，文中對(duì)電荷耦合元件（Charge Coupled Device，CCD）前方道路圖像進(jìn)行ROI劃分，利用Sobel算子進(jìn)行車道線梯度邊緣檢測(cè)，運(yùn)用雙重特征約束提取特征邊緣，通過Hough變換擬合內(nèi)側(cè)車道線，通過成像射影幾何模型來判斷車輛的橫向運(yùn)動(dòng)狀態(tài)，以期實(shí)現(xiàn)車輛偏航預(yù)警，提升車輛偏航預(yù)警的魯棒性與準(zhǔn)確性．

1 車道線的圖像檢測(cè)

1．1 ROI預(yù)處理

為了排除監(jiān)測(cè)圖像中的天空、路邊環(huán)境物等冗余像素信息，首先通過設(shè)置ROI來提取道路區(qū)域，如圖1所示．其中C和R分別表示監(jiān)測(cè)圖像橫縱方向的像素?cái)?shù)量．此方案可以將車道線完整信息包含進(jìn)來，同時(shí)最大程度上排除道路以外的干擾信息．進(jìn)而將ROI平均分割成左右對(duì)稱兩區(qū)域Rleft和Rright，用于左右車道線的后續(xù)識(shí)別．

圖1 道路ROIFig．1 Road region of interest

雖然車道線從顏色、幾何邊緣上與其它道路區(qū)域存在顯著差別，但是由于光照變動(dòng)、車輛運(yùn)動(dòng)等干擾導(dǎo)致車道線灰度和邊緣特征并不穩(wěn)定．本文首先將RGB格式的彩色圖像轉(zhuǎn)換為灰度圖像．考慮車道線與路面的灰度特性，灰度轉(zhuǎn)換算法表示為

式中：R、G、B分別表示紅、藍(lán)、綠通道分量值；Gray表示轉(zhuǎn)換后像素的灰度值．在此基礎(chǔ)上采用多尺度Retinex法［7］對(duì)灰度圖像進(jìn)行增強(qiáng)，進(jìn)一步凸顯車道線的灰度特性．

1．2 自適應(yīng)二值化

二值化處理將道路區(qū)域劃分為車道線目標(biāo)和道路背景兩部分，其關(guān)鍵問題在于灰度閾值的設(shè)置．由于道路光照條件并不理想，同時(shí)CCD的自動(dòng)增益控制（Automatic Gain Control，AGC）特性與光照非線性相關(guān)，最佳分割閾值的波動(dòng)較大，因此采用單一固定閾值的方法提取車道線像素的效果不佳．文中采用基于概率分布的動(dòng)態(tài)閾值法［8］．

ROI圖像的灰度直方圖如圖2（a）所示，可近似視為灰度概率密度函數(shù)．該函數(shù)為混合在一起的兩個(gè)具有單峰分布的密度函數(shù)，分別對(duì)應(yīng)車道線區(qū)域和道路背景，兩者的灰度差異顯著，具有可分性，如圖2（b）所示．在獲取灰度直方圖的基礎(chǔ)上，尋求使得二值化錯(cuò)誤概率最低的最佳閾值T．步驟如下：① 計(jì)算ROI內(nèi)像素最大和最小灰度值Gmax和Gmin，求其平均值Ga＝（Gmax＋Gmin）／2；② 求得小于Ga像素的平均灰度值G1，再求得大于Ga像素的平均灰度值G2；③ 將G1和G2的平均值作為動(dòng)態(tài)閾值T，依此對(duì)ROI中每個(gè)像素灰度f（x，y）進(jìn)行二值化處理，具體為

最終獲得車道線像素集如圖3所示．

圖2 ROI灰度分布Fig．2 Gray level distribution within ROI

圖3 車道線像素集Fig．3 Pixel set of lane mark

1．3 特征邊緣檢測(cè)

車道線與路面具有顯著的邊緣特征，文中采用Sobel算子來提取車道線特征邊緣．與Canny、Log等算子相比，Sobel算子對(duì)噪聲具有良好的平滑作用，運(yùn)算速度快，精度好．Sobel算子將接近模板中心的像素點(diǎn)作為檢測(cè)目標(biāo)并引入局部平均，在圖像空間f（x，y）中運(yùn)用3×3模板與目標(biāo)像素進(jìn)行水平與垂直方向鄰域卷積為

式中：Gx，Gy分別為水平與垂直方向鄰域卷積；i＝1，2，3；j＝1，2，3．

傳統(tǒng)Sobel算子僅提供了水平和垂直方向梯度模板，因此對(duì)傾斜的車道線邊緣不具有針對(duì)性．為強(qiáng)化Sobel算子對(duì)車道線邊緣的檢測(cè)能力，文中將二向邊緣檢測(cè)改進(jìn)為八向，各方向的卷積模板如圖4所示．對(duì)Sobel邊緣進(jìn)行斜率與長(zhǎng)度特征過濾，排除路面標(biāo)志、車輛等干擾邊緣．經(jīng)實(shí)驗(yàn)統(tǒng)計(jì)，左側(cè)車道線的斜率Sleft分布于π／6～3π／4之間，右側(cè)車道線斜率Sright的分布區(qū)間為5π／4～5π／6．由此斜率閾值初選邊緣Edge-s為

由于車道線與其它干擾物在邊緣長(zhǎng)度上也具有明顯區(qū)分，設(shè)置長(zhǎng)度閾值Tlength排除干擾邊緣，獲得車道線邊緣Edge為

圖4 Sobel算子卷積模板Fig．4 Convolution templates of Sobel operator

圖5所示為左右車道線特征邊緣的提取過程．圖5（a）為ROI圖像，圖5（b）為八向Sobel算子檢測(cè)的梯度邊緣，圖5（c）為長(zhǎng)度閾值約束后的邊緣，圖5（d）為斜率閾值約束后的邊緣．經(jīng)過雙重閾值約束，車道線特征邊緣在ROI內(nèi)能夠有效的提取，同時(shí)最大程度上排除非車道線邊緣帶來的干擾．

1．4 Hough直線變換

車輛偏航監(jiān)測(cè)預(yù)警主要應(yīng)用于車速高于60 km·h-1的高速公路環(huán)境中．根據(jù)我國公路工程技術(shù)標(biāo)準(zhǔn)，高速公路最小曲率半徑為650m可證明在直線、二次曲線、分段接合曲線等模型中，直線模型有足夠的精度來擬合近場(chǎng)車道線［9］，算法魯棒且運(yùn)算量?。诒O(jiān)測(cè)實(shí)時(shí)性與擬合誤差容忍度的考慮，本文用Hough直線變換模型［5］來擬合車道線．

Hough變換是最常用的圖像邊緣參數(shù)化擬合方法．它利用圖像參數(shù)空間的點(diǎn)-線對(duì)偶性，遍歷所有的特征像素點(diǎn)并映射到Hough參數(shù)空間，通過累加器進(jìn)行投票并搜索累加器峰值來檢測(cè)目標(biāo)．圖6是圖5中左右特征邊緣的Hough參數(shù)累加空間，峰值越高，Hough參數(shù)累加程度越高，則特征像素的直線聚類特性越顯著．由于車輛發(fā)生偏航是以車輪接觸車道線內(nèi)邊緣為判別準(zhǔn)則，因此在Rleft和Rright兩個(gè)區(qū)域內(nèi)分別選擇車道線內(nèi)側(cè)邊緣進(jìn)行直線擬合，圖7是Hough變換的車道線檢測(cè)示例．可見在各類光照與復(fù)雜道路的干擾下，文中算法均可魯棒檢測(cè)內(nèi)側(cè)車道線．

圖5 車道線特征邊緣Fig．5 Feature edges of lane marks

圖6 Hough參數(shù)累加空間Fig．6 Accumulation spaces of Hough parameters

圖7 車道線的直線擬合Fig．7 Straight line fitting for lane marks

2 偏航模型的建立

文中采用了基于圖像成像射影原理的車輛偏航幾何模型［9］．設(shè)左右車道線距離為L(zhǎng)，車輛前向攝像機(jī)的光心為Oc，光軸與路面交點(diǎn)為G點(diǎn)，如圖8所示．在非主觀換道的前提下，車輛高速行駛時(shí)的偏航角度很小，因此可近似認(rèn)為車輛行進(jìn)方向、光軸在的路面投影CG均平行于左右車道線．由此可知?jiǎng)tCG便是車輛縱向中軸線，Lleft和Lright則分別為車輛中軸線與左右車道線的橫向距離，ΔL為車輛實(shí)際偏航距離．對(duì)于任意垂直與車道線的直線AB，C點(diǎn)為AB與光軸CG的交點(diǎn)，在圖像平面內(nèi)分別對(duì)應(yīng)著A′、B′和C′，左右車道線相交于T點(diǎn)．圖像平面上的斜線A′T和B′T即為Hough變換得到的左右車道線，水平傾角分別為α和β．根據(jù)圖8中的幾何關(guān)系可證明

圖8 車輛偏航幾何模型Fig．8 Geometric model of vehicle departure

設(shè)車輛橫向偏離車道中線位置的程度為偏航率ε，則有

偏航率ε＞0表示車輛向右側(cè)偏離，ε＜0表示向左偏離，ε絕對(duì)值越大表示車輛偏離越嚴(yán)重．當(dāng)ε＝±1時(shí)表示車輛中軸線在路面投影線CG與車道線重合，此時(shí)車輛已經(jīng)跨越車道線．應(yīng)當(dāng)結(jié)合實(shí)際車道和車輛寬度設(shè)置可調(diào)閾值Tε來判別車輛是否壓線，再通過聲音或者燈光信號(hào)向駕駛?cè)诉M(jìn)行預(yù)警．經(jīng)過大量實(shí)驗(yàn)統(tǒng)計(jì)，Tε取0．5．該值既能夠?qū)崿F(xiàn)車輛前輪即將接觸車道線時(shí)準(zhǔn)確預(yù)警，又不會(huì)對(duì)正常行駛狀態(tài)產(chǎn)生過度預(yù)警，具有較好的預(yù)警準(zhǔn)確性與主觀可接受性．預(yù)警邏輯為

其中Warning-signal為預(yù)警信號(hào)．

3 車輛偏航實(shí)驗(yàn)

實(shí)驗(yàn)車輛為某緊湊級(jí)轎車，車身寬度為1 790 mm．?dāng)z像裝置型號(hào)為SONY-W380，幀率15fps，分辨率為480×640pixel，居中安裝在車輛擋風(fēng)玻璃上部，距地面高度約為1．4m．首先在靜態(tài)條件下對(duì)提出的算法進(jìn)行誤差測(cè)試．設(shè)置相對(duì)誤差ρ，計(jì)算方法為

式中：εImage和εActual分別表示算法檢測(cè)結(jié)果與人工測(cè)量結(jié)果；｜ε｜max＝1．部分測(cè)試誤差結(jié)果見表1．實(shí)驗(yàn)統(tǒng)計(jì)的平均相對(duì)誤差為5．7%，車道線識(shí)別平均時(shí)間為58．3ms．可見算法具備較高的檢測(cè)精度和實(shí)時(shí)性，能夠滿足預(yù)警監(jiān)測(cè)要求．

實(shí)車實(shí)驗(yàn)在西安地區(qū)的連霍高速公路與京昆高速公路上進(jìn)行，車速范圍為60～100km·h-1．圖9與圖10分別為一段500幀（Frame）車道線傾角α和β的監(jiān)測(cè)曲線與偏航率ε監(jiān)控曲線．

表1 算法誤差測(cè)試Tab．1 Error test of the algorithm

圖9 車道線傾角連續(xù)監(jiān)測(cè)Fig．9 Continuous monitoring of obliquity

在0～152幀內(nèi)車輛不斷向右偏航，但根據(jù)本文偏航算法可知車輛仍位于車道線之內(nèi)．在第153～236幀，由于車輛偏航嚴(yán)重導(dǎo)致ε＞0．5，系統(tǒng)向駕駛?cè)税l(fā)出“Right Departure”預(yù)警．在237～466幀內(nèi)車輛整體向左側(cè)偏航，467～500幀內(nèi)系統(tǒng)發(fā)出“Left Departure”預(yù)警．

圖10 偏航率ε連續(xù)監(jiān)測(cè)Fig．10 Continuous monitoring of departure rateε

圖11為一組車道線擬合以及偏航監(jiān)測(cè)結(jié)果．當(dāng)車輛正常行駛在本車道線內(nèi)，擬合的車道線顏色為綠色，系統(tǒng)不做任何警示．當(dāng)車輛發(fā)生較大偏航使得｜ε｜＞0．5時(shí)，系統(tǒng)發(fā)出預(yù)警信號(hào)，同時(shí)偏航一側(cè)的車道線顯示為粗紅色直線．實(shí)驗(yàn)表明，文中提出的車輛偏航預(yù)警策略能夠有效的監(jiān)測(cè)車輛橫向偏移的變化規(guī)律，及時(shí)發(fā)現(xiàn)車輛出現(xiàn)嚴(yán)重偏航狀態(tài)并進(jìn)行預(yù)警．

圖11 偏航預(yù)警實(shí)例Fig．11 Example of departure prewarning

4 結(jié) 論

文中旨在實(shí)現(xiàn)車輛偏航預(yù)警準(zhǔn)確性、魯棒性，結(jié)合自適應(yīng)灰度閾值分割、Sobel梯度檢測(cè)及雙重閾值約束以獲取車道線邊緣信息，對(duì)內(nèi)側(cè)車道線進(jìn)行了Hough直線擬合，得到結(jié)論為

1）偏航率ε＞0表示車輛向右側(cè)偏離，ε＜0表示向左偏離，ε絕對(duì)值越大表示車輛偏離越嚴(yán)重．當(dāng)ε＝±1時(shí)表示車輛中軸線在路面投影線CG與車道線重合，此時(shí)車輛已經(jīng)跨越車道線．

2）利用成像射影幾何原理構(gòu)建了車輛偏航預(yù)警模型，結(jié)合偏航預(yù)警準(zhǔn)確性與主觀可接受性，給出了車輛偏航預(yù)警參數(shù)：車道線傾角α和β、偏航率ε及偏航閾值Tε．

3）道路實(shí)驗(yàn)證明，基于圖像成像射影原理的車輛偏航預(yù)警模型無需進(jìn)行相機(jī)內(nèi)外部參數(shù)標(biāo)定，復(fù)雜道路環(huán)境中車道線得以有效識(shí)別，抗干擾能力較非直線模型顯著增強(qiáng)，偏航預(yù)警模型監(jiān)測(cè)車輛橫向運(yùn)動(dòng)狀態(tài)更為有效，其相對(duì)誤差為5．7%，滿足車輛偏航預(yù)警的準(zhǔn)確性與實(shí)時(shí)性要求．

［1］ AUFRERE R，GOWDY J，MERTZ C，et al．Perception for Collision Avoidance and Autonomous Driving［J］．Mechatronics，2003，13（10）：1149．

［2］ JUNG C R，KELBER C R．Lane Following and Lane Departure Using a Linear-parabolic Model［J］．Image and Vision Computing，2005，23（13）：1192．

［3］ WU P C，CHANG C Y，LIN C H．Lane-mark Extraction for Automobiles under Complex Conditions［J］．Pattern Recognition，2014，47（8）：2756．

［4］ 高嵩，張博峰，陳超波，等．一種基于雙曲線模型的車道線檢測(cè)算法［J］．西安工業(yè)大學(xué)學(xué)報(bào)，2013，33（10）：840．GAO Song，ZHANG Bo-feng，CHEN Chao-bo，et al．An Algorithm of Lane Line Detection Based on Hyperbola Model［J］．Journal of Xi’an Technological University，2013，33（10）：840．（in Chinese）

［5］ 郭磊，李克強(qiáng)，王建強(qiáng)，等．應(yīng)用方向可調(diào)濾波器的車道線識(shí)別方法［J］．機(jī)械工程學(xué)報(bào)，2008，44（8）：214．GUO Lei，LI Ke-qiang，WANG Jian-qiang，et al．Lane Detection Method by Using Steerable Filters［J］．Chinese Journal of Mechanical Engineering，2008，44（8）：214．（in Chinese）

［6］ 余厚云，張為公．基于攝像機(jī)模型的運(yùn)動(dòng)車輛車道偏離檢測(cè)［J］．東南大學(xué)學(xué)報(bào)：自然科學(xué)版，2009，39（5）：933．YU Hou-yun，ZHANG Wei-gong．Lane Departure Detection for Moving Vehicle Based on Camera Model［J］．Journal of Southeast University：Natural Science Edition，2009，39（5）：933．（in Chinese）

［7］ KIMME R，ELAD M，SHAKED D，et al．A Variational Framework for Retina［J］．International Journal of Computer Vision，2003，52（1）：7．

［8］ 龔建偉，王安帥，熊光明，等．一種自適應(yīng)動(dòng)態(tài)窗口車道線高速檢測(cè)方法［J］．北京理工大學(xué)學(xué)報(bào)，2008，28（6）：486．GONG Jian-wei，WANG An-shuai，XIONG Guangming，et al．A Self-adaptive Dynamic Window Method for High Speed Lane Detection［J］．Journal of Beijing University of Technology，2008，28（6）：486．（in Chinese）

［9］ 余厚云，張為公．直線模型下的車道線跟蹤與車道偏離檢測(cè)［J］．自動(dòng)化儀表，2009（11）：1．YU Hou-yun，ZHANG Wei-gong．Lane Tracking and Departure Detection Based on Linear Model［J］．Process Automation Instrumentation，2009（11）：1．（in Chinese）