基于Catmull—Rom樣條曲線的彎曲車道線檢測研究

何鵬++高峰++魏厚敏

摘要：車道線檢測是智能輔助駕駛系統(tǒng)的關(guān)鍵技術(shù)之一。采用圖像處理技術(shù)檢測道路上的彎曲車道線，詳細介紹了感興趣區(qū)域的選取，背景減除，二值化提取車道線信息，結(jié)合Hough變換和Catmull-Rom樣條曲線檢測彎曲車道線。結(jié)果表明，基于Catmull-Rom樣條曲線的算法可以有效地檢測彎曲車道線。

關(guān)鍵詞：智能車輛；彎曲車道線；檢測；Catmull-Rom 樣條曲線；機器視覺

中圖分類號：TP391 文獻標識碼：A

Study on Curve Lane Detection Using Catmull-Rom Spline

He Peng1， Gao Feng1， Wei Houmin2

（1. School of Transportation Science and Engineering， BeiHang University， Beijing 100191， China；

2. Experimental Research Department of Emission and Energy-Saving，

China Automotive Engineering Research Institute， Chongqing 401122， China）

Abstract： Lane detection is a crucial component of automotive driver assistance system. This paper developed a vision based algorithm of detecting curve lanes， which exploits defining region of interest， subtracting background， extracting lane information by binarization， detecting curve lanes by combining Hough transform and Catmull-Rom spline. The experimental results indicate that this algorithm is effective.

Key words： intelligent vehicle； curve lane； detection； Catmull-Rom spline； computer vision

隨著國民經(jīng)濟的快速發(fā)展和人民生活水平的日益提高，汽車保有量和駕駛員數(shù)量不斷增加，汽車已經(jīng)成為人們生活中不可替代的交通工具，汽車的安全、舒適、節(jié)能、環(huán)保越來越成為人們關(guān)注的焦點。環(huán)境保護和不斷提高的安全技術(shù)要求對汽車工業(yè)產(chǎn)生了極大的影響。解決此類問題的一個很好的手段是信息技術(shù)。信息技術(shù)的發(fā)展極大地推動了智能交通系統(tǒng)的發(fā)展，智能車輛是智能交通系統(tǒng)的重要組成部分，是集環(huán)境感知、規(guī)劃決策和智能輔助駕駛等功能于一體的綜合智能系統(tǒng)，代表了未來車輛的發(fā)展方向，具有廣闊的應(yīng)用前景。

汽車在給人們帶來方便的同時，隨之而來的問題也日趨凸顯，那就是隨著機動車的增多，交通事故頻繁發(fā)生，由此導致的人員傷亡和財產(chǎn)損失數(shù)量驚人。近年來交通事故已經(jīng)成為世界各國面臨的嚴峻問題。我國更是世界上交通事故死亡人數(shù)最多的國家。研究表明，20%的交通事故是由于駕駛員注意力分散（接聽電話、與乘客聊天、設(shè)置GPS或車載娛樂系統(tǒng)）引起的。鑒于駕駛員注意力分散引起交通事故帶來的巨大損失，智能輔助駕駛系統(tǒng)的研發(fā)成了當今汽車學術(shù)界與工業(yè)界的熱點。在智能輔助駕駛系統(tǒng)中，對于路面車道線的檢測是非常重要的一環(huán)。車道線是最基本的交通標志，也是汽車行駛的基本約束。根據(jù)卡梅隆大學的統(tǒng)計，美國和日本每年所有致命的交通事故中44%是與車輛偏離車道線有關(guān)的。同時，車道偏離也被視為車輛側(cè)面撞擊事故的主要原因。因此，車道線的自動檢測，將有效地提醒駕駛員車輛行駛路線，避免車道偏離所導致的意外碰撞，減少事故的發(fā)生率[1-2]。

基于機器視覺的車道線檢測是這一問題的主要解決方案。通常是在車輛的前擋風玻璃處安置一個光軸方向與車輛行駛方向一致的攝像頭，通過對捕捉到的圖像進行處理實現(xiàn)車道線檢測。關(guān)于對直線車道線的檢測前人已有諸多研究，通過基于Hough變換的算法可以有效、精確地實現(xiàn)直線車道線的檢測[3-5]。前人對于彎曲車道線檢測的研究相對較少，文獻[6]和[7]應(yīng)用LMedSquare曲線擬合技術(shù)進行彎曲車道線檢測，此技術(shù)在擬合時需要數(shù)據(jù)點較多，計算量較大。文獻[8]采用三階Bezier曲線技術(shù)進行彎曲車道線檢測，由于Bezier曲線不通過控制點，其控制點的確定難度較大。本文重點針對彎曲車道線，通過結(jié)合Hough變換和Catmull-Rom樣條曲線，并且根據(jù)彎曲車道線的先驗知識通過確定較少的控制點精確地實現(xiàn)了彎曲車道線的檢測。

1 檢測算法概述

汽車在公路上行駛時，所遇到的公路形態(tài)包括：直道、直道進入彎道、彎道、彎道進入直道。對于任何一種情況，由于彎道的半徑遠大于視距，近處都可以視為直道。因此本文在進行彎曲車道線檢測時，對彎曲車道線進行分段擬合，近端區(qū)域采用直線描述，遠端區(qū)域采用樣條曲線描述。

圖1 算法流程

圖1為彎曲車道線的檢測算法流程圖。首先通過對原始灰度圖像的水平投影確定感興趣區(qū)域；通過路面圖像直方圖確定路面背景灰度值，并將其從感興趣區(qū)域減除；采用Otsu方法進行二值化處理；通過Hough變換確定近端區(qū)域直線，并確定彎曲車道線的初始定位；根據(jù)彎曲車道線的幾何特征確定樣條曲線的控制點；采用Catmull-Rom樣條曲線確定遠端曲線，完成彎曲車道線檢測。

2 圖像預處理

車載攝像頭獲取的車輛前方原始圖像中一般包含車道線、天空、樹木、指示牌、隔離帶等信息。為有效地提取原始灰度圖像中的車道線信息，需要首先對圖像進行預處理，包括感興趣區(qū)域確定、背景減除和二值化[3]。

2.1 感興趣區(qū)域

圖2 原始圖像

圖3 水平投影圖

由于車載攝像頭獲取的圖像中經(jīng)常包含相當一部分天空（圖2），這些多余的部分會增加圖像的處理時間，影響檢測算法的實時性，因此需要根據(jù)實際情況確定圖像的有效處理區(qū)域（感興趣區(qū)域）。感興趣區(qū)域可以通過對原始灰度圖像的水平投影來確定。

。 （1）

式中，I（x， y）為x列y行處像素的灰度值；W為圖像寬度，p；PH（y）為y行的水平投影值。圖3為圖2的水平投影圖。

通過對水平投影圖從上至下尋找水平投影值快速減小的位置可以確定感興趣區(qū)域的上邊界。圖4為確定的感興趣區(qū)域。

圖4 感興趣區(qū)域

2.2 背景減除

為減小圖像中無效背景信息對車道線信息提取的干擾，提高圖像二值化的精確性和檢測算法的魯棒性，在圖像二值化前需要減除路面背景灰度值。由于圖像的最下方主要為路面，可以通過圖像最下方10行的灰度直方圖確定路面背景灰度值。圖5為對圖4進行背景剪除后的結(jié)果，可以發(fā)現(xiàn)，背景剪除使圖像中車道線和背景之間的對比加強，這有利于下一步二值化提取車道線信息的實現(xiàn)。

圖5 背景減除后的圖像

2.3 二值化

通過對圖像的二值化可以將有效前景（車道線）信息和無效背景（路面等）信息區(qū)別開來。二值化的閾值可以通過Otsu方法確定。

。 （2）

式中，H為圖像高度，p； W為圖像寬度，p；N1 為灰度值大于二值化閾值T的前景圖像像素數(shù)；N2 為灰度值小于T的背景圖像像素數(shù)；μ1 前景圖像的平均灰度值；μ2 為背景圖像的平均灰度值；g為類間方差。通過使類間方差g得到最大值可以確定二值化閾值T。

圖6為對圖5進行二值化后的結(jié)果

圖6 二值化圖像

3 Hough變換

Hough 變換是Hough于1962年提出的一種形狀匹配技術(shù)，運用兩套坐標系之間的變換來檢測平面內(nèi)的直線和有規(guī)律曲線，這種變換具有在變換空間（Hough空間）內(nèi)所期望的點集凝聚在一起形成峰值點的特性。它將原始圖像中直線或給定形狀的曲線變換成一個點，即原始圖像中直線或給定形狀的曲線上的所有點都集中到Hough空間的某個點上形成峰值點。這樣就把對原始圖像中的直線或給定形狀曲線的檢測問題，變成尋找Hough空間中的峰值點問題。平面中任意一條直線可以用兩個參數(shù)ρ和θ完全確定（圖7），其中ρ為該直線到原點（圖像的左下側(cè)角點）的距離，θ為該直線的方位，其函數(shù)關(guān)系通過式（3）表述。

圖7 Hough變換示意圖

。 （3）

為減少計算時間，根據(jù)車道線的幾何特征，在確定近端區(qū)域左側(cè)直線時將尋找范圍限定在-75°<θ<-30°范圍內(nèi)，在確定近端區(qū)域右側(cè)直線時將尋找范圍限定在30°<θ<75°范圍內(nèi)。圖8中兩條綠色直線為通過Hough變換確定的左右兩側(cè)近端區(qū)域直線?？梢园l(fā)現(xiàn)，通過Hough變換確定的直線較好地擬合了彎曲車道線的近端區(qū)域部分。

圖8 近端區(qū)域直線

4 Catmull-Rom樣條曲線

4.1 Catmull-Rom樣條函數(shù)

Catmull-Rom樣條曲線是從三次曲線方程演變而來的，最早被用來描繪曲線和曲面，近幾年它的應(yīng)用愈加廣泛，包括計算機圖形、圖像處理和模式識別等。

如果已知兩點P0、P1和這兩點切線的斜率P0、P1，可以確定一條過兩點的三次曲線：

。 （4）

根據(jù)兩點位置和斜率可得：

。 （5）

求解式（4）和式（5）可得：

。（6）

式中， t∈[0，1]。

圖9 Catmull-Rom樣條曲線

推廣到一般情況，對于平面上給定的N個點（P0，P1，P2，···，PN-1），只要已知每個點切線的斜率就可以利用這種方法確定一條經(jīng)過所有點的曲線。但是由于某一點切線的斜率一般是未知的，通常用其前后兩點的連線方向（Pi+1-Pi-1）/2來近似代替。由此可得Catmull-Rom樣條函數(shù)為[9-10]

。（7）

4.2 Catmull-Rom樣條曲線控制點

通過對Catmull-Rom樣條曲線（圖9）分析可以發(fā)現(xiàn)，Catmull-Rom樣條曲線除首尾兩點之外經(jīng)過所有控制點；其與單一的二次或三次曲線相比，可以形成任意形狀的曲線，更適于擬合彎曲車道線。

由于Catmull-Rom樣條曲線不通過首尾兩點，一般假設(shè)最先的兩個控制點和最后的兩個控制點是相同的，為擬合彎曲車道線就需要在中間再增加一個控制點。因此，通過兩組（每組3個）控制點可以確定左右兩條樣條曲線，即通過（PL0，PL1，PL2）確定左側(cè)車道線的遠端區(qū)域曲線，通過（PR0，PR1，PR2）確定右側(cè)車道線的遠端區(qū)域曲線。兩組控制點在圖6所示的車道線信息（白色像素點）中確定。

圖8中兩條直線的交點O為直線車道線的消失點，根據(jù)彎曲車道線的幾何特征和透視原理可知，彎曲車道線的消失點（交點）位于過點O水平線的下方。將圖8中過點O水平線下方距離水平線最近的一點定義為左右兩條樣條曲線的第一個控制點PL0和PR0。將圖8中左右兩側(cè)車道線位于兩條直線的最上方一點，即左右兩側(cè)車道線偏離兩條直線的第一點定義為左右兩條樣條曲線的第3個控制點PL2和PR2（圖10）。

由于在消失點附近左右兩條車道線相距很近，為有效準確地確定兩條樣條曲線的第2個控制點，需要分別確定僅包含單側(cè)車道線的區(qū)域。根據(jù)彎曲車道線的幾何特征和透視原理可知，左側(cè)車道線位于直線PL2O左側(cè)，直線PL0 PL2右側(cè)；右側(cè)車道線位于直線PR2O左側(cè)，直線PR0 PR2右側(cè)。圖10中三角形PL0C PL2中僅包含左側(cè)車道線，四邊形AB PR2C中僅包含右側(cè)車道線。根據(jù)Catmull-Rom樣條曲線控制點的切線斜率特征，將三角形PL0C PL2中距離直線PL0PL2最遠的一點定義為PL1，將四邊形AB PR2C中距離直線PR0PR2最遠的一點定義為PR1。確定兩組控制點后，可以通過式（7）確定左右兩條樣條曲線。

圖10 Catmull-Rom樣條曲線控制點

5 檢測結(jié)果

圖11 彎曲車道線檢測結(jié)果

圖12 彎曲車道線檢測結(jié)果

圖11和圖12中的兩條紅線為采用本文建立的檢測算法在不同道路環(huán)境下檢測出的左右兩側(cè)彎曲車道線，可以發(fā)現(xiàn)結(jié)合Hough變換和Catmull-Rom樣條曲線的檢測算法可以有效地檢測出彎曲車道線。

6 結(jié)論

本文提出一種基于機器視覺的彎曲車道線檢測算法，首先確定感興趣區(qū)域，然后通過背景減除和二值化提取車道線信息，最后結(jié)合Hough變換和Catmull-Rom樣條曲線檢測彎曲車道線。檢測結(jié)果令人滿意。

參考文獻：

[1] 毛世榕，胡桂明，胡進. 基于機器視覺的車道線檢測算法 [J]. 裝備制造技術(shù)，2011，39（9）：59-61.

Mao Shirong， Hu Guiming， Hu Jin. Machine Vision-Based Lane Detection Algorithm [J]. Equipment Manufacturing Technology， 2011， 39（9）： 59-61. （in Chinese）

[2] 鞠乾翱，應(yīng)忍冬，蔣樂天. 基于機器視覺的快速車道線識別 [J]. 計算機應(yīng)用研究，2013，30（5）：1544-1550.

Ju Qianao， Ying Rendong， Jiang Letian. Computer Vision Based Fast Lane Detection [J]. Application Research of Computers， 2013， 30（5）： 1544-1550. （in Chinese）

[3] He Peng，Gao Feng. Study on Lane Detection Based on Computer Vision [J]. Advanced Materials Research，2013（765-767）：2229-2232.

[4] Jiang Yan， Gao Feng，Xu Guoyan. Computer Vision-Based Multiple-Lane Detection on Straight Road and in a Curve [C]// IEEE International Conference on Image Analysis and Signal Processing（IASP），2010：114-117.

[5] Jiang Yan，Gao Feng，Xu Guoyan. Self-Calibrated Multiple-Lane Detection System [C]// IEEE Position Location and Navigation Symposium，2010：1052-1056.

[6] 管欣，董因平，高振海. 基于LMedSquare的車道曲線擬合算法 [J]. 吉林大學學報（工學版），2004，34（2）：194-197.

Guan Xin， Dong Yinping， Gao Zhenhai. LMedSquare Based Road Curve Fitting Algorithm [J]. Journal of Jilin University （Engineering and Technology Edition）， 2004， 34（2）： 194-197. （in Chinese）

[7] 季聰. 基于雙目視覺的智能車輛路徑識別方法研究 [D]. 蘭州：蘭州交通大學，2013：37-38.

Ji Cong. Research on Intelligent Vehicle Path Recognition Method Based on Binocular Vision [D]. Lanzhou： Lanzhou Jiaotong University， 2013： 37-38. （ in Chinese）

[8] 楊生鵬. 無人駕駛智能車基于單目視覺的道路檢測 [D]. 大連：大連理工大學，2011：25-28.

Yang Shengpeng. Monocular Road Detection for Intelligent Unmanned Ground Vehicles [D]. Dalian： Dalian University of Technology， 2011： 25-28. （in Chinese）

[9] 張偉. 智能車輛中的道路檢測與識別 [D]. 重慶：重慶大學，2006：45-47.

Zhang Wei. Study on Lane Detecting Technique in Intelligent Vehicle [D]. Chongqing： Chongqing University， 2006： 45-47. （in Chinese）

[10] Wang Yue， Shen Dinggang， Teoh E K. Lane Detection Using Catmull-Rom Spline [C]// Proceedings of the 1998 IEEE International Conference on Intelligent Vehicles，Vol.1，1998：51-57.

作者簡介：何鵬（1983-），男，山西黎城人。博士后，主要從事智能車輛環(huán)境感知關(guān)鍵技術(shù)研究。

Tel：13693182670

E-mail：face17101@aliyun.com 。