基于改進(jìn)的最小二乘法的車道線檢測(cè)方法

[摘 要]為了提高行駛過程中車道線檢測(cè)與車道線偏離預(yù)警的實(shí)時(shí)性與可靠性，提出一種基于改進(jìn)的最小二乘法的車道線檢測(cè)方法。首先獲取感興趣的下半部分進(jìn)行灰度變換；采用基于最大類間交叉熵的自適應(yīng)閾值Canny算子進(jìn)行邊緣檢測(cè)；其次利用改進(jìn)的最小二乘法擬合車道線。實(shí)驗(yàn)結(jié)果表明，基于改進(jìn)的最小二乘法的車道線檢測(cè)方法對(duì)環(huán)境的適應(yīng)性強(qiáng)，能夠在多種環(huán)境下快速地進(jìn)行車道線提取，檢測(cè)結(jié)果清晰明了且精度較高，提高了車道線偏離預(yù)警的實(shí)時(shí)性與可靠性。

[關(guān)鍵詞]車道線檢測(cè)；最大類間交叉熵；Canny算子；最小二乘法

中圖分類號(hào)：TG333.2 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-914X（2016）16-0018-01

0 前言

隨著機(jī)動(dòng)化進(jìn)程的加快，機(jī)動(dòng)車保有量迅速增長(zhǎng)，與此同時(shí)，道路交通事故發(fā)生率卻高居不下，交通安全問題日益突出。經(jīng)調(diào)查發(fā)現(xiàn)，注意力分散及不安全駕駛是導(dǎo)致交通事故的主要原因之一。目前，車輛安全輔助駕駛系統(tǒng)已成為當(dāng)前交通領(lǐng)域的研究熱點(diǎn)[1]，車道線檢測(cè)技術(shù)作為主要研究?jī)?nèi)容之一，受到許多學(xué)者的關(guān)注。

目前，國(guó)內(nèi)外關(guān)于車道線檢測(cè)的方法有很多，大致可分為兩類：基于特征的車道線檢測(cè)方法和基于模型的車道線檢測(cè)方法。

（1）基于特征的車道線檢測(cè)方法主要利用圖像特征（如邊緣，顏色，紋理方向），采用閾值分割、區(qū)域生長(zhǎng)或圖像分類等技術(shù)對(duì)車道線進(jìn)行提取，計(jì)算較為簡(jiǎn)單。文獻(xiàn)[2]通過提取圖像邊緣并對(duì)圖像進(jìn)行形態(tài)學(xué)運(yùn)算，利用車道線的寬度特征將可能的車道線邊緣點(diǎn)構(gòu)造成車道線。Hunjae Yoo等人采用梯度增強(qiáng)算法，通過轉(zhuǎn)換得到車道梯度最大的灰度圖像，該方法可適用各種照明和道路場(chǎng)景[3]。Hsu-Yung Cheng等人分析公路路面標(biāo)志的顏色分布，對(duì)RGB圖像各個(gè)顏色通道進(jìn)行線性操作，進(jìn)而對(duì)車道線區(qū)域進(jìn)行分割提取[4]。但基于特征的方法多適用于光照好且路面干凈的道路圖像，抗噪聲能力弱。

（2）基于模型的車道線檢測(cè)方法主要利用道路先驗(yàn)知識(shí)，采用特點(diǎn)的曲線參數(shù)，將車道線檢測(cè)的過程簡(jiǎn)化為計(jì)算模型參數(shù)的過程。文獻(xiàn)[5]提出基于路面的3D模型，并結(jié)合Hough變換與分段曲線擬合方法，提取車道線輪廓?；谀Ｐ偷姆椒芨鼮闇?zhǔn)確獲得道路描述對(duì)路面干擾具有很好的魯棒性，但模型的選擇和求解是關(guān)鍵問題。

上述車道線檢測(cè)方法中，各有各的適用性，并沒有很好的兼容性，且對(duì)于復(fù)雜及模糊車道線的檢測(cè)實(shí)時(shí)性要求不高。因此，本文提出一種基于改進(jìn)的最小二乘法的道線檢測(cè)方法。

1 預(yù)處理

首先，通過安裝在車輛內(nèi)的攝像機(jī)得到原始道路圖像，由于攝像機(jī)安裝角度問題，圖像中存在一定的干擾因素。為了提高處理效率，選取圖像的下半部分進(jìn)行預(yù)處理，將原始圖像轉(zhuǎn)為灰度圖像，如圖1.1：

2 基于最大類間交叉熵的車道線提取自適應(yīng)閾值Canny邊緣檢測(cè)

2.1 最大類間交叉熵的計(jì)算

將圖像分成目標(biāo)和背景兩大類，假設(shè)目標(biāo)和背景的灰度條件服從正態(tài)分布，先驗(yàn)概率公式如下式所示：

式中表示k等于1，2時(shí)灰度m的概率密度；k=1，2時(shí)分別代表目標(biāo)類和背景類；和分別為目標(biāo)類的均值和方差，而和分別為背景類的均值和方差。

由貝葉斯概率公式可得到后驗(yàn)概率的公式，又可以基于像素點(diǎn)的后驗(yàn)概率的類間交叉熵公式可獲得類間差，最后通過計(jì)算得到最優(yōu)分割閾值。

2.2 自適應(yīng)Canny算子

傳統(tǒng) Canny算法對(duì)高閾值和低閾值的選取是人為設(shè)定的，從而使得邊緣的連續(xù)性和偽邊緣之間存在著矛盾：對(duì)于一組固定的高低閾值，對(duì)某一幅圖像可能有很好的效果，但是對(duì)另外一幅圖像就可能產(chǎn)生不理想的結(jié)果。因此，它不具有自適應(yīng)能力，自動(dòng)化程度低?；谧畲箢愰g交叉熵的方法得到最優(yōu)閾值，令其等于傳統(tǒng)Canny算法中的高閾值，然后利用高閾值一般為低閾值2倍的關(guān)系求出低閾值。

3 改進(jìn)的最小二乘法線性擬合

本文采用改進(jìn)的最小二乘法擬合直線，最小二乘法的基本思想是使已知數(shù)據(jù)點(diǎn)到擬合函數(shù)的距離平方和最小，本文增加了數(shù)據(jù)相關(guān)系數(shù)r，r是衡量一組測(cè)量數(shù)據(jù)xi，yi線性相關(guān)程度的統(tǒng)計(jì)指標(biāo)，從而去除誤差大的數(shù)據(jù)，保留有價(jià)值的數(shù)據(jù)，進(jìn)行二次最小二乘擬合，并且得到的斜率a和截距b是唯一的，提高了擬合車道線的速率。

4 結(jié)語(yǔ)

本文提出一種基于改進(jìn)的最小二乘法的車道線檢測(cè)方法，對(duì)于有干擾線或遮擋物、模糊的車道線圖像以及夜晚車道線圖像，可以快速準(zhǔn)確地檢測(cè)到車道線，且檢測(cè)效果清晰明了，在一定程度上提高了車道線檢測(cè)的實(shí)時(shí)性和可靠性。相對(duì)于其他文獻(xiàn)中的方法，本文提出的方法適用于多種環(huán)境，具有良好的魯棒性。但本文檢測(cè)的車道線均為直線車道線，對(duì)于曲線車道線的檢測(cè)還存在著一定的不足，未來的研究以檢測(cè)曲線車道線為主，并融合直線車道線檢測(cè)技術(shù)，實(shí)現(xiàn)直線與曲線車道線檢測(cè)的一體化。

參考文獻(xiàn)：

[1] Guo Lei ，Wang Jianqiang，Li Keqiang.Lane Keeping System Based on THASV-II Plat form [A].ICVES 2006.IEEE International Conferenceon Vehicular Electronics and Safety [C].2006：305 308.

[2] Bertozzi M，Broggi A.GOLD：a parallel real- time stereovision system for generic obstacle and lane detection[J].IEEETransaction Image Processing，1998，7（1）：62.

[3] Yoo H，Yang U，Sohn K.Gradient-Enhancing Conversion for Illumination-Robust Lane Detection.IEEE Trans. Intell. Transp. Syst.， 2013， 14（3）：1083-1094

[4] Cheng H-Y，Jeng B-S，Tseng P-T，et al.Lane detection with moving vehicles in the traffic scenes. IEEE Trans. Intell. Transp. Syst.，2006，7 （4）：571-582

[5]劉富強(qiáng)，田敏，胡振程.智能汽車中基于視覺的道路檢測(cè)與跟蹤算法[J].同濟(jì)大學(xué)學(xué)報(bào)：自然科學(xué)版，2007，35（11）：1535.

作者簡(jiǎn)介：

張婷婷 （1991—） 性別，女，浙江省嘉興市人，學(xué)歷 研究生在讀專業(yè)：計(jì)算機(jī)應(yīng)用技術(shù)。