基于改進Retinex算法的霧霾天氣車道線識別

周勁草，魏　朗，劉永濤，張在吉，田　順

(1.長安大學汽車學院，陜西 西安 710064；2.中國民航大學天津市智能信號與圖像處理重點實驗室，天津 300300)

?

基于改進Retinex算法的霧霾天氣車道線識別

周勁草1，魏朗1，劉永濤1，張在吉2，田順1

(1.長安大學汽車學院，陜西 西安 710064；2.中國民航大學天津市智能信號與圖像處理重點實驗室，天津 300300)

在霧霾天氣下，針對常規(guī)車道線識別方法提取車道線準確性差以及多尺度Retinex算法去霧圖像質(zhì)量較低的缺點，提出了一種基于改進視網(wǎng)膜大腦皮層理論(Retinex)的霧霾天氣車道線識別算法.首先，利用改進的暗通道優(yōu)先算法對霧天圖像進行去霧，將去霧圖像作為多尺度Retinex算法的輸入圖像做進一步增強；然后將多尺度Retinex算法增強的圖像進行亮度修正，從而獲取理想去霧圖像；再利用Scharr濾波器和大津法得到包含清晰道路邊緣的二值化圖像；最后利用Hough變換對車道線精確提取.實驗表明，該算法不但能夠在霧霾天氣下對車道線進行準確的識別，與常規(guī)算法相比，能夠有效地提高圖像質(zhì)量，并且具有良好的實時性，對于提高車輛主動安全性具有重大意義.

霧霾；視網(wǎng)膜大腦皮層理論；車道線識別；圖像增強；車輛主動安全性

0　引言

伴隨著人類活動頻率的加劇以及氣候的變化造成了空氣中懸浮顆粒物以及水汽的日益增加，導致了霧霾現(xiàn)象的大面積出現(xiàn).近年來霧霾正逐漸在各個方面影響著人們的生活，尤其是在交通運輸中，霧霾造成的低能見度對于行車安全帶來了巨大的隱患.在霧霾天氣的駕駛過程中，駕駛員難免會因霧霾造成的低能見度而使汽車偏離正常的行駛車道進而釀成車禍.因此，設(shè)計一種在車輛出現(xiàn)無意識的車道偏離時能給予駕駛員及時提醒的系統(tǒng)，可以有效地減少車道偏離事故的發(fā)生[1].在這種系統(tǒng)中，車道標志線的準確識別是非常關(guān)鍵的一步.目前，雖然已經(jīng)有很多基于視覺的車道線檢測算法[2-4]，但是這些算法只能夠在白天和陰天的工況下具有較高的檢測和識別的成功率，針對霧霾這一特殊天氣情況下的圖像處理效果卻不佳.

在霧霾天氣下，由于大氣中存在隨機介質(zhì)，光從路面反射到達相機的過程中會發(fā)生吸收和散射等變化.在該過程中，原本應當沿直線傳播的光發(fā)生了散射從而偏離了原來的傳播路徑，一些其他光路的光卻由于散射作用進入到該光路，從而導致圖像對比度嚴重下降，使車道標志線難以辨識[5].針對降質(zhì)圖像的增強， Retinex算法作為一種經(jīng)典算法，能夠通過對原圖像進行某種高斯平滑來提取亮度圖像，不僅可以有效增強原圖的對比度和清晰度，而且具有顏色高保真性，能夠使圖像質(zhì)量得到很大的改善[6]，但是經(jīng)典的多尺度Retinex算法(Multi-scale Retinex，MSR)的清晰程度卻不高.為了提高圖像的清晰度，文獻[7-8]中將暗通道優(yōu)先算法與MSR算法相結(jié)合有效地提高了圖像的清晰度，但是依然沿用了軟摳圖法(Soft Matting)平滑過濾透射圖像，使得計算實時性大打折扣.文獻[9]用巴特沃斯低通濾波器取代軟摳圖法，使得去霧速度大幅提高，然而去霧圖像較暗，不適合采用常規(guī)方式進行車道線識別.針對這些問題，本文首先利用巴特沃斯低通濾波器取代軟摳圖法，利用改進的暗通道優(yōu)先算法對霧天圖像進行去霧.然后使用MSR算法對去霧圖像進行增強并對其進行亮度修正，得到理想的輸出圖像，再利用Scharr濾波器和大津法得到包含清晰道路邊緣的二值化圖像，最后通過Hough變換對車道線精確提取.

1　改進算法描述

本文將改進后的暗通道先驗算法與傳統(tǒng)MSR算法相結(jié)合，并對輸出圖像進行亮度修正從而獲取理想的去霧圖像.

1.1Retinex理論

Retinex理論是將圖像分成入射光分量L(x，y)和反射光分量R(x，y)，其數(shù)學表達式為

S(x，y)=R(x，y)×L(x，y).

(1)

(1)式中：S(x，y)是顯示圖像中坐標為(x，y)點的亮度;R(x，y)是反射函數(shù);L(x，y)是入射函數(shù).

人體生理學實驗指出，當人眼感知物體時，主要依靠3種錐細胞通過視網(wǎng)膜(Retina)和皮層(Cortex)感知顏色，3種錐細胞分別能夠感知紅色、綠色、藍色3種顏色[10].由于取對數(shù)可以在計算過程中使復雜的乘除計算簡化為簡單的加減計算更加符合人眼視覺成像效果，故對(1) 式兩邊取對數(shù)后得到

logS(x，y)=logR(x，y)+logL(x，y).

(2)

令Q=logL(x，y)，得到

Q=logS(x，y)-logR(x，y).

(3)

由于R(x，y)=S(x，y)/L(x，y)，由此可以得到

(4)

的輸出函數(shù).(4)式中:F(x，y)表示一個與(x，y)坐標點像素相關(guān)的函數(shù);Qi(x，y)表示第i個通道的輸出；Si(x，y)表示第i個通道像素的強度值，當i=1，2，3時分別表示紅色、綠色、藍色；“*”表示卷積.

(5)

其中K由歸一化條件?F(x，y)dxdy=1確定.

1.2改進的Retinex算法

(1) 首先求取含霧圖像的暗原色圖為

(6)

(2) 對Idark(x，y)邊界處暗原色進行修正，得

(7)

(3) 求取透射率為

(8)

(5) 獲取無霧圖像[9]公式為

(9)

(6) 將無霧圖像J1(x)作為MSR算法的輸入圖像，得到去霧圖像J2(x).

(7) 為了進一步提高去霧圖像亮度，將上一步中得到的去霧圖像J2(x)乘以一個亮度修正系數(shù)α(α≥1，本文α=1.5)即可獲取最終的去霧圖像Jf.去霧圖像對比圖見圖1.

(a)霧天原圖

(b) MSR算法

(c)文獻[7]算法

(d)本文算法

2　去霧圖像的二次處理

相比Sobel算子，Scharr濾波器具有更高的準確性以及相同的計算速度[12].因此本文采用Scharr濾波器凸顯左、右車道線的邊緣.對于左、右兩側(cè)車道線本文分別采用Scharr濾波器卷積計算核，公式為：

經(jīng)過上一步Scharr濾波器對邊緣的增強，圖像依然包括許多噪聲，要想從多值的數(shù)字圖像中直接提取出車道標志線，最常用的方法就是對圖像進行二值化.本文利用大津法獲取圖像閾值并進行全局二值化.

3　霧霾天氣車道線識別

由于在結(jié)構(gòu)化道路的設(shè)計和修建過程中執(zhí)行一系列嚴格的行業(yè)標準，其車道標志線在延伸方向上有平滑曲線，并且曲率很小，一般近視野內(nèi)車道線可以近似看做直線[13]，并且由于Hough變換能將原始圖像中給定的曲線或直線變換成參數(shù)空間的一個點，把原始圖像中曲線或直線的檢測問題轉(zhuǎn)換成尋找參數(shù)空間中峰點的問題，因此變換不易受到噪聲和曲線間斷的影響，能較好地實現(xiàn)車道標志線的識別.本文以直線作為車道線模型，采用Hough變換檢測車道線.

3.1Hough變換原理

Hough變換是一種使用表決原理的參數(shù)估計技術(shù).其原理是利用圖像空間和Hough參數(shù)空間的點-線對偶性，把圖像空間中的檢測問題轉(zhuǎn)換到參數(shù)空間.通過在參數(shù)空間里進行簡單的累加統(tǒng)計，然后在Hough參數(shù)空間尋找累加器峰值的方法檢測直線.Hough變換的實質(zhì)是將圖像空間內(nèi)具有一定關(guān)系的像元進行聚類，尋找能把這些像元用某一解析形式聯(lián)系起來的參數(shù)空間累積對應點.在參數(shù)空間不超過二維的情況下，這種變換有著理想的效果[14].(10)和(11)式分別表示極坐標系ρoθ和直角坐標系θ下的直線方程：

ρ=xcosθ+ysinθ；

(10)

y=ax+b.

(11)

3.2車道線檢測

在極坐標系ρoθ空間內(nèi)建立二維疊加數(shù)組A，第一維ρ的取值范圍為[-l，l]，l指圖像的對角線長度.第二維θ的取值范圍為[0°，180°]，并將數(shù)組A賦值為0.利用Hough變換分別計算出圖像空間中的各點(xi，yi)所對應的極坐標值(ρi，θi)(i= 0，1，2，3，…)并依次賦值給數(shù)組A(ρi，θi)中的相應元素，最后所得到的數(shù)組A中的值就是圖像空間中與原點距離為ρ、與x軸夾角為θ的點的數(shù)目[15].由于本文僅考慮單向行駛車道，故圖片中僅檢測距離行駛車輛所在車道最近的兩條車道線，以左右兩側(cè)的直線束中距離與圖像底部中點坐標pmid(x0，y0)最近的直線作為當前行駛車的車道線.由(10)式得到圖像底部中心pmid(x0，y0)與車道線的距離

(12)

車道線識別對比圖見圖2.由圖2看出，在不經(jīng)過任何圖像處理的霧天原圖，使用常規(guī)手段無法檢測出車道線，而傳統(tǒng)的MSR算法、文獻[7]中的算法以及本文算法都能獲取良好的車道線識別效果.

(a)霧天原圖

(c)文獻[7]算法

(d)本文算法

4　實驗結(jié)果

雖然MSR算法、文獻[7]算法及本文算法去霧的圖像均能通過常規(guī)手段對車道線進行識別，但是圖像的增強效果好壞直接影響后續(xù)霧天防追尾行車系統(tǒng)研究中的準確性，因此本文對上述3種算法的增強效果進行評價分析.

4.1圖像增強效果分析

為了便于對比，采用圖像信息熵、標準差和清晰度分別對霧天原圖、MSR算法、文獻[7]算法和本文算法進行了計算，結(jié)果見表1.

表1　圖像增強效果分析

由表1看出，本文算法所得到的去霧圖像信息熵要明顯高于MSR算法，但是為了提高計算速度棄用了軟摳圖法使得結(jié)果較文獻[7]有所下降；而圖像標準差和清晰度均明顯優(yōu)于文獻[7]和MSR算法.

4.2算法實時性分析

4.2.1算法實時性計算

圖3　車道線識別耗時對比

對于高速行駛的汽車而言不但需要能夠在霧天準確地識別出車道線而且必須具備良好的實時性，本文對圖片去霧所采用的實驗平臺:處理器為Pentium Dual-Core 1.86 GHz、內(nèi)存為4 GB運行Windows XP的PC機，編程語言為Matlab R2009a.依次對大小為256像素×192像素、320像素×240像素、512像素×384像素、640像素×480像素、1 024像素×768像素的圖片進行去霧，其運行時間如圖3所示.

4.2.2算法實時性對比

為了定量分析各算法的實時性，圖3中圖片大小為256像素×192像素、320像素×240像素、512像素×384像素、640像素×480像素、1 024像素×768像素的圖片，并且定義一個加權(quán)延滯系數(shù)ψ，即

(13)

(13)式中tj表示第j圖中改進算法的時間；Tj則表示第j圖中MSR算法的時間.ψ值越小說明改進算法的相對實時性越好，文獻[7]和本文的加權(quán)延滯系數(shù)分別為ψ1=3.352，ψ2=0.344.顯然本文算法不僅比傳統(tǒng)的MSR算法有效增強圖像清晰度，而且在算法實時性上要明顯優(yōu)于文獻[7].

5　結(jié)論

基于MSR改進算法的車道線識別技術(shù)，不但有效地解決了霧霾天氣下僅憑常規(guī)方法無法準確識別車道線的問題，而且在提高圖像質(zhì)量的同時提高了運算速度.因此在車道偏離預警系統(tǒng)中具有廣泛的運用價值，為提高車輛在霧霾天氣中行駛的主動安全性，降低交通事故的發(fā)生率具有非凡的意義.但是仍有部分問題值得進一步研究，對于在高速行駛中的車輛來說，事故往往是發(fā)生在極短的時間內(nèi)，因此算法的實時性至關(guān)重要，如何保證在擁有較高的識別準確率的基礎(chǔ)上進一步降低算法的運行時間，仍需不斷的研究和完善.

[1]王榮本，余天洪，郭烈，等. 基于機器視覺的車道偏離警告系統(tǒng)研究綜述 [J]. 汽車工程，2005，27(4)：463-466.

[2]KIM Z W. Robust lane detection and tracking in challenging scenarios [J]. IEEE Transactions on Intelligent Transportation Systems，2008，9(1)：16-26.

[3]劉偉，黎寧，張丹，等. 基于自適應分割閾值的夜間車道標志線識別[J]. 計算機與數(shù)字工程，2015，43(2)：308-309.

[4]陳軍.基于 DSP 的高速公路車道偏離報警系統(tǒng)研究 [D]. 天津：天津大學，2010.

[5]祝培，朱虹，錢學明，等.一種有霧天氣圖像景物影像的清晰化方法 [J]. 中國圖像圖形學報，2004，9(1)：124-128.

[6]JOBSON D J，RAHMAN Z U，WOODELL G A. Properties and performance of a center/surround Retinex [J]. IEEE Transactions on Image Processing，1997，6(3)：451-462.

[7]舒婷，鄧波，陳炳權(quán)，等. 基于暗原色先驗與Retinex理論的去霧算法 [J]. 吉首大學學報(自然科學版)，2014，35(2)：52-56.

[8]肖勝筆，李燕. 具有顏色保真性的快速多尺度Retinex 去霧算法 [J]. 計算機工程與應用，2015，51(6)：176-180.

[9]肖鐘捷，余文森，程仁貴，等. 基于暗通道先驗的快速圖像去霧算法[J]. 吉林師范大學學報(自然科學版)，2014，8(3)：106-110.

[10]江興方，王戈，沈為民. 一種色彩改進型Retinex彩色圖像增強方法[J].光電子·激光，2008，19(10)：1402-1403.

[11]JOBSON D J，RAHMAN Z U，WOODELL G A. Properties and performance of a center/surround Retinex [J]. IEEE Transactions on Image Processing，1997，6(3)：451-462.

[12]楊煒. 客運車輛危險行駛狀態(tài)機器視覺辨識系統(tǒng)研究 [D]. 西安：長安大學，2013.

[13]金輝，吳樂林，陳慧巖，等.結(jié)構(gòu)化道路車道線識別的一種改進算法[J]. 北京理工大學學報，2007，27(6)：01-505.

[14]鞠乾翱. 基于機器視覺的快速車道線辨識研究 [D]. 上海：上海交通大學，2013.

[15]楊喜寧，段建民，高德芝，等.基于改進Hough變換的車道線檢測技術(shù) [J]. 計算機測量與控制，2010，18(2)：292-294.

(責任編輯：石紹慶)

Lane detection in haze weather based on improved Retinex algorithm

ZHOU Jin-cao1，WEI Lang1，LIU Yong-tao1，ZHANG Zai-ji2，TIAN Shun1

(1. College of Automobile，Chang’an University，Xi’an 710064，China；2. Tianjin Key Lab for Advanced Signal Processing，Civil Aviation University of China，Tianjin 300300，China)

In this paper，a new algorithm based on an improved Retinex algorithm was proposed for lane detection in haze weather which couldn’t be detected by traditional algorithm. Firstly，the lane images in haze weather was enhanced by an improved dark channel prior algorithm and using defogged images as the input image for MSR algrithm to have a further enhancement，ideal image was obtained after brightness enhancement. Binary images of road edges was obtained by Scharr filter and Ostu algorithm then. Finally，the road lane was extracted by Hough transform. Experimental results showed this new algorithm could not only detect road lane in haze weather accurately，but also could improve image quality effectively and has better real-time. Thus has great influence on the improvement of automobile active safety.

haze weather；Retinex algorithm；lane detection；image enhancement；automobile active safety

1000-1832(2016)03-0054-06

2015-09-30

國家自然科學基金資助項目(51278062).

周勁草(1989—)，男，博士研究生，主要從事車輛安全工程研究；魏朗(1957—)，男，博士，教授，博士研究生導師，主要從事汽車主動安全性、道路事故多發(fā)點與治理方法、道路交通事故分析與再現(xiàn)技術(shù)研究.

TP 391[學科代碼]580·2010

A

[DOI]10.16163/j.cnki.22-1123/n.2016.03.011