基于視覺的縮微車車道線檢測

朱亞萍，李永強

(杭州電子科技大學(xué)智能控制與機器人研究所，浙江 杭州 310018)

基于視覺的縮微車車道線檢測

朱亞萍，李永強

(杭州電子科技大學(xué)智能控制與機器人研究所，浙江 杭州 310018)

針對縮微車車道線檢測算法魯棒性和實時性差的問題，利用一種數(shù)學(xué)形態(tài)學(xué)與最小二乘法相結(jié)合進行縮微車車道線檢測.首先對采集的道路圖像進行預(yù)處理，用數(shù)學(xué)形態(tài)學(xué)濾波算法去除室內(nèi)光線變化對車道線圖像的影響，運用大津算法和Canny算子分別對去除光照后圖像進行分割及分割后圖像的邊緣檢測，最后采用霍夫變換和最小二乘法相結(jié)合的方法檢測縮微車車道線.在室內(nèi)強光照等復(fù)雜環(huán)境下，能準(zhǔn)確快速檢測出縮微車車道線，解決了傳統(tǒng)縮微車車道線檢測算法魯棒性和實時性差的問題.

數(shù)學(xué)形態(tài)學(xué)；閾值分割；最小二乘法

0 引 言

智能交通是將通信、自動控制和計算機等技術(shù)結(jié)合起來的新一代交通系統(tǒng).縮微車車道線檢測是智能交通系統(tǒng)研究的基礎(chǔ)之一.針對縮微車車道線檢測的方法，主要有基于模型和基于特征兩種方法.基于模型的方法主要是根據(jù)一些模型的參數(shù)來對車道線進行描述，如用直線或拋物線等形狀的參數(shù)來描述車道線.基于特征的方法主要是根據(jù)車道線邊緣等信息來進行特征提取，檢測出車道線.文獻(xiàn)[1]介紹了一種基于車道線直線模型的檢測方法，文獻(xiàn)[2]介紹了一種隨機抽象算法和模型擬合相結(jié)合的檢測方法，文獻(xiàn)[3]介紹了一種多尺度頂帽特征變換的檢測方法.文獻(xiàn)[4]介紹了一種基于特車道線邊緣特征和卡爾曼濾波相結(jié)合檢測方法.目前，霍夫變換和最小二乘法是車道線檢測常用的方法.當(dāng)縮微車道路因光照產(chǎn)生強反光域時，強反光域和車道線顏色邊緣特征相似，這就造成了車道線檢測的不準(zhǔn)確和誤檢測.為了去除強光照的干擾，本文利用數(shù)學(xué)形態(tài)學(xué)濾波和最小二乘法相結(jié)合進行車道線檢測.

1 圖像預(yù)處理

1.1 圖像ROI選擇及灰度化

由于車道圖像上很多信息是無用的，設(shè)定車道線所在區(qū)域為感興趣區(qū)域(Region of Interest，ROI)，只對感興趣區(qū)域處理可以減少運算量[5].圖1分別為強反光和正常光照時的ROI圖像.由于攝像頭采集到的圖像為彩色圖像.直接進行車道線檢測數(shù)據(jù)處理量大需要時間長，影響縮微車處理系統(tǒng)的實時性.進行圖像灰度化是很好的選擇，圖像灰度化的方法采用加權(quán)平均值法[6].圖2分別為強反光和正常光照時灰度化圖像.

1.2 圖像去噪

灰度化后的圖像一般含有“椒鹽”噪聲.采用中值濾波算法進行除“椒鹽”噪聲處理[7].除“椒鹽”噪聲時并不影響縮微車車道線邊緣.在圖像去除“椒鹽”噪聲干擾后，再利用改進的數(shù)學(xué)形態(tài)學(xué)濾波算法去除光照干擾.

圖1 ROI圖像

圖2 灰度化圖像

2 數(shù)學(xué)形態(tài)學(xué)濾光處理

2.1 數(shù)學(xué)形態(tài)學(xué)腐蝕膨脹理論

數(shù)學(xué)形態(tài)學(xué)濾波算法的基礎(chǔ)運算是腐蝕和膨脹，結(jié)構(gòu)元素又是腐蝕和膨脹的基本工具[8].結(jié)構(gòu)元素形狀根據(jù)需要設(shè)定的，本文通過實驗驗證結(jié)構(gòu)元素為圓形且半徑是4個像素時效果較好.

腐蝕是將結(jié)構(gòu)元素重合的圖像像素點和對應(yīng)的結(jié)構(gòu)元素像素點的灰度值相減.找到像素灰度值最小的像素點，把最小值作為對應(yīng)圖像上像素點的灰度值.結(jié)構(gòu)元素為B(x,y)，輸入圖像為f(x,y).腐蝕運算可記為fΘB，則：

(1)

其中，Df和DB分別是f和B的定義域.腐蝕后的圖像上灰度值較高的強反光區(qū)域和車道線區(qū)域都將變小向內(nèi)收縮.根據(jù)車道線的寬度計算腐蝕次數(shù)，對圖像連續(xù)進行4次腐蝕能夠把車道線從圖像上掉，此時效果最好.

膨脹運算記為f⊕B，則：

(2)

其中，Df和DB分別是f和B的定義域.計算結(jié)構(gòu)元素B重合的圖像上像素與結(jié)構(gòu)元素像素灰度值之和最大時的點灰度值.把此最大值作為對應(yīng)圖像上像素點的灰度值.這樣反光區(qū)域和車道線區(qū)域的邊緣將從灰度值高的區(qū)域向灰度值低的區(qū)域增長.

2.2 形態(tài)學(xué)濾波算法去除反光

對去除“椒鹽”噪聲后的圖像先連續(xù)腐蝕4次再連續(xù)膨脹4次處理得到縮微車車道線的背景圖像.圖3分別為強反光和正常光照時背景圖像.將中值濾波后圖像減去背景圖像而得到縮微車車道線濾光后的圖像.圖4分別為濾光后強反光和正常光照時車道線圖像.

圖3 車道線背景圖像

圖4 濾光后車道線圖像

3 車道線檢測

3.1 自適應(yīng)閾值分割

圖像分割就是將圖像中車道線和車道線背景分離的過程.圖像分割有很多方法其中最常用是閾值分割.閾值分割中設(shè)T為閾值，像素點灰度值小于閾值T的像素點的集合看作背景，像素點灰度值大于閾值T的像素點的集合看作目標(biāo).分割公式如下：

(3)

其中，f(x,y)代表灰度圖像.閾值分割方法按閾值T固定和不固定又可分為固定閾值分割法和自適應(yīng)閾值兩種方法，固定閾值分割法對復(fù)雜場景的適應(yīng)性較差[9].本文采用自適應(yīng)閾值分割方法，選取類間方差最大時的值作為閾值，該算法具有較強的魯棒性.

3.2 邊緣提取

車道線邊緣包含了車道線的主要結(jié)構(gòu)信息.采用Canny算子進行邊緣檢測.通過尋找圖像像素點的局部梯度極大值確定圖像邊緣是Canny邊緣檢測算子的實質(zhì)，Canny算子確定的邊緣清晰準(zhǔn)確、處理速度快且穩(wěn)定性好[10].接下來在車道線邊緣圖像的基礎(chǔ)上進行車道線檢測，車道線檢測方法采用結(jié)合霍夫變換和最小二乘法的方法.

3.3 霍夫變換預(yù)處理

圖像坐標(biāo)空間中的一條直線可以變換到對應(yīng)參數(shù)空間中一個點這種映射關(guān)系叫做霍夫變換[11].為了在圖像空間擬合出對應(yīng)直線需要對參數(shù)空間中的點進行霍夫反變換[12].

霍夫變換過程中需要對極坐標(biāo)空間中參數(shù)θ和ρ進行量化，量化過深影響處理的實時性，過低則檢測效果不佳.

霍夫變換進行車道線檢測預(yù)處理步驟如下：

1)圖像空間被分割出多個參數(shù)區(qū)間，設(shè)計各參數(shù)空間相應(yīng)的累加器ACC(ρ,θ)并把各累加器的初始化為0；

2)取出圖像各參數(shù)區(qū)間中像素點，對各區(qū)間中所有像素點進行霍夫從圖像空間映射到極坐標(biāo)空間，計算量化各區(qū)間對應(yīng)的極坐標(biāo)參數(shù)θ和ρ的值；

3)在對應(yīng)的極坐標(biāo)參數(shù)空間中，將θ和ρ對應(yīng)單元累加器增1；

在圖像空間中的點經(jīng)過上述3個步驟之后，查看每個參數(shù)空間單元累加器的值，找到ACC(ρ,θ)最大時對應(yīng)的θk和ρk即為需要擬合直線參數(shù).

根據(jù)θk和ρk粗略計算需要擬合直線，且直線附近像素點的集合為S.

對霍夫變換預(yù)處理后得到的參數(shù)θk和ρk以及直線附近的像素點集合S，再進行最小二乘法車道線擬合.這種霍夫變換預(yù)處理方法避免了直接利用最小二乘法像素點附近有多條直線無法進行擬合的問題.

3.4 最小二乘法車道線擬合

將霍夫變換預(yù)處理得到到的θk和ρk值進行最小二乘法直線擬合，其在圖像空間坐標(biāo)下對應(yīng)的直線方程為：y=akx+bk其中斜率為ak，截距為bk.根據(jù)實驗的的環(huán)境條件設(shè)定誤差閾值dκ等于2個像素[13].對于測量到S中的像素點(xi,yi)，i=1，2…，N.若像素到直線y=akx+bk的距離設(shè)為d，其值為：

(4)

本文在原圖像處理后的邊緣圖像和灰度圖像上進行車道線擬合，車道線擬合方法采用霍夫變換與最小二乘法相結(jié)合的方法.這種結(jié)合霍夫變換和最小二乘法的車道線擬合方法，去除了直線擬合時與直線距離較遠(yuǎn)點的干擾，從而解決霍夫變換擬合車道線精確度不高的缺點，也避免了直接最小二乘法直接應(yīng)用時像素點附近有多條直線無法進行擬合的問題.

4 實驗結(jié)果與分析

選取強反光和正常光照兩種環(huán)境下車道線圖像進行檢測，驗證本文算法在去除強光照的有效性.圖5(a)、圖6(a)、圖7(a)為同一幅強反光時的車道線原圖像，圖5(d)、圖6(d)、圖7(d)同一幅正常光照時的車道線原圖像，對兩幅圖像分別運用傳統(tǒng)不含形態(tài)學(xué)濾波處理的車道線檢測算法和本文檢測算法處理，得到如圖5所示的二值化圖像，圖6所示的邊緣圖像和圖7所示的車道線檢測圖像.通過圖5(b)與圖5(c)對比，圖6(b)與圖6(c)對比可以看出本文算法和傳統(tǒng)算法相比能夠有效去除強反光區(qū)域及其邊緣.通過圖5(e)與圖5(f)對比，圖6(e)與圖6(f)對比可知本文算法在正常光照情況下同樣適用，并且能夠去除車道線外圍的其它噪聲干擾.最后通過圖7(b)與圖5(c)對比，圖7(e)與圖7(f)對比，可知本文算法在去除強反光基礎(chǔ)上能夠很好的擬合除了車道線.直接在灰度圖像的基礎(chǔ)上進行車道線的擬合，擬合出的車道線顏色在圖像上均呈現(xiàn)為白色.

圖5 二值化檢測結(jié)果

圖6 邊緣檢測結(jié)果

圖7 車道線檢測結(jié)果

由仿真實驗可以看出，本文提出的形態(tài)學(xué)濾波算法和最小二乘法相結(jié)合能夠很好的消除強光照對車道線檢測的干擾，車道線檢測效果較為理想.由于本文算法是在去除車道線圖像背景的基礎(chǔ)上進行的車道線檢測，所以對車道線外圍的其它噪聲也具有一定的抑制作用.本文圖像分割過程中利用自適應(yīng)閾值分割算法進行圖像分割，因而在光線均勻的情況下同樣能夠很好的檢測出車道線.不同的硬件平臺對同種檢測算法的處理周期不同，在本文實驗環(huán)境下，本文算法滿足縮微車自主駕駛的實時性和魯棒性.

5 結(jié)束語

針對目前縮微車車道標(biāo)識線檢測算法魯棒性差的問題，采用形態(tài)濾波算法和最小二乘法相結(jié)合的方法進行改進，算法通過設(shè)置感興趣區(qū)域減少了車道線擬合的范圍，提高了檢測效率.同時本文檢測方法抗干擾能力強，實現(xiàn)了強光照干擾下的縮微車車道線的檢測，為以后的智能交通系的實際應(yīng)用提供了一定的理論基礎(chǔ).但是，本方法對結(jié)構(gòu)化道路進行車道線檢測時具有較好效果，對非結(jié)構(gòu)化道路檢測效果不是十分理想，對非結(jié)構(gòu)化道路的檢測將是下一步研究的重點.

[1]張翀，范新南.基于直線模型的車道線實時檢測方法[J].計算機工程與設(shè)計,2012，33(1):295-299.

[2]DU X,TAN K K. Vision-based approach towards lane line detection and vehicle localization[J]. Machine Vision & Applications, 2015, 27(2):175-191.

[3]BAI X Z, ZHOU F G. A unified form of multi-scale Top-Hat transform based algorithms for image processing[J]. Optik-International Journal for Light and Electron Optics，2013，124(13)：1614-1619.

[4]劉富強,田敏,胡振程.智能汽車中基于視覺的道路檢測與跟蹤算法[J].同濟大學(xué)學(xué)報(自然科學(xué)版),2007,35(11):1535-1541.

[5]胡驍，李歲勞，吳劍.基于特征顏色的車道線檢測算法[J].計算機仿真,2011，28(10):344-348.

[6]孫偉，張小瑞，唐慧強，等.Hough變換和最小二乘法擬合的車道線協(xié)調(diào)檢測[J].光電工程,2011，38(10)：13-19.

[7]DU X, TAN K K, HTET K K K. Vision-based lane line detection for autonomous vehicle navigation and guidance[C]//Control Conference (ASCC), 2015 10th Asian. IEEE, 2015:1-5.

[8]畢建權(quán)，陸耿，王京春，等.縮微智能車軟件系統(tǒng)設(shè)計與實現(xiàn)[J].計算機工程與應(yīng)用,2013，49(1):234-238.

[9]陳龍,李清泉,毛慶洲.基于成像模型的車道線檢測與跟蹤方法[J].中國公路學(xué)報,2011,24(6):96-102.

[10]KAUR G, KUMAR D, KAUR G, et al. Lane Detection Techniques: A Review[J].InternationalJournal of Computer Applications, 2015,112(10):4-8.

[11]PHUNG S L, LE M C, BOUZERDOUM A. Pedestrian lane detection in unstructured scenes for assistive navigation[J]. Computer Vision & Image Understanding, 2016, 149:186-196.

[12]GECHTER F, CONTET J M, GALLAND S, et al. Virtual intelligent vehicle urban simulator: Application to vehicle platoon evaluation[J]. Simulation Modelling Practice and Theory, 2012,24(1):103-114.

[13]CHENG H Y, YU C C, TSENG C C, et al. Environment classification and hierarchical lane detection for structured and unstructured roads[J]. IET Computer Vision, 2010, 4(1):37-49.

Detection of Lane Lines for Vision-based Micro-vehicles

ZHU Yaping, LI Yongqiang

(InstituteofIntelligentControlandRobot,HangzhouDianziUniversity,HangzhouZhejiang310018,China)

Due to the problem that the micro car lane mark detection algorithms are poor in robust adaptation and real-time performance, an improved method combined mathematical morphology and least squares method is used to realize the micro car lane mark detection. Firstly, road images are pre-processed, and the influence of indoor lighting changes to lane images is removed by the improved morphological filtering algorithm. And then, the images are dividing by OTSU threshold dividing algorithm, and after dividing, Canny edge detection operators are used to realize edge extraction. Finally, the cumulative probability of the Hough transform combined with least squares method is used to realize the micro car lane mark detection. The experiments show that the proposed algorithm can detect the micro car lane mark in strong light or lack of light and other complex lighting conditions quickly and accurately, which solves the problem that the tradition micro car lane mark detection algorithms are poor in robust adaptation and real-time performance.

mathematical morphology; threshold segmentation; least square method

10.13954/j.cnki.hdu.2017.01.013

2016-09-13

國家自然科學(xué)基金資助項目(61427808)

朱亞萍(1962-)，女，江蘇張家港人，教授，智能控制.

TP391.4

A

1001-9146(2017)01-0057-05