基于Hough變換的車道線檢測(cè)

錢怡

摘 要：車道偏離預(yù)警系統(tǒng)（LDWS）通過(guò)各種光學(xué)傳感器和計(jì)算機(jī)確定車輪在車道中的位置，通過(guò)車道線識(shí)別提取確定車輛是否發(fā)生偏離。車道偏離預(yù)警系統(tǒng)的研究發(fā)展趨勢(shì)主要體現(xiàn)在兩方面：基于機(jī)器視覺(jué)的車道線識(shí)別和車道偏離決策算法。本文研究的基于Hough變換的車道線檢測(cè)通過(guò)圖像預(yù)處理分析可行區(qū)域，利用Hough變換從中提取車道標(biāo)識(shí)線和車道邊緣等信息，進(jìn)行車道線檢測(cè)。對(duì)實(shí)際路面圖像的實(shí)驗(yàn)結(jié)果表明，該算法在多種環(huán)境條件下，都能很好地識(shí)別車道，具有很強(qiáng)的魯棒性，進(jìn)一步減小天氣和光強(qiáng)對(duì)車道偏離預(yù)警系統(tǒng)的影響。

關(guān)鍵詞：Hough；變換；車道線檢測(cè)

DOI：10.16640/j.cnki.37-1222/t.2017.10.235

1 引言

目前交通事故頻繁，很大一部分是由人為疏忽造成的。這種現(xiàn)狀促進(jìn)了汽車主動(dòng)安全電子的發(fā)展，形成一個(gè)獨(dú)立的體系。研究發(fā)現(xiàn)：大約 53%的單車偏離車道事故可以通過(guò)檢測(cè)車輛運(yùn)行時(shí)的橫向位置的檢測(cè)系統(tǒng)得以預(yù)防，最大程度避免事故發(fā)生。基于機(jī)器視覺(jué)的車道線識(shí)別，即根據(jù)道路圖像，通過(guò)一定的計(jì)算機(jī)圖像和視覺(jué)技術(shù)的處理，從中提取車道標(biāo)識(shí)線和車道邊緣的曲率等幾何信息。其關(guān)鍵解決和處理問(wèn)題如下：道路表面的陰影（樹(shù)木、建筑物等陰影）、障礙物（如前方車輛、超車車輛等）遮擋了道路標(biāo)志線、光照的變化影響等。Kluge K采用Hough 變換，將直線檢測(cè)問(wèn)題，轉(zhuǎn)變?yōu)樵趨?shù)空間尋找最大值的問(wèn)題。也可以利用模板匹配法來(lái)進(jìn)行車道標(biāo)識(shí)線的識(shí)別和追蹤，因?yàn)樗ㄟ^(guò)引入整體信息的方法，能夠有效避免因光照和障礙物遮擋引起的陰影影響。本文提出了一種基于Hough變換的車道線檢測(cè)方法，試驗(yàn)證明，該方法能適應(yīng)多種環(huán)境條件，克服不同天氣和光強(qiáng)對(duì)車道偏離預(yù)警系統(tǒng)產(chǎn)生的影響，具有較強(qiáng)的魯棒性，同時(shí)也提高了其處理速度。

2 圖像預(yù)處理

圖像處理是將圖像信號(hào)轉(zhuǎn)換成數(shù)字信號(hào)后，利用計(jì)算機(jī)對(duì)其進(jìn)行處理的過(guò)程，在進(jìn)行道路圖像處理的過(guò)程中，原始圖像會(huì)或多或少受到噪聲等影響，且考慮系統(tǒng)實(shí)時(shí)性的要求，所以，必須先對(duì)由攝像機(jī)采集到的原始圖像進(jìn)行預(yù)處理。通過(guò)圖像預(yù)處理，消除圖像中無(wú)關(guān)的信息，恢復(fù)有用的真實(shí)信息，增強(qiáng)有關(guān)信息的可檢測(cè)性和最大限度地簡(jiǎn)化數(shù)據(jù)，從而改進(jìn)特征抽取、圖像分割、匹配和識(shí)別的可靠性。在本文的研究過(guò)程中，我們對(duì)道路圖像預(yù)處理主要服務(wù)于車道線的識(shí)別與提取，所進(jìn)行的預(yù)處理包括道路圖像灰度化、中值濾波、類Haar特征獲得垂直邊緣。

2.1 圖像灰度化及閾值分割

車道線一般為黃色和白色，這兩種顏色相較于其他顏色在灰度圖像中具有更高灰度值。利用得到的灰度圖像，灰度值小于255的像素點(diǎn)劃分為路面，反之則劃分到標(biāo)記區(qū)域。

2.2 道路圖像濾波

常用圖像濾波方法有均值濾波、中值濾波和自適應(yīng)濾波，本文采用的中值濾波，相較于其他兩種，消除了孤立的噪聲點(diǎn)，避免了圖像產(chǎn)生較大模糊，圖像得到增強(qiáng)，效果較好，同時(shí)算法相對(duì)復(fù)雜，處理速度相對(duì)較快，實(shí)時(shí)性和綜合性最好。它是取一個(gè)領(lǐng)域模板M，將鄰域內(nèi)的所有像素點(diǎn)進(jìn)行排序，并求得灰度值的中間值代替原來(lái)所有像素灰度值。

2.3 基于類Haar特征的邊緣強(qiáng)化

本文采用類Haar垂直掩模，將白色區(qū)域灰度值之和減去灰色區(qū)域灰度值之和，再用積分圖法獲得垂直邊緣，相較于Sohel算法，類Haar特征算法獲得的邊緣強(qiáng)化更為連續(xù)、清晰。

3 Hough變換

3.1 Hough變換原理

Hough變換是利用點(diǎn)線對(duì)偶性，以一種投票機(jī)制檢測(cè)圖像中具有特定形狀的目標(biāo)。首先通過(guò)特定解析表達(dá)式，統(tǒng)計(jì)參數(shù)空間正弦曲線交點(diǎn)的累積程度，找出其中的峰值即可確定圖像平面中直線參數(shù)，使點(diǎn)線面一一對(duì)應(yīng)。其實(shí)質(zhì)是建立圖像空間和參數(shù)空間的映射關(guān)系，通過(guò)兩者相互變換，把圖像全局區(qū)域內(nèi)形狀檢測(cè)問(wèn)題轉(zhuǎn)變?yōu)閰?shù)局部區(qū)域內(nèi)峰值點(diǎn)尋找問(wèn)題。Hough變換原理基本如圖所示，圖像平面上任意一條直線對(duì)應(yīng)于參數(shù)平面上的一組正弦曲線的交點(diǎn)，

在實(shí)際應(yīng)用中，我們首先需對(duì)參數(shù)空間進(jìn)行量化，并設(shè)計(jì)一個(gè)累加器，初始化為零，當(dāng)檢測(cè)到每個(gè)像素點(diǎn)對(duì)應(yīng)的直線時(shí)，該條直線對(duì)應(yīng)累加器數(shù)值加1，取變所有像素點(diǎn)，最后累加器中最大值所對(duì)應(yīng)的直線即為原圖像空間的目標(biāo)直線。

3.2 基于Hough變換的車道線檢測(cè)

基于Hough變換的算法流程如圖2所示。

4 多種工況試驗(yàn)驗(yàn)證

為了驗(yàn)證本算法的效果，本文在Matlab 7.0平臺(tái)下完成在不同天氣和光照下對(duì)車道線的檢測(cè)。檢測(cè)效果如圖3所示。

實(shí)驗(yàn)表明，基于Hough變換的車道線檢測(cè)能夠很好的適應(yīng)各種天氣以及光照條件，具有很強(qiáng)的魯棒性和抗干擾性，但是在大雨條件下車道線識(shí)別算法仍存在不足。

5 結(jié)束語(yǔ)

本文設(shè)計(jì)了一種車道線檢測(cè)的算法，并闡述了其工作流程，通過(guò)道路圖像灰度化、中值濾波和類Haar特征獲得垂直邊緣對(duì)圖像進(jìn)行預(yù)處理，在此基礎(chǔ)上進(jìn)行基于Hough變換的車道線檢測(cè)。通過(guò)實(shí)驗(yàn)表明，本算法具有足夠的圖像處理能力和準(zhǔn)確的車道識(shí)別能力，能克服大多數(shù)因不同天氣和光強(qiáng)對(duì)車道線識(shí)別產(chǎn)生的影響，具有很強(qiáng)的魯棒性和準(zhǔn)確性。但該算法仍存在不足之處，對(duì)于惡劣環(huán)境下車道線檢測(cè)模糊，這也是今后重要的研究方向。

參考文獻(xiàn)：

[1]魏凱，盛建平，熊凱.基于陰影特征的前向車輛檢測(cè)和測(cè)距方法研究[J].機(jī)械設(shè)計(jì)與制造，2013：130-135.

[2]劉富強(qiáng)，張姍姍，朱文紅等.一種基于視覺(jué)的車道線檢測(cè)與跟蹤算法[J].同濟(jì)大學(xué)學(xué)報(bào)：自然科學(xué)版，2010，38（02）：223-229，306.

[3]李旭，張為公.基于視覺(jué)的車道偏離預(yù)警系統(tǒng)的研究[J].儀器儀表學(xué)報(bào)，2008，29（07）：1554-1558

[4]陸豐俊.基于視覺(jué)的車輛車道偏離預(yù)警系統(tǒng)算法研究[D].湖北：華中科技大學(xué)，2006.

[5]余天洪.基于機(jī)器視覺(jué)的車道偏離預(yù)警系統(tǒng)研究[D].吉林：吉林大學(xué)，2006.

[6]高瑞勝.基于單目視覺(jué)的車道偏離預(yù)警系統(tǒng)的研究[D].杭州：杭州電子科技大學(xué)，2012.