基于改進(jìn)SUSAN算子的車道線檢測(cè)算法

李讓軍，葉 冬

(鄭州科技學(xué)院 電氣工程學(xué)院，河南 鄭州 450064)

基于改進(jìn)SUSAN算子的車道線檢測(cè)算法

李讓軍，葉 冬

(鄭州科技學(xué)院 電氣工程學(xué)院，河南 鄭州 450064)

為了準(zhǔn)確識(shí)別道路的車道線，采用45° Sobel 邊緣算子對(duì)中值濾波后的道路圖像進(jìn)行增強(qiáng)，進(jìn)而采用SUSAN算子和Otsu 算法相結(jié)合的方法將圖像分割，利用分區(qū) Hough變換進(jìn)行擬合，識(shí)別出車道線.實(shí)驗(yàn)結(jié)果表明，采用改進(jìn)的SUSAN算子分割后的道路圖像能夠準(zhǔn)確提取車道線參數(shù),擬合出車道線，去除噪聲，節(jié)省了后續(xù)Hough變換的時(shí)間，提高了算法的抗噪性能和實(shí)時(shí)性.

車道線檢測(cè)；SUSAN算子；Otsu算法；分區(qū)Hough變換

車道偏離預(yù)警系統(tǒng)可以對(duì)注意力不集中的駕駛員進(jìn)行警告，修正車輛行進(jìn)的路線，減少因車道偏離而發(fā)生事故的概率,是安全駕駛輔助系統(tǒng)的一部分.車道線檢測(cè)算法是預(yù)警系統(tǒng)的關(guān)鍵，能否準(zhǔn)確識(shí)別道路圖像的車道線，關(guān)系著后續(xù)系統(tǒng)能否正確預(yù)警.

從目前的研究狀況來(lái)看，已有一些識(shí)別車道線的算法,如Sobel算子、Canny算子等,這些算法直接獲取車道線邊緣，但也會(huì)獲得噪聲物體的邊緣，存在干擾.SUSAN算子可以獲得比較準(zhǔn)確的車道線邊緣[1]，但SUSAN算子的閾值是該算法的關(guān)鍵值，怎樣獲取合適的閾值是研究的重點(diǎn).本研究根據(jù)道路圖像的特點(diǎn)，使用灰度的最大值與最小值和Otsu閾值相結(jié)合的方法確定SUSAN算子的閾值，有效地提高了SUSAN算子處理道路圖像的效果，能夠降低噪聲干擾、提高車道線識(shí)別的準(zhǔn)確性.

1 道路圖像預(yù)處理

道路圖像在采集時(shí)，環(huán)境噪聲、車道線磨損等因素嚴(yán)重影響了有用信息的正確提取.因此，需要對(duì)道路圖像進(jìn)行預(yù)處理，抑制環(huán)境噪聲，提高車道線顯示的質(zhì)量.

圖1 道路圖像分區(qū)Fig.1 Zoning map of road image

2 邊緣增強(qiáng)算法

為了得到車道線特征突出的比較理想的二值圖像，需要對(duì)道路圖像進(jìn)行邊緣增強(qiáng).常用的邊緣增強(qiáng)算子有Robert算子、Prewitt算子和Sobel算子等，考慮到Sobel算子能夠抑制噪聲的產(chǎn)生且能最大限度地檢測(cè)出車道線的邊界特征，同時(shí)考慮到由于透視原因，現(xiàn)實(shí)中筆直的車道線在圖像中顯示為斜線，本研究使用45°的Sobel算子對(duì)道路圖像進(jìn)行邊緣增強(qiáng)，算子的模板如公式(1)所示：

(1)

經(jīng)過(guò)處理，獲得了車道線特征突出的圖像，如圖2所示.

圖2 邊緣增強(qiáng)后的車道線圖像Fig.2 Road image after edge enhancement

3 基于改進(jìn)SUSAN算子的車道線圖像分割算法

3.1 SUSAN算子

SUSAN算子是一種基于局部灰度值特征進(jìn)行邊緣檢測(cè)的分割方法，由英國(guó)牛津大學(xué)學(xué)者Smith和Brady[3]提出，該算法簡(jiǎn)單有效，能較好地連接邊緣，可以去除圖像中的部分噪聲，對(duì)低層次圖像的處理有良好的適應(yīng)性和可靠性.與傳統(tǒng)的全局閾值相比，該算法定位準(zhǔn)確，具有較強(qiáng)的抗干擾能力，能夠檢測(cè)出可靠的目標(biāo).

用一個(gè)圓形模板掃描圖像，將模板中的每一個(gè)像素灰度值與模板中心的像素灰度值進(jìn)行比較，如果差值小于設(shè)定的閾值t，則將該像素與中心像素歸為一類，稱為吸收核同值區(qū)(USAN，Univalve Segment Assimilating Nucleus).統(tǒng)計(jì)USAN區(qū)中像素的個(gè)數(shù)nUSAN并與設(shè)定的閾值TUSAN比較，判斷該中心像素是否屬于某個(gè)區(qū)域的邊緣點(diǎn)，從而實(shí)現(xiàn)對(duì)目標(biāo)的檢測(cè).本研究采用的SUSAN算子圓形模板半徑為3個(gè)像素，共有37個(gè)像素，用此模板掃描整個(gè)圖像.按照公式(2)和公式(3)即可求出圓形模板內(nèi)USAN區(qū)的像素個(gè)數(shù)：

(2)

(3)

3.2 結(jié)合Otsu算法的改進(jìn)SUSAN算子

Otsu提出的基于類間方差最大化的分割算法，一直被認(rèn)為是分割閾值自動(dòng)選取的最優(yōu)算法[4].一維Otsu算法以圖像的一維灰度直方圖為依據(jù)、目標(biāo)和背景的類間方差為準(zhǔn)則來(lái)選擇最佳的分割閾值，但不能反映圖像的局部空間信息，當(dāng)?shù)缆穲D像受環(huán)境噪聲干擾、光照不均勻等因素的影響時(shí)，僅用Otsu算法難以獲得滿意的分割效果.

采用SUSAN算子分割預(yù)處理后的道路圖像,步驟如下：

(2)使用一維Otsu算法計(jì)算圖2的閾值t2；

(3)獲取區(qū)分特征目標(biāo)和背景的閾值t=max(t1，t2)；

(4)模板在圖像中移動(dòng)，根據(jù)t和公式(1)、公式(2)統(tǒng)計(jì)某一點(diǎn)的USAN區(qū)中像素個(gè)數(shù)nUSAN；

(5)比較nUSAN和TUSAN，若nUSAN>TUSAN，說(shuō)明該中心點(diǎn)為背景或目標(biāo)，設(shè)為0；

(6)若nUSAN

(7)遍歷圖像，將梯度圖像分割，如圖3所示.

采用改進(jìn)的SUSAN算子檢測(cè)出車道線邊緣特征點(diǎn)后，利用分區(qū)Hough變換擬合車道線.對(duì)比圖3可以看出，圖3(a)中車道線的直線特征非常明顯，容易識(shí)別,同時(shí)噪聲點(diǎn)的數(shù)目要遠(yuǎn)低于圖3(b)，能夠節(jié)省Hough變換的時(shí)間，提高算法的準(zhǔn)確性和實(shí)時(shí)性.

圖3 不同算法分割后的道路圖像Fig.3 Road images by using different segmentation algorithm

4 分區(qū)Hough變換擬合車道線

圖4 車道線擬合后的道路圖像Fig.4 Road image after the lines were identified

5 實(shí)驗(yàn)結(jié)果

圖3(a)有4 207個(gè)特征點(diǎn)，Hough算法時(shí)間為0.687 611 s；圖3(b)有29 444個(gè)特征點(diǎn)，Hough算法時(shí)間為0.879 289 s；圖3(c)有5 115個(gè)特征點(diǎn).因此，既考慮到了圖像整體的亮度，又考慮到了灰度圖像的亮度分布，分割后的道路圖像既能突出車道線特征，又降低了大量噪聲，能夠提高算法的實(shí)時(shí)性.

為了驗(yàn)證本算法的效果，課題組在多種環(huán)境下進(jìn)行了實(shí)驗(yàn)，識(shí)別效果如圖5所示.

圖5 不同環(huán)境下車道線擬合后的道路圖像Fig.5 Road image after the lanes were identified in different environment

道路圖像比較復(fù)雜，對(duì)于車道線來(lái)說(shuō)，光線弱、逆光等因素造成了圖像對(duì)比度降低，陰影、樹木、行人等環(huán)境噪聲會(huì)增加提取車道線參數(shù)的困難.從圖5中可以看出，使用本算法可以準(zhǔn)確提取車道線參數(shù)，擬合出車道線，能夠有效減少特征點(diǎn)的數(shù)目和Hough算法擬合車道線的時(shí)間，節(jié)省了約6.57%的時(shí)間，如表1所示.

表1 用本算法和SUSAN算子分別進(jìn)行圖像分割后的Hough變換時(shí)間對(duì)比Tab.1 Hough transform time after segmented by using the revised algorithm and SUSAN algorithm

6 結(jié)語(yǔ)

在分析道路圖像特征的基礎(chǔ)上，采用最大類間方差的方法計(jì)算SUSAN算子的灰度閾值，這種方法不僅可以提高SUSAN算子的自適應(yīng)性，也能綜合考慮圖像的整體信息和局部信息，提高了算法的實(shí)用性.本方法具有一定的實(shí)時(shí)性和抗噪性，可以更快更準(zhǔn)確地為車道偏離預(yù)警系統(tǒng)提供車道線參數(shù)，也適用于其他類似圖像的分割.

[1] 王榮本,余天洪,顧柏園,等.基于邊界的車道標(biāo)識(shí)線識(shí)別和跟蹤方法研究[J].計(jì)算機(jī)工程,2006,32(18):195-196.

[2] 侯利龍.高速公路車道線檢測(cè)算法研究[D].鄭州：河南工業(yè)大學(xué), 2012:9.

[3] SMITH S M，BRADY J M.SUSAN—a new approach to low level image processing[J].Journal of Computer Vision，1997，23(1):45-78.

[4] 梁光明,孫即祥,馬琦,等.Otsu算法在Canny算子中的應(yīng)用[J].國(guó)防科技大學(xué)學(xué)報(bào),2003,25(5):36-39.

[5] 趙志華,蔡健榮,趙杰文,等. SUSAN算子在蘋果圖像缺陷分割中的應(yīng)用研究[J].計(jì)算機(jī)工程,2004,30(15):141-142.

[6] 章毓晉.圖像工程(上冊(cè))——圖像處理和分析[M].北京:清華大學(xué)出版社,1999：187-190.

[7] 賈陽(yáng),王榮本,余天洪,等.基于熵最大化邊緣提取的直線型車道標(biāo)識(shí)線識(shí)別及跟蹤方法[J].吉林大學(xué)學(xué)報(bào)(工學(xué)版),2005,35(4):420-425.

Lane detection method based on improved SUSAN operator

LI Rangjun, YE Dong

(InstituteofElectricEngineering,ZhengzhouInstituteofScienceandTechnology,Zhengzhou450064,China)

In order to identify the lane of the road image accurately, the road image which was filtered by median filter was enhanced by 45° Sobel algorithm. Then the image was segmented by using the method of combining the SUSAN operator and the Otsu algorithm. At last, the lanes were identified by zoning Hough transformation. The results show that the road image which was segmented by improved SUSAN operators can obtain the effective feature points, remove noise, and save time of Hough transformation, improve the anti-noise performance and real-time performance of algorithm.

lane detection; SUSAN operator; Otsu algorithm; zoning Hough transformation

2017-03-07

李讓軍(1988-)，女，河南滑縣人，助教，研究方向?yàn)閳D像處理.

U495

A

1674-330X(2017)02-0051-04