基于HSV顏色空間與邊緣特征的黃色車(chē)道線(xiàn)檢測(cè)

王懷濤，曹明偉，邢皎玉 Wang Huaitao，Cao Mingwei，Xing Jiaoyu

?

基于HSV顏色空間與邊緣特征的黃色車(chē)道線(xiàn)檢測(cè)

王懷濤，曹明偉，邢皎玉 Wang Huaitao，Cao Mingwei，Xing Jiaoyu

（合肥工業(yè)大學(xué)汽車(chē)與交通工程學(xué)院，安徽合肥 230009）

車(chē)道線(xiàn)檢測(cè)是實(shí)現(xiàn)汽車(chē)智能行駛的首要技術(shù)，文中闡述了一種在城市復(fù)雜道路環(huán)境中直線(xiàn)部分黃色車(chē)道線(xiàn)的檢測(cè)方法。首先，利用黃色車(chē)道線(xiàn)在HSV顏色空間的顏色特征檢測(cè)出照片中的黃色像素。為此，首先采集不同光照強(qiáng)度條件下的黃色車(chē)道線(xiàn)像素作為樣本值，再以此樣本值為后驗(yàn)知識(shí)來(lái)檢測(cè)出目標(biāo)照片中黃色像素，但此時(shí)會(huì)保留有較多的干擾像素；其次，利用車(chē)道線(xiàn)邊緣的直線(xiàn)特征檢測(cè)出目標(biāo)照片中具有直線(xiàn)特征的像素。再次，將前2步得到的結(jié)果作與運(yùn)算，去除絕大部分干擾像素；最后，在得到的結(jié)果圖上運(yùn)用霍夫變換，迅速得到所要檢測(cè)的黃色車(chē)道線(xiàn)。

黃色車(chē)道線(xiàn)；HSV顏色空間；邊緣特征；與運(yùn)算；霍夫變換

0 引 言

智能化是未來(lái)汽車(chē)產(chǎn)業(yè)發(fā)展的趨勢(shì)，車(chē)道線(xiàn)作為智能汽車(chē)安全行駛重要參考標(biāo)線(xiàn)，其快速準(zhǔn)確地檢測(cè)顯得尤為重要。

當(dāng)前車(chē)道線(xiàn)檢測(cè)算法主要有基于灰度圖的閾值分割法[1-2]，基于Canny算子的車(chē)道線(xiàn)邊緣檢測(cè)算法[3]，基于車(chē)道線(xiàn)顏色特征的閾值分割法[4]。前2種方法未能利用車(chē)道線(xiàn)顏色這一重要特征，用于檢測(cè)道路中的白色車(chē)道線(xiàn)時(shí)具有較好的效果，但檢測(cè)亮度較低的黃色車(chē)道線(xiàn)時(shí)效果很差；后一種方法雖然利用了車(chē)道線(xiàn)的顏色特征，但是根據(jù)車(chē)道線(xiàn)顏色進(jìn)行圖像分割的顏色閾值會(huì)隨著光照、車(chē)道線(xiàn)的新舊不同而變化，而且會(huì)識(shí)別出干擾像素。

文中提出一種新的車(chē)道線(xiàn)檢測(cè)方法，專(zhuān)用于黃色車(chē)道線(xiàn)檢測(cè)。先通過(guò)查找H-S（Hue-Saturation，色相-飽和度）二維表識(shí)別出具有黃色特征的像素，再在這些具有黃色特征的像素中識(shí)別出具有直線(xiàn)邊緣特征的像素，然后濾除同時(shí)具有黃色和直線(xiàn)邊緣特征的干擾像素，最后進(jìn)行霍夫變換即可檢測(cè)出黃色車(chē)道線(xiàn)。

1 初始H-S二維表建立

采集樣本照片中黃色車(chē)道線(xiàn)的像素點(diǎn)，根據(jù)這些像素點(diǎn)在HSV（Hue，Saturation，Value，色相、飽和度、亮度）空間的H、S值建立一個(gè)用來(lái)描述、存儲(chǔ)車(chē)道線(xiàn)黃色特征的數(shù)據(jù)庫(kù)，即H-S二維表；通過(guò)將目標(biāo)照片中的像素值與此H-S二維表中的值作比較即可識(shí)別出目標(biāo)照片中的黃色像素點(diǎn)。此H-S二維表應(yīng)能夠隨著車(chē)道線(xiàn)識(shí)別程序的運(yùn)行而不斷更新。

1.1 建表方法

拍攝20張?jiān)诓煌庹障潞胁煌蓴_因素的包含黃色車(chē)道線(xiàn)的照片。拍攝點(diǎn)選在車(chē)道中間，模擬車(chē)載相機(jī)的拍攝角度。選取不同光照條件下、含有不同干擾的6張照片作為樣本照片如圖1（a）所示，剩下3張照片作為目標(biāo)照片。用圖像編輯工具提取6張樣本照片中的黃色車(chē)道線(xiàn)，并將它們放到黃色車(chē)道線(xiàn)提取圖如圖1（b）所示，再統(tǒng)計(jì)黃色車(chē)道線(xiàn)提取圖中每一對(duì)（H，S）像素特征值所對(duì)應(yīng)的像素個(gè)數(shù)，該像素個(gè)數(shù)縮放后的數(shù)值就是所要建立二維表中對(duì)應(yīng)（H，S）坐標(biāo)處的數(shù)值，這樣能建立所需要的初始H-S二維表。

在HSV空間中每個(gè)黃色車(chē)道線(xiàn)像素均對(duì)應(yīng)H、S、V 3個(gè)值，根據(jù)不同光照、不同亮度條件下的顏色恒常性原理，僅選取H、S 2個(gè)值來(lái)建立二維表格，弱化光照強(qiáng)度對(duì)檢測(cè)結(jié)果的不利影響。

1.2 建表過(guò)程

提取的黃色車(chē)道線(xiàn)如圖1所示。

用OpenCV中的cvtColor函數(shù)（函數(shù)的轉(zhuǎn)換格式參數(shù)選用CV_BGR2HSV_FULL，這樣轉(zhuǎn)換后的H、S值的范圍均在0～255[5]，和像素亮度范圍一致）將圖1（b）轉(zhuǎn)換到HSV顏色空間后，用calcHist函數(shù)統(tǒng)計(jì)圖1（b）中每一對(duì)（H，S）值對(duì)應(yīng)的像素個(gè)數(shù)；不統(tǒng)計(jì)黑色（即H=S=0）區(qū)域的像素，因?yàn)樗鼈儾皇屈S色車(chē)道線(xiàn)像素。然后用convertTo函數(shù)將像素個(gè)數(shù)值縮放到0～255范圍內(nèi)。以左上角為坐標(biāo)原點(diǎn)，以飽和度S為水平軸，以色相H為豎直軸，以縮放后的數(shù)值作為對(duì)應(yīng)（H，S）坐標(biāo)處的數(shù)值，得到初始二維表（表中數(shù)據(jù)太多，不便直接顯示）。由于表中的數(shù)值被縮放到0～255范圍內(nèi)，與灰度像素的灰度值范圍相同，所以可以將初始二維表看做是一張灰度圖片的mat格式矩陣，以圖片格式顯示出來(lái)的結(jié)果如圖2所示[6]。為了方便打印，圖中像素點(diǎn)的黑色程度代表該像素的灰度值，像素點(diǎn)越黑，灰度值越大；以下各圖的處理方式與圖2相同。

由圖2可知，灰度值非0的像素大部分分布在H為15～30、S為30～105范圍內(nèi)。其他范圍內(nèi)灰度值為0，說(shuō)明在這些范圍內(nèi)的每對(duì)（H，S）值在圖1（b）中對(duì)應(yīng)的像素個(gè)數(shù)為0（H=S=0的像素除外）。圖2中某像素越黑，說(shuō)明該像素對(duì)應(yīng)的（H，S）值在圖1（b）中對(duì)應(yīng)的像素個(gè)數(shù)越多，則該對(duì)（H，S）屬于黃色車(chē)道線(xiàn)特征的概率越大。

有了初始二維表，就可以將其用于后面的查表操作。之所以將其稱(chēng)作初始二維表是因?yàn)樵摫硎遣粩喔碌?。?dāng)用初始二維表檢測(cè)出黃色車(chē)道線(xiàn)后，用檢測(cè)出的黃色車(chē)道線(xiàn)替換掉圖1（b）中的車(chē)道線(xiàn)，得到新的二維表；不斷地更新二維表可以使查表結(jié)果圖（圖4）中的干擾像素更少，使檢測(cè)過(guò)程更快速準(zhǔn)確。

2 H-S二維表查找

選擇一張目標(biāo)照片如圖3所示，可看出照片中的干擾。

先用cvtColor函數(shù)將彩色目標(biāo)照片1（圖3）轉(zhuǎn)換到HSV空間，再用OpenCV中的lut函數(shù)對(duì)圖3中的每個(gè)像素按照（H，S）分量值在初始二維表（圖2）中進(jìn)行查表操作，查表后得到一張灰度圖，如圖4所示。

由圖4可知，運(yùn)用查表法，無(wú)論是在教學(xué)樓陰影中的黃色車(chē)道線(xiàn)還是在陽(yáng)光下的車(chē)道線(xiàn)都能被順利檢測(cè)出來(lái)；查表法能濾除大部分非黃色干擾像素。但是對(duì)于顯示為黃色的干擾像素（人體外露的黃色胳膊和小腿皮膚、法國(guó)梧桐樹(shù)干下端表皮脫落露出的黃色內(nèi)皮、黃色樹(shù)葉、黃色落葉以及在陽(yáng)光下反射淡黃色光的柏油路面），查表法無(wú)法濾除；因此需要利用車(chē)道線(xiàn)的邊緣特征來(lái)濾除余下的干擾像素。

3 車(chē)道線(xiàn)邊緣特征像素檢測(cè)

黃色車(chē)道線(xiàn)的邊緣像素連線(xiàn)是一條傾斜的直線(xiàn)，這一特征是其他黃色干擾像素所不具備的，利用這一特征可以濾除這些黃色干擾像素。

各種斜率的道路右側(cè)車(chē)道線(xiàn)（道路左側(cè)車(chē)道線(xiàn)類(lèi)同）的模擬放大圖如圖5所示，即以未經(jīng)過(guò)消除鋸齒處理的直線(xiàn)放大后的邊緣模擬實(shí)際車(chē)道線(xiàn)的邊緣，達(dá)到清楚顯示車(chē)道線(xiàn)邊緣特征的目的。檢測(cè)車(chē)道線(xiàn)的目的是獲得車(chē)道線(xiàn)的數(shù)學(xué)方程，因此只需要檢測(cè)出車(chē)道線(xiàn)上能反映其形狀特征的那一部分像素即可，無(wú)需檢測(cè)出車(chē)道線(xiàn)上的所有像素。選擇道路右側(cè)車(chē)道線(xiàn)的左邊緣像素和道路左側(cè)車(chē)道線(xiàn)的右邊緣像素為待檢測(cè)目標(biāo)像素，這樣檢測(cè)出的車(chē)道更窄，更有利于車(chē)輛偏離車(chē)道預(yù)警控制。

對(duì)于圖5中保留鋸齒的模擬道路右側(cè)車(chē)道線(xiàn)，待檢測(cè)目標(biāo)像素為車(chē)道線(xiàn)的左邊緣鋸齒尖像素，因?yàn)殇忼X尖像素特征最為明顯，最易區(qū)分。將以鋸齒尖像素為中心的9個(gè)像素（3×3，編號(hào)1～9，鋸齒尖編號(hào)為5）局部放大并顯示在圖5中。由圖可知，不論右側(cè)車(chē)道線(xiàn)斜率多大，其左邊緣以鋸齒尖像素為中心的9個(gè)像素的亮度分布具有相同的特征：編號(hào)2、編號(hào)3、編號(hào)6這3個(gè)像素的亮度均比編號(hào)4、編號(hào)7、編號(hào)8這3個(gè)像素大了許多（命名為特征①）。利用這一特征來(lái)檢測(cè)道路右側(cè)車(chē)道線(xiàn)左邊緣鋸齒尖像素和道路左側(cè)車(chē)道線(xiàn)右邊緣鋸齒尖像素。

用于檢測(cè)出鋸齒尖像素的原圖可選擇目標(biāo)照片的查表結(jié)果圖（圖4）或者其在HSV空間的S或V分量圖（H分量圖中車(chē)道線(xiàn)在陽(yáng)光下的部分不可見(jiàn)，所以不能選H分量圖）（圖6）。由圖4和圖6中的部分車(chē)道線(xiàn)邊緣放大圖可知，邊緣鋸齒特征最明顯且最滿(mǎn)足特征①的是V分量圖，選擇從V分量圖中檢測(cè)出鋸齒尖像素。

為了提高檢測(cè)速度，采用在前面識(shí)別出的黃色特征像素點(diǎn)內(nèi)部檢測(cè)出具有直線(xiàn)邊緣特征（特征①）的像素點(diǎn)。對(duì)于查表結(jié)果圖中每個(gè)不為0的像素點(diǎn)，找到與它位置相同的在V分量圖中的像素點(diǎn)a；在V分量圖中以像素點(diǎn)a為編號(hào)5像素，考察其周?chē)?個(gè)像素亮度分布情況（圖5中的放大圖），如果編號(hào)2、編號(hào)3、編號(hào)6這3個(gè)像素的最小亮度比編號(hào)4、編號(hào)7、編號(hào)8這3個(gè)像素的最大亮度大10（之所以取10，是因?yàn)榻?jīng)對(duì)比分析，亮度差值小于10的分界線(xiàn)，人眼基本無(wú)法區(qū)分），就認(rèn)為這個(gè)像素是目標(biāo)像素并將其像素值設(shè)為255，否則設(shè)為0；二值化后的檢測(cè)結(jié)果如圖7所示。

4 像素灰度值按位與運(yùn)算

在圖7中，雖然檢測(cè)出了黃色車(chē)道線(xiàn)邊緣，但是也保留了白色車(chē)道線(xiàn)和白色人行橫道線(xiàn)的邊緣干擾像素。在多數(shù)情況下，經(jīng)過(guò)黃色特征提取和直線(xiàn)邊緣特征提取后，均能成功檢測(cè)出黃色車(chē)道線(xiàn)像素。但對(duì)于夕陽(yáng)照射下柏油路面，由于白色線(xiàn)為無(wú)色，柏油路面顯示淡黃色，導(dǎo)致白色線(xiàn)與柏油路面的交接處既具有黃色特征也具有直線(xiàn)邊緣特征，從而被檢測(cè)算法誤認(rèn)為是黃色車(chē)道線(xiàn)而被檢測(cè)出來(lái)。為了濾除此類(lèi)干擾，可以將檢測(cè)出來(lái)的鋸齒尖像素（圖7）向車(chē)道線(xiàn)中心方向水平移動(dòng)（右邊車(chē)道線(xiàn)檢測(cè)算法向右移，左邊車(chē)道線(xiàn)檢測(cè)算法向左移）4個(gè)像素的距離，然后再與查表結(jié)果圖（圖4）作與運(yùn)算；由于查表結(jié)果圖中白色車(chē)道線(xiàn)和人行橫道線(xiàn)內(nèi)部像素灰度值為0，而黃色車(chē)道線(xiàn)內(nèi)部像素灰度值不為0，與運(yùn)算便濾除了白色車(chē)道線(xiàn)和人行橫道線(xiàn)的邊緣干擾像素。圖7中的非0像素水平移動(dòng)4個(gè)像素后的結(jié)果與圖7類(lèi)似，不再給出。

此處的與運(yùn)算是指按位與運(yùn)算。如果水平移動(dòng)4個(gè)像素后的結(jié)果圖（圖7）像素灰度值為255，二進(jìn)制表示1111 1111，那么查表結(jié)果圖（圖4）中相應(yīng)位置的像素灰度值與其作按位與運(yùn)算后結(jié)果不變；如果其像素灰度值為0，二進(jìn)制表示0000 0000，那么查表結(jié)果圖（圖4）中相應(yīng)位置的像素灰度值與其作按位與運(yùn)算后結(jié)果為0。與運(yùn)算的結(jié)果圖二值化后如圖8所示。

由圖8可知，與運(yùn)算不但濾除了白色車(chē)道線(xiàn)和人行橫道線(xiàn)邊緣干擾，還濾除了其他大部分干擾像素，只保留少量的孤立干擾像素點(diǎn)。

5 孤立點(diǎn)清除

通過(guò)霍夫變換來(lái)得到車(chē)道線(xiàn)方程的參數(shù)，霍夫變換涉及到坐標(biāo)空間變換，耗時(shí)很長(zhǎng)，為了縮短霍夫變換的運(yùn)算時(shí)間，圖8中剩下的干擾像素點(diǎn)越少越好；因此，有必要濾除圖8中的少量孤立干擾像素點(diǎn)。

若以一個(gè)灰度值大于0的像素點(diǎn)為中心，以5個(gè)像素長(zhǎng)度為邊長(zhǎng)的5×5正方形區(qū)域內(nèi)沒(méi)有其他非0像素（除了它自身），則稱(chēng)此像素點(diǎn)為孤立點(diǎn)，如圖9所示。

將圖8放大后發(fā)現(xiàn)其中的干擾像素大部分為孤立點(diǎn)，而車(chē)道線(xiàn)像素大部分為非孤立點(diǎn)；根據(jù)這一區(qū)別可濾除孤立點(diǎn)干擾。具體算法是，對(duì)于圖8中的每個(gè)非0像素點(diǎn)a檢查其周?chē)?×5區(qū)域內(nèi)的24個(gè)像素點(diǎn)的灰度值，若這24個(gè)像素的灰度值均為0，則令a為0；否則a值不變。算法運(yùn)行后的結(jié)果如圖10所示。

由圖10可知，經(jīng)過(guò)孤立點(diǎn)清除運(yùn)算后，不僅清除了大部分孤立的干擾像素點(diǎn)，還保留了黃色車(chē)道線(xiàn)像素。

6 霍夫變換

在僅存在極少量干擾像素時(shí)，使用OpenCV函數(shù)庫(kù)中的HoughLinesP函數(shù)來(lái)檢測(cè)黃色車(chē)道線(xiàn)的參數(shù)，不僅精度高而且耗時(shí)少[2]。可以將該函數(shù)的threshold參數(shù)設(shè)定為較小值，經(jīng)過(guò)多次比較存在各種干擾情況的threshold最佳設(shè)定值，特取threshold=10，即圖9中在同一條直線(xiàn)上的像素點(diǎn)數(shù)量大于10時(shí)才能檢測(cè)到該直線(xiàn)。檢測(cè)結(jié)果以藍(lán)色顯示在原圖中，并以白色顯示在黑色背景圖中，如圖10所示?；舴蜃儞Q結(jié)果如圖11所示。

7 驗(yàn) 證

為驗(yàn)證黃色車(chē)道線(xiàn)檢測(cè)算法具有普適性，需要在其他目標(biāo)照片上進(jìn)行驗(yàn)證。驗(yàn)證結(jié)果如圖12和圖13所示。

圖12和圖13分別是在校園兩條路上的驗(yàn)證結(jié)果圖，圖中均準(zhǔn)確檢測(cè)出了黃色車(chē)道線(xiàn)而且濾除了其他所有干擾像素；但是兩圖中都僅僅檢測(cè)出了離相機(jī)較近的幾段黃色車(chē)道線(xiàn)，未能檢測(cè)出照片中遠(yuǎn)處的車(chē)道線(xiàn)。這是因?yàn)檩^遠(yuǎn)處的黃色車(chē)道線(xiàn)經(jīng)相機(jī)處理轉(zhuǎn)換為照片后，其像素的黃色特征很不明顯，甚至不再顯示為黃色。這樣的檢測(cè)結(jié)果并不影響智能車(chē)輛的自動(dòng)化行駛，因?yàn)檐?chē)道線(xiàn)的檢測(cè)結(jié)果會(huì)隨著車(chē)輛的前行不斷更新。

8 結(jié) 論

經(jīng)過(guò)試驗(yàn)驗(yàn)證可知，算法具有很好的普遍適用性。在實(shí)時(shí)性方面，檢測(cè)算法首先采用快速方便的查表法濾除大部分干擾像素，其后的每一步操作都是在查表結(jié)果圖上亮度非零的像素點(diǎn)上進(jìn)行，參與計(jì)算的干擾像素點(diǎn)數(shù)量大大減少，檢測(cè)速度得到很大優(yōu)化，保證了算法的實(shí)時(shí)性。

[1]白冰潔，韓峻峰，潘盛輝，等. 基于雙閾值分割的車(chē)道線(xiàn)檢測(cè)方法[J]. 信息技術(shù)，2013（3）：43-45.

[2]金輝，吳樂(lè)林，陳慧巖，等. 結(jié)構(gòu)化道路車(chē)道線(xiàn)識(shí)別的一種改進(jìn)算法[J]. 北京理工大學(xué)學(xué)報(bào)，2007，27（6）：501-505.

[3]馬小龍. 基于視覺(jué)的復(fù)雜光照條件下的車(chē)道檢測(cè)及識(shí)別[D]. 成都：電子科技大學(xué)，2013.

[4]張遠(yuǎn). 基于車(chē)道線(xiàn)邊緣及分布特征的車(chē)道線(xiàn)識(shí)別算法研究與實(shí)現(xiàn)[D]. 沈陽(yáng)：東北大學(xué)，2010.

[5]毛星云. OpenCV入門(mén)教程[EB/OL]. [2016-09-01]. http：//blog.csdn.net/zhmxy555/article/category/1923021.

[6]毛星云，冷雪飛，王碧輝，等. OpenCV3編程入門(mén)[M]. 北京：電子工業(yè)出版社，2015.

[7]張博峰. 基于機(jī)器視覺(jué)的自主無(wú)人車(chē)道路識(shí)別研究[D]. 西安：西安工業(yè)大學(xué)，2014.

1002-4581（2017）03-0014-06

U491.5+23

A

10.14175/j.issn.1002-4581.2017.03.004

安徽省科技重大專(zhuān)項(xiàng)（15czz02039）。