基于動(dòng)態(tài)識(shí)別ROI區(qū)域的車(chē)道線檢測(cè)技術(shù)

劉曉楠 陳文進(jìn) 劉杰

摘要：車(chē)道線檢測(cè)是智能網(wǎng)聯(lián)汽車(chē)的關(guān)鍵技術(shù)，傳統(tǒng)車(chē)道線檢測(cè)方法易受到復(fù)雜背景信息中非車(chē)道線直線段的影響，造成車(chē)道線檢測(cè)的魯棒性和識(shí)別率不佳。為了提高車(chē)道線檢測(cè)的魯棒性和準(zhǔn)確率，本文通過(guò)動(dòng)態(tài)識(shí)別ROI區(qū)域，剔除非車(chē)道線的圖像RGB信息，限制Hough變換檢測(cè)空間，提出一種基于動(dòng)態(tài)識(shí)別ROI區(qū)域的車(chē)道線檢測(cè)技術(shù)。通過(guò)實(shí)驗(yàn)表明，相對(duì)于傳統(tǒng)方法，該技術(shù)能有效的濾除背景圖像中建筑物，車(chē)輛和信號(hào)塔等非車(chē)道線直線段的影響，提高車(chē)道線檢測(cè)的魯棒性。

關(guān)鍵詞：動(dòng)態(tài)識(shí)別ROI區(qū)域;圖像RGB信息;車(chē)道線檢測(cè);魯棒性;Hough變換

隨著智能網(wǎng)聯(lián)時(shí)代的到來(lái)，自動(dòng)駕駛將成為汽車(chē)行業(yè)發(fā)展的必然趨勢(shì)。各大主機(jī)廠和互聯(lián)網(wǎng)企業(yè)都在布局自己的自動(dòng)駕駛產(chǎn)業(yè)和發(fā)展自身的白動(dòng)駕駛技術(shù)。自動(dòng)駕駛的發(fā)展主要有兩種路線，一種是穩(wěn)妥路線，從輔助駕駛向自動(dòng)駕駛慢慢過(guò)渡，一種是激進(jìn)路線，直接從最高級(jí)的自動(dòng)駕駛開(kāi)始研究。但無(wú)論哪種發(fā)展路線，都要實(shí)現(xiàn)基本的車(chē)道線檢測(cè)功能，車(chē)道線識(shí)別的準(zhǔn)確性，實(shí)時(shí)性和魯棒性直接影響車(chē)輛行駛的安全性和可靠性^[1，2]。

目前車(chē)道線檢測(cè)的基本方法是將從攝像頭獲得的圖像進(jìn)行灰度處理，提取圖像的邊緣信息，然后利用Hough變換進(jìn)行直線段檢測(cè)^[3-5]，最終識(shí)別出車(chē)道線^[6-8]。但對(duì)于比較復(fù)雜的道路環(huán)境，現(xiàn)有的車(chē)道線檢測(cè)方法容易受到復(fù)雜背景中非車(chē)道線直線段的干擾，造成計(jì)算量大，實(shí)時(shí)性差，檢測(cè)結(jié)果的魯棒性和識(shí)別率不佳。

針對(duì)復(fù)雜背景噪聲的干擾，為了減少計(jì)算量，提高車(chē)道線檢測(cè)的魯棒性和識(shí)別率，本文提出一種基于動(dòng)態(tài)識(shí)別ROI區(qū)域的車(chē)道線檢測(cè)方法。該方法通過(guò)動(dòng)態(tài)識(shí)別和優(yōu)化地面榆測(cè)ROI區(qū)域，剔除車(chē)道線外的圖像RGB信息，限制Hough變換檢測(cè)空間，提高車(chē)道線檢測(cè)的魯棒性和識(shí)別的正確性。

1 車(chē)道線檢測(cè)基本原理

傳統(tǒng)的車(chē)道線檢測(cè)方法如圖1所示，主要分為：圖像灰度化處理，二值化處理，邊緣提取，直線檢測(cè)和輸出車(chē)道線識(shí)別結(jié)果。首先將攝像頭采集到的圖像進(jìn)行灰度和二值化處理，即將RGB彩色圖像轉(zhuǎn)換為灰度圖像，并通過(guò)設(shè)定的閾值將像素點(diǎn)的灰度值設(shè)置為0或255，獲得仍然可以反映圖像整體和局部特征的二值化圖像^[9，10]。其次利用邊緣柃測(cè)算法，提取圖像中亮度變化明顯的邊緣特征信息，剔除不相關(guān)信息從而減少數(shù)據(jù)量，并保留圖像中的重要結(jié)構(gòu)屬性^[11，12]。然后利用Hough變換檢測(cè)圖像中的直線段，并標(biāo)注車(chē)道線的輸出結(jié)果。

Hough變換^[13-15]是在計(jì)算機(jī)視覺(jué)領(lǐng)域廣泛應(yīng)用的直線段檢測(cè)方法。其基本思想是將原始圖像由圖像空間坐標(biāo)變換到參數(shù)空間坐標(biāo)，即直線上的所有點(diǎn)經(jīng)過(guò)Hough變換后，在參數(shù)空間中都相交于一點(diǎn)。圖2 （a）所示為圖像空間的任一直線L，點(diǎn)P為直線L上的任意一點(diǎn)，該點(diǎn)的直角坐標(biāo)為（x，y），極坐標(biāo)為（α，r）。定義該直線與原點(diǎn)的距離為極徑D，該直線的垂線與x軸正方向的夾角為極角θ，則極徑ρ可表示為：

ρ=r×cos（θ-a）=r×cos（θ）cos（a）+r×sin（θ）sin（a） （1）

根據(jù)直角坐標(biāo)和極坐標(biāo)的關(guān)系x =r×cos（α），y=r×sin（α），可得到直線的極坐標(biāo)方程：

ρ=xxcos（θ）+yxsin（θ） （2）

因此，每一組參數(shù)ρ和θ唯一的確定一條直線，日.該直線在參數(shù)空間極坐標(biāo)內(nèi)為一個(gè)點(diǎn)。圖2（a）中位于直線上的五個(gè)點(diǎn)映射到參數(shù)空間后為五條曲線，且五條曲線相交于一點(diǎn)，其參數(shù)空間的坐標(biāo)即為（θ，ρ），如圖2（b）所示。因此，通過(guò)Hough變換可以將圖像空間中的直線映射到參數(shù)空間的一個(gè)點(diǎn)，從而直線的檢測(cè)問(wèn)題轉(zhuǎn)化為經(jīng)過(guò)交點(diǎn)曲線的峰值統(tǒng)計(jì)問(wèn)題。

2 車(chē)道線檢測(cè)改善方法

對(duì)于傳統(tǒng)的車(chē)道線柃測(cè)方法，往往由于車(chē)道線背景噪聲中非車(chē)道直線段的影響，使得車(chē)道線檢測(cè)的魯棒性不高，識(shí)別準(zhǔn)確率不好。為了提高車(chē)道線檢測(cè)的魯棒性，減少背景噪聲的影響，本文提出基于動(dòng)態(tài)識(shí)別ROI區(qū)域的車(chē)道線檢測(cè)改善方法，具體檢測(cè)流程如圖3所示。由檢測(cè)流程可知，相比傳統(tǒng)車(chē)道線榆測(cè)方法，本文的榆測(cè)技術(shù)主要通過(guò)動(dòng)態(tài)優(yōu)化圖像識(shí)別的檢測(cè)區(qū)域，減少識(shí)別目標(biāo)圖像背景的噪聲，來(lái)提高輸入圖像的信噪比。

2.1 動(dòng)態(tài)識(shí)別ROI區(qū)域

根據(jù)攝像頭的安裝位置，及其拍攝角度，攝像頭提供的原始圖片往往含有大量的天空，建筑，樹(shù)木等非道路路面的信息。若對(duì)原始圖片直接做數(shù)據(jù)處理，則車(chē)道線檢測(cè)受非道路路面信息的影響巨大，信噪比較低。傳統(tǒng)的方法一般是直接截取圖像的下半部分或者三分之一作為ROI識(shí)別區(qū)域，但對(duì)于下坡，上坡和彎道等路況往往不能準(zhǔn)確界定道路路面和天空的分界線。本文根據(jù)圖像的灰度化處理結(jié)果，逐行計(jì)算每行的灰度平均值，動(dòng)態(tài)預(yù)測(cè)和識(shí)別道路路面和天空的分界線，進(jìn)而實(shí)現(xiàn)車(chē)道線檢測(cè)ROI區(qū)域的優(yōu)化。圖4為原始攝像頭圖像經(jīng)過(guò)動(dòng)態(tài)識(shí)別ROI區(qū)域處理后，得到的車(chē)道線檢測(cè)區(qū)域。由處理結(jié)果可知，該措施有效的分離天空和地面，剔除了非道路路而信息，減少背景噪聲的影響，減少計(jì)算量提高計(jì)算效率。

2.2剔除非車(chē)道線RGB顏色分量

根據(jù)車(chē)道線檢測(cè)流程，將動(dòng)態(tài)識(shí)別ROI區(qū)域處理后的圖像進(jìn)行邊緣檢測(cè)，利用Sobel算法獲取圖像的邊緣信息如圖5（a）所示。由邊緣檢測(cè)結(jié)果可知，雖然成功提取了車(chē)道線的邊緣信息，但是仍然包含了很多非車(chē)道線的邊緣噪聲。根據(jù)車(chē)道線的顏色信息統(tǒng)計(jì)結(jié)果可知，道路上的車(chē)道線顏色信息基本均為白色或者黃色。對(duì)于白色車(chē)道線，其RGB顏色分量的取值范圍為R∈[200，255]，C∈[200，255]，B∈[200，255];對(duì)于黃色車(chē)道線，其RCB顏色分量的取值范圍為R∈[200，255]，GE[200，255]，B∈ [0，50]。因此本文基于車(chē)道線的RCB顏色分最閾值，利用邊緣檢測(cè)點(diǎn)的RGB信息，剔除不滿足車(chē)道線RGB顏色分量的邊緣信息。圖5（b）為剔除非車(chē)道線顏色分量后的邊緣檢測(cè)結(jié)果。由結(jié)果可知，通過(guò)處理后，進(jìn)一步剔除了背景中不滿足車(chē)道線特征的噪聲信息，提高了識(shí)別圖像的信噪比。

2.3 限定Hough峰值檢測(cè)空間

經(jīng)過(guò)動(dòng)態(tài)識(shí)別ROI區(qū)域和剔除非車(chē)道線RCB顏色分量的處理后，對(duì)圖像進(jìn)行Hough變換得到如圖6（a）所示的結(jié)果。由原始圖像可知，車(chē)道線集中于圖像中部，道路兩旁的建筑物，護(hù)欄，樹(shù)木和相鄰車(chē)道的車(chē)輛等均為車(chē)道線檢測(cè)的干擾因素。通過(guò)研究發(fā)現(xiàn)，非車(chē)道線的背景噪聲直線段通過(guò)Hough變換后，其極角θ值較大。因此，本文通過(guò)限定Hough變換峰值檢測(cè)的極角θ范圍，來(lái)避免過(guò)大極角所對(duì)應(yīng)非車(chē)道線的干擾，提高峰值檢測(cè)的準(zhǔn)確率。圖6（b）為限定Hough變換峰值檢測(cè)空間后的Hough變換結(jié)果。

3 實(shí)驗(yàn)結(jié)果分析

為了驗(yàn)證基于動(dòng)態(tài)識(shí)別ROI區(qū)域車(chē)道線檢測(cè)技術(shù)的魯棒性，對(duì)圖7所示的視頻源，利用本文改進(jìn)方法和傳統(tǒng)方法分別進(jìn)行車(chē)道線檢測(cè)，實(shí)驗(yàn)結(jié)果如圖7所示。實(shí)驗(yàn)所用視頻源的分辨率為1280×720的高清視頻，圖a1實(shí)驗(yàn)結(jié)果表明傳統(tǒng)方法受到背景建筑物的影響，圖b1為傳統(tǒng)方法受到背景信號(hào)塔的影響，圖c1為傳統(tǒng)方法受到背景車(chē)輛的影響，而圖a2，b2，c2為利用本文改進(jìn)方法的檢測(cè)結(jié)果。由實(shí)驗(yàn)對(duì)比結(jié)果可知，基于動(dòng)態(tài)識(shí)別ROI區(qū)域的車(chē)道線檢測(cè)方法，能夠有效消除圖像中背景車(chē)輛，建筑物以及信號(hào)塔等非車(chē)道線直線段的影響，提高車(chē)道線檢測(cè)的魯棒性。

4 總結(jié)

本文針對(duì)傳統(tǒng)車(chē)道線檢測(cè)方法容易受到背景噪聲的影響，提出基于動(dòng)態(tài)識(shí)別ROI區(qū)域的改進(jìn)方法。該方法首先根據(jù)圖像每行的灰度平均值信息，分離出天空和道路路面的分界線，動(dòng)態(tài)識(shí)別ROI區(qū)域;其次基于車(chē)道線的RCB顏色分量閾值，利用邊緣檢測(cè)點(diǎn)的RCB信息，剔除不滿足車(chē)道線RCB顏色分量的邊緣信息;最后通過(guò)限定Hough變換峰值檢測(cè)的極角θ范圍，避免過(guò)大極角所對(duì)應(yīng)非車(chē)道線信息的干擾。實(shí)驗(yàn)結(jié)果對(duì)比分析表明，相對(duì)于傳統(tǒng)的車(chē)道線檢測(cè)方法，本文所提方法能夠有效的消除圖像中背景車(chē)輛，建筑物以及信號(hào)塔等直線段的影響，顯著提高車(chē)道線檢測(cè)的魯棒性。

參考文獻(xiàn)：

[1]楊益，何穎基于RCB空間的車(chē)道線檢測(cè)與辨識(shí)方法[J].計(jì)算機(jī)與現(xiàn)代化，2014（2）：86-90.

[2]劉獻(xiàn)如，蔡自興結(jié)構(gòu)化道路車(chē)道線的魯棒檢測(cè)與跟蹤[J].光電子·激光，2010（12）：1834-1838.

[3]Watanabe S， Seki M， Haga T Lane marks detection using particle filter based on voting results of hough transform[J]. Ieej Transactions on Electronics Infonnation& Systems， 2013. 133（7）：1384-1391+14.

[4] Liu L. CuiJ，Ll J Lane Mark Deteaion Based on Improved Hough Transformation for Vehicle Electronic Technology [M]. Advances in Mechanical and Electronic Engineering. Springer Berlin Heidelberg，2012：593-598.

[5]李亞娣，黃海波，李相鵬，等基于Canny算子和Hough變換的夜間車(chē)道線檢測(cè)[J].科學(xué)技術(shù)與工程，2016， 16（31）：234-237.

[6]Yi S C，ChenY C，ChangC H. A lane detection approach based on intelligent vision U]. Computers& Electrical Engineering， 2015， 42（C）：23-29.

[7] Zhang JJia X， Li J Integration of scanning and unage processing algomhms for lane detection based on fuzzy method [J]. lournal of Intelligent&Fuzzy Systems， 2015， 29（6）：2779-2786.

[8]楊智杰基于RGB彩色通道的結(jié)構(gòu)化道路車(chē)道線檢測(cè)[J].電子科技，2015， 28（1）：95-98.

[9]劉富強(qiáng)，張姍姍，朱文紅，等一種基于視覺(jué)的車(chē)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， 3S（2）：223-229.

[10]朱淑亮，劉衛(wèi)國(guó)，于濤，等結(jié)構(gòu)化道路圖像預(yù)處理技術(shù)[J].現(xiàn)代制造工程， 2015（12）：97-102

[11]范延軍，張為公基于雙向窗口特征提取技術(shù)的車(chē)道線檢測(cè)算法[J].吉林大學(xué)學(xué)報(bào)信息科學(xué)版，2015， 33（4）：485-493.

[12]易世春，李克強(qiáng)，郭君斌，等基于邊緣分布及特征聚類(lèi)的車(chē)道標(biāo)記線檢測(cè)[J].汽車(chē)工程，2014（10）：1210-1215.

[13]Duda R 0， HaLtP E Use ofthe Hough transformation to detect lines and curves in pictures [M]. Communications of the ACM， 1972， 15（1）：11-15.

[14] Hardzeyeu V，Klefenz F On using the hough transform for driving assistance applications[C] International Conference on Intelligent Computer Communication and Processing. IEEE， 2008：91- 98

[15]趙穎，王書(shū)茂，陳兵旗基于改進(jìn)Hough變換的公路車(chē)道線快速檢測(cè)算法[J].中國(guó)農(nóng)業(yè)大學(xué)學(xué)報(bào)，2006， 11（3）：104-108.