智能交通靜態(tài)目標自動識別系統(tǒng)的研究

李運生 張名佳

摘 要： 為了有效地保障汽車駕駛人員及乘車人員的生命財產安全，緩解交通擁堵現象，針對智能交通靜態(tài)目標的自動識別系統(tǒng)進行研究。利用CCD攝像頭采集的公路視頻樣本，基于先進數字圖像處理技術，實現對視頻中交通公路靜態(tài)目標標線的自動檢測識別。針對標線形態(tài)特點，進行有效的數字圖像濾波除噪處理，提出采用累計概率霍夫變換算法對標線進行識別，有效地檢測出公路行車標線，實現對視頻圖像中公路標線的跟蹤識別。

關鍵詞： 智能交通； 靜態(tài)目標； 公路標線； 自動識別； 邊緣檢測； 累計概率霍夫變換

中圖分類號： TN911.73?34 文獻標識碼： A 文章編號： 1004?373X（2018）15?0141?06

Research on static target automatic recognition system of intelligent traffic

LI Yunsheng， ZHANG Mingjia

（School of Automation， Xian University of Posts & Telecommunications， Xian 710121， China）

Abstract： The static target automatic recognition system of intelligent traffic is studied to protect the safety of life and property of drivers and passengers effectively， and alleviate the traffic congestion. The highway video samples acquired by CCD camera and advanced digital image processing technology are used to realize the automatic recognition and detection of the highway static target marking in the video. According to morphological characteristics of marking， the digital image is filtered and denoised effectively. The cumulative probability Hough transform algorithm is used to recognize the highway marking， detect the travelling marking of the highway， and realize the tracking and recognition of the highway marking in video images.

Keywords： intelligent traffic； static target； highway marking； automatic recognition； edge detection； cumulative probability Hough transform

0 引 言

近年來，智能交通系統(tǒng)（Intelligent Traffic System，ITS）的概念逐步形成并越來越受到社會的關注。ITS以信息技術作為先導，并融合了其他相關先進科技，旨在憑借現代化科學技術改善交通現狀[1]，這已成為全球范圍內的重要發(fā)展趨勢。在國內，國防科技大學從20世紀80年代起逐步開始研究該項技術[2]。

在日常車輛行駛中，交通情況瞬息萬變，很容易釀成嚴重的交通事故。為了保障行車安全，同時緩解公路擁堵現象，急需研究公路交通靜態(tài)目標的自動識別系統(tǒng)。以往的研究所識別的目標準確度低、誤判現象較多，并易受外界環(huán)境的干擾[3]。本研究對公路交通靜態(tài)目標車道標線的識別進行目標建模、跟蹤[4]、分析、識別和判斷，提出采用累計概率霍夫變換算法對標線的檢測，以期實現在復雜的公路交通環(huán)境下，可以實時對駕駛人員發(fā)出預警，提示駕駛員安全的行車區(qū)域、有效地避免意外事故的發(fā)生[5?6]，提高安全駕駛的可靠性。

1 公路圖像的處理

針對公路標線圖像的特點和實際環(huán)境條件，提出如圖1所示的系統(tǒng)流程結構框圖。

1.1 提取關注區(qū)域

對于一幅待處理的公路圖像，本研究所關注的重點是公路上的車道標線，所以只對圖像中的關注區(qū)域（Region of Interest，RoI）[7]進行處理。

RoI是確定需要著重處理的圖像區(qū)域，明確RoI以便有針對性地進行處理，同時簡化系統(tǒng)目標的識別過程，并減少處理時間。為了有效地分析處理，針對公路車道標線圖像的特點進行采集提取。提取效果如圖2所示。

1.2 圖像濾波

為了將圖像信號中的噪聲波段挑出來去掉，濾波就是一種十分重要的抑制噪聲的手段[8?10]，通過濾波可以盡可能地防止噪聲的干擾。線性濾波處理過程為：

為了能更好地進行對比，增加辨識度，本研究將圖3中不同濾波方法檢測的結果對應地展示為邊緣檢測后的結果，如圖4所示。

1.3 多濾波器綜合應用

線性濾波易于實現，對高斯噪聲的濾除成效顯著。但是當噪聲變成散粒噪聲后，線性濾波就基本上失去了作用。例如，對突然出現的較高值，線性濾波就只能把它緩解下來而不能徹底消除。因此就顯出了非線性濾波[13]的重要作用。

對圖3以及圖4的4幅圖像進行比較，可知對于每個單獨使用的濾波方式，其處理效果差別很小，基本保持在同一層次。

因此，本研究考慮使用中值濾波和雙邊濾波等多種濾波方式相結合的多重綜合濾波方法對圖像進行邊緣檢測分析，并采用相關像素運算處理法以增強處理效果。

同樣為了更明顯地表示出濾波效果，對圖5中的結果進行相應的邊緣檢測處理，結果如圖6所示。比對圖5和圖6以及使用單個濾波器的圖3，圖4，尤其是圖6與圖4的比對中，可以明顯地看出，本研究所采用的多重綜合濾波方法使除噪效果有了顯著的改善。

2 公路標線的檢測算法

公路標線與路面有較明顯的邊界，而且標線的形狀十分規(guī)則，分辨起來比較有規(guī)律。通過對公路圖像進行Canny邊緣檢測[14]，可以將標線的邊界分離出來。利用概率霍夫變換[15?18]進行標線識別，以確定標線的位置，并進行標記。

2.1 概率霍夫變換法

霍夫變換（Hough Transform）的原理：一條直線在[2?D]空間里的表達形式有多種。對于霍夫變換，通過由極徑和極角[（r，θ）]表示的極坐標系形式表示的直線如圖7所示。

在極坐標系中，畫出全部通過定點[（x0，y0）]的直線，得到一條正弦曲線如圖8所示（部分曲線）。

對圖像中全部的點進行上述操作，針對兩個不同的點，如果得到的曲線在極坐標系相交，說明它們通過同一條直線。

如圖9所示，三條曲線相交，交點坐標表示的是平面內參數對[θ?r] 構成的直線。

通常情況下，可以通過在平面[θ?r]上尋找相交于定點曲線的數量來檢測直線。經過某一點的曲線越多，說明經過該點的直線上的點越多。本研究設置通過定點的曲線數量作為閾值，該閾值表示只有大于該值時，才認為檢測到了一條直線。

霍夫變換要檢測圖像中每個點。當交于一點的曲線數量大于閾值時就會被標記出來。表明這個點表示的參數對[（rθ，θ）]在原圖像中是一條直線。這種算法就是標準霍夫變換（Standard Hough Transform），能提供一組參數對[（rθ，θ）]的集合來表示檢測到的直線。

使用標準霍夫變換法進行標線識別標記的結果如圖10所示。

從圖10可以看出，公路中的標線被有效地標識了出來。但是經分析判斷，標準霍夫變換法不能檢測出公路標線的兩個端點，所以無法識別出公路標線中的虛標線類型。

2.2 基于累計概率霍夫變換的標線檢測法

本質上，標準霍夫變換是在它的參數空間上將目標映射出來，需要計算所有的[M]個特征點，因此計算量大、耗時多，無法實現對公路標線的實時檢測與識別。針對上述問題提出一種算法，即考慮只解決[m（m

累計概率霍夫變換法是執(zhí)行起來效率更高的霍夫變換。它輸出檢測到的直線的端點[（x0，y0，x1，y1）]只在一定范圍內進行霍夫變換，從而減少計算量，縮短計算時間，不僅效率得到提高，而且可以檢測出直線的兩端。

累計概率霍夫變換算法流程圖如圖11所示，其主要流程步驟如下：

1） 隨機抽取一個目標的特征點，也就是目標的邊緣點。若此點已被標記，那么就在余下的特征點中繼續(xù)選擇，直到所有邊緣點都抽取完。

2） 對該點實行霍夫變換，然后進行累加并計算。

3） 選擇霍夫空間內數值最大的點。假如該點的數值小于預先設定的閾值，則返回到步驟1），否則繼續(xù)執(zhí)行以下步驟。

4） 通過霍夫變換獲得最大值點。從該點出發(fā)，沿直線的方向移動，直到尋找到直線的兩個端點。

5） 計算檢測出的直線長度。如果長度大于預先給定的閾值，就作為良好的直線輸出結果。

采用累計概率霍夫變換法進行公路標線的檢測與識別，其識別標記出的結果如圖12所示。

對于標準公路，本研究采用累計概率霍夫變換法對公路車道標線進行檢測，能夠檢測出目標的兩個端點。這就是本文方法最重要的特點。

3 公路視頻處理及標線識別

根據本系統(tǒng)所要識別目標的特點以及系統(tǒng)流程框圖，將視頻中提取出幀圖像的目標識別作為實用性研究的主要方面。

3.1 視頻的提取和標識

通過直接調用視頻以實現對圖像的采集過程。需特別注意的是，須在提取視頻的同時設置所需的主要參數，包括幀率、編碼解碼、文件名等。另外，待處理的圖像尺寸須與提取視頻時指定的尺寸一致。

選擇的編碼解碼格式為MJPG，定義輸出的視頻大小為320×240 。結合圖像識別處理過程，最終可以實現對視頻的提取和標識，如圖13所示。

從整個視頻中截取一幀視圖如圖13a）所示，考慮到現實中的視角，在每一幀中只分析下半部分的區(qū)域，如圖13b）所示。

3.2 研究成果分析

本研究的過程分為兩部分：首先是對單一圖像的標線分析識別；其次是對視頻的標線識別。通過本研究的提案，對車道標線的識別達到了清晰準確的效果。

3.2.1 圖像標線識別效果

針對城市中的一般公路，對車道標線識別的結果如圖14a）所示。繼續(xù)行駛一段距離改變視野后，再次進行圖像分析處理，車道標線識別的結果如圖14b）所示。

從圖14a）中可以看到：本研究所提出的方法可以將圖像區(qū)域內的標線準確、清晰地標記出來，同時虛標線的兩端也能夠有效地識別出來。根據閾值的設置，在檢查目標時會排除低于閾值的目標，或者將與目標對象相似的偽目標誤判為真實目標而被標記出來，這樣會導致識別結果的偏差。如圖14a），在識別區(qū)域的右上角存在一段被標記的偽目標，而在識別區(qū)域視野最遠處的虛標線并沒有被標記，這說明系統(tǒng)在這兩處跟蹤查找目標時出現了小范圍的波動。

實際上，圖像視野中越遠的地方，標線顯現得越細越短。對虛標線而言這種特征更明顯。所以可以認為，即使視野識別區(qū)域最遠處的虛標線偶然出現誤判和漏判不能完全標記出，但是對比圖14b），最遠處的虛線在車輛向前行駛一段距離后，這種漏判或誤判就會被重新識別出來。因此從實際識別效果上判斷，完全不會影響到本系統(tǒng)的可行性和有效性。

經過反復測試實驗，在不同的拍攝角度和公路環(huán)境中，對標線的整體識別達到了精準、良好的效果。

3.2.2 視頻標線識別效果

通過對視頻樣本的測試，最終可以實現對公路視頻中的車道標線進行跟蹤標識。在輸出的視頻中，可以看到對目標的標記具有一定的連貫性，而且在普通公路和高速路環(huán)境中對目標識別的誤判漏判現象少、識別的精確性高。

不同環(huán)境下公路標線視頻圖像及其跟蹤識別的結果如圖15所示。圖15a）和圖15c）為普通城市公路，圖15e）為高速公路環(huán)境。如圖15b）、圖15d）、圖15f）所示，從識別結果中可以清楚地看出識別效果。對于實線和虛線的車道標線能夠明確地辨別和跟蹤，并進行實時標記。在普通城市公路（圖15a），圖15c））和高速公路（圖15e））的不同道路環(huán)境下進行測試實驗，其結果表明本研究具有廣泛性和實用性。

此外，在光照方面，從圖15e）和圖15f）中判斷，系統(tǒng)在陰天光照較弱的環(huán)境下也可對目標進行準確地跟蹤與識別，可見本系統(tǒng)對光線的適應性良好。

4 結 語

本研究實現了對公路交通靜態(tài)目標車道標線的自動識別。提出將累計概率霍夫變換法作為本課題研究的核心算法，可以有效地辨析識別出標線目標圖像，尤其是對于出現的虛線車道，可以準確地判斷出其標線的兩端。

同時，結合標線識別的具體特點，通過對圖像檢測算法進行分析比較，采用Canny算法進行標線的邊緣檢測，并對檢測出來的目標進行標記輸出，實現了對公路標線的跟蹤標識。

通過對普通公路和高速路環(huán)境下車道標線圖像的目標跟蹤和識別系統(tǒng)的研究，充分表明所提出并采用的累計概率霍夫變換法在公路交通圖像識別應用的有效性和實用性。

參考文獻

[1] 何鵬.我國智能交通系統(tǒng)技術發(fā)展現狀與展望[J].建筑工程技術與設計，2016，13（5）：3377.

HE Peng. Present situation and prospect of intelligent transportation system technology in China [J]. Building engineering technology and design， 2016， 13（5）： 3377.

[2] 潘琪.智能交通：促進城市交通可持續(xù)發(fā)展的最佳途徑[J].綜合運輸，2010（7）：85?89.

PAN Qi. Intelligent transportation： the best way to promote the sustainable development of transportation [J]. Integrated transport， 2010（7）： 85?89.

[3] 金茂菁.我國智能交通系統(tǒng)技術發(fā)展現狀及展望[J].交通信息與安全，2012，30（5）：1?5.

JIN Maojing. The development of intelligent transportation system [J]. Traffic information and security， 2012， 30（5）： 1?5.

[4] LI Y， TAKEZAWA H， SUZUKI M， et al. Prediction of fish motion by neural network [C]// The 3rd International Symposium on Autonomous Minirobots for Research and Edutainment. [S.l.]： Springer， 2005： 217?222.

[5] 徐杰.智能車輛視覺導航中公路邊界識別技術的研究[D].長春：吉林大學，2001.

XU Jie. Research on highway boundary recognition technology in intelligent vehicle vision navigation [D]. Changchun： Jilin University， 2001.

[6] 邢艷云.強光照條件下車道標識線識別與跟蹤算法研究[D].長春：吉林大學，2006.

XING Yanyun. Study on lane mark identification and tracking algorithm under illumination [D]. Changchun： Jilin University， 2006.

[7] 李業(yè)偉.基于感興趣區(qū)域的圖像處理算法研究[D].濟南：山東師范大學，2012.

LI Yewei. Study on image processing algorithms based on the region of interest [D]. Jinan： Shandong Normal University， 2012.

[8] 李龍光，蘇靜，韓海倫，等.不同光照條件下二值化技術研究及應用[J].電子世界，2015（20）：145?149.

LI Longguang， SU Jing， HAN Hailun， et al. Research and application of two value technology under different illumination conditions [J]. Electronic world journal， 2015（20）： 145?149.

[9] 楊立敬，劉鑫，朱雙東.基于顏色分量補償的交通標志圖像預處理[J].計算機工程與應用，2008，44（36）：184?186.

YANG Lijing， LIU Xin， ZHU Shuangdong. Traffic sign image preprocessing based on color component compensation [J]. Computer engineering and applications， 2008， 44（36）： 184?186.

[10] 陳君.濾波技術研究[J].工業(yè)控制計算機，2014，27（12）：157?158.

CHEN Jun. Research on filtering technology [J]. Journal of industrial control computer technology， 2014， 27（12）： 157?158.

[11] 江莉.基于多尺度空間分析的圖像模糊測量方法研究[D].成都：西華大學，2014.

JIANG Li. Research on image fuzzy measurement based on multi?scale spatial analysis [D]. Chengdu： Xihua University， 2014.

[12] 李俊生.圖像非線性濾波技術的研究[J].常州工學院學報，2005，18（2）：21?23.

LI Junsheng. Research on image nonlinear filtering technology [J]. Journal of Changzhou Institute of Technology， 2005， 18（2）： 21?23.

[13] 呂風君.數字圖像處理編程入門[M].北京：清華大學出版社，1999.

L? Fengjun. Introduction to digital image processing programming [M]. Beijing： Tsinghua University Press， 1999.

[14] 趙吉廣.基于視頻圖像的路面性能參數采集方法研究[D].南京：東南大學，2006.

ZHAO Jiguang. Research on the method of pavement performance parameter collection based on video image [D]. Nanjing： Southeast University， 2006.

[15] 楊喜寧，段建民，高德芝，等.基于改進Hough變換的車道線檢測技術[J].計算機測量與控制，2010，18（2）：292?294.

YANG Xining， DUAN Jianmin， GAO Dezhi， et al. Lane detection technology based on improved Hough transform [J]. Computer measurement and control， 2010， 18（2）： 292?294.

[16] YU Zhiding， ZHANG Wende， VIJAYA KUMAR B V K， et al. Structured Hough voting for vision?based highway border detection [C]// 2015 IEEE Winter Conference on Applications of Computer Vision. Waikoloa： IEEE， 2015： 246?253.

[17] SAYANAN Sivaraman， MOHAN Manubhai Trivedi. Looking at vehicles on the road： a survey of vision?based vehicle detection， tracking， and behavior analysis [J]. IEEE transactions on intelligent transportation systems， 2013， 14（4）： 1773?1795.

[18] 馮偉興，賀博.Visual C++數字圖像模式識別技術詳解[M].北京：機械工業(yè)出版社，2013.

FENG Weixing， HE Bo. Detailed Visual C++ digital image pattern recognition technology [M]. Beijing： Mechanical Industry Press， 2013.