基于OpenCV的車道線識(shí)別與跟蹤算法

王玉萍 張晨晨

【摘 要】隨著無(wú)人駕駛汽車技術(shù)和機(jī)器視覺(jué)研究的不斷升溫，車道線識(shí)別與跟蹤算法逐漸被人們重視。文章通過(guò)定義熱點(diǎn)區(qū)域并融合其他檢測(cè)算法提出一種車道線識(shí)別與跟蹤方法。經(jīng)過(guò)驗(yàn)證，該方法能夠在復(fù)雜環(huán)境下準(zhǔn)確地提取出車道線，并預(yù)測(cè)出消失點(diǎn)，具有較強(qiáng)的實(shí)時(shí)性、準(zhǔn)確性和魯棒性，對(duì)無(wú)人駕駛技術(shù)具有一定輔助作用。

【關(guān)鍵詞】車道線識(shí)別與跟蹤；Canny邊緣檢測(cè)；Hough檢測(cè)器；熱點(diǎn)區(qū)域

【中圖分類號(hào)】TP391 【文獻(xiàn)標(biāo)識(shí)碼】A 【文章編號(hào)】1674-0688（2018）02-0197-02

隨著近年計(jì)算機(jī)視覺(jué)和深度學(xué)習(xí)算法的快速發(fā)展，越來(lái)越多學(xué)者將視覺(jué)傳感器融合進(jìn)無(wú)人駕駛技術(shù)。車道線作為車輛行駛道路上較為重要的信息也迎來(lái)了研究熱潮。本文提出了一種有效的車道線識(shí)別與跟蹤算法，以提高車道線識(shí)別的效率及準(zhǔn)確率。

1 車道線識(shí)別與跟蹤算法思路

車道線識(shí)別與跟蹤算法屬于典型的機(jī)器視覺(jué)應(yīng)用：通過(guò)視覺(jué)傳感器獲取每一幀圖像進(jìn)行智能分析，判斷出車輛是否偏移路線，算法主要思路如下。

Step1：圖像預(yù)處理。獲取視覺(jué)傳感器傳遞的一幀圖像進(jìn)行中值濾波，選擇適當(dāng)?shù)倪吘墮z測(cè)算法將圖像邊緣信息進(jìn)行細(xì)化，然后對(duì)其檢測(cè)結(jié)果進(jìn)行熱點(diǎn)區(qū)域分割。

Step2： 車道線檢測(cè)。選擇檢測(cè)器進(jìn)行直線檢測(cè)，圖像經(jīng)過(guò)預(yù)處理之后，車道線區(qū)域?qū)?huì)比較突出，利用檢測(cè)器在進(jìn)行車道線檢測(cè)的同時(shí)會(huì)自動(dòng)過(guò)濾掉無(wú)效信息，保留與真實(shí)車道線最接近的兩條直線。

Step3：車道線跟蹤。檢測(cè)消失點(diǎn)，延長(zhǎng)兩條直線交于一點(diǎn)，交點(diǎn)轉(zhuǎn)化到二維平面的消失點(diǎn)。

Step4：偏移預(yù)警。通過(guò)偏移度對(duì)車輛進(jìn)行監(jiān)控以達(dá)到輔助駕駛的目的[1]。

2 車道線識(shí)別與跟蹤算法實(shí)現(xiàn)

2.1 圖像預(yù)處理

圖像預(yù)處理決定車道線檢測(cè)的效果，主要研究?jī)?nèi)容分為中值濾波、邊緣檢測(cè)和興趣區(qū)域選定三部分。

（1） 中值濾波。中值濾波能夠很好地剔除干擾像素，并且保護(hù)邊緣信息。通常由一個(gè)奇數(shù)大小的尺寸窗口在圖像矩陣上進(jìn)行滑動(dòng)操作，將排序過(guò)后的像素中值作為當(dāng)前窗口中心位置的像素值。

中值濾波的效果如圖1所示。

（2） 邊緣檢測(cè)。使用Canny算子對(duì)濾波后的圖像進(jìn)行邊緣檢測(cè)。

標(biāo)定邊界的真正位置需要存儲(chǔ)梯度方向，會(huì)存儲(chǔ)梯度的強(qiáng)度信息和梯度的方向信息，公式如下：

對(duì)梯度幅值進(jìn)行非極大值抑制。求出的幅值圖像中可能存在多個(gè)較大幅值臨近的情況，進(jìn)行非極大值抑制找出局部最大值，剔除大部分非邊緣像素點(diǎn)。對(duì)每一個(gè)像素點(diǎn)做處理：根據(jù)該像素點(diǎn)的梯度方向，確定需進(jìn)行比較的臨近像素點(diǎn)位置。

應(yīng)用雙闕值技術(shù)。設(shè)定一個(gè)上界和闕值下界，圖像中的像素點(diǎn)如果大于闕值上界則認(rèn)為必然是邊界，小于闕值下界則認(rèn)為必然不是邊界。

使用Canny算子對(duì)圖像進(jìn)行邊緣檢測(cè)之后的車道線會(huì)更加突出，便于下一步直線檢測(cè)[3]。效果如圖2所示。

（3） 熱點(diǎn)區(qū)域分割。只關(guān)注熱點(diǎn)區(qū)域不僅能提高識(shí)別算法效率，而且還減少了部分干擾像素，從而提高識(shí)別的精準(zhǔn)度。實(shí)驗(yàn)中采用的方法為：將數(shù)字圖像中非熱點(diǎn)區(qū)域像素賦值為0，其余區(qū)域保留原值。對(duì)圖像進(jìn)行分割應(yīng)放在圖像預(yù)處理的最后一步，否則其分割的邊緣像素會(huì)對(duì)直線檢測(cè)的準(zhǔn)確率造成影響。在圖像進(jìn)行像素剔除的效果如圖3所示。

2.2 車道線檢測(cè)

車道線檢測(cè)直接影響著車身偏移的測(cè)定，主要研究?jī)?nèi)容分為檢測(cè)直線和擬合車道線兩部分?；舴蜃儞Q檢測(cè)直線可有效降低噪聲干擾，中值算法擬合車道線可明顯提高車道線檢測(cè)的效率，使算法準(zhǔn)確率和效率得到進(jìn)一步提高。霍夫變換通常會(huì)檢測(cè)到重合在車道線邊緣的直線。具體方法為：將檢測(cè)結(jié)果分別裝入兩個(gè)容器中并求中值，當(dāng)直線數(shù)目為奇數(shù)，真實(shí)車道線為重合直線的其中一條；當(dāng)直線數(shù)目為偶數(shù)，真實(shí)車道線為中間兩條直線的平均數(shù)值；對(duì)于偏離真實(shí)車道線的直線直接舍棄。經(jīng)過(guò)實(shí)驗(yàn)表明，在多種路面下都能表現(xiàn)出較好的檢測(cè)效果，如圖4所示。

2.3 車道線跟蹤

在集合映射概念中，空間內(nèi)所有平行直線都會(huì)相交與無(wú)窮遠(yuǎn)點(diǎn)，這個(gè)無(wú)窮遠(yuǎn)點(diǎn)稱為消失點(diǎn)。在實(shí)際道路中，有很多平行直線，如道路護(hù)欄、車道線、邊界等。這些平行線延伸至遠(yuǎn)方形成消失點(diǎn)。在車道線檢測(cè)中，對(duì)兩條車道線進(jìn)行擬合出大概確定消失點(diǎn)的位置。根據(jù)視覺(jué)傳感器與消失點(diǎn)形成的直線與兩條車道線之間的距離之比，來(lái)判斷偏移角度是否在一個(gè)合理的范圍之內(nèi)，從而達(dá)到識(shí)別車道線來(lái)進(jìn)行輔助駕駛的目的。

3 實(shí)驗(yàn)與仿真驗(yàn)證

為驗(yàn)證車道線識(shí)別與跟蹤算法的效果，選取了3張不同時(shí)間段的圖片進(jìn)行測(cè)試，在多種不同的道路情況下，車道線的識(shí)別效果非常好。尤其對(duì)于直線道路或者彎曲幅度不大的車道線識(shí)別的錯(cuò)誤率幾乎為零，如圖5所示。對(duì)算法執(zhí)行時(shí)間進(jìn)行評(píng)計(jì)，由于對(duì)不必要像素的剔除減少了矩陣計(jì)算，提高的算法的執(zhí)行效率。算法與未進(jìn)行熱點(diǎn)區(qū)域定義前效率對(duì)比如圖6所示。

4 結(jié)論

定義熱點(diǎn)區(qū)域?qū)Σ槐匾膮^(qū)域進(jìn)行剔除，采用取中值的辦法來(lái)確定車道線位置，最終預(yù)測(cè)消失點(diǎn)，能夠提高車道線檢測(cè)與追蹤算法的效率和準(zhǔn)確率，具有一定的可行性。經(jīng)過(guò)反復(fù)驗(yàn)證，該方法能夠?qū)嚨谰€進(jìn)行較好識(shí)別，具有較高的抗干擾能力，對(duì)智能駕駛技術(shù)具有一定的應(yīng)用價(jià)值。

參 考 文 獻(xiàn)

[1]Kenue K S Lanelok.An Alogorithm for Extending the Lane Sensing Operating Range to 100 Feet[J].Mobile Robots V，1990：222-233.

[2]Beauvais M，Lakshmanan S，CLARK：A Heteroge-

neous Sensor Fusion Method for Finding Lanes and Obstacles[J].Image and Vision Computing，

2000，18（5）：397-413

[3]Wang Yue，Shen Dinggang，Teoh E K.Lane Det-

ection Using Spline Model[J]. Pattern Recgnition Letters，1000，21：677-689.

[4]王玉萍，付曉豹.最小二乘圓心模糊集合貼近度蛙跳聚類算法[J].科技通報(bào)，1001-7119（2014）08-0191-03.