一種基于hough變換的車道偏離預警模型的研究

曹福來 郭瑞瑞 齊明峻

許昌學院電氣（機電）工程學院 河南省許昌市 461000

1 引言

智能交通系統(tǒng)（ITS）是解決現(xiàn)在交通問題的重要途徑，智能車輛作為智能交通系統(tǒng)的重要組成部分越來越受到人們的重視。根據(jù)一項調(diào)查發(fā)現(xiàn)50%的道路交通事故是由于車輛偏離車道而引起的，因此建立車道偏離預警系統(tǒng)可以在車輛行駛的過程中判斷車輛行駛路線是否偏離，通過警報來提醒駕駛員安全行駛，最大程度的避免事故的發(fā)生，減少減少道路交通事故給我們帶來的生命和財產(chǎn)的損失。國外對車道偏離預警系統(tǒng)的研究起步較早，比較有代表性的主要有AURORA系統(tǒng)、AutoVue系統(tǒng)、Mobileye_AWS系統(tǒng)以及DSS系統(tǒng)[1]。國內(nèi)在此方面比較有代表性的是JLUVA-1系統(tǒng)及基于DSP的嵌入式預警系統(tǒng)[2]。

本文提出了一種基于Hough變換的車道偏離預警模型，該方法將平面直線檢測問題轉(zhuǎn)化為極坐標下尋求空間最大值的問題[3]，這樣可解決復雜光照及障礙物等的環(huán)境影響，提高預警系統(tǒng)的適應性與實用性，同時也提高了其處理速度。

2 車道線的識別提取方法

車道偏離預警系統(tǒng)主要是利用圖像處理技術(shù)來獲取道路圖像的特征，然后判定車輛的位置和車道線的關系，倘若檢測到車輛的位置偏離了車道行駛，則發(fā)出警報。車道偏離預警系統(tǒng)是建立在車道標識線的識別技術(shù)之上，該技術(shù)主要包含兩個方面，一個是圖像的預處理，另一個是車道線特征點的識別擬合[4]。由于受到外界環(huán)境的干擾，車道線的擬合的不失真度是判斷擬合方法是否合適的標準，本文主要討論Hough變換和最小二乘法這兩種方法對道車道線的擬合識別技術(shù)。

2.1 基于最小二乘法的車道線擬合

最小二乘法的基礎是最小化誤差的平方來其算數(shù)表達式如下所示，

其中(xi, yi)為給定的特征點，y=φ(x)為目標直線函數(shù)。

假設函數(shù)方程為 y = c0+ c1x，將其帶入方程式（1.1）中，可得擬合直線參數(shù)c0和c1的表達式如下所示：

然后把c0，c1代入 y = c0+ c1x 中即可求得擬合直線。

車輛在行駛過程中其CCD裝置會采集道路圖像，道路圖像經(jīng)過一系列的圖像預處理、圖像濾波、圖像邊緣強化等操作使圖像中的特征更加很明顯，有利于接下來的車道線的特征點的提取和車道線的識別。假設處理后圖像中滿足條件的像素點為 f (xi, yi)且i = 1 ,2,???,n，最終車道擬合函數(shù)的表達式為：

其中 f (xi, yi) 代表理想情況下的擬合函數(shù)，η表示擬合過程存在的噪聲[5]。該方法由于受噪聲的影響較大，存在一定的局限性，擬合得到的精度不高，可能會出現(xiàn)檢測不到車道線無法進行軌道偏離的預警，而相比采用Hough變換來進行車道線的擬合收到噪聲的影響較小，擬合結(jié)果更加準確。

2.2 基于Hough變換的車道線擬合

Hough變換實質(zhì)是一個空間映射到另一個空間，其整體描述可以通過局部變量來實現(xiàn)，這樣可以提高圖像的抗干擾性降低對噪音的敏感度，并且易于實現(xiàn)和處理。特別是在檢測不連通的直線圖像時，其缺失的像素點可以通過該方法還原，該特點可以在在檢測連續(xù)的車道線時很好地利用。

在直角坐標系中，過點 A (x,y)點的直線l方程可以用 A x+ B y+ C =0或者y = k x + b表示，其中k為斜率，b為截距。在極坐標系中， (,)Arθ 是點 (,)Axy的極坐標表示式，其中r為原點O到點A的長度，θ為與極軸OA夾角，通過數(shù)學轉(zhuǎn)換我們可以得到

綜上可知，任意一個(r,θ)值代入式中（1.8）就可得到唯一對應的直線方程，在直角坐標中由 ( x1,y1)、 ( x2, y2)可以確定一條唯一的直線，且該直線上的所有點在極坐標中其正弦曲線相交于同一點(r,θ)[3]，這些點可以凝聚在一起形成峰點，運用圖像空間與參數(shù)空間點對線的映射關系就可以找出需要識別的直線。Hough變換參數(shù)空間檢測直線主要分為三個步驟，第一確定r和θ的極值范圍，建立參數(shù)空間(r,θ)的二維數(shù)組并構(gòu)造計數(shù)器；第二通過Hough變換將像素的坐標轉(zhuǎn)變?yōu)橄鄳闹?；第三設定閾值t選擇大于閾值所對應的數(shù)組其對應的曲線被識別。

3 車道偏離預警模型

下圖1是車輛從車道線中間向右行駛到車輪壓到車道線的平面圖，隨著車輛偏離車道行駛，車道線的斜率也隨著改變。車道偏離的預警模型根據(jù)其預警原理的不同主要有四種，分別是CCP模型、FOD模型、TLC模型和KBIRS模型。本文在CCP模型的基礎下通過討論車道擬合直線的斜率與預先設置的閾值之間的關系來判斷是否預警。

車輛從車道線中間向右行駛到車輪壓到車道線的行駛過程中，隨著車輛偏離車道行駛，車道線的斜率也隨著改變。以車輛從車道中間偏向右車道線行駛過程為例，其臨界狀態(tài)包含車輛在車道中間行駛時與車輛右車輪正好壓著右車道線時這兩種[6]，這兩種狀態(tài)下對應的車道擬合直線的斜率為我們設定的閾值的上下限，同理車輛偏向車道左側(cè)行駛的預警可以通過車道的對稱性獲得，一旦檢測到圖像中擬合的直線的斜率超過閾值時，系統(tǒng)人為車輛偏離車道線并發(fā)出預警。

本論文只考慮車輛向右偏離的工況，向左偏離的工況可以由車道的對稱性獲得。當車輛在車道線中間行駛時，擬合的右車道線的內(nèi)邊界線斜率為 k'，右側(cè)行駛的過程中，圖像中擬合到的右車道線的直線的斜率是慢慢的增大，當車輛行駛到右車輪正好壓上右車道線的時候，圖像中擬合的右車道線的內(nèi)邊界線斜率為 k''。圖像中擬合到的車道線的斜率的取值范圍是為設定的預警系統(tǒng)的閾值。

圖1 車輛行駛平面圖

圖2 中間行駛經(jīng)Hough變換擬合出的車道線

圖3 壓車道線行駛經(jīng)Hough變換擬合后的車道線

由Hough變換擬合出圖像中的車道線得出該車道線的斜率k后，綜合車輛在道路上行駛時的位置和方向參數(shù)后，就可以建立如下預警模型：

2）若k≥ k''時，則說明車輛右車輪正在壓著或者已經(jīng)跨過右車道線行駛，車道預警系統(tǒng)會立即發(fā)出預警提示。

若k≤ k'時，則說明車輛左車輪正在壓著或者已經(jīng)跨過左車道線行駛，車道預警系統(tǒng)會立即發(fā)出預警提示。

4 試驗驗證

為驗證擬合直線斜率判別法是否正確，本論文在許昌市魏武大道南段道路進行了相關的實驗驗證。

4.1 車輛在車道中間行駛工況

利用CCD來采集車道中間行駛工況，然后將圖像經(jīng)過預處理后再經(jīng)過hough變換來擬合出道路圖像的車道線并得到其斜率，擬合結(jié)果如圖2所示。該擬合直線的方程式為：

圖2像中擬合的直線的斜率為： 2310.1=k

4.2 車輛右側(cè)車輪正好壓著車道線行駛

該工況下CCD采集車輛右側(cè)車輪正好壓著車道線行駛工況，圖像經(jīng)過預處理后再經(jīng)過hough變換來擬合出道路圖像的車道線并得到其斜率，擬合結(jié)果如圖3所示。

經(jīng)過Hough變換擬合后其直線的方程式為：圖像中擬合的直線的斜率分別為： 3915.2=k由以上數(shù)據(jù)可知擬合的車道線的斜率在[1.2310，2.3915]之內(nèi)時，車輛可以認為時正常行駛。為驗證其正確性，依次采集如下5種情況下的道路圖像：（a）車輛在車道線中心行駛；（b）車輛偏向右車道四分之一行駛；（c）車輛偏向右車道二分之一行駛；（d）車輛偏向右車道線四分之三行駛；（e）車輛右車輪正好壓著右車道線行駛。經(jīng)圖像預處理利用Hough變換擬合的車道線的斜率如表1所示。

表1 擬合車道線的斜率

由表1數(shù)據(jù)可知擬合的車道線的斜率在[1.2310，2.3915]之內(nèi)時，車輛正常行駛，當擬合的斜率大于等于2.3915時或者小于等于1.2310，這時車輛的車輪已經(jīng)壓著車道線或者已經(jīng)超過車道線行駛，驗證了擬合直線斜率判別法的正確性。