基于單目視覺的智能車車道線識別算法＊

石金虎，金輝，王迪

（遼寧工業(yè)大學汽車與交通工程學院，遼寧 錦州 121001）

前言

自動駕駛汽車是目前以及將來要面對的一個熱點和難點，其中車道線檢測在其中發(fā)揮著至關重要的作用。它不僅為車輛導航提供了參考，而且目前已經應用在運動目標檢測和汽車預警等方面。從開始研究智能車輛時就對車道線檢測給予了很大的重視，首先要實現(xiàn)車輛的自主導航，最基本的技術就是要把車控制在當前道路上，不能發(fā)生跑偏。即實時的獲取車道線的變化，準確的了解車道線的信息，才能在獲取車輛在當前道路的相對位置和方向，從而達到預期的效果。本文采用的是結構化道路為輸入信息，對采集到的道路圖像進行分割，選用實驗效果較好的最大類間方差法；在圖像邊緣檢測中分析了Canny 算法并進行一些改進；最后為了更好的識別車道線效果采用了霍夫變換。

1 單目視覺圖像采集系統(tǒng)概述

一般視覺系統(tǒng)采集圖像可以依據(jù)攝像機的個數(shù)來區(qū)別：第一個是帶有多個攝像頭的立體視覺系統(tǒng)，第二個是帶有單個攝像頭的單目視覺系統(tǒng)。 總體來說他們都是對汽車行駛環(huán)境的實時監(jiān)測，主要包括車道線的識別、車輛行駛時其周圍的環(huán)境等信息為切入點進行采集。然后處理所收集的圖像信息，并將處理后的信息發(fā)送到控制器，由控制器做出決定以實現(xiàn)車輛的自主導航。 與多目視覺相比，本文使用的單目視覺具有更快的圖像處理速度和實時控制要求。 它在未來一段時間內具有研究價值。

2 圖像預處理

道路圖像預處理過程如圖1 所示。

圖1 圖像處理流程圖

在收集道路圖像時，由于外部因素和其他因素的干擾，所獲取的圖像信息不完整。 需要對采集的圖像進行預處理，以達到預期的效果，預處理過程在改善圖像質量、提高行車時的實時性等方面具有重要的作用。

對于單目視覺獲取的圖像，預處理過程包括：灰度、圖像過濾、邊緣增強和圖像二值化。如圖2 所示為圖像預處理后的實驗效果圖。

圖2 道路圖像預處理

3 圖像的閾值分割

3.1 Ostu 閾值分割

最大的類間方差方法，也稱為Otsu 方法，具有簡單和快速的優(yōu)點，并且是常用的閾值方法。主要思想可以設置為圖像的灰度級間隔為0～L（L≤255），定義灰度值i 的像素數(shù)為ni，像素總數(shù)為N，則：

公式中fmin和 fmax代表的是圖像中灰度的最小值和最大值。那么C0區(qū)域的分布概率為p0，灰度均值為μ0。

同樣的方法，可以求出C1區(qū)域的分布概率為p1，灰度均值為μ1，定義類間方差為，有：

3.2 迭代閾值分割

迭代閾值法是一種閾值效果較好的分割方法，迭代的具體步驟如下：

①首先選擇一個近似閾值T；

②將圖像分割成兩個部分R1和R2；

③分別計算R1和R2的平均值μ1和μ2，并選擇新的分割閾值；

④重復上述步驟直到μ1和μ2不再變化。

3.3 全局閾值分割

全局閾值方法通常基于圖像灰度直方圖選擇閾值。在整個灰度圖像中僅選擇一個閾值用于分割，并且閾值通常是常數(shù)。整個灰度圖像被分成目標區(qū)域和背景區(qū)域，黑色代表目標區(qū)域，白色代表背景區(qū)域?；叶葓D像在直方圖表現(xiàn)為一個雙峰形狀，選取會對直方圖中的峰值之間的低谷處的像素值作為閾值進行分割。

如圖3 所示為實驗的效果圖：

圖3 三種閾值分割算法的比較

從圖3 的閾值分割效果圖中可以看出最大類間方差方法更好，并且可以清楚地識別出車道線并將其與背景差異分開。因此，本文對圖像進行二值化采用最大類間方差法，以達到目標的理想效果圖。

4 圖像邊緣檢測

圖像邊緣檢測算法包括Roberts 算子，Prewitt 算子，Sobel算子，Log 算子和Canny 算子。其中 Canny 邊緣提取算法在圖像上更易實現(xiàn)，Canny 算子相對與其他算子，提取道路邊界線連接完整、劃分較為細致，并且它擁有高的準確度，同時也能像 Sobel 算子一樣去抑制平滑效果，具有非常好的邊緣檢測效果。

4.1 傳統(tǒng)Canny 算法

（1）消除噪聲，傳統(tǒng)的Canny 算法使用二維高斯函數(shù)的任何方向的一階方向導數(shù)作為噪聲濾波器。使用其一階導數(shù)對原始圖像進行卷積和去噪，以獲得平滑的圖像。

（2）計算梯度的大小和方向，并使用鄰域的一階偏導數(shù)的有限差分計算平滑圖像的梯度幅值G(x,y)和梯度方向θ（x,y）：

為了找到邊緣的方向，梯度方向通?？梢苑殖蓭讉€角度（0°、45°、90°、135°）。這樣也可以找到這個像素梯度方向的鄰接像素。

（3）對梯度幅度應用非最大抑制，目的是在圖像梯度中能夠找到局部最大值，并將其他非局部最大值歸零，以獲得精細邊緣。

（4）滯后閾值分為高閾值和低閾值?？梢允褂美塾嬛狈綀D來計算這兩個閾值，并且如果其中的一個像素大于高閾值，那么它一定是邊緣像素。如果其中的一個像素小于低閾值，則它不能是邊緣像素。如果檢測的結果是在兩個閾值中間，那么就可以根據(jù)像素的鄰接像素確定它是否高于高閾值，若高于則是邊緣，否則就不是邊緣。

4.2 改進的Canny 算子

傳統(tǒng)的Canny 算法使用兩個不同的閾值來處理圖像的強邊和弱邊，只有強邊緣和弱邊緣連接在一起時，弱邊緣才能包含在輸出圖像中。 否則會導致一些邊緣信息的丟失。因此，在實際應用中，一定會存在噪聲和環(huán)境因素的影響，所以選擇合適的閾值非常重要?；趥鹘y(tǒng)的Canny 邊緣提取算法，提出了一種迭代算法來計算最優(yōu)閾值。計算和分析灰度值是否為邊緣點，可有效降低噪聲干擾。

改進后Canny 算法的具體實現(xiàn)步驟為：

（1）對車道圖像進行平滑濾波處理，抑制噪聲干擾；

（2）分析和計算由平滑濾波處理后道路圖像的梯度幅值和方向；

（3）對梯度幅值進行非極大值抑制；

（4）道路圖像使用迭代算法確定最佳效果的高低閾值；

（5）道路圖像進行閾值分割時使用雙閾值算法；

（6）對分割完成的道路圖像進行邊緣檢測。

如圖4 所示為Canny 算子和改進Canny 算法效果圖：

比較圖4（c）、（d）效果圖可以看到采用Canny 算子可以增強車道線的邊緣，減少路面等環(huán)境因素的干擾，但是車道線兩邊的背景區(qū)域區(qū)分布明顯；改進后的算法對邊緣檢測效果更加明顯。

圖4 Canny 算子和改進Canny 算法效果圖

5 基于Hough 變換的車道線識別

霍夫變換是提取車道線的最常用方法，將線上的每個數(shù)據(jù)點轉換為參數(shù)平面中的直線或曲線?；舴蜃儞Q是共線數(shù)據(jù)與其對應的參數(shù)曲線和參數(shù)空間之間的關系，因此直線提取問題被轉換為計數(shù)問題。 簡單實現(xiàn)車道線的擬合。Hough變換提取車道線的最大特點是它不受直線間隙和噪聲等其他因素的影響。

由Hough 的原理可知其計算量較大，精度高等要求，為了減少計算量將設直線方程轉換為極坐標中用參數(shù)方程表示一條直線：

式中ρ 為直線到坐標點原點的距離；θ 是直線法線與x軸所構成的夾角。如圖5 所示為坐標示意圖。

圖5 線性極坐標轉換示意圖

圖6 極坐標參數(shù)空間示意圖

與笛卡爾坐標類似，極坐標空間中的霍夫變換將線性極坐標系中的點變換為極坐標參數(shù)空間。當以極坐標表示時，線性坐標系中的共線點被映射到相交于一點的參數(shù)空間。 與線性坐標不同，極坐標表示線性極坐標共線的點被映射到正弦的參數(shù)空間，在點（ρ0，θ0）處交叉，并且極坐標參數(shù)空間如圖6 所示。

如圖7 所示通過圖像我們可以得知Hough 變換的擬合效果更好。車道標線邊緣更為連續(xù)，并且能夠把一些邊緣信息進行濾除，車道線的目標信息得以增強，無關信息可以得到抑制。所以本文選用Hough 變換來進行車道線的識別。

圖7 Hough 變換檢測識別車道線

6 結論

本文使三種方法用于比較結構化道路的二值化。在傳統(tǒng)的Canny 算法基礎上在細節(jié)等方面做了一些改進，得到了改 進后的Canny 算法。并且在圖像邊緣檢測中進行比較，反映了兩種算法的優(yōu)缺點。為了達到本實驗的目的本文使用霍夫變換檢測方法識別車道線，。 但是對于非結構道路和有其他干擾的不平整路面等情況，本文選用的方法還有待提高和改進。