基于視覺(jué)的車道偏離預(yù)警系統(tǒng)研究

何建輝 潘陳兵

摘 要：針對(duì)目前車道預(yù)警系統(tǒng)中運(yùn)用神經(jīng)網(wǎng)絡(luò)算法進(jìn)行車道線識(shí)別導(dǎo)致硬件成本上漲的問(wèn)題，本文通過(guò)運(yùn)用車道線感興趣區(qū)域提取、圖像灰度化和中值濾波操作一系列圖像預(yù)處理技術(shù)，以及運(yùn)用Canny邊緣檢測(cè)算法和Hough變換實(shí)現(xiàn)車道線識(shí)別，從而降低硬件成本。根據(jù)識(shí)別的結(jié)果，本文設(shè)計(jì)了基于車輛橫向位置和偏航角度的預(yù)警模型。最終的實(shí)驗(yàn)結(jié)果表明，本文設(shè)計(jì)的車道偏離預(yù)警系統(tǒng)具有實(shí)時(shí)性良好、準(zhǔn)確度高、預(yù)警及時(shí)的特點(diǎn)。

關(guān)鍵詞：視覺(jué);圖像預(yù)處理;車道線識(shí)別;車道偏離預(yù)警

1 引言

隨著科技發(fā)展及國(guó)家政策支持，新能源汽車保有量不斷上升，同時(shí)帶來(lái)的交通事故、人員傷亡和財(cái)產(chǎn)損失也不斷增加。根據(jù)交通事故的統(tǒng)計(jì)結(jié)果分析，超過(guò)90%的交通事故是由于駕駛員的錯(cuò)誤判斷和決策造成的[1]。因此，對(duì)于新能源汽車的車道偏離預(yù)警系統(tǒng)（Lane Departure Warning System，LDWS）的研究對(duì)提高新能源汽車的安全性及未來(lái)無(wú)人駕駛技術(shù)的發(fā)展具有重要意義。

從目前的研究現(xiàn)狀來(lái)看，車道偏離預(yù)警系統(tǒng)已取得較大地突破，并在部分高檔車型上得到了應(yīng)用。車道偏離預(yù)警系統(tǒng)需要解決兩大關(guān)鍵技術(shù)，一是車道線識(shí)別，二是車道偏離判斷。在車道線識(shí)別方面，神經(jīng)網(wǎng)絡(luò)算法得到廣泛地應(yīng)用[2]，但是由于神經(jīng)網(wǎng)絡(luò)算法計(jì)算復(fù)雜加上車道偏離預(yù)警系統(tǒng)采集數(shù)據(jù)量大導(dǎo)致系統(tǒng)整體計(jì)算量偏大[3]，為了滿足實(shí)時(shí)性要求，必須運(yùn)用計(jì)算能力較強(qiáng)的硬件[4]，從而導(dǎo)致車道偏離預(yù)警系統(tǒng)成本過(guò)高。在車道偏離預(yù)警方面，各種預(yù)警模型已相對(duì)成熟，常見的預(yù)警模型有CCP模型，即基于車輛預(yù)計(jì)橫跨車道模型[5-7];FOD模型，即基于未來(lái)偏離量模型[8];TLC模型，即基于車輛預(yù)計(jì)橫跨車道模型[9-13]等幾種。

本文針對(duì)在車道線識(shí)別方面存在的缺陷，首先設(shè)計(jì)了一套適合車道線識(shí)別的圖像預(yù)處理方法，其中包括車道線感興趣區(qū)域提取即車道線ROI提取、圖像灰度化操作和中值濾波操作。通過(guò)中值濾波操作可以有效地降低圖像噪聲對(duì)車道線識(shí)別地影響;通過(guò)車道線ROI提取和圖像灰度化操作能夠有效地提高車道線識(shí)別的速度。其次，本文運(yùn)用Canny邊緣檢測(cè)算法實(shí)現(xiàn)車道線邊緣檢測(cè)。最后，運(yùn)用Hough變換對(duì)車道線進(jìn)行擬合。在完成擬合之后，本文運(yùn)用車輛橫向位置偏移量及偏航角度相結(jié)合的方式進(jìn)行車道偏離判斷。

經(jīng)過(guò)實(shí)驗(yàn)研究發(fā)現(xiàn)，本文設(shè)計(jì)的車道線偏離預(yù)警系統(tǒng)在保證實(shí)時(shí)性的前提下具有較高的準(zhǔn)確度。

2 車道線識(shí)別

能夠準(zhǔn)確快速地識(shí)別車道線時(shí)車道偏離預(yù)警系統(tǒng)的關(guān)鍵技術(shù)之一，也是判斷車道偏離預(yù)警系統(tǒng)的重要指標(biāo)之一。目前流行的神經(jīng)網(wǎng)絡(luò)算法雖然在準(zhǔn)確率方面處于領(lǐng)先地位，但是在硬件成本方面卻處于明顯的劣勢(shì)，而且由于車道線識(shí)別不同于其他的交通元素的識(shí)別，車道線識(shí)別具有目標(biāo)特征明顯、位置固定、種類少的特點(diǎn)，因此通過(guò)對(duì)圖像進(jìn)行合理的預(yù)處理以及運(yùn)用合理的圖像邊緣檢測(cè)算法能夠達(dá)到較高的識(shí)別準(zhǔn)確度。

2.1 圖像預(yù)處理

由于車輛在實(shí)際行駛過(guò)程中，交通情況復(fù)雜，對(duì)于車道線的識(shí)別存在諸多干擾因素，如道路兩側(cè)綠化對(duì)車道線的干擾、光線變化、前方車輛干擾等[14]。另外，攝像頭采集的圖像數(shù)據(jù)較大，其中包含信息量較大，直接進(jìn)行車道線識(shí)別會(huì)對(duì)實(shí)時(shí)性產(chǎn)生較大影響，同時(shí)也增加了硬件成本。因此，本文在車道線識(shí)別之前進(jìn)行了一系列圖像預(yù)處理，即圖像增強(qiáng)。根據(jù)車道線識(shí)別的要求，本文運(yùn)用的圖像預(yù)處理方法有車道線感興趣區(qū)域提取即車道線ROI提取、圖像灰度化操作和中值濾波。

（1）車道線ROI提取

針對(duì)本文所研究的車道偏離預(yù)警系統(tǒng)攝像頭采集到的圖像信息中的天空、大叔、道路周圍的高層建筑等處于圖像上半部分的元素對(duì)于車道線識(shí)別而言均為無(wú)用元素，因此在車道線ROI提取的過(guò)程中可以將這些元素忽略。通過(guò)車道線ROI提取可以有效減小原始圖像大小，提高識(shí)別速度和準(zhǔn)確度。車道線ROI提取效果如圖1（b）所示，圖1（a）為原始圖像。

（2）圖像灰度化

由于攝像頭采集的圖像為彩色圖像，即一個(gè)像素需要R、G、B三種信號(hào)表示，若直接將彩色圖像進(jìn)行識(shí)別會(huì)增加計(jì)算量從而增大硬件的負(fù)擔(dān)，對(duì)實(shí)時(shí)性產(chǎn)生較大的影響，并且車道線不同于其他交通元素，車道線與道路區(qū)分明顯，因此通過(guò)圖像灰度化操作可以有效地降低原始圖像的數(shù)據(jù)量。

（3）中值濾波

中值濾波是一種非線性的平滑技術(shù)，是空間濾波算法的一種[15]。中值濾波可以有效地去除圖像中的椒鹽噪聲，該算法核心思想是用某領(lǐng)域內(nèi)全部像素的中間值代替該領(lǐng)域內(nèi)全部像素值[16]，數(shù)學(xué)表達(dá)式為：

經(jīng)過(guò)這一系列圖像預(yù)處理操作可以得到待檢測(cè)圖像，如圖2所示，其中圖2（a）為原始圖像，圖2（b）為待檢測(cè)圖像。

2.2 車道線邊緣檢測(cè)

根據(jù)車道線的特點(diǎn)，本文運(yùn)用梯度變化進(jìn)行車道線邊緣檢測(cè)，常用的利用梯度變化的邊緣檢測(cè)算法有Sobel算法、Robort算法和Canny邊緣檢測(cè)算法[17]，本文采用的是Canny邊緣檢測(cè)算法。與其他邊緣檢測(cè)算法相比，Canny邊緣檢測(cè)算法具有準(zhǔn)確度高、有效地消除假邊緣、效果明顯地特點(diǎn)。Canny邊緣檢測(cè)算法的核心思想是計(jì)算每一點(diǎn)是不是最大值來(lái)判斷像素點(diǎn)是否為邊緣點(diǎn)，設(shè)中心邊緣點(diǎn)為，二維高斯函數(shù)為：

通過(guò)Canny邊緣檢測(cè)算法，得到車道線邊緣檢測(cè)效果如圖3所示。其中，圖3（a）為待檢測(cè)圖像，圖3（b）為邊緣檢測(cè)效果圖。

2.3 車道線擬合

完成上述車道線邊緣檢測(cè)后，需要運(yùn)用一條直線來(lái)擬合車道線，常用的直線擬合方法有最小二乘法和Hough變換[18]。與最小二乘法相比，Hough變換具有魯棒性強(qiáng)、容錯(cuò)性強(qiáng)的特點(diǎn)，因此，本文采用Hough變換實(shí)現(xiàn)擬合。Hough變換的核心思想是坐標(biāo)系的變換，即將圖像的坐標(biāo)空間變換為參數(shù)空間，在參數(shù)空間進(jìn)行匹配計(jì)算，最終實(shí)現(xiàn)直線擬合。

[12]Van W W，Brookhuis K A，De W D.A comparison of different ?ways to approximate time-to-line crossing（TLC） during car driving[J]. Accident Analysis & Prevention， 2000， 32（1）： 47-56.

[13]Mammar S，Glaser S， Netto M.Time to line crossing for lane departure avoidance： a theoretical study and an experimental setting[J]. IEEE Transactions on Intelligent Transportation Systems， 2006， 7（2）： 226-241.

[14]Wei-wei Zhang，Xiao-lin Song，Gui-xiang Zhang.Real-time lane departure warning system based on principal component analysis of grayscale distribution and risk evaluation model[J]. Journal of Central South University，2014，21（4）

[15]劉國(guó)宏，郭文明.改進(jìn)的中值濾波去噪算法應(yīng)用分析[J].計(jì)算機(jī)工程與應(yīng)用，2010（10）：187-189.

[16]巫肇彬.基于機(jī)器視覺(jué)的車道偏離預(yù)警系統(tǒng)的研究[D].燕山大學(xué)，2017.

[17]韋煒.常用圖像邊緣檢測(cè)方法及Matlab研究[J].現(xiàn)代電子技術(shù)， 2011（04）： 91-94.

[18]Zhang X，Shi Z.Study on lane boundary detection in night scene[C]//Intelligent Vehicles Symposium.IEEE Xplore， 2009：538-541.

[19]張翀，范新南.基于直線模型的車道線實(shí)時(shí)檢測(cè)方法[J].計(jì)算機(jī)工程與設(shè)計(jì)，2012， 33（01）：295-299.

[20]KOBAYAKAWA Michihiro，KURITA Takio，SEKITA Iwao，UMEYAMA Shinji.Line detection using Hough transform based on linearity of local region[J].ITE Technical Report，1994，18（80）.

[21]錢怡.基于Hough變換的車道線檢測(cè)[J].山東工業(yè)技術(shù)，2017（10）：272-273.