復(fù)雜道路環(huán)境下車道線快速提取方法

儲(chǔ)開斌， 郭俊俊， 朱 棟

（常州大學(xué)信息科學(xué)與工程學(xué)院，江蘇常州213164）

0 引 言

基于機(jī)器視覺(jué)的車道識(shí)別是無(wú)人駕駛的重要組成部分，在車輛的自主導(dǎo)航系統(tǒng)中發(fā)揮著重要的作用［1］。車輛在行駛過(guò)程中受到各種環(huán)境因素的影響，如何提高車道線檢測(cè)的效率及準(zhǔn)確性，對(duì)無(wú)人駕駛汽車的安全及可靠行駛至關(guān)重要。目前，常見(jiàn)的車道識(shí)別方法有兩類：①基于特征的車道線識(shí)別方法，該方法采用邊緣［2］、顏色［3］、紋理［4-6］等特征，將圖像分割成幾個(gè)部分，再利用相應(yīng)算法得到車道線。②基于模型的車道線識(shí)別方法，該方法采用直線模型［5］或者二次曲線模型［6］表示車道線，可有效去除車道線中產(chǎn)生的噪聲，同時(shí)對(duì)缺損的車道線有較好的補(bǔ)償。

Cheng等［7］對(duì)公路以及車道線的RGB通道進(jìn)行線性的分析，從而提取出車道線。該方法在沒(méi)有外界因素的影響下對(duì)各種道路形狀下都有較好的適應(yīng)性。Aly等［8］利用霍夫變換來(lái)統(tǒng)計(jì)特征點(diǎn)的灰度直方圖，再進(jìn)行RANSAC驗(yàn)證以提取車道線，該方法在直線車道時(shí)具有很好的魯棒性，但是在彎車道和車道污損等條件下魯棒性降低。畢雁冰等［9］利用LMedSquare曲線擬合技術(shù)進(jìn)行彎曲車道線檢測(cè)，該方法有較好的魯棒性，但在擬合時(shí)計(jì)算量較大，實(shí)時(shí)性低。Meng等［10］采用基于粒子群算法的導(dǎo)航線檢測(cè)可快速準(zhǔn)確地提取出導(dǎo)航路徑，但未對(duì)彎曲道路的情況進(jìn)行分析。

車輛在行駛過(guò)程中受到車道線、障礙物、光照等環(huán)境信息的影響，路徑情況復(fù)雜?；谔卣鞯淖R(shí)別方法受外界因素影響較大，對(duì)復(fù)雜路況魯棒性低?；谀Ｐ偷姆椒芎芎玫刈R(shí)別出車道線但實(shí)時(shí)性較低。為了解決復(fù)雜情況下道路信息復(fù)雜，車道不易提取的問(wèn)題，同時(shí)減少計(jì)算的復(fù)雜性，提高車道識(shí)別速度，本文提出了一種結(jié)合自適應(yīng)感興趣區(qū)域的新邊緣噪聲消除方法，可以更有效地消除圖像中類車道噪聲，提高車道識(shí)別精度及速度。

1 車道線檢測(cè)方法

本文提出的車道線檢測(cè)方法包括圖像預(yù)處理、邊緣噪聲消除及車道識(shí)別等，檢測(cè)流程如圖1所示。圖像預(yù)處理首先從獲取的車輛圖像信息中找到最有效的感興趣區(qū)域，縮小圖像處理尺寸，從而減小圖像處理時(shí)間。再將感興趣區(qū)域圖像灰度化，得到圖像的灰度信息。在此基礎(chǔ)上對(duì)圖像進(jìn)行適當(dāng)?shù)臑V波，濾除灰度化后明顯的噪聲。經(jīng)過(guò)濾波后的灰度圖像利用Canny的邊緣檢測(cè)方法提取圖像的邊緣信息。提取出的邊緣信息中還包含部分邊緣噪聲，再將圖片分割成若干個(gè)子圖像，通過(guò)計(jì)算子圖像的邊緣方向來(lái)消除噪聲邊緣。最后掃描可能的邊緣鏈接對(duì)，找到滿足車道標(biāo)記的邊緣信息，通過(guò)直線擬合出車道線，從而實(shí)現(xiàn)車道信息的提取。

圖1 車道線檢測(cè)流程

2 圖像預(yù)處理

2.1 感興趣區(qū)域劃分

為了提高圖像處理的實(shí)時(shí)性，同時(shí)減少非車道區(qū)域噪聲對(duì)結(jié)果的影響。本文對(duì)采集的圖像進(jìn)行了感興趣區(qū)域（Region of Interest，ROI）劃分，將ROI分為初幀ROI和車道線ROI兩類［11-12］。在采集到的圖像中，道路有用信息一般位于圖像的底部，因此當(dāng)上一幀圖像未檢測(cè)出車道線時(shí)，選取圖像底部1／3區(qū)域作為初幀ROI，如圖2所示。圖中紅色方框表示初幀ROI劃分區(qū)域。

圖2 感興趣區(qū)域劃分

當(dāng)車道線檢測(cè)成功后，根據(jù)車道線位置來(lái)劃分車道線ROI。因?yàn)橄噜弮蓭瑘D像之間的車道線相近，所以根據(jù)前1幀檢測(cè)到的車道線位置可以自適應(yīng)構(gòu)造出一個(gè)多邊形區(qū)域。將該區(qū)域作為下1幀圖像處理時(shí)的ROI，本文稱該ROI為車道線ROI，圖中黃色虛線包圍的區(qū)域是上1幀車道線檢測(cè)成功后，下1幀圖像對(duì)應(yīng)的車道線ROI，這樣大大減少了圖像處理的復(fù)雜度，提高了圖像處理的速度。

2.2 圖像灰度化

為了減小圖像原始數(shù)據(jù)量，便于后續(xù)處理時(shí)的快速性，將劃分好ROI后的圖像灰度化?；叶然捎肦GB顏色空間模型［13］，轉(zhuǎn)換公式為

式中：R代表紅色分量；G代表綠色分量；B代表藍(lán)色分量。由于車道線的顏色一般是黃色和白色，為了增強(qiáng)車道線的特征信息，采用

提高車道標(biāo)記強(qiáng)度，從而提高圖像處理的準(zhǔn)確性，灰度化結(jié)果如圖3所示。

圖3 圖像灰度化

2.3 雙邊濾波

雙邊濾波是一種可以保持邊緣同時(shí)去噪的濾波器，雙邊濾波器的系數(shù)是由幾何空間距離和像素差值決定的。相比于高斯低通濾波器只考慮了空間域和α-截尾均值濾波器（去掉百分率為α的最小值和最大之后剩下像素的均值作為濾波器）只考慮了值域，雙邊濾波器同時(shí)考慮了空間域與值域的差別，因此具有更好的邊緣保存效果［14］。

本文對(duì)灰度化后的圖像采用雙邊濾波來(lái)減少噪聲點(diǎn)的干擾。在雙邊濾波器中，輸出像素值依賴于鄰域像素值的加權(quán)組合，

式中：k、l為像素所在位置；f（k，l）為對(duì)應(yīng)像素點(diǎn)的強(qiáng)度；ω（i，j，k，l）為權(quán)重系數(shù)，

d（i，j，k，l）為定義域核，r（i，j，k，l）為值域核，

式中，σd、σr分別為定義域和值域的方差。結(jié)果如圖4所示。

圖4 雙邊濾波

2.4 邊緣檢測(cè)

邊緣檢測(cè)的性能對(duì)圖像的后續(xù)處理非常重要。即使在惡劣環(huán)境條件下，或者對(duì)于可能出現(xiàn)的潛在道路線復(fù)雜場(chǎng)景，邊緣檢測(cè)算法也必須是穩(wěn)健的。在眾多流行的邊緣檢測(cè)方法中，Canny的邊緣檢測(cè)方法［15］對(duì)于低對(duì)比度圖像也能很好地工作。經(jīng)Canny邊緣檢測(cè)結(jié)果如圖5所示。

圖5 Canny邊緣檢測(cè)的結(jié)果

3 消除邊緣噪聲

在獲得圖像邊緣信息之后，由于復(fù)雜路況會(huì)引起較多的噪聲邊緣，為此通過(guò)以下3個(gè)步驟得到有效的邊緣信息：噪聲邊緣消除，假邊消除和邊緣補(bǔ)償。

3.1 噪聲邊緣消除

本文提出了一種噪聲邊緣消除方法以消除具有異常方向的邊緣鏈路。在文獻(xiàn)［16-17］中提出的傳統(tǒng)方法僅在車道標(biāo)記邊緣純凈時(shí)才有效。然而，在復(fù)雜路況下，車道標(biāo)記邊緣噪聲將在各種條件下出現(xiàn)，例如鏡頭上的陰影、污垢或雨滴。本文中，將獲得的邊緣圖像劃分為若干個(gè)子圖像，并使用霍夫變換計(jì)算每個(gè)子圖像的邊緣方向。

霍夫變換是將圖像從圖像空間變換至參數(shù)空間，其變換

在平面直角坐標(biāo)系中，直線可以用函數(shù)y＝kx＋b表示，其轉(zhuǎn)換思想是將x、y作為坐標(biāo)系已知量，k、b作為變量，將平面問(wèn)題轉(zhuǎn)化為參數(shù)空間坐標(biāo)系下的極坐標(biāo)ρ、θ［5］。則直線方程表示為變換以后圖像空間中的一點(diǎn)在參數(shù)空間是一條曲線，而圖像空間共線的各點(diǎn)對(duì)應(yīng)于參數(shù)空間交于一點(diǎn)的各條曲線。基于霍夫變換的邊緣噪聲消除流程為：

（1）將獲得的邊緣圖像劃分為若干個(gè)子圖像。

（2）對(duì)每個(gè)子圖像進(jìn)行Hough變換，建立參數(shù)極坐標(biāo)ρ—θ；搜索子圖像上需要變換的目標(biāo)點(diǎn)（x，y），利用ρ＝xcos θ＋ysin θ計(jì)算參數(shù)遍歷θ，對(duì)目標(biāo)進(jìn)行累加，直到全部轉(zhuǎn)換完成，得到Hough變換矩陣；統(tǒng)計(jì)累計(jì)數(shù)組θ的峰值。

（3）根據(jù)交通法規(guī)規(guī)定，車輛不得在車道線橫向行駛，因此車道標(biāo)記邊緣鏈路方向?qū)⒃谝欢ǖ姆秶鷥?nèi)。本文設(shè)置子圖像的主要方向不在［40°，165°］時(shí)，那么它將作為噪聲邊緣鏈接被丟棄。

為了減少處理時(shí)間，對(duì)于當(dāng)前圖像僅計(jì)算從前1幀作為候選邊緣鏈接的子圖像。同時(shí)還制作了一個(gè)方向表來(lái)存儲(chǔ)每個(gè)子圖像的角度，如果它被作為噪聲邊緣丟棄，那么它在表格的相應(yīng)塊中被設(shè)置為零。結(jié)果如圖6所示。

圖6 消除噪聲邊緣

3.2 假邊消除

在初始消除噪聲邊緣過(guò)程中，可能存在一些和車道標(biāo)記邊緣鏈路的方向相同的噪聲，如圖6所示。針對(duì)上述問(wèn)題提出了一種假邊消除的方法。假邊消除步驟：

（1）在正常行駛過(guò)程中，左右車道分別位于圖像中心的左右兩邊，因此掃描從圖方向表的底部中間開始，并從中間到兩邊和從下到上掃描。

（2）對(duì)于存在邊緣方向的點(diǎn)，以它為核心建立如圖7所示的九宮格。因?yàn)樵肼朁c(diǎn)和邊緣點(diǎn)的區(qū)別在于噪聲點(diǎn)不具有連續(xù)性，為此本文以存在邊緣方向的點(diǎn)為核心，在其上下左右進(jìn)行搜索查找，左側(cè)車道邊緣點(diǎn)的判斷標(biāo)準(zhǔn)為：右上角（TR），頂部（T），右側(cè)（R）或者左下角（BL），下部（B），左側(cè)（L）有兩個(gè)存在方向點(diǎn)，其余則為噪聲點(diǎn)。右側(cè)車道邊緣點(diǎn)的判斷標(biāo)準(zhǔn)為：左上角（TL），頂部（T），左側(cè)（L）或者右下角（BR），下部（B），右側(cè)（R）有兩個(gè)存在方向點(diǎn)，其余則為噪聲點(diǎn)。

圖7 假邊消除九宮格

（3）將存在噪聲的子圖像清除，生成新的邊緣圖像，如圖8所示。

圖8 假邊消除

3.3 邊緣補(bǔ)償

在噪聲邊緣消除的過(guò)程中由于陰影或污垢的影響，在某些子圖像中，車道標(biāo)記可能被視為噪聲，從而切斷車道邊緣。為了恢復(fù)被切斷的車道邊緣，本文設(shè)計(jì)了一個(gè)掩模，用于與假邊消除后的方向表進(jìn)行卷積，來(lái)實(shí)現(xiàn)缺損邊緣的補(bǔ)償。卷積的掩模如圖9所示。

圖9 邊緣補(bǔ)償掩模

圖9 中，左上角（TL），頂部（T），右上角（TR）和中心（C）表示掩模中點(diǎn)的位置。卷積從方向表的左下角開始，并從左到右，從下到上進(jìn)行卷積，如果方向表中的中心沒(méi)有方向點(diǎn)，并且“TL”“T”或“TR”存在方向點(diǎn)，則將方向表的中心塊設(shè)置為“True”并恢復(fù)邊緣點(diǎn)，補(bǔ)償結(jié)果如圖10所示。通過(guò)消除邊緣噪聲，大部分噪聲邊緣已被消除，同時(shí)保留了潛在的車道標(biāo)記邊緣。

圖10 邊緣補(bǔ)償

4 車道線識(shí)別

經(jīng)過(guò)圖像預(yù)處理和邊緣噪聲消除后，得到所有車道線的邊緣坐標(biāo)，并將其設(shè)置為連續(xù)集合SP。為了減少直線擬合的時(shí)間，假設(shè)車道模型由每個(gè)左右車道標(biāo)記邊緣的頂點(diǎn)和底點(diǎn)建立。本文使用此候選車道模型通過(guò)

與其他邊緣點(diǎn)進(jìn)行匹配。其中dp－ij表示為點(diǎn)p與線段之間的距，并將dp－ij的值存放到累加器中。

對(duì)于連續(xù)集合SP，如果超過(guò)80%的車道標(biāo)記邊緣點(diǎn)的dp－ij＜3個(gè)像素，那么將使用該候選模型作為車道模型。直線擬合實(shí)驗(yàn)結(jié)果如圖11所示。

圖11 直線識(shí)別

5 實(shí)驗(yàn)驗(yàn)證

為驗(yàn)證本文提出的車道檢測(cè)系統(tǒng)的可靠性和實(shí)時(shí)性，本文在Windows 7和Matlab環(huán)境下進(jìn)行實(shí)驗(yàn)仿真，該計(jì)算機(jī)平臺(tái)具有Intel i5 2．3 GHz核心和8 GB內(nèi)存。為了評(píng)估所提算法的性能，本文利用所提出的算法來(lái)測(cè)試包含各種道路環(huán)境的若干圖像序列。

圖12（a）中，原始圖像在受到路肩陰影的影響和擋風(fēng)玻璃反光的影響下，本文方法仍然能夠清楚地標(biāo)記出車道線的位置。圖12（b）顯示了在夜間低光條件下的車道場(chǎng)景，結(jié)果表明，即使在這些情況下本文的方法也能正常工作。圖12（c）顯示了中午光照強(qiáng)，路面受樹木陰影的影響明暗不一，且存在車道標(biāo)志線的車道場(chǎng)景，結(jié)果顯示本文所提出的方法也可以準(zhǔn)確地工作。圖12（d）顯示了雨天路面濕滑反光情況下的車道場(chǎng)景，結(jié)果表明本文方法仍然可靠。圖12（e）顯示了汽車前方有車輛將車道標(biāo)記覆蓋，雖然圖像中只留有一小部分車道痕跡，本系統(tǒng)仍然可以精確地檢測(cè)車道。

圖12 不同天氣路況下的實(shí)驗(yàn)結(jié)果

本文所提方法的耗時(shí)如表1所示，與其他方法相比，可以看出在更低處理速度的情況下達(dá)到其他方法的處理時(shí)間。結(jié)果表明，本文提出的該方法魯棒性高、實(shí)時(shí)性好。

表1 不同方法的時(shí)間對(duì)比

6 結(jié) 語(yǔ)

由于受到光照、天氣、障礙物等影響，道路情況復(fù)雜，為準(zhǔn)確快速地檢測(cè)出車道線，本文提出了一種車道線檢測(cè)方法。首先，對(duì)采集到的圖像進(jìn)行預(yù)處理，設(shè)置自適應(yīng)ROI，并進(jìn)行灰度化、雙邊濾波和邊緣提??；對(duì)于邊緣噪聲復(fù)雜的情況，本文將邊界圖像劃分為子圖像并計(jì)算每個(gè)塊的局部邊緣方向并刪除邊緣方向異常的邊緣。然后，對(duì)缺失的邊緣塊進(jìn)行補(bǔ)償。最后，設(shè)計(jì)出簡(jiǎn)單的直線擬合算法擬合出車道線。實(shí)驗(yàn)結(jié)果表明，本文所設(shè)計(jì)的檢測(cè)方法在各種路況下具有較高的性能和精度。