基于計算機視覺的車道線檢測與識別

徐林

摘? 要：在我國進入21世紀快速發(fā)展的新時期，市場經(jīng)濟在迅猛發(fā)展，社會在不斷進步，該文基于計算機視覺基礎，設計了一種車道線的檢測與識別技術，通過汽車搭載的前置攝像頭獲取道路前方包含車道線等信息的實時畫面，并對畫面進行預處理、形態(tài)學運算、Canny邊緣檢測、累計概率Hough變換等一系列轉(zhuǎn)換，得到正確的車道線信息。實驗結果表明，該方法可以有效快速地檢測和識別出正確車道線，滿足了汽車無人駕駛系統(tǒng)的響應時間需求，在汽車無人駕駛的開發(fā)過程中有一定的現(xiàn)實研究意義。

關鍵詞：計算機視覺;車道線;檢測;識別

引言

經(jīng)過一個多世紀的發(fā)展，汽車以其特有的優(yōu)越性飛速發(fā)展，汽車保有量直線上升。但是，人們在享受汽車帶來便捷的同時，也面臨著嚴峻的交通問題。因此，智能車輛的研究如雨后春筍般在世界各國開展起來?；跈C器視覺的車道線檢測識別是智能車輛輔助駕駛系統(tǒng)的關鍵技術之一。車道線檢測就是從攝像頭獲得的圖像中，將車道線與背景進行分離，從而獲得車道線的走向等信息。目前國內(nèi)外已經(jīng)提出了許多車道線的檢測識別方法，早期的一些簡單算法主要利用車道線固定且顏色明顯（如黃色和白色）對車道線進行識別，往往有很大的局限性;后來的復雜算法抗干擾能力強，但是處理速度及實時性較差。因此，如何準確、快速地檢測識別出車道線已成為智能車輛輔助駕駛系統(tǒng)的一個重要問題。針對道路特點以及對車道線識別的準確性和魯棒性等要求，本文主要對圖像分割（二值化）過程中的3種算法進行對比，得出效果較好的最大類間方差的算法;在邊緣檢測過程中對Sobel算法進行改進;在車道線識別的過程中應用了霍夫變換，有效準確地對車道線進行識別。

1機器視覺和機器學習

視覺是我們獲取外界信息的首要途徑，占據(jù)了日常信息流的60%以上。對于智能車輛，需要環(huán)境感知來進行下一步?jīng)Q策，機器視覺就是智能車的眼睛。機器視覺是人工智能的重要分支，目前機器視覺作為和圖像處理、計算機視覺都有所交叉的學科，在自動控制、信號處理、機器學習、人工智能、生物醫(yī)學等在內(nèi)的各個領域都得到了廣泛應用。機器視覺技術是智能交通系統(tǒng)的重要環(huán)節(jié)?；趫D像識別技術，通過計算機視覺獲取海量數(shù)據(jù)，通過算法實現(xiàn)檢測、分類、識別等功能，去分析、辨識環(huán)境中的車輛、行人、標志等目標，獲取分類信息，使車輛可以自主分析道路狀況，是現(xiàn)階段機器視覺的重要研究方向。目標檢測是計算機視覺、圖像處理和機器視覺中的經(jīng)典問題，車道線和交通標志的檢測和識別是綜合機器視覺和機器學習的實際應用，對算法的魯棒性和實時性都有很高的要求。傳統(tǒng)機器學習算法推動了目標檢測的快速發(fā)展，但仍有諸多不足，需要人工設計特征，而且易受復雜背景和光照不足的影響。相較之下，深度學習利用深層次的神經(jīng)網(wǎng)絡自動且高質(zhì)量地提取目標特征，使得深度學習在目標檢測領域發(fā)展迅速。機器學習是人工智能的核心，通過獲取海量數(shù)據(jù)，使機器自主學習，實現(xiàn)目標檢測、識別等功能。從網(wǎng)絡的復雜度來講，機器學習由淺層學習逐漸過渡到深度學習。淺層學習即網(wǎng)絡層數(shù)較少，當樣本和計算單元有限時，淺層的網(wǎng)絡難以有效地擬合復雜函數(shù)，不能完成復雜的分類或回歸問題。深度學習網(wǎng)絡的隱含層層數(shù)較多，網(wǎng)絡層次更深，特征表達能力更強，可以有效地擬合復雜函數(shù)，在分類或回歸問題的表現(xiàn)和泛化能力較強。由于深度學習是對大量的訓練數(shù)據(jù)自動地學習特征，更能夠刻畫數(shù)據(jù)的豐富內(nèi)在信息，因此在語音識別，圖像識別，自然語言處理領域應用廣泛。

2計算機視覺的車道線檢測與識別

2.1ROI選取

首先，車載攝像機采集到的實時圖像中包含車輛、天空、樹木等干擾信息，消除這些干擾信息不僅可以增強目標信息的可檢測性和最大限度地提高算法運行效率，也為后續(xù)圖像處理的任務降低難度;其次，車道線檢測任務主要關注車輛前方2條車道寬度的區(qū)域。因此，由于車載相機一般固定于車輛前窗中間位置，考慮車輛上坡/下坡時的可視車道上下浮動的實際情況，在行車記錄儀采集的圖像中選取下2/3部分作為ROI。

2.2濾波

濾波技術能夠只針對圖像中的高頻分量進行處理，而不影響其中低頻分量的信息部分。高頻分量在圖像中主要體現(xiàn)在圖像的邊角處等灰度值差值較大的部分，或者說是灰度值的變化速度較快的位置，可以使用圖像濾波技術，這樣既可以有效地降低圖像灰度值的落差，讓圖像變得平滑，又可以達到濾除圖像中噪聲信號的目的，最大程度保留車道線的輪廓信息，并削弱其他非車道線物體輪廓的影響。該文所用的高斯濾波，它是線性平滑濾波的一種技術手段，其主要目的就是去除高斯噪聲。高斯濾波就是把畫面進行加權平均處理，即任何一個像素點的數(shù)值都是它自身大小與相鄰像素點的大小通過加權平均后得到，所以經(jīng)過高斯濾波后會得到更加精確的焦外成像效果，可以增強圖像效果，很大程度上區(qū)分車道線和非車道線。

2.3邊緣檢測

要想將車道線從圖像中識別出來，主要是依靠車道線的邊緣信息來提取。在數(shù)字圖像處理中，目標邊緣是圖像最基本的特征之一，邊緣勾勒出了目標的輪廓，集中了目標的大部分信息。常見的邊緣信息提取主要采用的是基于灰度圖像梯度的方法。灰度值發(fā)生明顯變化的區(qū)域是灰度圖像的邊緣，具有方向和幅度兩個特性：平行于邊緣走向的像素灰度值變化平緩，而垂直于邊緣走向的像素灰度值變化劇烈?；叶葓D像中局部區(qū)域的灰度值變化越劇烈，越容易提取邊緣信息。在本課題中，使用幾種不同的算子檢測圖像邊緣特征。

2.4數(shù)據(jù)采集

交通標志處于自然場景下，算法進行檢測識別時面臨巨大的挑戰(zhàn)，主要有以下幾點困難：（1）陰雨天或處于光線較差的隧道和停車場，難以提取明顯特征。（2）路面標志周圍的環(huán)境比較復雜，周圍白色的物體可能會導致檢測算法的誤檢率升高。（3）路面標志由于車輛碾壓，日久風化等自然因素，易受到磨損，邊緣輪廓模糊難辨。（4）城市道路車輛擁擠，路面標志易被車輪遮擋，可利用的形狀信息不完整。開啟車載行車記錄儀，針對廣州市普通城市街道和高速公路實時拍攝道路交通視頻信息?；谏鲜龅沫h(huán)境干擾因素，實現(xiàn)路面標志的識別仍面臨巨大困難。為了增強算法的魯棒性，采集場景包含了晴天、雨天、光線充足、光線昏暗、能見度低等不同環(huán)境條件以及旋轉(zhuǎn)、部分遮擋、運動模糊等干擾因素。

2.5腐蝕

腐蝕和膨脹是相反的過程，腐蝕是求取圖像區(qū)域最小值。通過給定的圖形與設定的核進行卷積運算，將設定核所涉及區(qū)域內(nèi)的像素點的最小值賦給參考點給定的像素，求解局部最小值。在膨脹操作以后進行腐蝕操作，可以將在膨脹操作中誤連通的非車道線很大程度的還原回去，防止非車道線對檢測的影響。

結語

本文對汽車智能輔助駕駛中的關鍵技術———車道線的檢測做了詳細研究，綜合車道線檢測中的關鍵問題，提出一種適應性強、魯棒性好、實時性高的車道線檢測方法，為汽車智能輔助駕駛技術的發(fā)展提供了理論依據(jù)，具有重要的現(xiàn)實意義。

參考文獻

[1]? 許宏科，秦嚴嚴.一種基于Hough變換的車道線檢測新方法[J].徐州工程學院學報，2013（4）：1-4.

[2]? 侯利龍.高速公路車道線檢測算法研究[D].鄭州：河南工業(yè)大學，2012.

[3]? 侯立龍，狄?guī)?直線模型下的高速公路車道線檢測方法研究[J].清遠職業(yè)技術學院學報，2011（6）：73-76.

[4]? 張錚，倪紅霞，苑春苗，等.精通Matlab數(shù)字圖像處理與識別[M].北京：人民郵電出版社，2013.

[5]? 吳一全，潘喆.2維最大類間平均離差閾值選取快速遞推算法[J].中國圖象圖形學報，2009，14（3）：471-476.