基于級(jí)聯(lián)霍夫變換的車道線快速檢測(cè)算法

朱鴻宇，楊 帆，高曉倩，李學(xué)嬌

(河北工業(yè)大學(xué) 電子信息工程學(xué)院，天津 300401)

0 引 言

車道線檢測(cè)是智能駕駛領(lǐng)域的核心功能之一，也是很多后續(xù)識(shí)別算法的基礎(chǔ)[1]，其識(shí)別效果很大程度上決定了整個(gè)智能駕駛算法的最終效果。近年來(lái)，國(guó)內(nèi)外關(guān)于車道線檢測(cè)算法的研究日漸深入，文獻(xiàn)[2]采用了傳統(tǒng)霍夫變換搭配改進(jìn)的Canny邊緣檢測(cè)算法，使用迭代算法來(lái)計(jì)算最優(yōu)閾值，進(jìn)而對(duì)二值圖像進(jìn)行邊緣檢測(cè)。文獻(xiàn)[3]采用光流法來(lái)進(jìn)行快速車道線檢測(cè)，通過(guò)對(duì)關(guān)鍵特征點(diǎn)的位置進(jìn)行預(yù)估，縮小ROI區(qū)域，進(jìn)而降低算法運(yùn)算量。文獻(xiàn)[4]采用Canny邊緣檢測(cè)搭配改進(jìn)的概率霍夫變換算法提取直線，最終擬合還原出原始車道線。文獻(xiàn)[5]通過(guò)逆透視的方法消除車道線遠(yuǎn)近變化，得到若干組平行的車道線，再通過(guò)高斯濾波消除噪聲，結(jié)合霍夫變換提取車道線，并引入RANSAC進(jìn)行擬合。目前這些方法檢測(cè)精度都能達(dá)到基本要求，但都存在檢測(cè)效率不高、難以滿足實(shí)際需求等問(wèn)題。

由于傳統(tǒng)霍夫變換算法坐標(biāo)轉(zhuǎn)換復(fù)雜，計(jì)算量較大，無(wú)法同時(shí)兼顧實(shí)時(shí)性和準(zhǔn)確性的要求，該文采用一種改進(jìn)后的基于級(jí)聯(lián)霍夫變換的直線檢測(cè)算法用于車道線的檢測(cè)工作。首先對(duì)圖像傳感器采集來(lái)的視頻幀序列進(jìn)行ROI選取、濾波、邊緣檢測(cè)和非極大值抑制等預(yù)處理，然后采用改進(jìn)后的直線檢測(cè)算法進(jìn)行車道線消失點(diǎn)的定位，并基于消失點(diǎn)的位置向下遍歷所有符合要求的點(diǎn)，最后使用最小二乘法對(duì)這些點(diǎn)進(jìn)行擬合，完成車道線檢測(cè)。

1 視頻幀預(yù)處理

在輔助駕駛系統(tǒng)中，算法的實(shí)時(shí)性與準(zhǔn)確性同等重要，因?yàn)檐囕v在高速行駛時(shí)，如果由于計(jì)算量過(guò)大而無(wú)法保證實(shí)時(shí)的檢測(cè)，可能無(wú)法對(duì)突發(fā)情況進(jìn)行快速處理[6]。因此需要對(duì)視頻幀進(jìn)行預(yù)處理，僅保留在后續(xù)算法中必要的圖像信息。

1.1 圖像灰度化

從相機(jī)傳感器中采集到的彩色圖像一般包含了R(紅色)、G(綠色)、B(藍(lán)色)三個(gè)通道的深度信息，每個(gè)通道的取值在0至255之間，人眼所看到的所有顏色均可由這三種通道的顏色按照不同的比例搭配得到，行車道路上的車道線一般由黃色和白色兩種構(gòu)成，其RGB分量分別為(255,255,0)和(255,255,255)。而算法在針對(duì)彩色圖像進(jìn)行處理時(shí)，要對(duì)這三個(gè)通道進(jìn)行依次處理，時(shí)間開銷將會(huì)很大，為了提高運(yùn)算效率，往往將由RGB三個(gè)通道組成的彩色圖像轉(zhuǎn)化為單通道的灰度圖像。該文選用加權(quán)平均法進(jìn)行灰度化運(yùn)算。人眼對(duì)綠色最敏感，其次是紅色，而對(duì)藍(lán)色最不敏感，對(duì)三通道的權(quán)重分別定為紅色為0.299，綠色為0.587，藍(lán)色為0.114，以此加權(quán)得到的灰度值最接近人眼看到的實(shí)際感覺(jué)。公式如下：

f(i,j)=0.299R(i,j)+0.587G(i,j)+

0.114B(i,j)

(1)

1.2 ROI區(qū)域選取

由先驗(yàn)知識(shí)可知，待檢測(cè)的車道線信息往往出現(xiàn)在圖像的中下方，因此經(jīng)由采集設(shè)備取得的圖像很大一部分是可以去除的，例如天空、道路兩側(cè)的山峰、樹木和樓房等，這些環(huán)境因素對(duì)判斷車道線并無(wú)作用，選取合適的ROI區(qū)域可以極大地降低算法運(yùn)算量，提升運(yùn)算速度，保證檢測(cè)系統(tǒng)的實(shí)時(shí)性。

當(dāng)相機(jī)傳感器固定安裝在車輛上后，其能檢測(cè)到的視野范圍就固定不變了，因此劃分的感興趣區(qū)的下邊界應(yīng)當(dāng)處于視野前方某個(gè)固定的位置，比如前車蓋的上方。對(duì)于相機(jī)采樣到的道路環(huán)境圖像來(lái)說(shuō)，天空區(qū)域相對(duì)路面區(qū)域灰度值總是整體偏大而灰度變化相對(duì)較小，在兩個(gè)區(qū)域的交界處也就是地平線附近，灰度值會(huì)發(fā)生明顯突變。根據(jù)這個(gè)特點(diǎn)可以使用行灰度值統(tǒng)計(jì)的方法動(dòng)態(tài)劃定感興趣區(qū)的上邊界位置，如圖1所示，隨著行駛環(huán)境不同，感興趣區(qū)的邊界也會(huì)隨之改變。

圖1 感興趣區(qū)域劃分

從圖1可以看出，基于行灰度均值的動(dòng)態(tài)感興趣區(qū)劃分相比于固定比值的感興趣區(qū)更加靈活，提高了運(yùn)算效率，同時(shí)，更多無(wú)關(guān)因素的去除也減少了后續(xù)檢測(cè)過(guò)程中的干擾噪聲，提高了檢測(cè)的準(zhǔn)確度。

1.3 圖像下采樣

圖像下采樣的原理便是將一張?jiān)痉直媛蕿閙×n的圖像進(jìn)行s倍縮放，最終得到一張分辨率為(m/s)×(n/s)的圖像，其目的是為了濾除原圖像中較為豐富的冗余信息，盡量只保留目標(biāo)車道線和車輛的整體形狀、大小等主要信息，降低計(jì)算機(jī)后續(xù)處理的負(fù)荷，提升運(yùn)行速率。

該文采用基于高斯金字塔的下采樣方法[7]，通過(guò)對(duì)原始圖像進(jìn)行高斯濾波并刪除偶數(shù)行和列，得到一層新的圖像，將此圖像作為新的輸入，不斷重復(fù)濾波和刪除偶數(shù)列這個(gè)過(guò)程，便得到了若干張不同分辨率的圖像。算法如式(2)所示：

(2)

1.4 邊緣檢測(cè)

由于圖像采集設(shè)備及環(huán)境因素的影響，實(shí)際采集到的圖像會(huì)有些噪聲干擾點(diǎn)，這些噪點(diǎn)的存在會(huì)降低圖像質(zhì)量，可能會(huì)對(duì)需要提取的車道有效信息產(chǎn)生干擾。中值濾波是一種非線性濾波，它的原理是選取一個(gè)窗口S，在整幅圖像上從左到右，從上到下滑動(dòng)，滑動(dòng)過(guò)程中，窗口S所框選的范圍可確定一個(gè)鄰域，在該鄰域內(nèi)所有像素點(diǎn)的灰度值進(jìn)行從小到大的排列，取其中值作為該像素點(diǎn)的灰度值。由于其原理特性，中值濾波在濾除椒鹽噪聲方面效果極佳，同時(shí)對(duì)圖像邊緣的保護(hù)效果較好，該文采用這種濾波算法對(duì)車道線圖像進(jìn)行濾波處理。

在車道線提取中，車道線的形狀特征是需要關(guān)注的重點(diǎn)，通過(guò)判斷圖像中存在的線段長(zhǎng)度、間隔及方向等特征規(guī)律，即可判斷車道線所在位置。經(jīng)典的邊緣檢測(cè)算子有Canny算子[8]、Sobel算子[9]、Robert算子、Prewitt算子等，不同算子在針對(duì)各類不同場(chǎng)景下有著各自的優(yōu)缺點(diǎn)。該文采用Sobel算子的邊緣提取方法，由于提取出的邊緣信息存在梯度變化，因此顯示出來(lái)的邊緣存在一定的寬度，會(huì)給后續(xù)運(yùn)算造成額外運(yùn)算量，使用非極大值抑制將提取出的梯度信息的局部最大值找出并將其他非極大值濾除，便可將圖像邊緣處理成單個(gè)像素寬度[10]。圖2為邊緣檢測(cè)和非極大值抑制效果圖。

圖2 圖像預(yù)處理效果圖

2 基于級(jí)聯(lián)霍夫變換的消失點(diǎn)提取

經(jīng)過(guò)前述操作，得到了包含部分環(huán)境干擾噪聲的車道線邊緣信息。一種經(jīng)典的車道線檢測(cè)方案是霍夫變換，原理是將原始圖像中每一個(gè)待檢測(cè)點(diǎn)的坐標(biāo)映射到參數(shù)空間，然后基于一定的約束條件進(jìn)行投票，篩選出的點(diǎn)可認(rèn)定為處于同一直線上。霍夫變換的抗噪性及魯棒性比較強(qiáng)[11]，直線檢測(cè)效果較理想，但由于在參數(shù)空間的映射過(guò)程中，需要對(duì)每個(gè)待檢測(cè)點(diǎn)進(jìn)行一次極坐標(biāo)轉(zhuǎn)換，因此算法運(yùn)算量很大，很難達(dá)到實(shí)際行車環(huán)境的實(shí)時(shí)性要求。

對(duì)此，該文提出一種使用平行坐標(biāo)系映射[12]的級(jí)聯(lián)霍夫變換直線檢測(cè)方案，這種算法在參數(shù)空間的映射過(guò)程中坐標(biāo)值變化為線性變換，所以運(yùn)算量相較傳統(tǒng)的霍夫變換更低。

2.1 平行坐標(biāo)系映射

對(duì)于提取到的車道線邊緣信息，通過(guò)對(duì)每一個(gè)特征點(diǎn)的行列信息進(jìn)行記錄，將其標(biāo)注為(xi,yi)。在二維空間繪制兩條平行線，分別標(biāo)注為X1軸和X2軸，平行線之間的寬度設(shè)定為d，對(duì)于每個(gè)特征點(diǎn)(xi,yi)，將xi標(biāo)注在X1軸上，yi標(biāo)注在X2軸上，并做一條過(guò)這兩點(diǎn)的直線。

至此便將一個(gè)笛卡爾坐標(biāo)系上的坐標(biāo)點(diǎn)，轉(zhuǎn)化為了平行坐標(biāo)軸上的一條直線。為方便直線公式表達(dá)，將平行坐標(biāo)軸表示在笛卡爾坐標(biāo)系下，其中笛卡爾坐標(biāo)系的Y軸與X1軸重合，X軸與過(guò)X1軸零點(diǎn)的垂線重合，映射后的(xi,yi)便轉(zhuǎn)換成了一條過(guò)(0,yi)和(d,yi)的直線L，其方程為y=x(yi-xi)/d+xi。

坐標(biāo)點(diǎn)在平行坐標(biāo)系下的性質(zhì)：

任取在笛卡爾坐標(biāo)系上共線的三點(diǎn)(x1,y1)、(x2,y2)、(x3,y3)，其共線的直線方程為y=k1x+b1，將它們映射到平行坐標(biāo)軸上，直線方程Li為y=x(yi-xi)/d+xi,i=1,2,3。

因此，聯(lián)立L1和L2方程可求得兩條直線的交點(diǎn)坐標(biāo)為(d1/(1-k1),b1/(1-k1))，同時(shí)聯(lián)立L1和L3的方程可得交點(diǎn)也為(d1/(1-k1),b1/(1-k1))，即L1、L2和L3交于同一點(diǎn)。由此可得一個(gè)結(jié)論，在笛卡爾坐標(biāo)系上共線的三點(diǎn)，投影到平行坐標(biāo)系上所對(duì)應(yīng)的三條直線必相交于一點(diǎn)，即直線映射到平行坐標(biāo)系上會(huì)變?yōu)橐稽c(diǎn)，這個(gè)結(jié)論可以為將平行坐標(biāo)系引入直線檢測(cè)算法提供理論依據(jù)。

當(dāng)待檢測(cè)的直線斜率小于0時(shí)，映射到平行坐標(biāo)系上所形成的直線段不會(huì)在X1軸和X2軸之間形成交點(diǎn)，根據(jù)k值的不同，這個(gè)交點(diǎn)可能存在于X1軸左側(cè)很遠(yuǎn)的地方，不利于后面的計(jì)算。為了解決這個(gè)問(wèn)題，在X1軸左側(cè)距離為d的地方引入一個(gè)X0軸，如圖3所示。在該軸上標(biāo)記-yi值，連接X(jué)0以及X1軸的點(diǎn)，X0與X1軸之間記為T域，X1與X2軸之間記為S域。由于將原始像素點(diǎn)的縱坐標(biāo)值均取反，不會(huì)改變這些點(diǎn)共線的性質(zhì)，因此映射到平行坐標(biāo)系后仍相交于一點(diǎn)這一結(jié)論不會(huì)改變。此時(shí)當(dāng)直線斜率大于0時(shí)，它們?cè)谄叫凶鴺?biāo)系下的映射直線將在X0和X1軸之間產(chǎn)生交點(diǎn)，坐標(biāo)為(-d1/(1+k1),-b1/(1+k1))。

圖3 平行坐標(biāo)軸下的共線點(diǎn)

2.2 級(jí)聯(lián)霍夫變換

在對(duì)待檢測(cè)圖像進(jìn)行基于平行坐標(biāo)系的坐標(biāo)映射后，即實(shí)現(xiàn)了原始圖像中點(diǎn)到線的轉(zhuǎn)換，基于投票機(jī)制找出通過(guò)直線最多的交點(diǎn)，便可對(duì)應(yīng)找出原始圖像中存在的直線?？紤]到環(huán)境因素的影響，待檢測(cè)圖像中可能會(huì)存在一些非車道線區(qū)域的干擾直線，需要通過(guò)消失點(diǎn)的約束對(duì)其進(jìn)行篩選。該文提出一種基于平行坐標(biāo)系映射的級(jí)聯(lián)霍夫變換算法檢測(cè)車道線的消失點(diǎn)。所謂級(jí)聯(lián)，即連續(xù)做兩次霍夫變換，單次霍夫變換的映射規(guī)律是點(diǎn)轉(zhuǎn)換為線，線轉(zhuǎn)換為點(diǎn)，則做兩次霍夫變換的結(jié)果就變成了點(diǎn)轉(zhuǎn)化為點(diǎn)，線轉(zhuǎn)化為線。

為更準(zhǔn)確地表示映射后的點(diǎn)在平行坐標(biāo)系上的表示，該文采取齊次坐標(biāo)的表示法，以[x,y,w]來(lái)表示平行坐標(biāo)系中的點(diǎn)，(a,b,c)來(lái)表示笛卡爾坐標(biāo)系下的對(duì)應(yīng)直線ax+by+c=0，則在笛卡爾坐標(biāo)系到平行坐標(biāo)系S域的映射過(guò)程中，點(diǎn)與線的映射關(guān)系如下：

(3)

(4)

T域的映射過(guò)程中，點(diǎn)與線的映射關(guān)系為：

(5)

(6)

其中，d表示平行坐標(biāo)系之間的間距，w表示齊次系數(shù)，p和l分別表示從點(diǎn)到線的映射還是線到點(diǎn)的映射。

解析了單次映射變換的轉(zhuǎn)換關(guān)系后，引入第二次映射變換，級(jí)聯(lián)變換結(jié)束后，線到點(diǎn)的映射公式如下所示:

[-dDw,-dx,-x+y-dw]

(7)

[-dDw,-dx,-x+y+dw]

(8)

[-dDw,-dx,x+y-dw]

(9)

=[-dDw,-dx,x+y+dw]

(10)

由上式可以看出，連續(xù)經(jīng)過(guò)兩次映射變換后，原始圖像中的點(diǎn)會(huì)經(jīng)過(guò)點(diǎn)到線，線再到點(diǎn)的映射過(guò)程，最終在第二個(gè)參數(shù)空間仍表示為一個(gè)點(diǎn)，如圖4所示。

圖4 級(jí)聯(lián)霍夫變換示意圖

這個(gè)性質(zhì)可以引入車道線消失點(diǎn)的檢測(cè)過(guò)程中。一般在結(jié)構(gòu)化道路上，車道線是相互平行延伸的，而由于透視的原因，相機(jī)采集到的圖像往往呈現(xiàn)一種近大遠(yuǎn)小的感覺(jué)，車道線的延伸方向會(huì)相交于一點(diǎn)，這一點(diǎn)便被稱為消失點(diǎn)。

2.3 消失點(diǎn)檢測(cè)

由于前面提取出了包含車道線邊緣信息的預(yù)處理圖像，這些邊緣信息的像素點(diǎn)整體上呈現(xiàn)共線的特征，其延長(zhǎng)線會(huì)相交于消失點(diǎn)，雖然在原始圖像中無(wú)法直接確定消失點(diǎn)的位置，但對(duì)其使用級(jí)聯(lián)霍夫變換，使其映射到一個(gè)新的參數(shù)空間后，便可基于投票的方式快速搜索到消失點(diǎn)，進(jìn)而推算出其在原始圖像中的位置，反推過(guò)程的表達(dá)式如下所示。

[x,y,w]o→

[-dDw,-dx,sgn(xy)x+y+sgn(y)dw]p

(11)

[x,y,w]p→

[Dy,sgn(x)dx+sgn(y)Dy-dDw,x]o

(12)

其中，下標(biāo)o表示該點(diǎn)在笛卡爾坐標(biāo)系上，下標(biāo)p表示該點(diǎn)在平行坐標(biāo)系上。

2.4 基于消失點(diǎn)位置的車道線檢測(cè)

霍夫變換檢測(cè)車道線的傳統(tǒng)做法是依照直線檢測(cè)結(jié)果對(duì)所有直線段做擬合，然后再根據(jù)直線間存在的交點(diǎn)位置投票選出消失點(diǎn)，再通過(guò)消失點(diǎn)約束篩選出實(shí)際車道線位置[13]。然而該文通過(guò)改進(jìn)后的級(jí)聯(lián)霍夫變換算法已經(jīng)得到了消失點(diǎn)位置，可以通過(guò)更為簡(jiǎn)單的做法反推出車道線位置，可顯著降低算法的運(yùn)算量。

車道線的位置一般位于消失點(diǎn)下方，以消失點(diǎn)下側(cè)作為感興趣區(qū)進(jìn)行掃描，具體檢測(cè)步驟如下：

(1)由前敘步驟得到消失點(diǎn)位置V(xv,yv)，而消失點(diǎn)下方的各待檢測(cè)點(diǎn)灰度值將其表示為pi(xi,yi)，構(gòu)造累加器S(θ)并置為0；

(2)遍歷消失點(diǎn)下方各點(diǎn)，當(dāng)存在pi(xi,yi)=255時(shí)，求出該點(diǎn)與消失點(diǎn)連線的傾角θ，并在相應(yīng)的累加器中加一，θ的計(jì)算如下式所示：

(13)

(3)設(shè)置一個(gè)閾值Ts，當(dāng)存在S(θ)>Ts時(shí)，過(guò)消失點(diǎn)且傾角為θ的直線即為車道線所在直線。

由于實(shí)際行車環(huán)境中的車道線信息可能存在遮擋、磨損和斷連的情況，為避免漏檢，給傾角設(shè)定一個(gè)誤差范圍±1°，在進(jìn)行閾值判別時(shí)，實(shí)際將比較S(θ)+S(θ')與Ts的值，其中θ'∈[θ-1,θ+1]。由于車道線存在的角度范圍并不大，通過(guò)約束檢測(cè)范圍可以排除掉一些干擾直線[14]，比如路沿和圍欄等圖像邊緣誤檢出的直線，θ的最終取值范圍定在30°～150°之間。

2.5 最小二乘法擬合車道線

雖然根據(jù)消失點(diǎn)位置直接過(guò)其點(diǎn)畫出傾角為θ的直線可以大致確定車道線位置，但為更精確地提取車道線位置，提高算法的魯棒性，該文采用最小二乘法擬合的方式畫出車道線[15]。設(shè)目標(biāo)曲線方程如下式所示：

(14)

取yi=f(xi)，Ei=f(x)-g(x)，則Ei可用下式的形式表示：

Ei=f(x)-g(x)=

(15)

其中，Ei表示理論值與實(shí)際值的誤差，當(dāng)誤差的平方和最小時(shí)，擬合效果最好，即式(16)應(yīng)取最小值：

(16)

則計(jì)算a0,a1,…,an的方式如下：

(17)

基于上述原理，本節(jié)于前敘步驟中已經(jīng)篩選出符合傾角θ要求的點(diǎn)(xi,yi)(i=1,2,…,n)，對(duì)這些點(diǎn)以三次曲線模型擬合車道線，得到最終車道線檢測(cè)結(jié)果。

3 實(shí)驗(yàn)結(jié)果及分析

該算法使用的仿真平臺(tái)為Visual Studio 2019配合OpenCV3.41，硬件平臺(tái)采用Intel(R) Core(TM)i7-6700HQ CPU@2.60GHz 2.60GHz、GTX 965M和8G內(nèi)存。為保證算法測(cè)試的客觀性與準(zhǔn)確性，選用的測(cè)試數(shù)據(jù)均采集自公開的TuSimple車道線數(shù)據(jù)集與ROMA車道線數(shù)據(jù)集，考慮到真實(shí)行車道路情況的多樣性，該文選取了多種結(jié)構(gòu)化道路環(huán)境以及多種光照及天氣情況下的樣本對(duì)車道線算法進(jìn)行了實(shí)驗(yàn)。

圖5展示了幾組應(yīng)用文中算法檢測(cè)到的車道線結(jié)果，其中第一組圖像為光照良好情況下的車道檢測(cè)結(jié)果，后兩組為極端光照情況下的車道線檢測(cè)結(jié)果，第二組為白天逆光環(huán)境的采集樣本，第三組為橋洞下弱光環(huán)境的采集樣本。每組圖片從左到右分別為預(yù)處理結(jié)果和車道線檢測(cè)效果。通過(guò)觀察預(yù)處理效果和車道檢測(cè)效果可以看出，該車道檢測(cè)算法在各種不同的光照環(huán)境下均擁有較為穩(wěn)定的檢測(cè)效果。

圖5 不同光照環(huán)境下車道線檢測(cè)實(shí)驗(yàn)結(jié)果

為進(jìn)一步評(píng)估文中所提算法的整體表現(xiàn)，以文中算法為實(shí)驗(yàn)組，傳統(tǒng)霍夫變換直線提取算法作為參照組，選用取自TuSimple車道線數(shù)據(jù)集的真實(shí)環(huán)境行車圖片用于車道線的識(shí)別，包括直行路段、彎道路段、車道線殘缺路段等實(shí)際行車環(huán)境中可能遇到的典型情況合計(jì)800幀并統(tǒng)一處理為640×360分辨率。首先針對(duì)所有待檢測(cè)圖像使用相同的預(yù)處理算法得到道路車道線的邊緣信息圖像，再分別采用傳統(tǒng)霍夫變換和文中改進(jìn)算法對(duì)這些邊緣信息圖像進(jìn)行車道線位置檢測(cè)，比較兩種算法處理完所有待檢測(cè)圖像的耗時(shí)長(zhǎng)短以及檢測(cè)準(zhǔn)確度的區(qū)別。為客觀統(tǒng)計(jì)針對(duì)每一幀圖像的檢測(cè)中兩種算法的準(zhǔn)確度，設(shè)定如下檢測(cè)標(biāo)準(zhǔn)：取實(shí)際車道線L1的上下端點(diǎn)a和b，同時(shí)取算法檢測(cè)出的車道線L2中平行于a與b的點(diǎn)，距兩點(diǎn)的距離分別為d1和d2。若滿足|d1+d2|≤D，其中D為車道線實(shí)際寬度，則認(rèn)為本次車道線檢測(cè)為準(zhǔn)確的。

傳統(tǒng)霍夫變換算法與文中改進(jìn)算法部分對(duì)比如圖6所示。

通過(guò)對(duì)比傳統(tǒng)霍夫變換和文中改進(jìn)算法的提取效果，可以發(fā)現(xiàn)在一些車道線較為清晰的直線道路上，傳統(tǒng)算法和文中算法均可成功檢測(cè)出車道線，但在一些彎道區(qū)域，傳統(tǒng)霍夫變換檢測(cè)出的結(jié)果無(wú)法準(zhǔn)確貼合實(shí)際車道線的位置，而文中算法仍可以做到較準(zhǔn)確的識(shí)別。與此同時(shí)，由于級(jí)聯(lián)霍夫變換是點(diǎn)到點(diǎn)、線到線的映射，原始圖像中的點(diǎn)映射到參數(shù)空間時(shí)坐標(biāo)值變化為線性變換，而傳統(tǒng)霍夫變換在映射過(guò)程中針對(duì)每個(gè)點(diǎn)坐標(biāo)都要進(jìn)行一次極坐標(biāo)變換，運(yùn)算更復(fù)雜，所以文中的改進(jìn)算法在實(shí)時(shí)性表現(xiàn)上也更優(yōu)于傳統(tǒng)霍夫變換，效果對(duì)比如表1所示。

圖6 傳統(tǒng)霍夫變換與文中算法效果對(duì)比

表1 傳統(tǒng)霍夫變換算法與文中算法的準(zhǔn)確性和實(shí)時(shí)性對(duì)比

由表1可以看出，在對(duì)取自TuSimple車道線數(shù)據(jù)集中的800張測(cè)試圖像進(jìn)行檢測(cè)后，文中算法在實(shí)時(shí)性和準(zhǔn)確性方面均優(yōu)于傳統(tǒng)的霍夫變換算法，其中準(zhǔn)確度提升了6.2%，算法速度提升了31%。

4 結(jié)束語(yǔ)

通過(guò)對(duì)傳統(tǒng)車道線提取算法進(jìn)行改進(jìn)，替換掉其中的霍夫變換步驟，改為映射過(guò)程更為簡(jiǎn)單的平行坐標(biāo)系映射，然后采用級(jí)聯(lián)的方式進(jìn)行消失點(diǎn)的提取。由于在連續(xù)兩次映射后，原始圖像的點(diǎn)與第二次參數(shù)空間映射后點(diǎn)的坐標(biāo)屬于線性變換關(guān)系，相比傳統(tǒng)霍夫變換的極坐標(biāo)映射計(jì)算量更小，算法復(fù)雜度更低，同時(shí)基于消失點(diǎn)位置的直線檢測(cè)方法也可有效降低誤檢率。實(shí)驗(yàn)結(jié)果表明，該算法相比傳統(tǒng)檢測(cè)方案擁有更好的準(zhǔn)確性和實(shí)效性。該算法仍有發(fā)展的潛力，在暗光條件和大彎道等場(chǎng)景的檢測(cè)有進(jìn)一步優(yōu)化的空間，

在將來(lái)的研究中，這會(huì)是持續(xù)改進(jìn)的側(cè)重點(diǎn)之一。