基于機(jī)器視覺的車道線檢測與識別算法

谷 崢

(重慶交通大學(xué)，重慶 400074)

0 引言

隨著我國經(jīng)濟(jì)的快速發(fā)展，汽車保有量的增加，交通事故也更加頻繁。據(jù)了解，每年有一百萬左右的人死于交通道路事故。查閱相關(guān)資料可知，在所有的致命交通事故中，有相當(dāng)部分是由于車道偏離引起的。而車道偏離自動預(yù)警系統(tǒng)作為安全駕駛輔助系統(tǒng)的一種，能夠有效地避免大量因車輛偏離而導(dǎo)致的嚴(yán)重交通事故。

車道偏離自動預(yù)警系統(tǒng)的核心是車道線的識別與檢測技術(shù)，為了增加汽車本身的安全性能，車道線的識別與檢測技術(shù)成為近年來的研究熱點(diǎn)。

目前，國內(nèi)外研究人員提出了許多基于機(jī)器視覺的車道線提取方法。一般分為兩大類：基于特征和基于模型。基于特征一般是利用車道線的邊緣、紋理、顏色、頻域特征對車道線進(jìn)行識別，將特征突出出來加以研究?；谀Ｐ椭饕窃O(shè)計車道線模型，例如直線、拋物線、樣條曲線，利用一定的方法求取模型以擬合車道線。

Lee等[1-2]采用車道線邊緣分布函數(shù)的方法進(jìn)行車道標(biāo)識線局部特征邊緣點(diǎn)的檢測與提取，又采用Hough變換實(shí)現(xiàn)車道線檢測與識別[3]。其方法受光照的影響較小，但當(dāng)車道標(biāo)識線出現(xiàn)斷裂、破損時，該算法處理效果較差。

Yuji[4]利用車道線具有擴(kuò)張中心聚焦，當(dāng)存在道路邊境時，大部分朝向擴(kuò)張中心的邊緣點(diǎn)都位于道路邊界的特征，提出了一種能夠識別多種車道線的識別方法。該方法選取的閾值相對較低，利用零交叉技術(shù)獲得邊緣特征圖像，在去噪和直方圖分析之后，采用Hough變換檢測車道線。同樣，該算法對于光照變化的處理較好，而在進(jìn)行彎道識別時比較乏力。

姜仁婉[5]基于中值濾波和Canny算子處理后灰度值的圖像直方圖具有較亮的邊緣區(qū)域為小概率事件的特點(diǎn)，提出了新的閾值選取算法，即將灰度值均值作為二值化的閾值，又采用閉運(yùn)算對圖像進(jìn)行邊緣修補(bǔ)。最后并未采用Hough變換檢測車道線，而是利用車道線平行且位于圖像下方1/2區(qū)域的特點(diǎn)，利用最小二乘法進(jìn)行擬合。并且考慮到實(shí)際環(huán)境更為復(fù)雜，提出了根據(jù)車道線的對稱性和感興趣區(qū)域以虛擬出車道線。該方法對于某些復(fù)雜場景具有較好的魯棒性，但是過于復(fù)雜且實(shí)時性有待提高。

基于此本文提出了機(jī)器視覺的車道線檢測與識別算法，該方法簡單高效，經(jīng)實(shí)驗驗證，具有較好的實(shí)際應(yīng)用價值。

1 圖像預(yù)處理

由于汽車行駛環(huán)境復(fù)雜多變，特別是在城市的結(jié)構(gòu)化道路上行駛時，道路特征物體較多，天氣等原因也進(jìn)一步使得環(huán)境復(fù)雜化。因此，在獲取汽車行駛的道路圖像后，需要對獲得的圖像進(jìn)行預(yù)處理，去除圖像中冗雜的信息，提取有價值的特征信息，提高算法的可靠性。

1.1 道路圖像灰度化

由攝像機(jī)采集到的道路圖像一般為彩色圖像，圖像信息量大，一般包括R(紅)、G(綠)、B(藍(lán))3個通道的信息，紅綠藍(lán)3色被稱為三原色，任意一種顏色都是由一定配比的三原色組成。將3個顏色刻度化，范圍為0～255。其中數(shù)字0代表最暗，數(shù)字255代表最亮。因此任意一種顏色都可以用該正方體中的點(diǎn)表示出來，如白色的RGB數(shù)值表示為(R：255，G：255，B：255),黃色的RGB數(shù)值表示為(R：255，G：255，B：0)，黑色的RGB數(shù)值表示為(R：0，G：0，B：0)。而當(dāng)3個顏色的數(shù)值R=G=B時，彩色就只代表了一種灰度顏色，該值被定義為此顏色的灰度值，范圍是0～255，隨著數(shù)值的增加，顏色呈現(xiàn)白化趨勢。由此，相比起用3個字節(jié)分別表示每一個顏色的數(shù)值，從而表示某一像素所代表的顏色，用灰度值的一個字節(jié)來表示某一像素更加簡潔。所以，為了提高算法的實(shí)時性，一般在處理圖像前要將彩色圖像轉(zhuǎn)變?yōu)榛叶葓D像。雖然彩色圖像的細(xì)節(jié)更加豐富，但是灰度圖像也能將識別車道線所需要的特征信息保留下來。

加權(quán)平均法是對R、G、B3分量配以不同的權(quán)值進(jìn)行加權(quán)平均計算，3分量的權(quán)值是根據(jù)人眼對于紅綠藍(lán)3種顏色的敏感度而定。據(jù)相關(guān)研究表明，人眼對于綠色的敏感度最高，紅色次之，而對于藍(lán)色的敏感度最低。根據(jù)此原理對紅綠藍(lán)3分量分別賦予0.3，0.59，0.11的權(quán)值，再進(jìn)行平均計算，繼而得到最符合人眼視覺的灰度圖像。原理公式如下：

f(i,j)=0.3R(i,j)+0.59G(i,j)+0.11B(i,j)

(1)

1.2 道路圖形濾波處理

一般而言，道路圖像的噪聲干擾為加性噪聲，在圖像的獲取或者傳輸過程中，受到外部環(huán)境以及采集圖像的設(shè)備硬件本身的影響，使得車載圖像信號容易受到噪聲的影響。故而，常用濾波對圖像進(jìn)行處理，其去噪效果較好，同時能夠較為完整地保留所需要的特征信息。常見濾波算法有：均值濾波、高斯濾波、中值濾波。每種道路環(huán)境都有其特點(diǎn)，因此在應(yīng)用濾波算法時應(yīng)該就道路環(huán)境進(jìn)行分析，以選取最合適的算法。本文在對城市道路進(jìn)行處理分析后，最終選用高斯濾波進(jìn)行處理。

通俗地講，高斯濾波處理圖像就是對整個圖像進(jìn)行加權(quán)平均。用模板求出的加權(quán)平均值去代替模板中心的目標(biāo)像素點(diǎn)的值，從而得到目標(biāo)像素點(diǎn)濾波處理后的灰度值。高斯濾波具體公式如式(2)所示：

(2)

式中：Wx,y表示目標(biāo)像素點(diǎn)的鄰域，wx,y表示權(quán)重，I(x,y)表示輸出結(jié)果。

1.3 圖像邊緣檢測

邊緣作為圖像信息里的一大基本特征，在處理圖像時對邊緣進(jìn)行處理成了最基本的問題。所謂邊緣點(diǎn)，指的是圖像中像素點(diǎn)灰度值發(fā)生躍變的點(diǎn)。因此，邊緣就成了圖像中信息最集中，偶然性最大即不確定性最大的地方。在目標(biāo)與背景、顏色變化較大的區(qū)域，都是邊緣經(jīng)常存在的地方。從圖像屬性的角度來說，邊緣的存在反映了某種變化。所以，可以肯定的是，若對結(jié)構(gòu)化道路進(jìn)行邊緣檢測，其處理圖像會將車道標(biāo)識線與道路本身區(qū)分開來，從而去除大量不必要的背景信息，減少數(shù)據(jù)量，提高算法實(shí)時性。通常來說，圖像的邊緣變化有以下幾種形式。

圖1 笛卡爾坐標(biāo)系中的Hough變換

(1)階躍式：圖像亮度變化較大的兩個區(qū)域之間。

(2)漸變式：其邊緣上的灰度值是變化的。

(3)屋頂狀式：一般存在于亮度變化規(guī)律呈二階函數(shù)圖像狀的地方。

(4)模糊階躍式：可能產(chǎn)生于圖像的噪聲。

由于Canny算子的抑噪能力較好，同時采用雙閾值處理連接邊緣，故其檢測能力、定位精度都相對較好，因此本文采用Canny算子作邊緣檢測方法。

1.4 感興趣區(qū)域劃分

上述Canny算子對圖片處理后，還包含了許多冗雜的環(huán)境信息，這些都是不被需要且影響結(jié)果準(zhǔn)確性的特征信息。一般而言，待識別檢測的車道線通常位于圖像下方的一個梯形區(qū)域，通過畫出一個掩膜梯形再與原圖進(jìn)行拼合操作，就能得到感興趣區(qū)域內(nèi)的邊緣檢測圖。

2 基于Hough變換的車道線檢測與識別算法

車道線檢測與識別的方法主要有兩大類：基于特征或基于模型。基于特征的檢測識別方法主要是利用圖像的邊緣特征來識別車道線。基于模型的檢測識別方法主要是采用將模型(如直線模型、拋物線模型、雙曲線模型)與例如Hough變換相結(jié)合，從而求出模型參數(shù)達(dá)到識別車道線的目的。換句話說，預(yù)處理得到的圖像，僅僅是組成車道線的一些像素點(diǎn)，這些像素點(diǎn)彼此獨(dú)立，而通過檢測識別算法就可以將這些獨(dú)立的點(diǎn)組成邏輯上的一條車道線。

2.1 基于Hough變換的車道線檢測算法

Hough變換是一種常見的基于模型的檢測識別方法，一般用于檢測圖像中某些如直線、圓等特定的形狀。由于Hough變換具有較好的抗干擾能力，因此在車道線的檢測與識別領(lǐng)域得到了非常廣泛的應(yīng)用。

通常情況下，過某點(diǎn)(x1,y1)的直線在坐標(biāo)系下的表示方法如式(3)所示：

y1=m0x1+b0

(3)

其中：m0表示斜率；b0表示截距。

過該點(diǎn)(x1,y1)的這條直線m0和b0的值是恒定的，則該條直線在以m為橫軸，b為縱軸的參數(shù)空間中，就能找到唯一一點(diǎn)與之對應(yīng)。變換式子如下：

b0=-x1m0+y1

(4)

Hough變換就是基于這種思想產(chǎn)生的 。在普通直角坐標(biāo)系中，過點(diǎn)(x1,y1)的直線有無數(shù)條，則與之對應(yīng)的斜率和截距就有無數(shù)組，將這無數(shù)條線投影到參數(shù)空間中就構(gòu)成一條直線，其表達(dá)式如式(5)所示：

b=-x1m+y1

(5)

現(xiàn)引入點(diǎn)(x2,y2)，則過該點(diǎn)的所有直線在其參數(shù)空間的投影表達(dá)式為式(6)所示：

b=-x2m+y2

(6)

式(5)與式(6)在參數(shù)空間中有相交點(diǎn)(m0，b0)，如圖1所示。由此，不難發(fā)現(xiàn)，普通坐標(biāo)系那條直線上的每一點(diǎn)所決定的參數(shù)空間中的每一條直線都會經(jīng)過(m0，b0)。換句話說，在參數(shù)空間中相交的直線，其對應(yīng)的普通坐標(biāo)系上的點(diǎn)共線。通過這個特性，就可以將經(jīng)過邊緣點(diǎn)的直線求解出來。

2.2 車道線擬合

經(jīng)過以上Hough變換后，圖像中呈現(xiàn)的車道線并非只有一條，而是由許多線段組成的。鑒于車道線在圖像中具有匯聚性，現(xiàn)通過斜率對車道線進(jìn)行左右分類，即左側(cè)車道線斜率為負(fù)數(shù)，右側(cè)車道線斜率為正數(shù)。然后，再使用最小二乘法對分類后的車道線線段進(jìn)行擬合，最后將其映射到原圖像中，使得車道線被識別出來。

3 實(shí)驗結(jié)果及分析

本文采用Python編寫實(shí)現(xiàn)，計算平臺為Legion-Y9000P 12th Gen Intel(R) Core(TM) i7-12700H 2.70 GHz，16 GB內(nèi)存計算機(jī)。采用公開數(shù)據(jù)集對本文算法進(jìn)行驗證。本文算法結(jié)果如圖2所示，可以看到對于車道線檢測較為精準(zhǔn)，但是識別距離略顯不足。

圖2 算法結(jié)果展示

4 結(jié)語

本文研究了一種基于機(jī)器視覺的車道線檢測與識別算法。該算法首先對采集到的道路圖像進(jìn)行灰度化、濾波預(yù)處理；然后對圖片進(jìn)行邊緣檢測；最后利用Hough變換對處理后的圖像進(jìn)行車道線檢測。通過公開數(shù)據(jù)集數(shù)據(jù)驗證，本文算法對車道線的識別情況較好，但在檢測距離上還略有不足。總的來說，本文算法具有一定的實(shí)際意義，可以為該方向研究提供一定的參考價值。