基于道路特征的車道線識(shí)別算法分析及平臺(tái)搭建

劉蕾 程勇

【摘要】基于當(dāng)前智能駕駛背景下道路特征模型的車道線識(shí)別現(xiàn)狀，對(duì)應(yīng)用于智能汽車的圖像預(yù)處理中的灰度化處理算法、濾波處理算法和感興趣區(qū)域提取技術(shù)分別進(jìn)行對(duì)比分析，研究不同的圖像預(yù)處理方法在車道線識(shí)別算法的應(yīng)用適用性。對(duì)車道線實(shí)時(shí)提取算法中的邊緣檢測(cè)技術(shù)原理、道路特征條件轉(zhuǎn)化算法進(jìn)行綜合運(yùn)用分析，搭建基于道路特征的車道線識(shí)別算法模型，經(jīng)過(guò)在Visual Studio平臺(tái)驗(yàn)證，算法模型滿足智能駕駛汽車車道線識(shí)別要求。

關(guān)鍵詞：車道線識(shí)別；計(jì)算機(jī)視覺；邊緣檢測(cè)；閾值分割

中圖分類號(hào)：U463.6；TP391.41? 文獻(xiàn)標(biāo)志碼：A? DOI： 10.19822/j.cnki.1671-6329.20220259

Analysis and Construction of Lane Recognition Algorithm Based on Road Features

Liu Lei， Cheng Yong

（School of Energy and Power Engineering， Shandong University， Jinan 250061）

【Abstract】 Based on the current status of lane recognition based on road feature model under the background of intelligent driving， the gray processing algorithm， filtering processing algorithm， and region of interest extraction technology in image preprocessing for intelligent vehicles are compared and analyzed respectively， and the applicability of different image preprocessing methods in lane recognition algorithm is studied. The principle of edge detection technology and the conversion algorithm of road feature conditions in the real-time lane extraction algorithm are comprehensively used and analyzed. The lane recognition algorithm model based on road features is built. After verification on the Visual Studio， the algorithm model meets the lane recognition requirements of intelligent driving vehicles.

Key words： Lane recognition， Computer vision， Edge detection， Threshold segmentation

縮略語(yǔ)

LDW? ? Lane Departure Warning System

ACC? ? Adaptive Cruise Control System

BSM? ? Blind Spot Monitoring System

DAS? Driver Assistance System

ROI? ? Region Of Interesting

0 引言

車道線識(shí)別是指識(shí)別道路中的車道線標(biāo)記并將車道線位置反饋至車輛系統(tǒng)中的一個(gè)智能化過(guò)程。車道線的正確識(shí)別與提取是實(shí)現(xiàn)車道線偏離預(yù)警系統(tǒng)（Lane Departure Warning System，LDW）、自適應(yīng)巡航控制（Adaptive Cruise Control System，ACC）和盲點(diǎn)監(jiān)測(cè)系統(tǒng)（Blind Spot Monitoring System，BSM）等駕駛輔助系統(tǒng)（Driver Assistance System，DAS）的基礎(chǔ)[1]。

車道線提取方法根據(jù)提取方式不同可以分為基于特征提取車道線和基于模型提取車道線2種[2]?；谔卣魈崛≤嚨谰€的方法主要是利用圖像特征來(lái)提取車道線，相對(duì)于基于模型提取車道線方法，基于特征提取車道線算法簡(jiǎn)單，計(jì)算量相對(duì)較小，實(shí)時(shí)性高且算法穩(wěn)定，但是容易受到環(huán)境因素干擾。邱東等[3]提出了一種基于改進(jìn)概率霍夫（Hough）變換和線性回歸法擬合的車道線檢測(cè)方法。閻翔等[4]設(shè)計(jì)了一種采用累計(jì)概率霍夫變換計(jì)算線段方向和范圍的車道線識(shí)別技術(shù)。姚洪濤等[5]提出了一種針對(duì)在復(fù)雜道路條件下易發(fā)生誤檢、漏檢現(xiàn)象的多閾值過(guò)濾改進(jìn)算法。

道路車道線標(biāo)志類型不存在顯著差異，以白色虛線、白色實(shí)線、黃色虛線、黃色實(shí)線以及其組合為主。車道線識(shí)別具有一定的復(fù)雜性，檢測(cè)結(jié)果受車道線類型、路面條件、天氣（雨、霧、夜晚）、光線（陰影、燈光、照明）、干擾物（路邊樹木、路邊建筑物）影響。相對(duì)于高速公路車道線，城市道路車道線復(fù)雜度更高，包括公交車站標(biāo)線、導(dǎo)向指示線、導(dǎo)流線等專用道路標(biāo)志線，且存在由于道路長(zhǎng)久使用而導(dǎo)致車道線模糊或缺損的特殊狀況。因此，為了滿足各種路況中車道線識(shí)別的精確性要求，在一定程度下應(yīng)該考慮特殊情況下車道線識(shí)別的準(zhǔn)確性。即為了滿足多種路況需要，車道線識(shí)別系統(tǒng)的魯棒性也十分重要。

在駕駛輔助系統(tǒng)與智能駕駛系統(tǒng)對(duì)車道線識(shí)別的高標(biāo)準(zhǔn)要求下，目前已有的車道線識(shí)別技術(shù)在魯棒性、精確性、實(shí)時(shí)性等多方面綜合平衡上依舊有很大的改進(jìn)空間。本文分別闡述圖像預(yù)處理中圖像灰度化、圖像濾波、圖像感興趣區(qū)域（Region Of Interesting， ROI）提取，車道線提取中的邊緣檢測(cè)、閾值分割、形態(tài)學(xué)處理、Hough變換和直線擬合，從而可以運(yùn)用不同方法和原理，對(duì)算法進(jìn)行優(yōu)化，以提高檢測(cè)的準(zhǔn)確度。目前算法初步試驗(yàn)驗(yàn)證效果良好，對(duì)于算法的魯棒性有待后期進(jìn)行試驗(yàn)驗(yàn)證。

1 圖像預(yù)處理方法

在車道線識(shí)別系統(tǒng)中，通過(guò)車載記錄儀的攝像頭拍攝獲得的圖像直接進(jìn)行圖像處理計(jì)算量龐大，且計(jì)算過(guò)程復(fù)雜，所以對(duì)車道線圖像進(jìn)行有效的預(yù)處理是實(shí)現(xiàn)車道線識(shí)別的重要環(huán)節(jié)。圖像預(yù)處理可以增加目標(biāo)與背景的對(duì)比度，減少外界環(huán)境干擾，比如天空、樹木陰影、周邊車輛、雨雪天氣干擾等信息干擾，有助于減少車道線識(shí)別系統(tǒng)計(jì)算時(shí)間，提高計(jì)算精確度。圖像預(yù)處理是目標(biāo)檢測(cè)的首要環(huán)節(jié)，預(yù)處理結(jié)果直接關(guān)系到后續(xù)的圖像分類、識(shí)別以及分割效果。本研究的車道線圖像預(yù)處理工作主要分為圖像灰度化、圖像濾波和ROI選取3部分（圖1）。

1.1 圖像灰度化

車載攝像頭所獲得的圖像是R（紅）、G（綠）、B（藍(lán)）通道彩色圖像，其每個(gè)像素點(diǎn)都是由R、G、B參數(shù)獲得。R、G、B分量取值范圍為0～255，各有256種數(shù)值，一個(gè)像素點(diǎn)共有16 777 216種顏色，由此可以看出車載攝像頭所獲得的彩色圖像信息量十分龐大。

直接用RGB彩色圖像進(jìn)行車道線識(shí)別計(jì)算量大，導(dǎo)致計(jì)算效率低、耗時(shí)長(zhǎng)和實(shí)時(shí)性不高。所以在車道線識(shí)別試驗(yàn)中，多數(shù)算法先將彩色圖像轉(zhuǎn)換為灰度圖像，然后只對(duì)灰度圖像進(jìn)行車道線提取。灰度圖像本質(zhì)上是一種特殊的顏色圖像，只擁有彩色圖像33%的信息量，并且灰度圖像可以滿足車道線檢測(cè)的基本要求。

目前常用的圖像灰度化處理方法有以下5種[6]：

（1）分量法

分量法是指通過(guò)分別獲取彩色圖像R、G、B通道的像素值，并以其中的一個(gè)通道像素值作為灰度化圖像的像素值，公式如下：

[gx，y=Rx，y]? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（1）

[gx，y=Gx，y]? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（2）

[gx，y=Bx，y]? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（3）

式中：[x，y]為圖像掩膜中任一點(diǎn)的像素值，[gx，y]為灰度化圖像的像素值，[Rx，y]為R通道的像素值，[Gx，y]為G通道的像素值，[Bx，y]為B通道的像素值。

（2）最大值法

最大值法是指通過(guò)分別獲取彩色圖像R、G、B通道的像素值，找出3通道像素值的最大值，并將此最大值作為灰度化圖像的像素值。公式如下：

[gx，y=maxRx，y，Gx，y，Bx，y]? ? ? ? ? （4）

（3）平均值法

平均值法是指通過(guò)分別獲取彩色圖像R、G、B通道的像素值，3通道的像素值求和后再求取平均值，并將此平均值作為灰度化圖像的像素值。公式如下：

[gx，y=Rx，y+Gx，y+Bx，y∕3]? ? ? ? （5）

（4）人體生理學(xué)加權(quán)平均法

人體生理學(xué)加權(quán)平均法是指通過(guò)分別獲取彩色圖像R、G、B通道的像素值，賦予3通道數(shù)值不同權(quán)值，且權(quán)值和為1。由于人眼對(duì)綠色最為敏感，紅色次之，對(duì)藍(lán)色的敏感性最低。一般當(dāng)R、G、B通道的權(quán)值分別為0.299、0.587、0.114時(shí)，所獲得的灰度圖像更符合人類視覺。公式如下：

[gx，y=0.299Rx，y+0.587Gx，y+0.114Bx，y] （6）

（5）人體心理學(xué)加權(quán)平均法

人體心理學(xué)加權(quán)平均法是指通過(guò)分別獲取彩色圖像R、G、B通道的像素值，賦予3通道像素值不同權(quán)值，且權(quán)值和為1。一般當(dāng)R、G、B通道的權(quán)值分別為0.213、0.715、0.071時(shí)，所獲得的灰度圖像符合人的心理學(xué)特點(diǎn)，更符合人體感官中圖像的整體色彩分布。公式如下：

[gx，y=0.213Rx，y+0.715Gx，y+0.071Bx，y] （7）

采用以上5種方法，隨機(jī)選取視頻獲得第11幀圖像，對(duì)得到的圖像進(jìn)行灰度化處理，不同灰度化方法處理結(jié)果如圖2所示。

1.2 圖像濾波

對(duì)灰度化處理后的圖像進(jìn)行壓縮、調(diào)整來(lái)加快處理速度，并得到圖像的像素值。本文中將灰度化處理后的圖像尺寸調(diào)整為480像素×320像素。

只經(jīng)過(guò)灰度處理的圖像中還會(huì)存在噪聲干擾，包括脈沖噪聲和椒鹽噪聲。所以還需要盡可能保留圖像原有的邊緣信息和清晰度的同時(shí)，通過(guò)圖像濾波方法濾去噪聲干擾。

目前常用的圖像濾波類型主要有以下3種方法[7]。

（1）均值濾波法

均值濾波法是指將某一像素點(diǎn)鄰近區(qū)域的像素值求和并取平均值，所得到的平均值作為該像素點(diǎn)像素值的一種方法。均值濾波是最簡(jiǎn)單的空間域線性平滑濾波，運(yùn)行速度較快，公式如下：

[gx，y=f（x，y）m]? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（8）

式中：[gx，y]為某一像素點(diǎn)處理后得到的像素值，[f（x，y）]為某一像素點(diǎn)鄰近區(qū)域的像素值求和后得到的像素值，[m]為某一像素點(diǎn)鄰近區(qū)域內(nèi)包含該像素點(diǎn)的總像素值。

（2）高斯濾波法

高斯濾波法是指將某一像素點(diǎn)鄰近區(qū)域的像素值乘以對(duì)應(yīng)權(quán)值并求和，除以像素點(diǎn)數(shù)所得的像素值作為該像素點(diǎn)像素值的一種方法。高斯濾波是線性平滑濾波，能夠很好地降低高斯分布噪聲，設(shè)高斯分布卷積核為[2k+1×2k+1]，則某一像素點(diǎn)像素值公式如下：

[gx，y=12πδ2e- x-k-12+y-k-122δ2]? ? ? ? ? ? ?（9）

式中：[gx，y]為某一像素點(diǎn)處理后得到的像素值；[δ]為一個(gè)重要參數(shù)，[δ]越小說(shuō)明卷積核中靠近中間位置像素點(diǎn)值的加權(quán)越大，高斯濾波的平滑效果越不明顯，反之則高斯濾波的平滑效果越明顯。

（3）中值濾波法

中值濾波法是指將某一像素點(diǎn)鄰近區(qū)域的像素值求取均值，作為該像素點(diǎn)像素值的一種方法。中值濾波是一種非線性平滑濾波，能夠很好地保留圖像邊緣信息的同時(shí)，降低椒鹽噪聲對(duì)圖像處理的阻礙，公式如下：

[gx，y=medianfx-i，y-j， i，j∈ω]? ? （10）

式中：[gx，y]為某一像素點(diǎn)處理后得到的像素值，[fx-i，y-j]為某一像素點(diǎn)鄰近區(qū)域的像素值，[ω]為卷積核區(qū)域。

采用以上3種方法進(jìn)行濾波處理，隨機(jī)選取視頻第173幀圖像，對(duì)圖像進(jìn)行灰度化處理并壓縮至指定圖像尺寸后，進(jìn)行濾波處理，不同濾波方法的結(jié)果如圖3所示。

1.3 感興趣區(qū)域選取

基于視覺的車道線識(shí)別圖像數(shù)據(jù)由車載記錄儀上的攝像頭拍攝獲得。此時(shí)，圖像中包含道路兩旁的建筑物、樹木以及道路上方的天空白云等無(wú)用信息。ROI選取是從圖像中選擇一個(gè)區(qū)域作為重點(diǎn)對(duì)區(qū)域圖像做算法處理來(lái)尋找車道線。通過(guò)ROI選擇可以很好地提高車道線識(shí)別速度和準(zhǔn)確度，減少冗余有效信息外的圖像數(shù)據(jù)[8]。因此，在車道線識(shí)別前進(jìn)行ROI選取。

由于在車輛駕駛視頻信息中，相鄰兩幀圖像之間的時(shí)間間隔較短，下一幀圖像中車道線出現(xiàn)的位置與上一幀中車道線的位置具有連貫性，因此許多論文中涉及到ROI預(yù)測(cè)，根據(jù)上一幀圖像中車道線出現(xiàn)的位置，預(yù)測(cè)下一幀車道線將要出現(xiàn)的區(qū)域[9-11]。因此，合理預(yù)測(cè)消失點(diǎn)，建立ROI非常重要。但是，計(jì)算消失點(diǎn)是一個(gè)復(fù)雜的計(jì)算過(guò)程，對(duì)算法準(zhǔn)確度提出了較高要求，準(zhǔn)確點(diǎn)的獲得需要一定的時(shí)間分析提取，這嚴(yán)重增加了車道線識(shí)別實(shí)時(shí)性負(fù)擔(dān)。由于車載記錄儀上的攝像頭位置相對(duì)汽車基本穩(wěn)定，攝像頭所獲得的圖像ROI具有明顯規(guī)律性，只有圖像下方區(qū)域信息對(duì)車道線識(shí)別有用。故本研究采用圖像裁剪，選擇忽略圖像上方區(qū)域信息，只保留下方區(qū)域信息計(jì)算的方式確定ROI。經(jīng)過(guò)ROI處理后的圖像可分為兩部分進(jìn)行下一步的車道線提取工作，上部分為干擾信息，將其像素值設(shè)為0。下半部分為ROI，在此區(qū)域進(jìn)行車道線識(shí)別。

ROI圖像寬度尺寸和原始圖像寬度尺寸可以設(shè)定固定的比例，且僅保留原始圖像下方的圖像信息。即在車道線識(shí)別中，不計(jì)算圖像復(fù)雜的消失點(diǎn)，而是選擇根據(jù)車載攝像頭擺放位置和路況信息合理進(jìn)行ROI圖像寬度尺寸和原始圖像寬度尺寸的比例調(diào)整。本文設(shè)置ROI圖像寬度尺寸和原始圖像寬度尺寸比例為1/2，隨機(jī)選取視頻第144幀圖像，對(duì)圖像進(jìn)行ROI處理，結(jié)果如圖4所示。

2 基于特征的車道線提取方法

車道線的提取是車道線識(shí)別的核心部分。本研究綜合邊緣檢測(cè)、閾值分割、形態(tài)學(xué)處理、Hough變換和直線擬合組合，形成了不同算法，并總結(jié)了不同算法優(yōu)缺點(diǎn)，本文選擇了以邊緣檢測(cè)和閾值分割技術(shù)為主的一種算法，對(duì)圖像中車道線和干擾因素進(jìn)行特征分析，對(duì)算法進(jìn)行優(yōu)化。該方法檢測(cè)簡(jiǎn)單、速度快且滿足準(zhǔn)確度要求，方法實(shí)現(xiàn)主要分為可能的車道線與背景區(qū)域閾值分割和基于車道線特征的車道線輪廓再提取2部分（見圖5）。

2.1 車道區(qū)域分割

車道線識(shí)別的重要步驟是識(shí)別可能的車道線區(qū)域。邊緣檢測(cè)技術(shù)和閾值分割技術(shù)是可以實(shí)現(xiàn)的常規(guī)方法，但都有其自身的局限性。

2.1.1 邊緣檢測(cè)技術(shù)

邊緣檢測(cè)技術(shù)是指標(biāo)識(shí)數(shù)字圖像中亮度變化明顯的邊緣點(diǎn)，不斷向上構(gòu)成更高層次特征描述的一種技術(shù)。邊緣檢測(cè)一般步驟為濾波、增強(qiáng)和檢測(cè)。濾波的目的是消除圖像中的噪聲，常見的濾波方式為高斯濾波。增強(qiáng)的目的是使圖像邊緣更加明顯。檢測(cè)目的是選擇正確的邊緣點(diǎn)，常與閾值分割技術(shù)結(jié)合。邊緣檢測(cè)技術(shù)中常用于圖像處理的技術(shù)有Canny邊緣檢測(cè)技術(shù)、Sobel邊緣檢測(cè)技術(shù)和Laplace邊緣檢測(cè)技術(shù)。具體優(yōu)缺點(diǎn)如下。

（1）Canny邊緣檢測(cè)技術(shù)是使用Canny邊緣檢測(cè)算子的一種算法。Canny邊緣檢測(cè)技術(shù)不容易受噪聲干擾，能夠檢測(cè)出真正的弱邊緣，可以使用2種不同的閾值分別檢測(cè)強(qiáng)邊緣和弱邊緣，并且當(dāng)弱邊緣領(lǐng)域內(nèi)含有強(qiáng)邊緣時(shí)保留弱邊緣像素，否則只保留強(qiáng)邊緣像素，可以使邊緣盡可能閉合。但是Canny邊緣檢測(cè)技術(shù)由于存在高斯濾波，去除噪聲的同時(shí)會(huì)使邊緣信息減弱，導(dǎo)致圖像區(qū)域分割不足[12]。

（2）Sobel邊緣檢測(cè)技術(shù)是使用Sobel邊緣檢測(cè)算子的一種算法。Sobel邊緣檢測(cè)技術(shù)將圖像某一像素的臨邊像素值加權(quán)求差，進(jìn)而尋找邊緣，從而對(duì)噪聲具有一定的平滑抑制能力，對(duì)灰度漸變的圖像和噪聲較多的圖像進(jìn)行邊緣檢測(cè)技術(shù)的圖像處理效果較好。但是Sobel邊緣檢測(cè)技術(shù)對(duì)邊緣定位不夠準(zhǔn)確，得到的邊緣較粗，所以不能完全排除檢測(cè)結(jié)果中出現(xiàn)偽邊緣的情況。

（3）Laplace邊緣檢測(cè)技術(shù)是使用Laplace邊緣檢測(cè)算子的一種算法。Laplace邊緣檢測(cè)技術(shù)邊緣定位能力更強(qiáng)，銳化效果更好。但是Laplace邊緣檢測(cè)技術(shù)對(duì)噪聲十分敏感，很少用該技術(shù)檢測(cè)邊緣，而是用來(lái)判斷邊緣像素是圖像明區(qū)還是暗區(qū)，且由于Laplace算子是不依賴于邊緣方向的二階導(dǎo)數(shù)算子，是一個(gè)標(biāo)量，具有旋轉(zhuǎn)不變即各向同性的性質(zhì)，因此Laplace邊緣檢測(cè)技術(shù)不能提供邊緣的方向信息。

采用以上3種方法，隨機(jī)選取視頻獲得第59幀圖像，得到的圖像進(jìn)行邊緣檢測(cè)處理，不同邊緣檢測(cè)方法處理的結(jié)果如圖6所示。

2.1.2 閾值分割技術(shù)

閾值分割技術(shù)是一種通過(guò)像素值信息提取，把目標(biāo)從背景中分離出來(lái)，以便于圖像進(jìn)一步處理的技術(shù)，是基于相對(duì)簡(jiǎn)單的區(qū)域的分割技術(shù)。閾值分割后的輸出圖像一般只有255和0兩種像素值，所以閾值分割處理又常被稱為圖像的二值化處理。閾值分割技術(shù)根據(jù)像素值信息提取前景，簡(jiǎn)單容易處理，對(duì)前景信息與背景信息有較強(qiáng)對(duì)比度的圖像處理準(zhǔn)確度較高，對(duì)于復(fù)雜圖像的處理結(jié)果不佳，且容易受噪聲影響[13]。閾值分割技術(shù)分為全局閾值分割技術(shù)和局部閾值分割技術(shù)。

（1）全局閾值分割技術(shù)是指將某一閾值作為分界線，將大于該閾值的像素值設(shè)為255，將小于該閾值的像素值設(shè)置為0；或者反過(guò)來(lái)將大于該閾值的像素值設(shè)為0，將小于該閾值的像素值設(shè)置為255的一種技術(shù)。全局閾值分割技術(shù)采用閾值進(jìn)行圖像前后背景分割。該閾值可以為固定閾值，此時(shí)全局閾值分割技術(shù)細(xì)化為全局固定閾值分割技術(shù)；該閾值也可以根據(jù)圖像灰度特性而成為變化閾值，此時(shí)全局閾值分割技術(shù)細(xì)化為自適應(yīng)閾值分割技術(shù)（OTSUAlgorithm，OTSU）。受光照不均勻、反光、背景復(fù)雜的影響，圖像不同區(qū)域的閾值均值有著一定的差異，故而全局閾值分割技術(shù)對(duì)于存在噪聲分布不同、光照分布不同的復(fù)雜圖像處理結(jié)果較差。

（2）局部閾值分割技術(shù)是指根據(jù)中心像素鄰域像素的屬性來(lái)計(jì)算一個(gè)或者多個(gè)閾值的技術(shù)。局部閾值分割技術(shù)可以很好地改善因光照不均而導(dǎo)致車道線識(shí)別不優(yōu)的問(wèn)題，但是圖像中除了車道線外部分區(qū)域本身的強(qiáng)度差別很大，如車輛車牌與其周邊亮度差異、車輛前照燈和尾燈附近區(qū)域到陰影區(qū)域的亮度差異、道路兩旁路障等，這些強(qiáng)度差異導(dǎo)致檢測(cè)識(shí)別噪聲。

采用以上2種方法，隨機(jī)選取視頻獲得第59幀圖像進(jìn)行OTSU閾值分割技術(shù)和局部閾值分割技術(shù)處理，不同閾值分割方法的結(jié)果如圖7所示。

2.1.3 車道區(qū)域的分割算法

本研究結(jié)合不同邊緣檢測(cè)技術(shù)和閾值分割技術(shù)原理以及各自優(yōu)缺點(diǎn)，依據(jù)車道線特征進(jìn)行可能的閾值范圍劃分，從而對(duì)圖像進(jìn)行二值化處理，尋找可能的車道區(qū)域，公式如下：

[d1=Ix，y-Ix，y-δ]? ? ? ? ? ? ? ? ? ?（11）

[d2=Ix，y-Ix，y+δ]? ? ? ? ? ? ? ? ? ?（12）

[D=d1+d2-Ix，y-δ-Ix，y+δ]? ? ? ? ?（13）

[dLow=0.35×Ix，y]? ? ? ? ? ? ? ? ? ?（14）

[dTop=1.25×Ix，y]? ? ? ? ? ? ? ? ? ?（15）

[Lx，y=255，d1>0&d2>0&D>L&D≥dLow&D≤dTop0，else? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ]? ? （16）

式中：[Ix，y]為某一像素點(diǎn)的像素值，[δ]為車道線寬度，[Ix，y-δ]為某一像素點(diǎn)左側(cè)距離為[δ]的像素點(diǎn)像素值，[Ix，y+δ]為某一像素點(diǎn)右側(cè)距離為[δ]的像素點(diǎn)像素值，[d1]為某一像素點(diǎn)與距離該像素點(diǎn)左側(cè)距離為[δ]的像素點(diǎn)像素值的差值，[d2]為某一像素點(diǎn)與距離該像素點(diǎn)左側(cè)距離為[δ]的像素點(diǎn)像素值的差值，[D]為判斷是否為可能的車道線區(qū)域的量，[dLow]為像素值最低值，[dTop]為像素值最高值。

車道線相對(duì)于其兩側(cè)的亮度更高，只有滿足車道線兩側(cè)亮度比車道線亮度低一定范圍值、亮度差值在給定范圍內(nèi)時(shí)，才將此區(qū)域檢測(cè)識(shí)別為車道線線段區(qū)域。使用大量視頻作為樣本計(jì)算范圍值，結(jié)果顯示，根據(jù)輸出圖像的光照條件，理想情況下，[dLow]可以選擇為0.35，[dTop]可以選擇為1.35，[D]在此值之外的任何值都屬于非車道線部分。若是特殊情況下，如雨天、霧天或夜間行駛，圖像的對(duì)比度和亮度應(yīng)做適當(dāng)調(diào)整。

車道線寬度因?yàn)橐暯堑牟煌S著距離變化，在底部附近最大，而在消失點(diǎn)附近最小。為了更加精確描述車道線可能的區(qū)域塊，圖像中任何一行的車道線寬度可以使用以下公式進(jìn)行計(jì)算：

[δr=ε+σmin+σmax-σmin×r-rvptrtot-rvpt]? ? ? ? ?（17）

式中：[δr]為車道線寬度，[ε]為車道線寬度保持值，[σmin]為給定圖像中可能的最小車道線寬度，[σmax]為給定圖像中最大車道線寬度，[r]為某像素點(diǎn)的高度值，[rvpt]為消失點(diǎn)的高度值，[rtot]為ROI高度值。

車道線寬度保持值[ε為5]時(shí)有助于避免噪聲。最大車道線寬度[σmax]取決于圖像大小和攝像頭的安裝位置。如果攝像頭保持在很低的位置，與攝像頭安裝在頂部相比，由于高度上更靠近車道線，底部附近的車道線寬度會(huì)更大。默認(rèn)情況下，可能的最小車道線寬度[σmin]為0，也可根據(jù)需要進(jìn)行動(dòng)態(tài)調(diào)整。一旦設(shè)置了最大值，可動(dòng)態(tài)地獲得不同距離的車道線寬度。對(duì)于不同車載攝像機(jī)獲取的圖像，動(dòng)態(tài)更改[σmax]有助于準(zhǔn)確選擇車道線，本研究中根據(jù)壓縮后的圖像尺寸以及攝像頭的安裝位置，取[σmax]為0.035倍的圖像寬度，[σmax]的取值也符合大部分車載攝像頭處于一定的安裝位置時(shí)獲得的圖像車道線識(shí)別研究。

采用以上算法對(duì)圖像進(jìn)行二值化處理，尋找可能的車道區(qū)域，隨機(jī)選取視頻的第69幀圖像，結(jié)果如圖8所示。

2.2 車道線提取

進(jìn)行可能的車道區(qū)域分割后，分割區(qū)域常常會(huì)包含車距提示牌、欄桿、樹木、燈柱、周邊車輛高亮度邊緣、前照燈眩光干擾信息。所以需要對(duì)圖像進(jìn)行下一步處理，從可能的車道線區(qū)域中進(jìn)一步處理選擇，從而提取車道線。本研究利用車道線的幾何特征，進(jìn)行輪廓分析、面積計(jì)算和角度分析，不斷進(jìn)行算法優(yōu)化，確定最優(yōu)算法，從而選擇有效的車道線段，在車道線段處進(jìn)行輪廓標(biāo)記。

本研究首先用Suzuki85算法從二值化圖像中選擇輪廓線，然后在其周圍繪制一個(gè)最小面積的外接矩形[14]。OpenCV根據(jù)矩形的方向選擇長(zhǎng)度和寬度，因此需要相應(yīng)地調(diào)整角度來(lái)確定其方向，最終方向范圍為-90°～90°。其次利用車道線段的特性進(jìn)行輪廓分析與提取，考慮的車道線段特性主要包括5項(xiàng)約束條件。

（1）面積閾值：車道線的區(qū)域大小大于最小區(qū)域。本研究中只考慮面積較大的區(qū)域，低于設(shè)定的最小面積的區(qū)域?qū)⒈蝗コ１狙芯恐凶钚^(qū)域[minSize]設(shè)為0.001倍的圖像大小，作為車道線的任何區(qū)域的最小區(qū)域值的大小。

（2）外接矩形比例：車道線的邊的比率大于一定比例。一般情況下長(zhǎng)寬比應(yīng)大于4：1，但是，面積小于某個(gè)臨界值但是滿足最小面積限制的路段可能代表中間斷開的車道線標(biāo)線。為了檢測(cè)因障礙物或車道線損壞等原因而導(dǎo)致車道線中間斷開的線段，邊的比例可以降低到1∶1。本研究中，當(dāng)車道線的最小面積滿足大于7倍的最小[minSize]區(qū)域，并且區(qū)域塊大于0.75倍的區(qū)域塊的最小外接矩形時(shí)，若線段的長(zhǎng)寬比大于1∶1，將符合條件的輪廓提取出。

（3）方位特征：車道線方向不水平，除圖像底部中心區(qū)域外不垂直。除非是極端轉(zhuǎn)彎車道線段的特殊情況，否則車道線由于其自身性質(zhì)永遠(yuǎn)不會(huì)接近水平。去除水平線段，可以刪除車輛保險(xiǎn)杠、車窗干擾信息。本研究中將區(qū)域塊的最小外接矩形中角度范圍為-20°～20°的矩形去除。垂直車道線段僅在車輛位于車道線行駛時(shí)可能存在，此時(shí)車道線段靠近圖像的底部中心區(qū)域。本研究中檢測(cè)到的在圖像下方1/2～1處區(qū)域且在圖像中部3/7～4/7區(qū)域內(nèi)的車道線段無(wú)車道線段垂直條件限制，而其他區(qū)域外的最小外接矩形若角度為-90°～-70°和70°～90°，此處的近似垂直車道線輪廓去除。

（4）面積特征：檢測(cè)到的線段區(qū)域受邊界矩形限制。車道線非常接近矩形，如果線段區(qū)域不接近邊界矩形區(qū)域，則拒絕此線段。

（5）優(yōu)先選擇判斷條件：連續(xù)車道線長(zhǎng)度較大。若為連續(xù)車道線，即實(shí)線，則檢測(cè)到的車道線長(zhǎng)度大小一般大于0.3倍的圖像高度。該約束條件若成立，則不需要考慮前方5個(gè)約束條件，可以幫助提高車道線識(shí)別速度。

采用以上約束條件對(duì)2.1.3中獲得的第69幀圖像得到的車道區(qū)域圖像進(jìn)行再處理，尋找可以提取的車道線，結(jié)果如圖9所示。

3 軟件系統(tǒng)搭建

車道線識(shí)別需要具有魯棒性。本研究擬在普通適用情況以及特殊駕駛多種情況下進(jìn)行軟件系統(tǒng)驗(yàn)證，軟件系統(tǒng)搭建如下。

3.1 擬采用算法的軟件系統(tǒng)搭建

本研究擬采用算法的軟件系統(tǒng)的搭建如圖10所示。本研究算法在對(duì)圖像處理時(shí)，基于傳統(tǒng)特征檢測(cè)法，并進(jìn)行算法改進(jìn)，首先將圖像轉(zhuǎn)化為灰度化圖像，再采取濾波處理減少噪聲干擾并盡可能保留圖像原有的邊緣信息和清晰度，根據(jù)實(shí)際智能駕駛時(shí)采集圖像信息特點(diǎn)采用ROI有效減少圖像需要處理的信息量。研究中采用改進(jìn)的圖像處理算法對(duì)圖像進(jìn)行二值化處理，提取可能的車道線輪廓信息，通過(guò)設(shè)定面積閾值和直線比例范圍排除錯(cuò)誤信息，結(jié)合Hough直線變換方法識(shí)別直線，最終實(shí)現(xiàn)了車道線檢測(cè)。

3.2 傳統(tǒng)算法的軟件系統(tǒng)搭建

傳統(tǒng)算法的軟件系統(tǒng)的搭建如圖11所示。傳統(tǒng)算法通過(guò)邊緣檢測(cè)、濾波等方法檢測(cè)車道線區(qū)域，然后結(jié)合Hough直線變換、RANSAC算法進(jìn)行車道線檢測(cè)，需要人工手動(dòng)調(diào)整濾波器算子，根據(jù)算法針對(duì)的場(chǎng)景特點(diǎn)手動(dòng)調(diào)節(jié)參數(shù)，工作量大，魯棒性較差。而智能駕駛情景中具有駕駛車道線特征較為單一的特點(diǎn)，故傳統(tǒng)算法不夠優(yōu)良。

4 結(jié)論與展望

車道線識(shí)別是實(shí)現(xiàn)輔助駕駛和自動(dòng)駕駛的關(guān)鍵，但是現(xiàn)有的車道線識(shí)別依舊存在實(shí)時(shí)性、準(zhǔn)確性和魯棒性協(xié)調(diào)不優(yōu)問(wèn)題。隨著智能車輛需求的不斷提升和相關(guān)技術(shù)快速發(fā)展，車道線識(shí)別的優(yōu)化迫在眉睫。本文進(jìn)行車道線識(shí)別算法原理分析，并提出了算法綜合優(yōu)化，將使用OpenCV計(jì)算機(jī)視覺庫(kù)和C++編程語(yǔ)言，在VisualStudio上進(jìn)行車道線識(shí)別算法搭建與測(cè)試驗(yàn)證。

對(duì)于圖像預(yù)處理部分，主要分為3個(gè)模塊，分別為灰度化處理、濾波處理和ROI選取。對(duì)初始圖像進(jìn)行灰度化處理，從而減少66%的圖像信息量，提高圖像處理速度。本文通過(guò)比較圖像灰度化方法中的分量法、最大值法、平均值法、人體生理學(xué)加權(quán)平均法和人體心理學(xué)加權(quán)平均法的處理結(jié)果分析，選擇最優(yōu)方法進(jìn)行圖像灰度化處理。對(duì)灰度化處理完成的圖像進(jìn)行濾波處理，從而去除圖像中存在的大部分噪聲，減少無(wú)用信息對(duì)車道線識(shí)別的干擾。本文通過(guò)比較濾波方法中的均值濾波法、高斯濾波法、中值濾波法的處理結(jié)果，對(duì)圖像進(jìn)行濾波平滑處理比較。對(duì)經(jīng)過(guò)灰度化處理和濾波處理的圖像進(jìn)行ROI選取，從而去除圖像上部天空、白云、電線桿的干擾信息，為后面的車道線區(qū)域檢測(cè)打下良好基礎(chǔ)。大部分車載攝像頭所獲得的圖像上半部分可作為無(wú)用信息去除，可以大幅度地減少對(duì)車道線識(shí)別干擾，同時(shí)提高車道線識(shí)別速度。對(duì)于車道線提取部分，主要分為兩大模塊，分別是可能的車道線區(qū)域分割和基于特征的車道線提取。根據(jù)車道線的寬度、亮度、周邊對(duì)比度信息，確定圖像的區(qū)域塊，劃分為可能的車道線區(qū)域，其它區(qū)域視為干擾信息不再檢測(cè)，從而得到二值化圖像。本文中車道線寬度根據(jù)車道線在圖像中的高度位置進(jìn)行寬度大小變化，使車道線區(qū)域塊提取更加精確。根據(jù)車道線的大小、方向、線段比率特征信息，確定了5項(xiàng)約束條件，對(duì)可能的車道線區(qū)域塊進(jìn)行二次輪廓選擇，最終實(shí)現(xiàn)車道線提取。

本文擬采用的算法在原理上具有良好的適應(yīng)性，不僅可以在普通路況下達(dá)到車道線識(shí)別的要求，而且在雨天、夜晚的特殊情境下也可以檢測(cè)，算法可以濾除天空、周邊車輛保險(xiǎn)杠、部分路障、燈光干擾信息，檢測(cè)和識(shí)別出道路中的復(fù)雜車道線，對(duì)于連續(xù)的實(shí)線和虛線識(shí)別魯棒性好，尤其是檢測(cè)行駛車輛的兩側(cè)車道線效果較優(yōu)，總體上可以較好地滿足道路車道線識(shí)別的基本要求。本文基于道路特征進(jìn)行車道線識(shí)別方法分析與算法優(yōu)化，可實(shí)時(shí)進(jìn)行道路車道線識(shí)別。后續(xù)工作將進(jìn)行大量試驗(yàn)并獲取數(shù)據(jù)進(jìn)行算法驗(yàn)證，并根據(jù)試驗(yàn)結(jié)果進(jìn)行算法優(yōu)化與調(diào)整，對(duì)輔助駕駛和智能駕駛技術(shù)后續(xù)研究開發(fā)有一定的借鑒意義。

參 考 文 獻(xiàn)

[1] 胡三根. 面向駕駛輔助系統(tǒng)的車輛行駛安全預(yù)警模型研究[D]. 廣州： 華南理工大學(xué)， 2016.

[2] 任鳳雷. 基于智能車輛視覺導(dǎo)航的環(huán)境感知技術(shù)研究[D].長(zhǎng)春： 中國(guó)科學(xué)院大學(xué)（中國(guó)科學(xué)院長(zhǎng)春光學(xué)精密機(jī)械與物理研究所）， 2020.

[3]邱東， 翁蒙， 楊宏韜. 基于改進(jìn)概率霍夫變換的車道線快速檢測(cè)方法[J]. 計(jì)算機(jī)技術(shù)與發(fā)展， 2020， 30（5）： 43-48.

[4]閻翔， 諶海云， 蔣鈺， 等. 基于計(jì)算機(jī)視覺的車道線檢測(cè)與識(shí)別[J]. 工業(yè)儀表與自動(dòng)化裝置， 2020（1）： 118-121.

[5]姚洪濤， 張海萍， 郭智慧. 復(fù)雜道路條件下的車道線檢測(cè)算法[J]. 計(jì)算機(jī)應(yīng)用， 2020， 40（S2）： 166-172.

[6] 盧賀. 基于機(jī)器視覺的前方車輛檢測(cè)與測(cè)距研究[D]. 重慶：重慶交通大學(xué)， 2018.

[7] 趙博文， 張力夫， 潘在峰， 等. 基于OpenCV的圖像濾波方法比較[J]. 信息與電腦， 2020， 32（15）： 78-80.

[8] 趙偉康. 基于單目視覺的車道線檢測(cè)和車輛檢測(cè)方法研究[D]. 南京： 南京航空航天大學(xué)， 2018.

[9] HUANG Z N， QIN H B， LIU Q. Vehicle ROI Extraction Based on Area Estimation Gaussian Mixture Model[J]. IEEE International Conference on Cybernetics IEEE， 2017.

[10] OZGUNAL P， UMAR F， RUI A， et al. Multiple Lane Detection Algorithm Based on Novel Dense Vanishing Point Estimation[J]. IEEE Transactions on Intelligent Transportation Systems， 2017， 18（5）： 621-632.

[11] 錢基德， 陳斌， 錢基業(yè)， 等. 基于感興趣區(qū)域模型的車道線快速檢測(cè)算法[J]. 電子科技大學(xué)學(xué)報(bào)， 2018， 47（3）： 356-361.

[12] 郭志彪， 段為. 基于OpenCV的邊緣檢測(cè)技術(shù)研究[J].現(xiàn)代計(jì)算機(jī)（專業(yè)版）， 2017（15）： 29-32.

[13] 黃鵬， 鄭淇， 梁超. 圖像分割方法綜述[J]. 武漢大學(xué)學(xué)報(bào)（理學(xué)版）， 2020， 66（6）： 519-531.

[14] SUZUKI S， ABE K. Topological Structural Analysis of Digitized Binary Images by Border Following[J]. Computer Vision， Graphics， and Image Processing， 1985， 29（3）： 32-46.

（責(zé)任編輯 明慧）

【作者介紹】

劉蕾 （1999—），女，山東大學(xué)，碩士研究生，研究方向?yàn)樾履茉雌囍悄荞{駛技術(shù)。

E-mail：202114442@mail.sdu.edu.cn

程勇（1963—），男，山東大學(xué)，博士，教授，研究方向?yàn)樾履茉雌囍悄荞{駛技術(shù)。

E-mail：cysgd@sdu.edu.cn