基于自適應(yīng)外接形參ROI的車道線搜尋檢測算法研究

摘 要：為實(shí)現(xiàn)自動駕駛汽車能精準(zhǔn)定位、檢測且識別出車道線，提出一種基于自適應(yīng)外接形參ROI（Region of Interest）的車道線搜尋檢測算法。首先利用python GUI編程庫Tkinter模塊創(chuàng)建GUI界面，提供ROI形狀選擇及參數(shù)輸入的外接窗口，適應(yīng)不同需求下進(jìn)行車道線的定位、標(biāo)注，無需反復(fù)更新源碼，達(dá)到車道線自動“挖掘”的效果；其次以灰度直方圖雙峰值確定左右車道線的初始位置，利用自適應(yīng)滑動窗口進(jìn)行車道線的搜尋，依據(jù)統(tǒng)計(jì)所屬車道線像素點(diǎn)的窗口覆蓋率來更新、優(yōu)化窗口參數(shù)。實(shí)驗(yàn)仿真證明，該算法不僅簡化了程序，提高了車道線檢測與識別的穩(wěn)定性和準(zhǔn)確性。

關(guān)鍵詞：外接形參ROI 自適應(yīng)滑窗 python GUI編程 Tkinter模塊 窗口覆蓋率

車道線的精準(zhǔn)定位和標(biāo)注是去除噪聲干擾及提高車道線精準(zhǔn)檢測與識別的“快速通道”，但手動對大量圖像或視頻數(shù)據(jù)集進(jìn)行車道線的劃線標(biāo)注，時(shí)間和人力成本消耗巨大。廖干洲[1]等人利用傳統(tǒng)的ROI技術(shù)，手動設(shè)定合適的ROI區(qū)域，排除不必要的背景信息，利用Hough變換和最小二乘法進(jìn)行車道線檢測，但不適用于復(fù)雜路況；劉曉楠[2]等人通過逐行計(jì)算每行的灰度平均值來動態(tài)預(yù)測、識別道路路面與天空的分界線，實(shí)現(xiàn)車道線檢測ROI區(qū)域的優(yōu)化，但遇到與路面灰度值差不多的噪聲如樹木陰影等，識別效果便有所下降；考慮到車道線與路面的色值差異越大，其梯度值越大，劉丹萍[3]根據(jù)梯度亮度位置篩除大梯度的干擾邊緣，重定位并縮小ROI位置，利用遞歸神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法模型訓(xùn)練圖像數(shù)據(jù)集，并進(jìn)行檢測。本文提出一種基于自適應(yīng)外接形參ROI的車道線搜尋檢測算法。該算法利用python GUI編程庫Tkiner模塊創(chuàng)建GUI界面，提供ROI形狀[4]選擇及參數(shù)輸入的外接GUI窗口，適應(yīng)不同需求下進(jìn)行車道線的定位、標(biāo)注，達(dá)到自動“挖掘”車道線的效果；其次，獲取標(biāo)注車道線的灰度直方圖，以其雙峰值分別作為左右車道線的初始位置，利用自適應(yīng)滑窗來進(jìn)行車道線的搜尋和參數(shù)優(yōu)化等，效果理想。

1 圖像預(yù)處理

1.1 圖像去畸變

車載視覺傳感器采集的圖像基本都存在不同程度的畸變[5]，包括徑向畸變和切向畸變。為確保應(yīng)用于車道線檢測的圖像數(shù)據(jù)集的可靠性、有效性，需要對采集的圖像進(jìn)行去畸變。畸變校正就是利用正常圖像（理想狀態(tài)無畸變）的坐標(biāo)位置去求畸變圖像中的坐標(biāo)位置，取出對應(yīng)位置的像素值，將其賦值給原位置的過程。

本實(shí)驗(yàn)中的棋盤格尺寸為18cm*18cm，用相機(jī)對其從不同角度拍攝20張圖像，像素均為500*500，借助OpenCV平臺，利用python編程實(shí)現(xiàn)棋盤格角點(diǎn)檢測及圖像畸變矯正，其效果如圖1所示。

1.2 灰度直方圖

圖像灰度化[6]即使彩色圖像R（紅）、G（綠）、藍(lán)（B）三個(gè)分量相等的過程，因此，灰度圖像是一種單色圖像，其每個(gè)像素的值表示從0（黑色）到255（白色）共256個(gè)不同灰度級別，圖像灰度化的目的是簡化矩陣，顯著降低圖像的數(shù)據(jù)量，提高運(yùn)算速度。

本文中選用加權(quán)平均法，利用OpenCV中的cv2.COLOR_RGB2GRAY來進(jìn)行圖像灰度化。如圖2（a）為灰度圖，（b）為灰度直方圖所示，若圖像灰度級用表示，統(tǒng)計(jì)256個(gè)像素分別出現(xiàn)的頻次，即為灰度直方圖。

文中灰度直方圖的作用在于兩點(diǎn)：一是通過灰度直方圖確定左右車道線的起始位置。圖像灰度圖中車道線偏白，可根據(jù)灰度直方圖中相應(yīng)白色區(qū)域的峰值來定位左右車道線的起始位置，并設(shè)置第一個(gè)滑動窗口，便于后續(xù)的車道線檢測；二是通過灰度直方圖來計(jì)算車道線的檢測概率。設(shè)經(jīng)ROI標(biāo)注區(qū)域內(nèi)車道線灰度直方圖白色像素點(diǎn)的數(shù)量為Q，再經(jīng)滑動窗口檢測并提取的白色像素點(diǎn)數(shù)量為Qn，則檢測效率為Qn/Q。

2 Canny邊緣檢測

Canny邊緣檢測是為了找到不同圖像或者視頻中最優(yōu)邊緣檢測算法，即達(dá)到最優(yōu)檢測、最優(yōu)定位準(zhǔn)則以及檢測點(diǎn)與邊緣點(diǎn)一一對應(yīng)，從而降低漏檢真實(shí)邊緣或誤檢非邊緣的概率，使檢測到的邊緣點(diǎn)位置盡最大可能靠近實(shí)際邊緣位置，基于灰度圖像的基礎(chǔ)上，程序中設(shè)置邊緣檢測的高低門限值分別為150、50，借助OpenCV中cv2.Canny （）函數(shù)進(jìn)行邊緣檢測，實(shí)現(xiàn)步驟如下：

（1）高斯濾波：去除圖像的噪聲，文中設(shè)置高斯濾波核blur_ksize=5并利用cv2.GaussianBlur（）函數(shù)實(shí)現(xiàn)圖像平滑濾波；（2）圖像梯度：利用水平方向的Sobel算子[7]檢測方向的邊緣，垂直方向的Sobel算子檢測方向的邊緣，獲取圖像的邊緣及其方向；（3）非極大值抑制：即保留在正/負(fù)梯度方向上的局部最大值的像素點(diǎn)來消除邊緣誤檢；（4）雙閾值、滯后技術(shù)：通過設(shè)置上下閾值將圖像像素點(diǎn)進(jìn)一步分為強(qiáng)邊緣、弱邊緣及侯選項(xiàng)，弱邊緣及候選項(xiàng)若與確定為邊緣的像素點(diǎn)連接，則判別邊緣，起到細(xì)化及連接邊緣的作用。

考慮到Canny/Sobel邊緣檢測會將圖像或者視頻中所有物體的輪廓都檢測出來，間接干擾后續(xù)車道線檢測與識別的效果，因此，在進(jìn)行Canny/Sobel邊緣檢測前后，利用ROI進(jìn)行車道線區(qū)域定位。

3 基于外接形參ROI的車道線自動定位

感興趣區(qū)域[8]（Region of Interest，ROI）可以指定圖像或者視頻中需要特別關(guān)注或處理的區(qū)域，以此來減少計(jì)算量，提高對豐富數(shù)據(jù)集的處理效率。在計(jì)算機(jī)視覺中，ROI可以用于目標(biāo)檢測和跟蹤、圖像分割、物體識別與分類及圖像增強(qiáng)等，根據(jù)不同的任務(wù)特征突出指定區(qū)域集中化、可視化的效果，提高算法運(yùn)行的速度以及處理的準(zhǔn)確性。傳統(tǒng)的ROI進(jìn)行車道線區(qū)域定位通常是手動標(biāo)注感興趣的目標(biāo)區(qū)域，且當(dāng)輸入的圖像或者視頻發(fā)生變化時(shí)，會根據(jù)不同設(shè)備型號、圖像分辨率等重新打開源碼進(jìn)行參數(shù)的修改、調(diào)整，以便獲取最佳的標(biāo)注效果。本文提出一種基于外接形參法的自動ROI車道線定位算法，顧名思義，即通過外接窗口的形式調(diào)參，同時(shí)，借助OpenCV平臺中的copy To（）函數(shù)實(shí)現(xiàn)ROI自動區(qū)域定位或標(biāo)注。

外接形參法，即通過鼠標(biāo)對菜單、按鈕等圖形化元素設(shè)置觸發(fā)指令，并從標(biāo)簽、對話框等圖形化顯示容器中獲取人機(jī)對話信息的方法。本文中基于外接形參法的ROI利用python GUI編程庫Tkinter模塊來實(shí)現(xiàn)，因?yàn)門kinter作為python GUI工具的一種，傳承了python語法簡潔、易編、易讀的特點(diǎn)，支持 Windows、Linux、Mac等平臺的兼容性。如圖3為利用python GUI編程實(shí)現(xiàn)的基于外接形參的ROI算法流程圖。

為了提高車道線檢測的效率和精度，利用外接形參ROI算法進(jìn)行車道線的區(qū)域定位時(shí)，需要考慮到以下兩個(gè)要素：一是車載相機(jī)是以前俯視的角度獲取的圖像或視頻，因此ROI形狀的選擇大多數(shù)以三角形或四邊形區(qū)域?yàn)橹鱽怼巴诰颉避嚨谰€；二是因不同任務(wù)需要，圖像特征集中區(qū)域[9]的位置和形狀不盡相同，因此在利用GUI界面進(jìn)行參數(shù)輸入時(shí)，適時(shí)調(diào)整數(shù)據(jù)分辨率或者ROI坐標(biāo)位置，以便覆蓋到所有車道線。以常用的三角形或四邊形區(qū)域?yàn)槔?，如?示為利用python GUI編程實(shí)現(xiàn)基于外接形參ROI算法的步驟：

針對不同的場景需要，可以通過增加按鈕和鏈接事件的方法來增加不同形狀的ROI，若需求的ROI形狀過多，窗口不足以覆蓋按鈕或者按鈕太多不美觀，則可在主窗口中添加下拉選擇框進(jìn)行ROI形狀的選擇。如圖4為python GUI編程實(shí)現(xiàn)的三角形ROI和四邊形ROI外接形參的界面效果。

3.2 ROI自動車道線定位和標(biāo)注

除了上述的外接形參法外，還需要實(shí)現(xiàn)車道線區(qū)域的自動提取，該過程主要借助OpenCV與運(yùn)算符和copyTO（）函數(shù)，設(shè)經(jīng)外接形參設(shè)定的ROI區(qū)域?yàn)镽1，首先，建立與原圖一樣大小的mask圖像，并將所有像素初始化為0，得到一張全黑色的二值圖；其次， 將mask圖中R1區(qū)域的所有像素值設(shè)置為255，得到區(qū)域白色的R1區(qū)域；最后將原圖與mask圖進(jìn)行與運(yùn)算，定位并標(biāo)注到目標(biāo)區(qū)域。如圖5為其實(shí)現(xiàn)原理。

ROI自動定位和標(biāo)注車道線原理即為原圖像image與掩膜mask “與”運(yùn)算得ROI區(qū)域。其中，掩膜mask充當(dāng)位圖的角色，當(dāng)mask像素值非零時(shí)，則拷貝，否則不予拷貝，由此，我們可以準(zhǔn)確定位到感興趣區(qū)域并進(jìn)行提取。文中利用python編程對圖像進(jìn)行灰度化、Canny邊緣提取后，周邊樹木甚至天空云朵的輪廓均被清晰提取出來，為了避免這些輪廓對車道線提取、檢測及識別造成干擾，故增加基于外接形參ROI的自動車道線定位及標(biāo)注算法，無需手動標(biāo)注，直接運(yùn)行編譯并保存*.py 程序文件予以實(shí)現(xiàn)如圖6，效果良好。

4 車道線檢測與擬合

Canny邊緣提取算法會將圖像各個(gè)方向、明暗交替位置的邊緣都提取出來，基于外接形參ROI的自動車道線定位算法雖然能直接定位到車道線區(qū)域，但無法排除路面陰影等對車道線檢測與識別造成的影響，因此，文中提出一種自適應(yīng)滑動窗口[10]算法來進(jìn)一步檢測車道線，并利用最小二乘法[11]進(jìn)行車道線擬合。

4.1 自適應(yīng)滑窗

車道線定位：由圖2中灰度直方圖可直觀地看出雙峰的位置，找到雙峰位置對應(yīng)的橫坐標(biāo)，即為第一個(gè)滑動窗口下邊線的中點(diǎn)，左右車道線的起始位置由此確定。

車道線搜尋：確定左右車道線的起始位置后，利用自適應(yīng)滑窗進(jìn)行車道線搜尋，其主要步驟如下：

（1）參數(shù)定義。以左側(cè)車道線為例，設(shè)左側(cè)車道線第個(gè)矩形窗口四個(gè)角點(diǎn)坐標(biāo)分別為、、、?；瑒哟翱诘膶挾日{(diào)幅初始值為=80，矩形滑窗的數(shù)量=9，則滑動窗口寬度及高度可通過以下公式計(jì)算：

其中，M表示圖像鳥瞰圖的寬度；表示第個(gè)窗口下邊線中點(diǎn)對應(yīng)的橫坐標(biāo)。

（2）窗口搜尋。遍歷圖像中的每個(gè)窗口，利用灰度直方圖統(tǒng)計(jì)窗口內(nèi)非零像素值的數(shù)量，與最小有效像素值進(jìn)行比較，根據(jù)不同的結(jié)果進(jìn)行參數(shù)的計(jì)算并更新優(yōu)化。

若第個(gè)窗口內(nèi)非零像素值個(gè)數(shù)大于或等于最小有效像素值=40時(shí)，則記錄第個(gè)窗口內(nèi)所有非零像素值對應(yīng)的橫坐標(biāo)，并取均值，將其作為第+1個(gè)窗口下邊線的中點(diǎn)，則得到第+1個(gè)窗口四個(gè)角點(diǎn)的位置坐標(biāo)值為：

若第個(gè)窗口內(nèi)非零像素值個(gè)數(shù)小于最小有效像素值=40但非0時(shí)，則程序自適應(yīng)調(diào)整寬幅，再利用上述公式計(jì)算：

若第個(gè)窗口內(nèi)非零像素值個(gè)數(shù)為0時(shí)，則第+1個(gè)窗口沿用第個(gè)窗口的信息，按窗高進(jìn)行垂直移動。

（3）窗口覆蓋。統(tǒng)計(jì)整個(gè)鳥瞰圖中白色像素點(diǎn)的數(shù)量，統(tǒng)計(jì)個(gè)窗口內(nèi)白色像素點(diǎn)的數(shù)量，設(shè)窗口對車道線的覆蓋率為，則有：

若0.9，則說明n個(gè)滑窗內(nèi)包含的車道線像素點(diǎn)數(shù)占總車道線像素點(diǎn)數(shù)量的90%，默認(rèn)車道線檢測有效；若lt;0.9，則默認(rèn)車道線檢測無效，需重新調(diào)整窗寬進(jìn)行有效檢測，同公式4和公式5。

車道線擬合：由上述自適應(yīng)滑窗檢測出車道線后，利用最小二乘法的第二種定義來擬合車道，使得樣本點(diǎn)與擬合曲線最為接近，即殘差平方和或損失函數(shù)L最小。

4.2 分析與驗(yàn)證

文中仿真實(shí)驗(yàn)是基于Win10 64位操作系統(tǒng)進(jìn)行的，借助OpenCV平臺，利用python及python GUI編程庫對本文中提出的算法進(jìn)行程序編譯?；谕饨有螀OI的車道線定位與標(biāo)注可以直接通過外接GUI界面進(jìn)行參數(shù)輸入，無需反復(fù)修改源代碼；基于自適應(yīng)滑窗的車道線檢測與識別則根據(jù)上一窗口中車道線的覆蓋率來確定下一個(gè)窗口的位置，同時(shí)計(jì)算窗口覆蓋率自動更新、優(yōu)化寬幅等參數(shù)，圖7、圖8分別為任意三角形ROI或四邊形ROI結(jié)合自適應(yīng)滑窗對分辨率為1280720的圖像進(jìn)行車道線檢測與識別的效果圖。

5 總結(jié)

本文提出了一種基于自適應(yīng)外接形參ROI的車道線搜尋檢測算法，其中外接形參ROI利用python GUI編程庫創(chuàng)界外接GUI界面，調(diào)用Tkiner模塊創(chuàng)建按鈕和文本輸入框，可根據(jù)任務(wù)需要，任意選擇ROI形狀，無需反復(fù)修改源碼來進(jìn)行參數(shù)的輸入；其次利用自適應(yīng)滑窗是對經(jīng)Canny邊緣提取、ROI框選的車道線進(jìn)一步定位和搜尋，降低其受復(fù)雜工況的影響，提高車道線檢測與識別的效率、準(zhǔn)確性和穩(wěn)定性。實(shí)驗(yàn)證明，該算法簡化了程序輸入，提高了檢測精度。

基金項(xiàng)目：2023年度安徽省科研編制計(jì)劃重點(diǎn)項(xiàng)目“基于OpenCV-Python的智能網(wǎng)聯(lián)汽車車道線識別研究”（2023AH051451）；2022年度安徽職業(yè)技術(shù)學(xué)院院級質(zhì)量工程教學(xué)研究重點(diǎn)項(xiàng)目（2022yjjxyj02）；2024年度安徽省高校自然科學(xué)研究重點(diǎn)項(xiàng)目（2024AH050886）；2023年度安徽省高校自然科學(xué)研究重點(diǎn)項(xiàng)目（2023AH040195）；2022年度安徽省科研編制計(jì)劃重點(diǎn)項(xiàng)目“四驅(qū)汽車防滑差速器扭矩智能分配機(jī)理與穩(wěn)定性控制研究”（2022AH052057）。

參考文獻(xiàn)：

[1]廖干洲，曾霞，李龍華.基于霍夫變換與最小二乘法的車道線檢測方法[J].機(jī)電工程技術(shù)，2024，53（4）：111-114.

[2]劉曉楠，陳文進(jìn)，劉杰.基于動態(tài)識別ROI區(qū)域的車道線檢測技術(shù)[J].汽車科技，2018（z1）：54-58.

[3]劉丹萍.基于ROI自適應(yīng)定位的復(fù)雜場景車道線檢測[J].長春師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2020，39（5）：66-70.

[4]鄧海濤，鄧家先，鄧小梅.一種基于EZW的ROI圖像聯(lián)合壓縮加密算法[J].電視技術(shù)，2013，37（9）：45-51，63.

[5]SHEN， YEHUI， BI， YUNRUI， YANG， ZHEN， etal. Lane line detection and recognition based on dynamic ROI and modified firefly algorithm[J]. International journal of intelligent robotics and applications，2021，5（2）：143-155.

[6]王鑫，劉玉超，海丹.基于雙重ROI和變間距掃描的車道線檢測[J].指揮與控制學(xué)報(bào)，2017，3（2）：154-159.

[7]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算法[J].電子科技大學(xué)學(xué)報(bào)，2018，47（3）：356-361.

[8]李志遠(yuǎn)，王光輝.基于傳統(tǒng)邊緣算子的車道線識別研究[J].現(xiàn)代電子技術(shù)，2024，47（7）：61-65.

[9]劉鳳，劉浩哲，張文天，等.一種魯棒的基于對抗結(jié)構(gòu)的生物特征ROI提取方法[J].自動化學(xué)報(bào)，2023，49（6）：1339-1353.

[10]趙峰.基于OpenCV的車道線檢測與識別[J].微型電腦應(yīng)用，2023，39（3）：177-181.

[11]張宇，施衛(wèi).基于機(jī)器視覺的車道線檢測算法研究[J].機(jī)電工程技術(shù)，2022，51（6）：100-103.