基于Hough變換的車道檢測改進算法研究

李 明，黃 華，夏建剛

（四川大學 電氣信息學院，四川 成都610065）

0 引 言

車道檢測是車道側偏檢測的前提，是車輛輔助駕駛系統的重要組成部分［1］。車道檢測有單道檢測 （即本車所在的車道）、多道檢測。本文主要討論單道檢測，設置檢測出來的車道為后續的車輛檢測范圍，利用車道的特征進行檢測。目前利用車道特征進行車道檢測跟蹤的方法很多，例如將原圖像轉化為鳥瞰視圖，這樣在鳥瞰圖像里，車道線就會和現實中的一樣平行，不會像原先的圖像里那樣相交，可以利用這一特征進行車道的檢測。如文獻 ［2］就介紹了一種采用投影變換的方法，然后在變換后的俯視圖中使用圓曲線車道模型及基于密度的Hough變換進行識別的方法。但是投影的方法要求每次檢測或者跟蹤，都要進行投影轉換，增加了計算量。針對這些問題，本文提出了利用Hough變換來實現對車道檢測的直道檢測［3］，即先通過統計較小區域的目標像素數目，設置感興趣區域 （ROI）來判斷車道的彎曲方向，然后在該方向上進行彎道像素的搜索，最后采用多段折線的方法對彎道部分進行重建，可實現運算速度更快，計算量更小，準確性更高的目的。

1 直線－曲線模型

如車道模型圖所見，本文將車道分為直線－曲線兩部分，它們相交的點就叫做偏離點。此類模型的車道函數為直線－拋物線函數［4］，如下

式中：ym——偏離點的縱坐標，a，b——直線部分的參數，c，d，e——曲線部分的參數。其中a，b，c，d，e滿足下列關系式

式 （2）表示直線與拋物線在偏離點處相交，而式 （3）則表示拋物線與直線在偏離點處的微分值相等。在此模型中，近端直線部分可快速準確的檢測出來，但曲線方程的求解就比較耗時間，而偏離點選擇得不好的話，可能會得到錯誤的曲線方程。本文提出一種用Hough變換檢測出直線，然后從左右直線車道交點向下遍歷，找出偏離點，然后用偏離點到直線交點間的一小塊區域內的像素統計來確定車道的偏離方向，進而找出彎道的方法。

2 車道檢測

在眾多的車道檢測方法中比較流行的是利用一次函數或者二次函數進行車道線的擬合。其中一次函數即是利用霍夫變換 （Hough）檢測直線［5］，得到最長的兩條直線即為車道線，這種方法的優點是算法比較簡單，在圖像質量很好，車道線很明顯的時候效果較好，但是缺點非常的明顯，假如車道線有缺失，或者有遮擋的時候，就容易檢測出錯，并且這種方法檢測不出彎道。對于用二次函數進行車道線的擬合，它的一大優點就是能夠檢測出彎道，特別是在彎曲比較劇烈的場景下，Hough變換往往檢測不出車道，但是二次曲線卻能夠檢測出彎道。然而二次曲線也有它的缺點，那就是計算量較大，并且檢測出的彎道也很容易出錯。在文獻 ［6］也介紹了一種分段直線模型的擬合方法，具有較好的效果。

由于高速公路上的路況基本上是以直道為多，彎道也很少會有急彎，故本文在車道檢測及跟蹤的時候采用先用Hough變換進行直線檢測，確定車道線的大概位置，形狀，再找出車道線的偏離點，然后判斷車道的偏離方向，進而找出車道的曲線部分的點。這樣，就能保證車道線的檢測的準確性，不會出現檢測出的彎道嚴重出錯的情況。

2.1 設置感興趣區域 （ROI）

由于車輛防追尾預警系統的應用場景是在高速公路上，車速非常的快，為了能及時的預報可能出現的追尾，就要求攝像機采集圖像的速度要快，而單位時間采集的圖像幀數越多，系統處理的圖像數據也就越大。因此，減小數據量是減少處理時間的一個很好的方法［7］。通過對采集到得數據進行觀察可以發現，在圖像的上面1／3部分，基本都是天空，這對于系統來說屬于沒有任何作用的數據，而下面2／3部分則是系統需要的圖像數據，所以可以設置圖像的下面2／3部分為感興趣區域 （ROI），對其進行計算。

2.2 直道檢測

采集的圖像可以先采用大津閾值進行分割，這樣就會將車道從背景中分離出來，特別是在圖的下半部分，基本只保留了車道線。但是為了快速的檢測出直線，還需要進行邊緣提取，我們采用Scharr濾波器［8］進行邊緣提取。

2.2.1 Hough變換

Hough變換通過將兩坐標空間進行相互變換來檢測平面上的有規曲線和直線，該變換具有在變換空間中我們所希望的特性，即邊緣組凝聚在一起形成峰點的獨有特性。

霍夫變換通過將原始圖像中給定形狀的曲線或者直線上所有點都集中到變換空間的中某一點上 。

如在原始圖像上，直線方程為

這里u為斜率，v為截距。pi＝ （xi，yi）表示此直線上的某一點，它滿足下面方程式

可得出如下結論，即變換空間中的某一個點 （xi，yi）和變換空間中某一直線相對應；同樣地變換空間中的某一個點 （ui，vi）也與圖像空間中的某一條直線相對應。例如圖1所示：直線上的點P1，P2，P3，P4，…與變換空間的所有直線的交點 （u0，v0）對應。

而對任意方向或位置直線進行檢測，以妨跟垂直直線的斜率產生極限無限大的問題，本來利用極坐標 （ρ，θ）來作為變換空間，方程如下

參量ρ和θ可以單獨地確定一條直線。而對圖像空間中所有點 （xi，yi）都可以采用極坐標 （ρ，θ）來作為變換空間，坐標方程是

這表明圖像上的一點 （xi，yi）對應于極坐標空間的一條三角曲線，其角度與幅值都隨 （xi，yi）而改變。

如果把 （x，y）空間一直線上的某一個點序列變換到（ρ，θ）空間，也即所有的三角曲線都要經過一點 （ρ0，θ0），其中ρ0代表該直線至原點的距離，θ0代表法線跟x軸的夾角。

Hough變換將圖像中的每一個點都變換到 （ρ，θ）空間，然后在 （ρ，θ）空間中找出所有曲線重合得最多的那一個點，而那一個點的 （ρ，θ）坐標就是圖像最長直線的極坐標了。

Hough變換有強抗干擾能力，假設待檢測的直線有較細小的虛線或擾動，甚至是斷裂，作Hough變換后，都能找到對應的直線。

通過對采集的道路圖像進行分析，車道線的角度都比較固定在一個范圍內，車道直線的模型如圖1所示。

圖1 車道直線的極坐標模型

從圖1可以看出，由于圖像是采用的頂－左結構，那么原點在左上角，Y軸向下，由于左右車道線的位置基本固定在一定的范圍內，那么θ1的取值范圍為：30°－70°，對于模型a，θ2的取值為：－20°…－70°，對于模型b，θ2的取值為：110°－160°?？山y一為：110°－160°。這樣 Hough變換的計算量僅為之前的一半［9］。

Hough變換檢測車道直線的效果很好，但是對于彎道部分的檢測，雖然Hough也可以用來檢測曲線，但是對于彎道部分，由于其像素較少，在變換空間不會像直道那樣出現明顯的峰值，要找出準確的曲線參數相當困難。本文采用先確定偏離點，再向上查找彎道中的像素的方法來實現彎道的檢測。

2.2.2 偏離點

偏離點即為車道的直道與彎道部分的交點，從這點開始，車道會偏離直道的方向，向左或者右彎曲，因此準確地檢測出偏離點是檢測彎道的前提。這里假設 （xm，ym）為偏離點，則其應滿足關系式

即偏離點應為車道直線部分的最后一個像素點?？梢酝ㄟ^在上文通過Hough變換檢測出的直線上搜索出這個偏離點［10］。它的主要特征就是，直線上在它之后的點為黑色背景，于是可以通過判斷當前點的下一個點的灰度值是否是0來決定當前點是否要找的偏離點。然而，由于道路狀況的復雜性，以及噪聲的干擾，使得Hough變換檢測出的車道直線上并不是所有灰度值為255的點都是車道線的，而且，對于分段車道線這種特殊情況，即使是遇到灰度值為0的點，也不能簡單的判定為偏離點。本文采用從上向下的搜索方式，這樣，既可以避免將本應屬于直道的部分丟掉。為了提高搜索的效率，同時減少噪聲的影響，需要設置搜索的起始點位置。

如圖2所示，本文選擇ROI分界線與車道直線的交點P1，P2和左右車道直線的交點P0作為候選搜索起始點。當P0在P1，P2的下面時，就選P0作為起始點，當P0在P1，P2上面時，就選擇P1，P2分別作為左右車道的搜索起始點。

圖2 確定搜索點起始位置

在搜索起始點到偏離點之間也可能會有噪聲，為了準確地檢測出偏離點，提高抗干擾能力，在遇到第一個白點時，并不馬上就判斷它是偏離點，而是將該點保存，繼續向下搜索，同時記錄此后遇到的黑點與白點的數目，當白點的數目先大于5時，就可以認定之前保存的點位偏離點，如果黑點的數目先大于5，則認為之前的點為噪聲，將其刪除，繼續下面的搜索。

通過上面的方法對左右車道分別進行搜索，得到兩個偏離點，它們的Y值可能會不一致。此時需要結合左右偏離點進行校正。這里先找出左右偏離點中Y值較低的點（即位置較高的點），得到它的Y值，然后在另一車道上從此Y值開始向下搜索，到原先檢測出的偏離點結束，中間若有白點，則它就是新的偏離點。這樣就避免把原本屬于車道的點誤判為噪聲。

2.3 彎道檢測

目前常用的彎道檢測方法都是通過曲線擬合的方式，將彎道擬合成二次或者高次曲線，常用的算法有最小二乘曲線擬合，LMedSquare曲線擬合，也有采用分段折線的方法，比如遞歸二分折線的擬合方法來進行彎道的擬合，效果不錯，再比如在文獻 ［11］中提到的用LMS算法來進行分段折線擬合的車道線的方法。

本文采用多段折線的方法來實現，多段折線的方法來模擬彎道即先找出圖像上屬于彎道的點，再將這些點相連，形成彎道。這樣就不需要計算復雜的曲線參數，節省了不少的時間。但是此方法的難點在于如何判斷一個點是屬于彎道上的，僅僅通過它的像素值是255來判斷是遠遠不夠的。本文在這里采用在固定區域搜索的方法來找到彎道上的點，再對它們進行多段折線的擬合來模擬彎道。首先，可以確定彎道部分在偏離點以上，同時通過對采集的大量的圖像進行觀察，發現彎道部分幾乎都是在直道交點以下的位置，又由于之前設置了ROI。如果直道的交點在圖像的上面1／3處，那么這里將彎道部分固定在偏離點以上，圖像1／3分界線以下。如果直道的交點在圖像的1／3分界線以下，則將彎道部分的搜索區域固定在偏離點以上，直道交點以下。如圖3所示。

圖3 搜索區域的劃分

圖3 表明了本文選擇的搜索區域，上下以偏離點所在平行于x軸的直線與ROI分界線 （或者交點所在的水平線）為界，左右不作限定；由于左右車道線具有同向偏離的特點，故可以利用這一特性先進行偏離方向的判定，這時判定偏離方向的統計區域的左右以偏離點所在平行于Y軸的直線和ROI分界線與左右直道線的交點 （也可能是左右車道的交點）所在垂直線為界。判定出偏離方向后就可以在直線的左邊或者右邊進行彎道檢測了。

2.3.1 偏離方向的判定

在圖3中，搜索的區域分為4個區域，其中的區域1與區域3對應于車道的左偏，區域2與區域4對應于車道的右偏。通常情況下，當車道線向左偏離的時候，區域1與區域3的灰度值和就要高于區域2與區域4，反之亦然。然而由于圖像噪聲的存在，以及車道線缺失等影響，僅僅憑借比較灰度值的高低難以準確的檢測出車道的偏離方向［12］。常見的區域灰度值分布圖像如圖4所示。

圖4 常見的彎道部分灰度分布

觀察圖5的右邊彎道搜索部分，可以看出是向左偏離，但是在區域4中的白點數目卻多于區域3，如果僅僅通過比較區域4與區域3的灰度統計和，就會得出錯誤的偏離方向。由此可見，需要更加穩定的判別準則來進行偏離方向的判斷。

圖5 彎道部分的干擾模型

通過觀察，可以發現，大部分的干擾時由于在車道線的附近出現了車輛，或者其他道路標志而造成的。因此必須要排除這一類影響，才能得到滿意的效果。而車輛或者其他道路標志具有非常明顯的方向性，特別是在水平和垂直兩個方向。比如在圖4，水平方向上的干擾非常多。

圖5是一個具有水平和垂直干擾的模型圖，圖中車道為向左彎曲，區域一的灰度統計和即為彎道上點的灰度和，而區域二有水平線與垂直線，且區域二的灰度統計和大于區域一的。通過對彎曲線與水平線和垂直線的觀察可以發現，水平線的Y值是固定的，也有可能在一個很小的范圍內波動，而垂直線的X值是固定，當然也可能在一個小范圍內波動，而彎曲線的x，y值就具有明顯的方向性變化。利用這一特點，可以采用將每一行，每一列的白點只記錄一次的方法，這樣，水平與垂直方向的干擾就會變得微乎其微了。

另外一個需要考慮的就是車道線缺失的問題［13］。假設車道是向右彎曲的，左邊車道的彎道有缺失，加上有部分噪聲的影響，這種情況導致判斷左偏的錯誤。而右邊部分的車道偏離方向則不會出現錯。為了避免這種情況，可以采用將左，右車道結合起來考慮的方法［14］。同時對4個區域進行灰度值的統計，分別為mg，mr，mp，mb。然后按照以下步驟進行處理：

（1）分別對mg，mr和mp，mb進行大小判斷，當mg＞mr時，若mp＞mb則說明車道左偏，否則轉入步驟 （2），當mg＜mr時，如果mp＜mb，則說明車道右偏，否則轉入步驟 （3）。當mg＝mr時，如果mp＝mb，則判定車道為直線，沒有偏離，否則轉入步驟 （4）。

（2）若 mg－mr＞mb－mp，則判定車道左偏，否則判定車道右偏。

（3）若 mr－mg＞mp－mb，則判定車道右偏，否則判定車道左偏。

（4）如果 mp＞mb，則判定車道左偏，否則判定車道右偏。

2.3.2 搜索彎道上的點

在判定了車道的偏離方向后，就可以在指定區域內搜索彎道上的點了，如果判定車道左偏，那么就在車道線的左邊以及搜索上限之間的區域，如果判定車道右偏，則在車道線的右邊與搜索上限之間的區域內搜索。然而在搜索區域內的白點并不都是彎道上的點，只有滿足某些條件的白點才能判定在彎道上。一個最為明顯的特征是彎道上的白點所在的切線的斜率是漸變的，即彎道上相鄰點所連直線的傾斜角度是近似相等。然而，對每兩個相鄰點都計算傾斜角度或者斜率的花費較大，為了節約時間花費，本文采用一種動態改變搜索區域的方法［15］。這種方法主要是利用彎道的彎曲方向，來估計彎道上像素的分布趨勢，通過預測的趨勢來減小搜索范圍，這樣既減少了搜索時間，又排除了噪聲的影響。

在圖5里曲線與直線之間作水平線，離偏離點越遠，線段越長。利用這一特性，可以進一步縮小掃描范圍。下面以左偏為例，處理步驟如下：

（1）從偏離點上一行直線上的點P0開始，向左邊搜索，當遇到白點則保存該點，并保存該點與P0的距離m，并跳到步驟 （2）繼續執行；如果已經搜索5個點，仍然沒有，則令m＝0，同樣跳到步驟 （2）執行。

（2）轉到當前行的上一行，找到直線在此行上的點Pi，此時并不從此點開始，而是，根據上次搜索的距離m，從Pi左移m處的點開始搜索，同樣以5個像素為限定。如果找到，則保存找到的點，并繼續轉到上面一行執行，如果沒有找到，則向右搜索5個像素范圍，如果找到，則將前次所保存的點刪除，重新保存此點，并轉到上面一行執行，如果仍舊沒有找到，則不保存任何點，轉到上面一行進行搜索。

通過上面的處理，將彎道上的點找了出來，然后再用直線將相鄰的點相連，就形成了多段折線。圖6為彎道檢測的效果。

圖6 彎道檢測效果

3 結束語

本文首先介紹了車道檢測中常用的一些方法和車道模型，并確定了采用直道－彎道的模型；然后采用大津閾值與邊緣檢測向結合的方法來完成車道線的提?。辉谥钡罊z測部分采用Hough變換，然后確定偏離點，最后根據區域的像素灰度統計確定偏離方向，最終用多段折線擬合彎道。該算法，能夠比較準確穩定地檢測出車道，并且計算量較小，能夠較好的滿足實時性的要求。

［1］ZHANG Wenpu.Video vehicle detection technology and development trend［J］.Journal of Chinese People’s Public Security University（Natural Science），2010，15 （1）：91－94 （in Chinese）.［張文溥.視頻車輛檢測技術及發展趨勢 ［J］.中國人民公安大學學報 （自然科學版），2010，15 （1）：91－94.］

［2］MA Ying，LI Keqiang，XU Youchun，et al.Lane detection method based on improved transform mapping formulas ［J］.Journal of Tsinghua University （Natural Science），2005，45（11）：1530－1533） （in Chinese）. ［馬瑩，李克強，徐友春，等.基于改進的投影變換公式的車道識別方法 ［J］.清華大學學報 （自然科學版），2005，45 （11）：1530－1533.］

［3］LIU Yanbing.Tunable filter based on the direction of lane recognition party method［D］.Chengdu：UESTC Master Thesis，2009（in Chinese）.［劉燕兵.基于方向可調濾波器的車道線識別方法研究 ［D］.成都：電子科大碩士學位論文，2009.］

［4］LIU Jianwei，WANG Jiarui，CAO Quan，et al.Accurate segmentation algorithm of vehicles based on shadow of chassis［J］.Modern Electronic Technology，2010，32 （5）：154－160（in Chinese）.［劉建偉，王佳銳，曹泉，等.基于車輛底盤陰影的車輛精確分割算法研究 ［J］.現代電子技術，2010，32（5）：154－160.］

［5］WU Changqi，ZHU Hong.Drive recognition ［J］.Electronic Measurement Technology，2005，27 （4）：43－45 （in Chinese）.［吳長奇，朱紅.車道識別技術 ［J］.電子測量技術，2005，27 （4）：43－45.］

［6］Claudio Rosito Jung，Christian Roberto Kelber.An improved linear－parabolic model for lane following and curve detection［C］.Proceedings of the XVIII Brazilian Symposium on Computer Graphics and Image Processing，2005：131－138.

［7］Abdulhakam AM Assidiq，Othman O Khalifa，Md Rafiqul Islam，et al.Real－time lane detection for autonomous vehicles ［C］.Kuala Lumpur，Malaysia：Proc of the International Conference on Computer and Communication Engineering，2008：82－88.

［8］SUN Zhanquan，GUO Mu，LIU Wei，et al.Multisource traffic data fusion with entropy based method ［C］.International Conference on Artificial Intelligence and Computational Intelligence，2009：506－509.

［9］JIA Xin.Study on lane recognition method of intelligent vehicle visual detection［D］.Changchun：Jilin University PhD Thesis，2008（in Chinese）.［賈鑫.智能車輛視覺感知中的車道標線識別方法的研究 ［D］.長春：吉林大學博士學位論文，2008.］

［10］DONG Chunli，DONG Yuning.Survey on video based vehicle detection and tracking algorithms ［J］.Journal of Nanjing University of Posts and Telecommunications （Natural Science），2009：88－94（in Chinese）.［董春利，董育寧.基于視頻的車輛檢測與跟蹤算法綜述 ［J］.南京郵電大學學報 （自然科學版），2009：88－94.］

［11］LEE Jinwook，CHO Jaesoo.Effective lane detection and tracking method using statistical modeling of color and lane edge－orientation［C］.Fourth International Conference on Computer Sciences and Convergence Information Technology，2009：1586－1591.

［12］Bram Alefs，David Schreiber.Accurate speed measurement from vehicle trajectories using AdaBoost detection and robust template tracking ［C］.Seattle，WA，USA：Proceedings of the IEEE Intelligent Transportation Systems Conference，2007：405－412.

［13］HUA Bin.Intelligent vehicle in road detection and target detection technology［D］.Chongqing：Chongqing University Master Thesis，2008（in Chinese）.［華冰.智能車輛中的道路檢測與目標檢測技術研究 ［D］.重慶：重慶大學碩士學位論文，2008.］

［14］HU Bin，HE Kezhong.Lane detection method based on segmentline model and ATN ［J］.Journal of Tsinghua University（Natural Science），2006，46 （10）：1762－1766 （in Chinese）.［胡斌，何克忠.基于分段直線模型和ATN 的車道識別方法 ［J］.清華大學學報 （自然科學版），2006，46 （10）：1762－1766.］

［15］WANG Wenjie.Regional and vision based road lane recognition technology in intelligent vehicle navigation system ［D］.Jinan：Shandong University master thesis，2009 （in Chinese）.［王文杰.基于視覺的道路區域和車道線識別技術在智能車輛導航中的應用研究 ［D］.濟南：山東大學碩士學位論文，2009.］