車輛檢測與跟蹤系統中道路檢測方法的研究

周桑彥，李東新

（河海大學 計算機與信息學院，江蘇 南京 211100）

隨著現代社會的發展與我國城市化進程的加快，汽車交通在給我們帶來便利生活的同時也導致了道路車輛擁擠、交通事故頻發、交通環境惡化、能源緊張、環境污染不斷加重等問題。智能交通系統(ITS)就是在這種背景下應運而生的。而車輛檢測與跟蹤是基于視頻技術的智能交通系統中最關鍵的技術之一，具有不破壞路面，檢測范圍大，安裝使用靈活，維護費用低的特點，是計算機圖像處理的一個重要研究領域，也是一種簡單而有效的交通信息統計的方法[1]。

在基于視頻的車輛檢測與跟蹤系統中，運用圖像預處理技術的道路的檢測是其最基礎的部分。理想的道路檢測算法是通過攝像頭提取的信息就能夠準確的定位分析，但是以目前的技術條件，沒有任何傳感器能保證提取的信息一定是準確無誤的，而且由于外界環境的變化，如光照，陰影，雨雪天氣都會對攝像頭的信息提取產生影響。因此通過對道路的檢測，確定路面區域，進一步縮小感興趣區域，可以為之后進行的車輛檢測和識別，有效地提高系統的準確性和實時性。本文通過分析道路檢測的整體流程，對比分析多種算法，提出了適合本系統的，以檢測車道線和道路邊界為主的智能車道路檢測的方法。

1 道路檢測整體流程

道路檢測是車輛檢測與跟蹤系統的第一部分，也是最基礎的部分。其中包括圖像輸入、圖像預處理、有效區域設定并對圖像灰度化、道路邊緣增強、檢測路面邊緣等部分。

2 圖像預處理

白平衡處理能夠有效修正外界光照變化照成的圖像顏色的偏差，處理后能更利于提取圖片信息，帶有硬件白平衡處理的攝像頭價格都很昂貴，考慮成本問題，我們可以進行軟件的白平衡的方法。目前，利用軟件對圖像進行白平衡處理，主要有 BrightBlock，Automated這兩種算法[2-3]，文中使用的是前者。

在圖像的處理過程中不可避免的會存在一些高頻的噪聲，進行平滑處理后，能有效降低這些噪聲對圖像處理的影響，提高獲得圖像的質量以及圖像處理的準確性。

對圖像進行平滑處理一般可以分為頻域法和空間域法。其中頻域法使用的算法比較復雜，考慮到本文中對車輛檢測需要很強的實時性，所以本文采用比較簡單的空間域法，經驗證能夠達到較好的處理效果。

空間域法的基本算法有3種：均值濾波法、中值濾波法和邊緣保持平滑法等。

在以上3個算法中，鄰域平均算法和中值濾波算法比較簡單，所以運行的時間較短，具有較好的實時性。邊緣保持算法耗時較長，不符合本文對道路檢測的要求，因此本文主要對比分析鄰域平均算法和中值濾波算法選其一種。

車輛行駛中難免會產生震動而且周邊環境復雜多變，雨雪天氣，光照變化等都會產生大量的噪聲。因此本系統中對圖像進行濾波降噪處理是必須的，通過濾波有效地消除噪聲對后續圖像處理產生的不良影響。考慮到正常行駛過程中，外界環境為圖像主要的噪聲來源，如雨雪天氣，細小的雜物顆粒，本文用椒鹽噪聲對其進行模擬，仿真結果如圖1所示。

圖1 中值濾波及均值濾波對圖像的處理Fig.1 Median filter and mean filter of image processing

從圖1中我們可以看出，處理椒鹽噪聲時，中值濾波較均值濾波能更好的擔任降噪的任務，消除雨雪等環境因素對系統造成的噪聲污染，均值濾波能一定程度消除噪聲，但是圖像細節也模糊很多，所以本文平滑處理是采用中值濾波。

3 道路圖像的檢測

3.1 有效區域的設定

實際應用中攝像頭拍攝的圖像中包含大量的天空和周邊環境等沒必要的圖像信息，如果對每幅圖像都進行全面處理，必然會大大增加系統的計算量，所以本文在處理圖像時只處理攝像頭采集到的前方200米的圖像信息，這樣就可以避免處理那些沒必要的大量的圖像信息，使系統具有更好的實時性，有效區域設定的方法也比較簡單：1)通過攝像頭標定技術，將車輛前方200米的距離轉化到像素坐標系下；2)在圖像的像素坐標系下，將圖片中我們需要的部分提取出來。有效區域確定后，基于文中研究的是結構化的道路，路面比較平均，也可以通過采集幾幅實時的道路圖像，對路面進行提取求平均，求出它的平均閾值，作為以后提取路面的重要參數。

3.2 圖像的灰度化

為了提高車輛運行時對道路檢測實時性的要求，本文對采集到的彩色圖像進行灰度化，減弱彩色圖像中包含的沒必要圖像信息，這也是很多系統圖像處理時經常用到的處理技術。經驗證處理灰度化后的圖像，能夠很好的達到本文對道路檢測的要求。

3.3 路面區域的邊緣增強

邊緣檢測算子是利用灰度值的不連續性來檢測邊緣的，因為圖像的邊緣一般都具有灰度突變的特點。我們通常可以采用求導的方法來檢測這種突變的特性，有些算法采用一階求導數，有些算法采用二階求導數，常用的一階求導算法有Roberts檢測算法、Sobel檢測算法、Prewitt檢測算法等，有些算法采用二階求導數，常用的二階求導算法有Laplacian檢測算法、LOG檢測算法、Canny檢測算法等[4-5]。

在現實情況中，因為外界環境的變化，系統本身的局限性，不可能沒有噪聲，所以研究分析在有噪聲的情況下，各個算子對道路邊緣檢測的能力是必須要考慮的方面。車輛行駛中，經常會碰到雨雪天氣，這也是本文要考慮的主要噪聲類型，在仿真實驗中，本文可以采用椒鹽噪聲來模擬，本文采用在輸入圖像中加入0.04的椒鹽噪聲，效果如圖2所示，處理結果如圖3所示。

圖2 圖像加入椒鹽噪聲后的灰度圖Fig.2 Grayscale image after adding impulse noise

圖3 加入椒鹽噪聲后檢測道路邊緣Fig.3 Edge road detection after adding impulse noise

由上圖對比發現，加入噪聲后，所有的算子都受到了明顯的干擾，其中canny算子和zero算子已經完全不能有效檢測道路邊緣，Rebort算子，Prewitt算子和LOG算子得到的道路邊緣以及車道線定位不夠準確，而且圖像的連續性很差，效果不能滿足我們檢測的要求。但是Sobel算子仍然表現出很高的抗噪特性，在檢測結果中道路信息和車道線邊界信息都得到了完整的檢測和較為準確的定位，所以本文采用Sobel算子進行邊緣的檢測。

3.4 利用Hough變換檢測路面邊緣

在對圖像用Sobel算子處理后，可以通過聚類分析提取直線的方法檢測車道線，這也是道路檢測中常用的方法之一。可是當處理的圖像中，有陰影或者車道線不標準時，可能會出現較大的誤差。

文中研究的主要對象是基于結構化道路的車輛檢測，檢測的道路是結構化的有明顯的邊緣特征，而且一般都是直線的，同時本文檢測道路只是為了進一步縮小感興趣區域，對道路檢測的要求并不是很高。因此文中采用適合提取直線邊緣的Hough變換來確定路面的范圍[6]。

Hough變換所實現的是一種從圖像空間到參數空間的映射關系，如圖4所示。通過在參數空間里進行簡單的累加統計，然后在Hough參數空間尋找累加器峰值的方法檢測直線。

累加計數器的過程可以寫為：

圖4 Hough變換的點-線對偶Fig.4 Higher pair of Hough transform

從圖3可以看出，對道路進行邊緣增強之后，除了道路線之外還會有一些雜散的像素點，但是對于Hough變換來說，它是從圖像的整體出發，并將像素點連接起來形成直線，而且形成的是封閉的直線。因此這些雜散的像素點并不會對檢測造成很到的影響，本文采用Hough變換可以達到直線檢測的目的。當然提取的直線不可能直接就是實驗的直線，還會存在一些干擾，這時可以采用道路邊緣多特有的一些基本特征來進行選擇，比如：1)因為攝像頭是從上到下拍攝的圖片，所以左右道路邊緣肯定是呈現梯形的形狀，而且道路邊緣形成的直線肯定會和輸入圖像的周邊有交點，并且左邊緣線形成的直線不可能交到右邊緣線形成直線的右側，同時右邊緣線形成的直線不可能交到左邊緣線左側形成的直線；2)左側道路邊緣線下端于圖像周邊的交點一般在圖片底部或者左側下半部，左側道路邊緣線的上端和圖像邊緣的交點肯定在圖片的上部。

在圖像坐標系中，道路邊緣一般和x軸的夾角比較大，和y軸的夾角比較小，根據實際的情況分析驗證，得出道路邊界和x軸的夾角θ1以及道路邊界和y軸的夾角θ2的范圍要求如公式(2)及(3)：

通過Hough變換檢測出的所有邊緣后，引入上文所分析的道路特征，對邊緣進一步的檢測，篩選出本文所需要的道路邊緣，如此就能夠很好的區分道路區域和非道路區域，這樣就能夠大大縮小了感興趣區域，然后再在道路區域中檢測車輛，經驗證采用這種方法能夠很好地提高本系統的實時性和魯棒性。下面是根據本文所描述的算法，檢測出的道路邊緣，邊緣以用紅色標出，如圖5所示。

圖5 Hough變換提取的道路邊緣Fig.5 The road edge through Hough transform

4 結論

文中通過對比分析多種算法，提出了適合本系統的，以檢測車道線和道路邊界為主的智能車道路檢測的方法，首先對采集到的圖片進行白平衡和平滑處理，灰度化確定自適應閾值，而后進行邊緣增強，并對比分析了幾種比較常見的車道檢測算法，并選擇了高效抗噪聲能力比較強的Sobel算法，對圖像邊緣進行增強，最后提取道路邊緣時，采用了效率較高的Hough變換算法。本章實驗仿真主要在Matlab仿真平臺上實現，驗證結果表明該算法能有效的檢測出道路邊緣，并且運算比較簡單，滿足了車輛檢測實時性，準確性的要求。

[1]Bertozzi M,Broggi A,Fascioli A.Stereo inverse perspective mapping:Theory and applications [J].Image and Vision Computing,1998，16(8):585-590.

[2]N.D.Mattews,P.E.An,D.Charnley,C.J.Harris.Vehicle Detection and Recognition in Grey scale Imagery [J].Control Engineering Practice,1996,4(4):473-479.

[3]王榮本，徐友春，李兵.基于線性模型的導航路徑圖像檢測算法研究[J].公路交通科技，2001，18(1):40-44.WANG Rong-ben,XU You-chun,LI Bing.Study on linear model based image recognition algorithm of navigation route[J].Journal of Highway and Transportation Research and De-velopment,2001,18(1):40-44.

[4]Khammari A,Nashashibi F,Abramson Y,et al.Vehicle detection combining gradient analysis and AdaBoost classification[C]//Proc.of the IEEE Conf.on ITS,Vienna,2005:1084-1089.

[5]SUN Ze-hang，Bebis G,Miller R.On-road vehicle detection using evolutionary gabor filter optimization[J].IEEE Transactions on Intelligent Transportation Systems,2005,6(2):125-137.

[6]王珂娜，鄒北驥.基于Hough變換的焊接接頭自動識別技術研究[J].湖南大學學報,2004,31(5):101-102 WANG Ke-na,ZOU Bei-ji.Research on auto-recognition for the welding joint positions based on hough transforms[J].Journal of Hunan University,2004,31(5):101-102.