基于Android平臺的車道線檢測系統設計

黃惠迪，官洪運，鄧 昶，薛 節

（東華大學 信息科學與技術學院，上海 201620）

隨著社會的發展和交通工程的大量興起，車輛行駛安全問題也日益突出，并已今成為當今汽車行業的一個關鍵問題。用于智能車輛導航系統的開發越來越受到研究者和廠商的關注，其中，基于圖像處理的車道線檢測以及車道偏離預警占據了重要的一個環節。通常汽車安全輔助系統需要高成本硬件設備來實現，使得安全駕駛輔助系統尚未廣泛普及[1]。

作為移動設備搭載的主流操作系統之一，Android[1]是基于Linux平臺的開放性操作系統。它由多個組織推動標準，達到了相當高的開放程度，配置不同的硬件架構都可以用以定制適用于自己的系統，可以應用與手機、平板電腦等多種移動智能終端設備之上。在Android系統對移動設備進行優化之后，非常適合于系統內存有限以及處理性能不高的移動芯片運行。因此，利用智能手持設備的便攜性，本文在Android平臺上，設計開發車道線檢測和偏離預警的輕量級輔助駕駛應用，使人們可以直接利用自己的安卓手機便可達到智能駕駛，安全出行的目的。

為了能夠在手機平臺上達到檢測準確性，必須考慮光照條件、路面狀況、實時性等難點。對此，本文對傳統的車道線的檢測算法也做出了相應的改進，提高自適應性與魯棒性。

1 車道線檢測與跟蹤算法

文中將利用OpenCV提供的函數庫實現車道線檢測的算法。先經過色彩空間轉化、直方圖過均衡化、增強對比、去除噪聲、邊緣檢測等圖像預處理過程，隨后提出一種自適應非監督分類方法提取車道線。

1.1 圖像預處理

在圖像處理中，為了降低運算的復雜性，經常采用的方式是首先將彩色圖像灰度處理，根據不同原色對視覺亮度的反應情況，彩色圖像取灰度值 Y=0.3×R+0.59×G+0.11×B。

在實際車輛行駛過程中會遇到光源太強致使整體畫面偏白，或者夜間行車光源太弱等情況降低車道線辨識度，本系統將會采用直方圖均衡化和高斯濾波去噪，使車道特征更明顯。

如果檢測車道線時如果對整張圖像進行檢測，會受到大量背景雜物干擾增加系統計算量?？紤]到車道線只出現在畫面下方，系統設置感興趣區域ROI范圍為圖像下方1/2矩形，在這個區域內進行圖像邊緣檢測。

通常把邊緣定義為圖像中灰度產生急劇變化的區域邊界，進行微分運算，求得二階導數或梯度的最大值為零的點，再選取適當的閾值來提取邊緣。常用的邊緣檢測算子有基于一階微分的如Sobel算子、Prewitt算子，基于二階階微分Laplace算子，還有Canny算子[2]。使用OpenCV中的Canny邊緣提取效果如圖 1（b）。

車道線檢測中最常用的識別方法之一是基于Hough變換。其原理是利用圖像空間和Hough參數空間的點-線的對偶性，把圖像空間中的問題轉換到參數空間中去。OpenCV中提供了Hough的函數cvHoughLines2實現了用于直線檢測的Hough變換方法[3]，將極坐標空間中局部峰值點予以返回。它支持標準Hough變換和累計概率Hough變換，其中累計概率Hough變換是在一定的范圍內進行霍夫變換，從而減少計算量，縮短計算時間。 直線檢測效果如圖 1（c）和 1（d）。

圖1 車道圖像預處理Fig.1 Image preprocessing

1.2 基于非監督直線分類器的車道線檢測

上節由Hough變換獲取的一個直線集合中僅有部分來自于所需提取的車道線，其他則是干擾線。在使用Hough變換過程中設置參數將虛線尋找出來，其中經計算虛線最大間距約有30像素。假設Hough變換結果表示為集合L：

其中L是直線集合，r是元素總數，Lx是點p0到pf點中的第x條直線。然后使用非監督分類器尋找在集合L中的最優直線。此處分類器共有兩個類，分別用于左右兩側車道線，相應的定義為和C2，并對每個類的參數定義初始狀態。

每個類各自有兩個參數，第一個是直線中點，第二個是直線斜率。參數初始狀態定義如下：

其中 Pmcx是 Cx 類的中點，Cx∈{C1，C2}，Ix，max是圖像中的列數，Iy，max是圖像中的行數，Mcx是 Cx 類直線的斜率。公式（2）（3）中的比值系數由50張樣例圖像中計算均值得出。C1和C2兩個類與其參數相對應的定義為：

根據每一幀的變化，參數對于實際車道線做出調整。本文為此使用自適應方法將類的參數更接近于實際值。如果直線lp滿足（8）即可歸類為類Cx，否則刪除

dp，pmcx是直線 lp的中點與類 Cx的點 Pmcx之間的歐式距離，dP，Mcx是直線 lp的斜率與類 Cx的斜率 Mcx之間的差，dminpx是直線lp的中點與Pmcx之間最小距離，dminMx是斜率差的最小值。dminMx在這里設值為1.5，最小點間距是動態變化值，起始值設為對角線長度的85%。所用最小值均使用了啟發式方法定義，第二個值隨著下一幀的出現將會減小。參數Pmcx隨圖像變化而更新，由公式（9）獲得，

決策因子 α 范圍為（0，1）并基于二次方程定義為（10）。它作為權值取決于當前處理的直線中點和類Cx中點之間距離當距離縮短時，該點權值將在類的下一參數中提高。反之當該點在較遠處時，這一點對于整體貢獻較小。

為了避免在一些情況下可能出現對道路寬度估值增大，例如道路右側有一條分叉路導致在車道上出現一條新的直線，在（11）中定義了由直線中點間保持距離Dk的張量Tk，其中Dk由（12）表示。這里張量Tk通過點P1和P2定義，其中每一直線的中點pmcxk由ΔD檢查是否符合約束條件（13），ΔD為當前幀中求得的距離導數，g是目前ΔD中的最小值。

2 系統設計與實現

2.1 系統開發環境

系統在Windows7操作系統Eclipse IDE中，使用OpenCV－2.4.7－android－sdk，基于Android SDK進行開發。系統的核心算法代碼調用了底層基于C/C++語言的OpenCV開源庫來實現。雖然OpenCV提供了一部分支持Android環境的Java接口，但是考慮到優化系統性能，本系統將在原生代碼上進行移植。系統開發時將會涉及C/C++與Java之間混合調用，解決方法是使用標準Java函數接口（JNI）來改寫原生C/C++代碼，隨后使用集成了交叉編譯器的Android NDK開發C/C++動態鏈接庫 （so），將動態鏈接庫文件和java應用打包成Android應用程序apk[4]。圖2顯示了代碼編譯和調用過程。

圖2 Android應用程序調用流程Fig.2 Android application implementation

2.2 程序實現

OpenCV的庫將Android自身的與相機相關的庫進行了封裝，通過SurfaceView顯示在手機屏幕上，這里只需要繼承Android.app中的Activity類并實現OpenCV提供的接口CvCameraViewListener2。啟動時加載OpenCV庫，在回調函數onManagerConnected中 調 用 CameraBridgeViewBase.enableView（）連接相機獲取圖像[5－6]。

在NativeCameraView中的線程調用函數deliver And Draw Frame，更新其中發生變化的圖像?？梢栽趏n Camera Frame（CvCameraViewFrame inputFrame）中實現系統所需的處理代碼。

先將由CameraBridgeViewBase的setMaxFrameSize將輸入圖像inputFrame降低大小，隨后轉成灰度圖像，再用Imgproc提供的函數進一步直方圖均衡、平滑降噪、提取邊緣、設置ROI等處理。利用Java提供的并發處理機制，建立線程池，ExecutorService對左右車道同時進行處理。

程序主要部分代碼：

3 實驗結果

測試硬件使用 Samsung GT－N7100，其 CPU為四核Quad－Core ARM Cortex－A9 主頻 1.8 GHz，GPU 為 ARM Mali－400 MP4@533 MHz，操作系統為Android4.3，圖像獲取速率為30 fps。圖3中（a）是對于第一幀車道線檢測結果，此時分類結果來自于上文所設的類參數初始值。位于正中相交的兩條直線左側為C1類，右側為C2類，圖中同時標出了對應分類的直線中點位置?？梢杂^察到在圖像兩側邊緣處有若干未經分類的直線中點。

圖3中（b）是采集的第二幀圖像，從中可以明顯看出參數相對接近實際值，而在第四幀圖像（c）中估測直線以及幾乎與實際車道線重合。在實驗的下一幀圖像中，直線將更加接近于真實車道線。

圖3 直線分類結果Fig.3 Result of lines classifier

表1 不同環境下實驗結果對比Tab.1 Test result in different conditions

表1是在各個實驗情景下車道線檢測結果。在路面干擾較少情況下可以達到10f ps以上圖像處理速度，光線較弱時判別率相對較低。而實驗中由未經預處理的圖像直接經Hough變換檢測得到的干擾線較多，且每秒處理圖像在5幀左右。

4 結 論

文中在Android平臺上利用OpenCV庫進行車道線檢測系統的開發，充分說明了將車載安全預警系統移植到智能手機上的可行性。同時為解決在移動設備上圖像處理的性能問題，提出了自適應的非監督直線分類器。對直線車道線，包括彎道的直線部分，有快速準確的判別效果。實驗結果表明該算法與傳統方法相比處理速度較快，判斷正確率較高。

[1]Milanés，Vicente.Intelligent automatic overtaking system using vision for vehicle detection[M].Expert Systems with Applications，2012，39（3）:3362-3373.

[2]Parker，Jim R.Algorithms for image processing and computer vision[M].John Wiley&Sons，2010.

[3]Topal， Cihan， Cuneyt Akinlar，Yakup Gen.Edge drawing:a heuristic approach to robust real-time edge detection[C]//Pattern Recognition （ICPR）， 2010 20th International Conference on.IEEE，2010.

[4]Le，Quoc V.Building high-level features using large scale unsupervised learning [C]//Acoustics，Speech and Signal Processing （ICASSP）， 2013 IEEE International Conference on.IEEE，2013.

[5]Deepthi R S，Sankaraiah S.Implementation of Real-Time Image Analyzer Graphical User Interface Using OpenCV on Android Mobile Phone[J].Advanced Science Letters，2013,19（8）:2174-2179.

[6]Baggio，Daniel Lélis. Mastering OpenCV with practical computer vision projects[M].Packt Publishing Ltd，2012.