基于改進暗通道算法的霧天車輛偏離預警研究

周勁草，魏 朗，張在吉

(1.長安大學汽車學院，陜西 西安 710064；2.中國民航大學智能信號與圖像處理重點實驗室，天津 300300)

基于改進暗通道算法的霧天車輛偏離預警研究

周勁草1，魏 朗1，張在吉2

(1.長安大學汽車學院，陜西 西安 710064；2.中國民航大學智能信號與圖像處理重點實驗室，天津 300300)

針對在霧天工況下僅憑常規車道線識別方法無法準確提取車道線這一現狀，給出了一種基于改進暗通道算法的霧天車道線識別算法.首先利用基于雙邊濾波器的暗通道算法對霧天工況下的圖片進行去霧并對去霧圖像進行亮度修正；然后利用Sobel算子和大津法得到包含清晰道路邊緣的二值化圖像；最后利用Hough變換對車道線精確提取.實驗表明：該算法能夠在霧天工況下對車道線進行準確、快速地識別；與常規算法相比，該算法具有更高的準確性和實時性，對于提高霧天車輛主動安全性具有較大意義.

車輛主動安全性；霧天；雙邊濾波；車道偏離預警；圖像去霧

0 引言

近年來霧天正逐漸在各個方面影響著人們的生活，尤其是在交通運輸中，霧天造成的低能見度對于行車安全帶來了巨大的隱患.在霧天天氣的駕駛過程中，駕駛員難免會因霧天造成的低能見度或疲勞駕駛等因素使汽車偏離正常的行駛車道進而釀成車禍.因此，設計一種在車輛出現無意識的車道偏離時能給予駕駛員及時提醒的系統，可以有效地少車道偏離事故的發生[1].在這種系統中，車道標志線的準確識別是非常關鍵的一步.到目前為止，雖然已經有很多基于視覺的車道線檢測算法[2-4]，但是僅僅使用這些算法往往只能在白天和陰天的工況下具有較高的檢測和識別的成功率，針對霧天這一特殊天氣情況下的圖像識別效果卻不佳.

霧天工況下，由于大氣中存在隨機介質，光從路面反射到達相機的過程中會發生吸收和散射等變化.在該過程中，原本應當沿直線傳播的光發生了散射從而偏離了原來的傳播路徑，然而一些其他光路的光卻由于散射作用進入到該光路，從而導致圖像對比度下降，使車道標志線難以辨識[5].針對圖像去霧，到目前為止去霧效果最好的是何愷明博士提出的暗通道先驗算法，該算法能夠對單幅圖片有效去霧，但是經典的暗通道先驗算法在霧天車道線識別過程中依然存在以下2個問題：(1)暗通道先驗算法所得圖像偏暗不利于使用常規算法進行車道線識別，必須對良好光照條件下的車道線識別算法進行修改，降低普通車道線識別算法的魯棒性；(2)基于軟摳圖算法[6]以及指導性濾波算法[7]計算速度偏慢，不能滿足實際工況的使用要求.利用雙邊濾波器取代軟摳圖算法或指導性濾波算法[8]，雖然大幅提高了計算速度，但是去霧之后的圖像依然偏暗，即使用良好光照條件下的車道線識別算法仍舊不能準確識別出車道線.為了解決上述問題，本文提出一種基于雙邊濾波器的暗通道累加算法，該方法能夠有效地提高利用常規方式識別車道線的準確率并且大幅提升計算速度，對于提高用于良好光照條件下車道線識別算法的魯棒性具有較大意義.

1 暗通道累加算法

何愷明通過對大量戶外自然圖像的統計實驗提出了暗通道先驗模型(Dark Channel Prior)，通過暗通道假設直接恢復出無霧圖像.

1.1 暗通道優先原理

在計算機視覺和數字圖像處理中，霧天降質圖像的光學模型通常描述為[9]

I(x)=J(x)t(x)+A(1-t(x)).

(1)

式中：I(x)表示觀察到的有霧圖像，J(x)表示景物反射光強度(清晰的無霧圖像)，A表示全局大氣光照強度，t(x)用來描述光線通過介質透射到成像設備過程中沒有被散射的部分.去霧的目標就是從I(x)中復原J(x).暗通道先驗理論認為：在絕大多數非天空的局部區域里，某些像素總會(至少一個顏色通道)具有很低的值[10].用公式描述為

(2)

式中JC表示J的一個顏色通道，C∈{r，g，b}.并可以得到透射率

(3)

在現實中即便是晴朗的天氣，天空中也會存在一定量的霧，如果將圖像中的所有霧全部去除，則會導致圖像失真，因此在(3)式中加入一個霧氣保留系數ω(0<ω<1)，此處取ω=0.95，有

(4)

(5)

其中t0參數用來限定透射率t的下限值，其作用是在輸入圖像的濃霧區域保留一定的霧[11].

1.2 本文算法

采用雙邊濾波器能夠大幅提高圖像去霧速度[8]，但是由于僅僅采用雙邊濾波器替代軟摳圖算法或者指導性濾波器，其結果依然不能夠為后續的車道線識別提供理想的輸入圖像.因此本文在采用雙邊濾波器的基礎上對輸出圖像進行線性修正，從而獲取理想的車道線輸入圖像.具體步驟如下：

(1) 求取含霧圖像的暗原色圖

(6)

(2) 對Idark(x，y)邊界處暗原色進行修正

(7)

(3) 利用(4)式求得透射率

(8)

(5) 得到無霧圖像

(9)

(6) 對去霧之后的圖像J(x)進行線性修正，從而最終獲取理想的車道線識別輸入圖像

Jideal(x)=kJk(x)+M(k∈N+)，

(10)

式中Jk(x)表示單個利用雙邊濾波器算法去霧之后的圖像，k為亮度修正系數，M則為圖像亮度修正矩陣，用于對感興趣區進行亮度補償.

為了在后續車道線識別中進行對比驗證，本文分別利用軟摳圖算法和雙邊濾波器對霧天圖像進行細化，并將得到的無霧圖像進行累加(見圖1)，描述本文在敘述過程中基于軟摳圖算法的暗通道優先為軟摳圖累加算法，如圖1(c)所示.

(a)原圖

(b)傳統暗通道優先算法

(c)軟摳圖累加算法

(d)本文算法

2 去霧圖像的二次處理

由于在已經得到的去霧圖像中還存在一定的噪聲，不利于后續的車道線識別，因此還需對去霧圖像進行處理.

Sobel算子是一種將方向差分運算與局部平均相結合的方法，具有一定的噪聲抑制能力并且能夠有效去除道路圖像中大部分的無用信息，可以較好地保留車道標志線的邊緣信息[13].因此采用Sobel算子凸顯左、右車道線的邊緣.對于左、右兩側車道線分別采用Sobel算子進行邊緣增強：

其中SL為左側Sobel算子，SR為右側Sobel算子.經過Sobel算子對邊緣的增強，圖像依然包括許多噪聲，為了從多值的數字圖像中直接提取出車道標志線，本文利用大津法(OSTU)獲取圖像閾值并進行全局二值化.

3 車道線檢測

由于在結構化道路的設計和修建過程中執行一系列嚴格的行業標準，其車道標志線在延伸方向上有平滑曲線，并且曲率很小，一般近視野內車道線可以近似看做直線[14]，并且由于Hough變換能將原始圖像中給定的曲線或直線變換成參數空間的一個點，可以把原始圖像中曲線或直線的檢測問題轉換成尋找參數空間中峰點的問題，因此變換不易受到噪聲和曲線間斷的影響，能較好地實現車道標志線的識別[15].本文以直線作為車道線模型，采用Hough變換檢測車道線.

為了說明改進算法的有效性，本文將霧天原圖、經典暗通道算法去霧、軟摳圖累加算法和本文算法4種圖像分別進行車道線識別并加以對比(見圖2).

(a)原圖

(b)傳統暗通道優先算法

(c)軟摳圖累加算法

(d)本文算法

由以上各實驗結果看出，直接使用經典暗通道優先算法(見圖2(b))和霧天原圖(見圖2(a))的車道線基本無法準確識別，而經過軟摳圖累加算法和本文的算法的圖像(見圖2(c)和圖2(d))通過Hough變換能夠準確地對車道線進行識別.類似的實驗證明指導性濾波疊加算法的去霧效果同樣能夠達到準確識別車道線的要求，此處不再贅述.

4 霧天車道偏離判斷

4.1 預警算法建立

俄羅斯專家指出，倫理是研究道德的哲學分支，人工智能的倫理包括道德、隱私、正義、有益性、安全、責任等，人工智能遵循倫理道德其實也就是制定“機器人規則”。人工智能不是一個簡單被動的工具，而是像人一樣具有感知、認知、決策等能力的事物，需要確保這樣的復雜工具進入人類社會以后和人類的價值規范及需求相一致。哲學博士安德烈·西尼察強調，人工智能技術首要保障對人安全，就像克隆技術一樣，不能危害人類和傷害人的尊嚴。在立法時也不得不考慮古典哲學家康德提出的“我能夠知道什么？我該怎么做？我可以希望什么？什么是人？”等永恒的世界觀問題，歸根結底最重要的對象是人，人工智能立法要以人為中心。

圖3 車輛偏離示意圖

車輛偏離預警多用于因駕駛員注意力分散或下降導致的車輛偏離，當駕駛員未打開轉向燈而有所偏離時系統認定需要預警并且保存變道圖像[16].本文主要是依據車輛在當前道路中的橫向位置和方向參數來判斷車輛是否偏離車道行駛(見圖3).

圖3中車輛在車道中的橫向位置參數x0是指車輛前輪輪軸中心點P的x坐標值，P點在y軸右側時，x0為正，反之為負.車輛在車道中的方向參數是指y軸與車輛縱向中軸線的方向夾角為θ，當車頭右偏時θ為正值，反之為負值.根據車輛在當前車道中的位置參數和方向參數，可以得到偏離車道預警模型[17]：

(11)

(12)

式中θ0為設定好的閥值，本文為1°，b為車輛寬度，xt為設定的報警臨界線距y軸的距離.當滿足(11)式時，車輛偏離車道行駛，偏離方向向右偏；當滿足(12)式時，車輛偏離方向向左偏.

4.2 預警算法檢測平臺建立

圖4 Driving Departure Detector 1.0系統

為了說明去霧算法在車道偏離預警系統中的有效性，利用VC++6.0和Opencv 1.0創建了Driving Departure Detector 1.0系統，該系統能識別車輛變道行駛畫面并將變道行駛圖像進行保存，可以為后續事故的鑒定以及事故責任劃分提供有效依據.首先將霧天圖像進行去霧處理，得到無霧圖像作為該系統的輸入圖像并進行車道線識別，然后依據上述的預警算法進行判斷，若存在變道則在右側識別框內顯示并保存，否則進行下一張圖像的識別.Driving Departure Detector 1.0系統如圖4所示.

4.3 去霧圖像預警檢測效果實驗

為了說明本文所提出去霧算法的有效性，分別從4段霧天行車視頻中各選取了25張變道行駛畫面以及25張直線正常行駛的圖像，用于計算誤檢率和漏檢率.利用3種去霧算法進行去霧處理，并將去霧圖像依次輸入Driving Departure Detector 1.0系統中，然后對各種去霧算法下保存的圖像進行統計，分別得到漏檢率以及誤檢率，如圖5和6所示.從圖5和6中可以看出，軟摳圖累加算法、指導性濾波累加算法以及本文算法相比經典暗通道優先算法都有著較低的誤檢率和漏檢率.

圖5 各種去霧算法漏檢率對比圖

圖6 各種去霧算法誤檢率對比圖

5 改進算法實時性分析

雖然軟摳圖累加算法、指導性濾波疊加算法和本文算法都能達到使用常規方式檢測出車道線的要求，但是對于高速行駛的車輛而言，僅僅能夠檢測出車道線是遠遠不夠的，最重要的是能夠在規定時間內做出識別，即擁有良好的實時性.本文對軟摳圖累加算法、指導性濾波疊加算法和本文算法的實時性進行了分析.

本文對圖片去霧所采用的實驗平臺為處理器為Pentium Dual-Core 1.86 GHz、內存為4 GB運行Windows XP的PC機，編程語言為Matlab R2009a.依次對圖片大小為256像素×192像素、320像素×240像素、512像素×384像素、640像素×480像素、1 024像素×768像素的圖片進行去霧，其運行時間如表1所示.

表1 車道線檢測時間對比 s

由表1可以看出，雖然軟摳圖累加算法、指導性濾波疊加算法均能夠準確識別出車道線，但是其實時性明顯比本文算法差.

6 小結

實驗證明本文所給出的基于雙邊濾波器的暗通道累加算法能夠有效地提高利用常規方式識別車道線的準確率并且大幅提升計算速度，對于提高普通用于良好光照條件下車道線識別算法的魯棒性具有較大意義.

然而，本文算法依然存在部分場景誤檢率較高的問題，這主要是由于改進后的圖像增強技術在部分圖像對比度提升上依然表現不佳，以及全幅去霧造成的非興趣區域圖像檢測干擾.在今后的研究中將考慮利用車道平面約束方程獲取圖像增強興趣區域，以提高算法的實時性與準確性，進一步增強算法的對比度提升能力，使其具有更高的魯棒性.

[1] 徐蘭梅.車道偏離預警系統是否可以有效減少安全事故發生[EB/OL].[2015-03-29].http：//gps.carcav.com/qcdz/2015/0329/417-98.html.

[2] KIM Z W.Robust lane detection and tracking in challenging scenarios[J].IEEE Transactions on Intelligent Transportation Systems，2008，9(1)：16-26.

[3] 劉偉，黎寧，張丹，等.基于自適應分割閾值的夜間車道標志線識別[J].計算機與數字工程，2015，43(2)：308-311.

[4] 陳軍.基于DSP的高速公路車道偏離報警系統研究[D].天津：天津大學，2010.

[5] 祝培，朱虹，錢學明，等.一種有霧天氣圖像景物影像的清晰化方法[J].中國圖像圖形學報，2004，9(1)：124-128.

[6] LEVIN A，LISCHINSKI D，WEISS Y.A closed form solution to natural image matting[J].IEEE Transactions on Pattern Analysis & Machine Intelligence，2008，30(2)：228-42.

[7] HE K，SUN J，TANG X.Guided image filtering.[J].IEEE Transactions on Software Engineering，2013，35(6)：1397-1409.

[8] 吳笑天，丁興號，吳奎.基于暗通道理論的霧天圖像復原的快速算法[J].長春理工大學學報(自然科學版)，2012，35(1)：100-104.

[9] COX L J.Optics of the atmosphere-scattering by molecules and particles[J].Journal of Modern Optics，1977，14(7)：698-699.

[10] 方雯，劉秉瀚.多尺度暗通道先驗去霧算法[J].中國體視學與圖像分析，2013(3)：230-237.

[11] HE K，SOU J，TANG X.Single image haze removal using dark channel prior.[J].IEEE Transactions on Pattern Analysis & Machine Intelligence，2010，33(12)：2341-2353.

[12] 胡平.基于圖像分割的交通圖像快速去霧算法[J].計算機系統應用，2014，23(9)：134-138.

[13] 陸宗騏，梁誠.用Sobel算子細化邊緣[J].中國圖像圖形學報，2000，5(6)：516-520.

[14] 金輝，吳樂林，陳慧巖，等.結構化道路車道線識別的一種改進算法[J].北京理工大學學報，2007，27(6)：501-505.

[15] 鞠乾翱.基于機器視覺的快速車道線辨識研究[D].上海：上海交通大學，2013.

[16] 林廣宇，魏朗，蹇小平.基于嵌入式的車輛偏離預警系統研究[J].電子設計工程，2010，18(8)：26-28.

[17] 魏朗，劉永濤.一種客運車輛車道偏離預警裝置及其判斷方法：中國，ZL201210057758.X[P].2014-06-18.

(責任編輯：石紹慶)

Research of vehicle departure alarm in fog weather based on improved dark channel prior algorithm

ZHOU Jin-cao1，WEI Lang1，ZHANG Zai-ji2

(1.College of Automobile，Chang’an University，Xi’an 710064，China； 2.Tianjin Key Lab For Advanced Signal Processing，Civil Aviation University of China，Tianjin 300300，China)

In this paper，a new algorithm based on dark channel prior was proposed for lane detection in fog weather which couldn’t be detected by traditional algorithm.Firstly，the lane images in fog weather was defogged by improved dark channel prior based on gauss bilateral filter and then luminosity of defogged pictures were adjusted.Secondly，binary images of road edges was obtained by Sobel operator and Ostu algorithm.Finally，the road lane was extracted by Hough transform.Experimental results showed this new algorithm could detect road lane in fog weather accurately and rapidly.Compared with traditional lane detection method，this new algorithm has higher accuracy and instantaneity thus has great influence on the improvement of automobile active safety in fog weather.

automobile active safety；fog weather；bilateral filter；vehicle departure alarm；image defog

1000-1832(2017)01-0062-06

10.16163/j.cnki.22-1123/n.2017.01.012

2015-09-30

國家自然科學基金資助項目(51278062).

周勁草(1989—)，男，博士研究生，主要從事車輛主動安全性研究；魏朗(1957—)，男，博士，教授，博士研究生導師，主要從事汽車主動安全性、道路事故多發點與治理方法、道路交通事故分析與再現技術研究.

TP 391 [學科代碼] 520·30

A