基于單目視覺的車道線檢測綜述

樊超，劉興家河南工業大學信息科學與工程學院

基于單目視覺的車道線檢測綜述

樊超，劉興家
河南工業大學信息科學與工程學院

車道偏離預警技術是保障機動車駕駛員人身安全的重要駕駛輔助系統，而車道線檢測與識別是該系統的重要組成部分，本文主要闡述了基于單目視覺的車道線檢測的閾值分割的常見方法和車道線擬合階段常用的道路模型算法，并對每一種閾值分割算法和道路模型算法作簡單的優缺點分析，文章最后給出車道線檢測未來可能的發展方向。

閾值分割；Hough變換；雙曲線擬合

1 引言

車道線檢測和識別根據檢測的方法可以分為兩大類型，一種是基于特征的識別算法，一種是基于模型的識別算法，基于特征的識別算法又分為基于顏色特征的算法和基于灰度特征的算法，由于基于顏色特征的車道線特征點提取容易受到道路陰影的影響，所有不能作為主要的車道線特征點提取算法，本文主要闡述基于灰度特征的車道線檢測算法，基于模型的車道線識別算法一般將車道線看做直線模型和曲線模型，車道線直線部分一般采用Hough變換等，曲線模型一般采用雙曲線模型等。

2 車道線檢測閾值分割算法概述

閾值分割算法就是選取一個合適的閾值使道路圖像分割為目標和背景兩部分，也就是將車道線圖像分為特征點和非特征點兩部分，經過閾值分割后的圖像為二值圖像，閾值分割的公式如下所示：

閾值分割的算法一般有一下幾種：

2.1 雙峰法閾值分割

雙峰法是一種全局分割閾值的方法，雙峰法的分割步驟為首先作出道路圖像的灰度直方圖，如果直方圖中有明顯的雙峰存在，則將雙峰之間的谷底對應的灰度值作為分割閾值Th，采用雙峰法分割道路圖像的優點是操作簡單，算法實時性比較強，但是雙峰法在分割閾值時需要保證目標和背景的差異比較大，而且需要一定的圖像先驗知識，否則有可能分割失敗。

2.2 迭代法閾值分割

迭代法閾值分割算法的步驟是首先設定一個初始閾值，然后根據迭代規則更新這個初始閾值，直到滿足迭代的條件為止，迭代法閾值分割的關鍵是迭代規則的建立，沒有一種特定的迭代規則適合所有特定的需要迭代的圖像是迭代法的缺陷，下面是一種常見的迭代規則：

（1）首先求出圖像的最大灰度值和最小灰度值，記為Zmin和Zmax，設置圖像的初始閾值為T0=(Zmin+Zmax)/2；

（2）根據閾值Tk將圖像分為前景和背景兩部分，并分別求前景的灰度均值Z1和背景的灰度均值Z2，然后更新圖像的閾值為Tk+1=(Z1+Z2)/2；

（3）若滿足條件Tk=Tk+1，則Tk就是所求得的閾值，否則繼續循環2步驟，直到滿足條件。

2.3 最大類間方差法

Otsu算法的核心思想是求得一個最佳閾值使目標和背景的方差最大，最大類間方差法的優點是實時性高、計算簡單，缺點是當道路圖像變得復雜時不能很好的將車道線特征點與非車道線特征點分離。最大類間方差法的算法步驟如下：

（1）分別求取目標和背景兩部分的像素點的所占的概率分布，公式如下

（2）分別計算目標和背景的灰度均值，計算公式如下

其中p(i)為每個灰度級出現的概率。

（3）計算道路圖像的總的像素點均值，計算公式如下

道路圖像的最佳閾值計算公式為：

2.4 局部閾值分割

當道路圖像是結構化道路并且道路光照均勻時，使用全局閾值分割圖像可以有很好的效果，但是當道路圖像變得復雜并且光照不均勻時，使用局部閾值分割道路圖像的效果會更好，局部閾值分割就是對道路圖像的每一個像素點采用不同的閾值進行分割判斷，例如可以選取道路圖像像素點的灰度值同時大于左右領域的像素點的均值加上Otsu算法求得的全局閾值的一半時，此像素點為目標特征點。使用局部閾值分割道路圖像的優點是能夠適應復雜的道路狀況，缺點是算法實時性較低。

2.5 實驗結果與分析

圖（a）為迭代法閾值分割結果，圖（b）為Otus法閾值分割的結果，圖（c）為雙峰法閾值分割的結果，圖（d）為局部閾值法閾值分割的結果，由對比圖可以看出當道路圖像光照不均勻等使得道路圖像變得復雜時，全局閾值的分割效果不是很好，而局部閾值分割算法卻能得到良好的效果。

圖1 閾值分割算法比較圖

3車道線檢測擬合算法

3.1 基于Hough變換的車道線直線擬合Hough變換經常使用在從圖像中識別特定的幾何形狀，Hough變換的基本思想是利用點與線的對偶性，將圖像空間的一條直線轉化為求取參數空間的峰值問題，圖像空間里一條直線上的點映射為參數空間的一條曲線，圖像空間直線上的所有的點映射到參數空間的曲線簇相交于一點，這個點的坐標就是圖像空間直線的參數值。假設圖像空間中有一條直線為y=kx+b，(x1,y1),(x2,y2)是這個直線上任意的兩個點，則(x1,y1),(x2,y2)對應著參數空間中的b=-kx1+y1,b=-kx2+y2兩條相交的直線，這兩條直線的交點就是圖像空間中直線的參數值。因此可以尋找參數空間的峰值點來求取圖像空間中的直線。

3.2 基于雙曲線的車道線曲線擬合

使用雙曲線模型擬合車道線曲線有兩種方式，一是使得盡量多的車道線特征點經過栓曲線，二是使得所有的車道線特征點距離雙曲線模型的距離達到最短，兩種擬合方法各有利弊，第一種擬合方式抗干擾能力比較強，但當車道線出現斷裂的現象時，則會出現擬合失敗的情況，第二種方法對噪聲比較敏感，雙曲線模型公式如下所示：

式中h表示車道線直線部分交點的縱軸坐標，由于左右車道線在現實世界中是平行的關系，所以代表兩條車道線的雙曲線模型也有一定的數學關系，將代表左右兩條車道線的雙曲線拆開為：

根據雙曲線公式確定雙曲線的參數就可以擬合出車道線，一般可采用最小二乘法來確定雙曲線的最優參數。下面是直線模型和曲線模型下的擬合結果圖。

圖2 車道線擬合結果圖

4 總結與展望

本文主要闡述了車道線檢測閾值分割的常見方法和車道線擬合的Hough變換和雙曲線擬合算法，本文是單目視覺的車道線檢測算法綜述，單目視覺的車道線檢測的優點是易于實現，算法簡單。基于多目視覺的車道線檢測將是未來發展的趨勢，因為多目視覺可以多角度的分析提取車道線。而且現今3D技術的發展給車道線檢測帶來了全新的思路，車道線檢測可以結合3D技術，設計出更符合人眼的車道線檢測技術。

[1]許宏科，秦嚴嚴.一種基于Hough變換的車道線檢測新方法[J].徐州工程學院學報，2013,28（04）：1-4.

[2]吳林成.基于視覺的高速公路車道線檢測算法研究[D].碩士學位論文.合肥工業大學，2010.

[3]Zhou Z H,Yang Y,Kumar V,et al.The Top Ten Algorithms in Data Mining[M].New York,USA：CRC Press,2009,127-149.

[4]Nieto M,Salgado L,Jaureguizar F,et al.Robust multiple lane road modeling based on perspective analysis[C].Image Processing, 2008.ICIP 2008.15th IEEE International Conference on.IEEE,2008：2396-2399.