基于自適應ROI和蟻群邊緣檢測算法的車道線檢測

丁蒙，戴曙光，曾思浩，王帥

摘 ?要： 論文針對天氣陰暗和復雜背景等情況下難以檢測車道線的情況，提出了基于消失點的自適應ROI提取和基于蟻群算法的邊緣檢測方法。首先進行圖像預處理得到灰度化圖像，然后使用基于紋理的gLoG濾波進行消失點檢測以消除復雜背景的影響，使用蟻群算法對灰度圖像進行邊緣檢測以解決Canny算子對噪聲敏感的問題，最后對感興趣區域進行Hough變換直線檢測并且使用極角極徑約束Hough變換擬合的直線，最后實現車道線檢測的功能。實驗結果表明，論文提出的方法在道路環境多變和陰暗天氣下能實現很好的車道線檢測結果，準確率最高可達95.96%。

關鍵詞： 消失點檢測;蟻群算法;極角極徑約束法;Hough變換

中圖分類號： TP391.41 ? ?文獻標識碼： A ? ?DOI：10.3969/j.issn.1003-6970.2019.12.028

本文著錄格式：丁蒙，戴曙光，曾思浩，等. 基于自適應ROI和蟻群邊緣檢測算法的車道線檢測[J]. 軟件，2019，40（12）：124128

Lane Line Detection Based on Adaptive ROI and Ant Colony Edge Detection Algorithm

DING Meng， DAI Shu-guang， ZENG Si-hao， WANG Shuai

（School of Optical-Electrical and Computer Engineering， University of Shanghai for Science and Technology， Shanghai 200093）

【Abstract】： In view of the difficulty of detecting lane lines under the background of dark weather and complex background， the paper proposes adaptive ROI extraction based on vanishing point and edge detection method based on ant colony algorithm. First of all， we try to pre-processing the image to obtain grayscale image， and then use the texture-based gLoG filtering to eliminate the effect of Vanishing point to eliminate the effect of complex background， then use the ant colony algorithm for edge detection of grayscale images. Finally， the Hough transformation line detection is carried out on the area of interest and the fitted line is constrained by the polar angle diameter. In this way， we can realize the lane line detection. The experimental results show that the method proposed in this paper can achieve good lane line test results in the changing road environment and dark weather， with an accuracy rate of up to 95.96%.

【Key words】： Vanishing point detection; Ant colony algorithm; Polar diameter angle constraint; Hough transform

0 ?引言

近年來，隨著科學技術的發展，人民生活水平不斷提高，智能駕駛技術也在不斷發展。自動駕駛汽車通過傳感器對周邊環境進行信息采集，交由計算機進行分析以做出決策，然后執行機構依據決策來實現加速、減速、轉向、剎車等操作。在自動駕駛汽車中，汽車駕駛輔助系統顯得尤為重要。車道線檢測是汽車駕駛輔助系統的一個重要部分，正確檢測出車道線才能為自動巡航駕駛、原有車道保持、車道變道等提供最基本的環境信息，以保證車輛的正常行駛[1-3]。

目前，車道線檢測[4]一般分為兩種，一種是基于特征的車道線檢測，另一種是基于模型的車道線檢測。Chen和Jin[5]提出了一種適應結構道路的車道標記識別算法。利用Soble形態學梯度算法與Hough變換進行協調，并利用直線對二維車道進行了重構，以檢測出車道線。Li和Nashashibi[6]引入了改進的canny邊緣檢測器，其中僅沿垂直方向在每個像素處計算圖像差異，然后執行最小均方差濾波（NLMS）。Mu和Ma[7]通過對象分割來選擇候選車道區域，然后用Sobel算子提取冗余邊，此外還通過邊緣閾值的選擇獲得候選車道標記，最后采用分段擬合方法檢測車道標記。Yoo[8]提出了一種基于從輸入圖像中提取的線段交點的概率投票方法，通過幾何約束來選擇車道的候選線段，然后利用擬議的分數函數去除候選線段中的異常值，最后應用泛洪分水嶺算法進行車道線檢測。Wang等人[9]使用B-snake樣條曲線來表示一條彎曲的道路。其中控制點位于曲線之外，其擬合過程需要大量的迭代。另一方面，均勻的立方體樣條擬合速度要快得多，但當控制點之間的間距不均勻時，可能會導致曲線不規則。Zhao和Meuter等人結合擴展卡爾曼濾波跟蹤使用基于Catmull-Rom樣條的車道模型[10]，該模型是一個高階車道模型，它對噪聲很敏感，夜間下雨時可能會導致光線干擾，會產生錯誤的車道線檢測。劉萍等人[11]論文提出了一種基于反透視變換的車道線檢測算法，然后利用K-均值聚類算法進行線性判別以消除線性干擾，得到車道線檢測結果。文獻[12]根據車道線的截面特征逐行提取車道線特征點，并使用連通域聚類濾波，然后使用卡爾曼濾波算法對車道線的端點和斜率進行跟蹤。文獻[13]中將車道線透視圖轉變為鳥瞰圖。然后構建了一種平行Snake車道線檢測方法，最后采用采用Kalman濾波器進行跟蹤優化，抑制噪聲，提高算法對車道線的識別精度。文獻[14]提出一種基于大津法的二次閾值分割方法，逐行掃描選取候選車道特征點并采用聚類方法進行過濾然后分視場使用最小二乘曲線擬合算法，根據特征點的分布自適應地選取曲線擬合的方式，在此基礎上提出車道寬度匹配算法，提高了算法的魯棒性。駱濟煥等人[15]對灰度圖像進行改進的中值濾波除噪，再基于最大類方差法，用Canny算法提取車道線邊緣，然后結合前處理算法，TCR算法通過目標區域劃分和極角極徑法來縮小檢測范圍，對車道左右雙線分別進行邊緣疊加處理來提高霍夫變換法的檢測精度，

論文首先將圖像灰度化，然后使用基于紋理的gLoG濾波進行消失點檢測，消除復雜背景的影響，自適應提取感興趣區域（ROI），使用蟻群算法對灰度圖像進行邊緣檢測，然后對感興趣區域進行Hough變換直線檢測并使用極角極徑約束車道線檢測范圍，得到車道線檢測結果，流程圖如圖1所示。

圖1 ?車道線檢測流程圖

Fig.1 ?The flowchart of lane line detection

1 ?圖像預處理

在進行車道檢測之前，需先將彩色圖像轉換為灰度圖。本文將圖像從RGB顏色空間轉換為YCbCr空間，來保留圖片的亮度信息，轉換公式為式（1）。由于人眼對I和Q等分量感知不敏感，所以只取Y分量通道圖像，圖像轉換結果如圖2所示。

（1）

圖2 ?彩色圖像轉為灰度圖像

Fig.2 ?Color image to gray image

2 ?基于消失點的自適應ROI

車道一般存在于拍攝圖像的下半部分，而包括天空和地標等都出現在上半部分，通過使用消失點選擇感興趣區域，對圖像車道線進行約束，可以提高車道線檢測的性能。本文選用基于紋理的gLoG濾波消失點檢測算法[16]對車道線圖像建立自適應ROI，首先生成gLoG紋理模板、然后對車道線圖像進行紋理方向檢測，最后通過投票確定消失點。

2.1 ?gLoG紋理模板生成

圖像紋理模板通過二維廣義拉普拉斯高斯濾波器（generalized Laplacian of Gaussian filter，gLoG）得到。二維廣義高斯濾波器定義如下：

（2）

式中：A是歸一化因子，系數a、b、c通過θ，σx，σy控制高斯核的形狀和方向。具體計算公式如下：

（3）

（4）

（5）

二維廣義拉普拉斯高斯濾波器定義如下：

（6）

在道路消失點檢測中，設定，，其中，為圖像長度和寬度中的較大值。濾波器的方向數量設置為18，即角度分辨率為10°，每一組濾波器內，，其中。圖3展示了，，發生變化時產生的不同大小和方向的gLoG紋理檢測模板。

圖3 ?不同大小和方向的gLoG紋理檢測模板

Fig.3 ?The gLoG texture detection template with

different sizes and directions

2.2 ?圖像紋理方向檢測

將車道線圖像與18組gLoG模板分別卷積求絕對值再求和，每組結果劃分為100個網格，每個格子最大值代表圖像在次網格區域紋理最強烈的點，將這些點作為特征點并計算方向，結果最大的一組就代表特征點的紋理方向。

2.3 ?投票

對圖像中位于特征點p上方一定夾角范圍內的像素點v進行投票，具體公式如下：

（7）

其中，，為向量和特征點之間的夾角。是和之間的歐式距離，是歸一化因子，這里取值為圖像的對角線長度。投票之后，結果中值最大的位置即為消失點。

2.4 ?感興趣區域

感興趣區域的公式計算為式（8），其中，、和分別是消失點、原圖和感興趣圖像的坐標。圖4顯示了感興趣區域，消失點下面區域為感興趣區域的高度，消失點用藍色交叉標記表示，而自適應ROI為紅色區域。

（8）

圖4 ?得到感興趣區域

Fig.4 ?The regions of interest

3 ?基于蟻群算法的邊緣檢測

蟻群算法是一種優化算法，大量子個體可以快速準確地搜尋到區域中的最優解。這種特點結合邊緣像素的階躍特征決定了蟻群邊緣檢測方法[17][18]具有較強的適應性和魯棒性蟻群算法是一種迭代算法，在每次迭代中都執行兩個基本操作：構造或修改問題的解決方案;更新信息素跟蹤。基于蟻群算法的邊緣檢測分為以下幾個步驟：

（1）輸入圖像為二維圖形，其中節點為圖像像素。螞蟻通過從像素移動到像素和通過信息素標記遍歷像素來遍歷圖像。

（2）初始化螞蟻分布：m只螞蟻被隨機放置，每個像素上最多放置一只螞蟻，所有像素強度設置為0.0001。

（3）節點轉換規則：考慮兩種不同的情況，如果螞蟻位于背景像素上，并且僅被背景包圍，則在下一次迭代中，它將被替換到一個新的隨機選擇的像素。在每種情況下，螞蟻根據公式（9）從八個鄰域中的概率選擇一個，如圖5所示。

（4）將第k只螞蟻從節點（r，s）轉移到節點（i， j）的概率被認為是：

圖5 ?蟻群邊緣檢測圖解

Fig.5 ?Ant colony edge detection diagram

（9）

其中是信息素的強度，為像素的可見度，和是信息素信息和啟發信息的重要程度。此外，像素的可見度是由以下定義：

（10）

在此方法中，使用圖像強度的灰度級的最大變化來確定可見度的值。因此，邊界像素有更大的可見性值，此外，螞蟻不能重復經歷最后走過的個像素。

信息素更新規則：每一步完成后，根據式（10）（11）（12）更新信息素水平。

（11）

（12）

（13）

其中，表示蒸發率，螞蟻標號 ，為整數，代表螞蟻總數。表示第只螞蟻經過位置時該像素信息素的增量。是閾值，只有信息素沉積超過才能提取為圖像特征邊緣。信息素的蒸發有助于避免信息素的無限制積累，如果一個像素沒有被螞蟻選擇，他的信息素強度會呈指數下降趨勢。為了避免搜索停滯，信息素最小強度受限制。由于，所以選擇一個特定像素的概率永不為0。

邊緣檢測需輸出二值圖像，轉換公式如下，最后邊緣檢測圖像如圖6所示。

（14）

圖6 ?邊緣檢測結果

Fig.6 ?Results of edge detection

4 ?極角極徑法約束Hough變換范圍

在車道線檢測中，采用Hough變換直線檢測，并使用極角極徑法來約束車道線檢測范圍。直線的極坐標方程為：

（15）

其中，為原點到直線的距離;為直線與軸正向夾角（）。因為左右車道線基本都分布在道路圖像兩邊，位置變化不大，通過對大量道路圖像統計，得到左右車道線極角、和極徑、的約束范圍。，;，，圖7為示意。

圖7 ?極角極徑法圖解

Fig.7 ?Diagram of polar angle and

polar diameter method

實際檢測中，車道線會檢測出多條左右車道線，以中軸為基準，運用算子[1 0 –1]和[–1 0 1]分別對車道線進行疊加處理，得到最終車道線檢測結果，如圖8所示。

圖8 ?車道線檢測結果圖

Fig.8 ?Results of lane line detection

5 ?實驗結果與分析

我們分別對同一輛汽車駕駛過程中拍攝的4段視頻進行車道線檢測，檢測指標如下，檢測結果如表1。檢測指標如下，其中，DR、C、N分別為檢測率、正確檢測車道線的幀數、視頻總幀數。

（16）

表1 ?檢測結果及準確率

Tab.1 ?Test results and accuracy

視頻 幀數 正確檢測車道線幀數 檢測率/%

a 4500 4294 95.42

b 3150 2992 94.98

c 3600 3474 96.50

d 3450 3346 96.98

總 14700 14106 95.96

表1中，視頻a為傍晚行駛視頻車道，視頻b為陰天行駛視頻，視頻c為光照較強的行駛視頻，d為白天行駛視頻。

實驗結果表明，在天氣陰暗和光照較強以及復雜道路背景下仍可以較為準確的檢測出車道線，平均準確率為95.96%，最高可達96.98%，優于傳統的基于Canny算子的邊緣檢測和Hough變換的車道線檢測算法，提高了車道線檢測的準確率。并且算法在陰暗情況、光照較強情況和復雜背景情況下，識別準確率仍在95%以上，也證明了算法有著較強的適應性和魯棒性。

論文提出的方法針對復雜道路背景提出了使用消失點檢測建立自適應感興趣區域，極大的提高了車道線檢測的性能。通過使用蟻群邊緣檢測算法解決了Canny算子對噪聲敏感的問題，最后通過極角極徑法約束的Hough變換來檢測直線。算法能夠克服光照和復雜背景的問題，后續工作應將研究重心放在彎道車道線檢測中，例如使用分段線性變換以適應彎曲車道線，彌補彎曲車道線檢測時存在的不足，而且為了使算法有更廣泛的應用價值，還需將車道線偏離報警列入后續的研究重點。

參考文獻

[1]Vahidi A， Eskandarian A. Research advances in intelligent collision avoidance and adaptive cruise control[J]. IEEE transactions on intelligent transportation systems， 2003， 4（3）： 143-153.

[2]Bengler K， Dietmayer K， Farber B， et al. Three decades of driver assistance systems： Review and future perspectives[J]. IEEE Intelligent transportation systems magazine， 2014， 6（4）： 6-22.

[3]Kumar A M， Simon P. Review of lane detection and tracking algorithms in advanced driver assistance system[J]. Int. J. Comput. Sci. Inf. Technol， 2015， 7（4）： 65-78.

[4]張明軍， 俞文靜， 袁志， 等. 視頻中目標檢測算法研究[J]. 軟件， 2016， 37（4）： 40-45.

[5]Chen H， Jin Z. Research on Real-Time Lane Line Detection Techonogy Based on Machine Vision[C]//2010 International Symposium on Intelligence Information Processing and Trusted Computing. IEEE， 2010： 528-531.

[6]Li H， Nashashibi F. Robust real-time lane detection based on lane mark segment features and general a priori knowledge [C]//2011 IEEE International Conference on Robotics and Biomimetics. IEEE， 2011： 812-817.

[7]Mu C， Ma X. Lane detection based on object segmentation and piecewise fitting[J]. TELKOMNIKA Indones. J. Electr. Eng. TELKOMNIKA， 2014， 12（5）： 3491-3500.

[8]Yoo J H， Lee S W， Park S K， et al. A robust lane detection method based on vanishing point estimation using the rele vance of line segments[J]. IEEE Transactions on Intelligent Transportation Systems， 2017， 18（12）： 3254-3266.

[9]Wang Y， Teoh E K， Shen D. Lane detection and tracking using B-Snake[J]. Image and Vision computing， 2004， 22（4）： 269-280.

[10]Zhao K， Meuter M， Nunn C， et al. A novel multi-lane detection and tracking system[C]//2012 IEEE Intelligent Vehicles Symposium. IEEE， 2012： 1084-1089.

[11]劉萍， 孫耀航. 基于反透視變換的車道線檢測算法[J]. 計算機與數字工程， 2019， 47（3）： 678-681.

[12]趙偉康， 黎向鋒， 畢高杰等. 一種基于橫截面特征的車道線檢測方法[J]. 機械制造與自動化， 2019， 48（01）： 167-170.

[13]范暉， 夏清國. 基于平行Snake耦合Kalman濾波器的車道線檢測算法[J]. 電子測量與儀器學報， 2019（2）： 101-109.

[14]胡勝， 黃妙華， 陳毅. 基于二次閾值分割和車道寬度匹配的車道線檢測算法[J]. 汽車技術， 2019（4）：1-6.

[15]駱濟煥， 蘭鳳崇， 陳吉清. 聯合圖像處理和目標約束的車道線檢測方法[J]. 汽車工程學報， 2019， 9（01）：30-38.

[16]Kong H， Sarma S E， Tang F. Generalizing Laplacian of Gaussian filters for vanishing-point detection[J]. IEEE Transactions on Intelligent Transportation Systems， 2012， 14（1）： 408-418.

[17]劉猛猛， 馬超. 基于蟻群算法的邊緣檢測[J]. 測繪與空間地理信息， 2017（11）：181-183.

[18]沙娓娓， 劉增力. 基于改進蟻群算法的無線傳感器網絡的路由優化[J]. 軟件， 2018， 39（01）： 01-04.