一種基于車道線檢測獲取道路能見度方法

龔天洋，陳 梅，王文揚，戎 輝

（1.吉林大學 a.汽車學院；b.交通學院，吉林 長春 130012；2.中國汽車技術研究中心有限公司，天津 300162）

大霧天氣駕駛會造成駕駛員獲取道路信息失敗，心理緊張，駕駛員負荷加重，更容易疲勞，導致事故的發生。氣象能見度定義為在標準視力的人眼在當時天氣條件下，能夠從天空背景看到和辨識出的黑體目標物的最大水平距離。目前，能見度檢測方法主要分為基于能見度儀的檢測方法、基于雙目攝相機標定的檢測方法、基于建立對比度模型的檢測方法等。其中，基于能見度儀的檢測方法存在價格十分昂貴等問題，要保證公路上的交通安全，尤其在團霧檢測時，需要密集布置監測設備，從而成本居高不下，同時實時性、便攜性不佳。基于雙目攝相機標定的檢測方法，由于需要標定模板、測量攝像機安裝角度等受實際條件的限制，難以適用實時操作。基于建立對比度模型的檢測方法，會產生較大誤差，而且測量結果容易受到遠方障礙物的不利影響。

南京大學陳釗正［1］等人提出了一種基于小波變換的視頻能見度檢測算法。山東大學劉建磊和劉曉亮［2］提出利用拐點線進行大霧能見度監測。北京工業大學的宋洪軍［3］提出一種基于車道線檢測與圖像拐點的道路能見度估計方法。西安理工大學趙瑞［4］提出一種利用圖像暗通道先驗理論來估計能見度方法。長安大學許倩［5］提出了通過攝像機標定的高速公路能見度估計方法，研究對象是在高速公路環境下的監控圖像。

隨著處理器技術以及傳感器技術的不斷進步，越來越多的安全系統不斷應用到車輛領域中，雖然當前有很多能見度檢測方法，但是基于道路監控視頻較多，針對實際道路平面的研究較少，利用車載相機實時檢測道路能見度更少。本文提出的能見度檢測方法具有簡單、處理速度快的優點，僅使用一臺攝像機來實時獲得道路圖像進行能見度檢測。測量過程不會對駕駛人的正常駕駛行為造成干擾，并且傳感器也適用于低能見度環境的特點。

1 能見度檢測算法概述

本文提出的能見度檢測算法是在車道線識別的基礎上，因此車道線的準確識別對于道路能見度值的計算具有重要意義。基于車道線檢測獲取道路能見度方法流程圖如圖1所示。首先對原始圖像進行圖像預處理，突出車道特征，在原始圖像中利用Hough變換獲得檢測到的直線參數，進行車道標線識別，利用區域生長法獲得霧天道路與天空的分界線，基于透視投影變換估計道路與天空的分界線，結合車道線模型，估計能見度。本文提出的能見度檢測方法可以作為智能駕駛輔助系統的重要部分。

圖1 基于車道線檢測獲取道路能見度方法流程圖

2 圖像預處理

圖像的閾值化處理是為了更加突出圖像的邊緣，目前有很多圖像分割算法，但并不適用于所有的圖像，需要根據具體圖像特點，采用最佳方法，滿足分割需要。霧天道路圖像的特征包括道路、天空等，天空主體特征明顯，在圖像的上部，較暗的道路特征在圖像的下部，整幅圖像光線不均勻，近處圖像較清晰，越遠離攝像機圖像越模糊，圖像整體亮度受外界光照變化影響較大。因為車道線特征集中在圖像的下部，圖像整體灰度不均勻等因素，使得特征在灰度直方圖上的分布不能很明確地表現出來，因此全局閾值并不滿足要求。

通過動態閾值的方法提取車道線特征，利用二維高斯函數對原圖像進行平滑處理，得到圖像B之后，將平滑處理后的圖像作為閾值面對圖像進行二值化處理。

其中，G（x，y）=1，上式中二維高斯函數由公式（1）表示，圖像B由公式 （2）表示，處理過程中只要對σ進行加減，就可以調整閾值面的平滑程度，所以選擇合適的閾值面就變得非常容易。圖2為CCD采集的道路圖像及其預處理后的結果，由圖2可以看出采用動態閾值的方法是非常有效的。

3 車道線檢測及消失點計算

基于視覺的車道線檢測方法主要分為兩類：基于模型的方法和基于特征的方法。基于模型的方法被廣泛用來解決車道線檢測問題，其常用的幾何模型有直線、拋物線、雙曲線、樣條曲線及回旋曲線等。復雜的車道線模型 （曲線或樣條曲線）雖然能實現對車道較精確的擬合結果，但它們對噪聲異常敏感。直線模型能很好地擬合實際車道線，并且能有效抑制圖像中噪聲的干擾。

圖2 CCD采集的道路圖像及其預處理后的結果

目前有很多學者對車道線檢測相關方面做了研究，McCall［6］等總結了過去幾十年來提出的各種車道線檢測算法，主張依據系統的具體目標及不同的應用環境，對檢測算法的各個環節進行針對性設計，并提出了一種基于轉向濾波器的車道線檢測方法。Son等人提出了光照變化條件下的車道檢測系統［7］。Moghadam等人提出了在非結構化道路上的快速消失點檢測方法［8］。Yang等人提出了一種可應用在不同類型道路上的快速消失點檢測方法［9］。Yoo等人提出了一種基于消失點估計的車道檢測方法［10］。Cheng等人提出了一種基于顏色信息的車道線檢測方法［11］。Liu等人提出了一種基于RANSAC算法的車道線檢測方法，并且基于卡爾曼濾波精確高效的追蹤車道線［12］。Cui等人提出了一種在城市道路環境下多車道線檢測和追蹤方法［13］。Cheng等人提出了一種應用于結構和非結構化道路的多層車道檢測系統［14］。Narote等人對當前先進的車道檢測和偏離預警系統進行了詳細總結［15］。Yi等人提出了一種基于改進的hough變換的車道檢測和偏離預警方法［16］。Gaikwad和Lokhande提出了一種基于歐式距離的車道偏離預警方法［17］。

Hough變換于1962年由Paul Hough提出，它所實現的是一種從圖像空間到參數空間的映射關系。由于道路直線模型，具有簡單、計算量小，且不易受其他干擾因素影響的優點，因此，本文利用hough變換提取二維圖像坐標系車道線參數，實現車道線的檢測。原始圖像中，左右車道線模型如公式 （3）所示。

式中：kl，bl——左車道線的斜率和截距；kr，br——右車道線的斜率和截距，因此，車道線的檢測識別問題將轉化為左右車道線參數的獲取。

Hough直線檢測器使用的是極坐標系表示，其方程可以用公式 （4）表示，每一對 （ρi，θi）對應一條直線，為了獲得笛卡爾坐標系的坐標參數需要做相應的變換。

設兩車道線的交點為 （x，y），根據公式 （3）得出，x=由于x是直線上的一點，將x代入到直線模型，得出，即得到兩車道線的交點，經過hough變換，可以獲得車道線參數，可求出交點坐標。圖3為路圖像左右車道線及消失點檢測。

圖3 路圖像左右車道線及消失點檢測

由于霧天水滴飄在空中光線變得模糊，主要集中在圖像中最暗的道路區域，使天空部分在圖像中下降，變成道路區域的一部分，因此霧天道路能見度估計即天空和路面的分割問題。如果是無霧條件，天空和路面的分割線與車道線消失點高度相同，在霧天，天空和路面的分割線比車道線的消失點高度低。

為了檢驗本方法的有效性，由于霧天圖像較難獲取，本文采用合成圖像庫進行驗證。圖4表示的是使用區域生長法獲得的圖像天空與道路的分界點。

圖4 使用區域生長法獲得的圖像天空與道路的分界點

4 能見度值計算

提取出檢測到的車道標識線參數后，經過公式 （3）的計算，獲得了兩直線的交點，即得到消失點的坐標 （Insertpoint.x，Insertpoint.y），原始圖像坐標系左右車道線模型如圖5所示。由于逆投影變換圖像中的點與道路圖像中的點具有一一映射關系，為了獲得消失點的實際坐標，需要根據一定的先驗知識，通過坐標轉換獲得二維圖像坐標系消失點在實際車道中的位置信息。

圖5 原始圖像坐標系左右車道線模型

假設車輛行駛的道路為一個平面，攝像機的光軸與地面平行，世界坐標系與圖像坐標系的相應坐標軸是平行的，f與Z軸在一條直線上，世界坐標系的一點 （XW，YW，ZW）與圖像坐標系的一點 （u0，v0）具有一一映射關系。考慮到霧天主要影響的天空在圖像中的高度，由于X軸對于霧的影響無關，因此選擇Y軸表示能見度值。為了獲得深度信息，即圖像映射該點到3D世界中Z軸的坐標值，需要得到相對天空高度v和消失點的高度v0，通過計算相機的標定參數，深度距離可以用公式 （5）表示。

5 試驗結果

為了方便驗證，本文部分圖片庫采用合成圖像，圖6的能見度檢測結果使用霧天FRIDA圖片庫［18］（http：／／www.lcpc.fr／en／produits／fog／），原始圖片大小為480×640，拍攝的相機安裝高度為1.38 m。

圖6 合成圖像的消失點以及天空道路分界線檢測結果

由于霧天圖像不必要擁有高分辨率，因此，為了減少整個算法處理時間，圖像被歸一化大小為320×240像素，實驗平臺為：AMD Athlon處理器，4 GB DDR3 RAM，Windows XP操作系統，vc++6.0測試環境。為了驗證該能見度檢測算法的可行性，對大量霧天圖像進行測試。通過實驗結果得出，可以實現實時輸出當前環境下的能見度值，且該能見度檢測算法耗時在16 ms左右。

圖6中以消失點的橫坐標保持不變，（a）得到消失點的坐標為 （160，129），天空道路分界線的坐標為 （160，140），能見度736 m。（b）得到消失點的坐標為 （161，118），天空道路分界線的坐標為 （161，132），能見度578 m。（c）得到消失點的坐標為 （159，128），天空道路分界線的坐標為（161，132），能見度1 025 m。

6 總結

為了提高駕駛安全性，本文提出了一種在結構化道路中基于車道線檢測獲取道路能見度方法，試驗結果表明提出的能見度檢測方法適用于霧天環境，實現了實時識別車道線以及能見度值的獲取。該能見度方法具有成本低、處理速度快的優點，在智能駕駛系統中具有重要的參考意義，同時該能見度檢測方法也可作為霧天圖像恢復效果評價指標。未來該方法可以利用更多的視頻序列進行測試，以證明該方法在真實情況下的執行結果，一旦在大量不同環境下被證明有效，該方法可嵌入到實車實時系統下工作。