一種基于hough變換的車道偏離預警模型的研究

曹福來　郭瑞瑞　齊明峻

摘 要：針對由于車輛偏離車道而引起的交通事故，本文提出來一種基于hough變換的車道偏離預警模型。在車道線擬合方面，由于Hough變換相比最小二乘法具有抗干擾性強易于實現等特點，本文選擇了通過Hough變換來擬合車道線。在建立在預警模型時論文提出了擬合車道線的斜率比較法，通過設定合適的車道線斜率閾值來判斷當前是否偏離車道。最終通過試驗將圖像中擬合車道線的斜率和設定的閾值進行了對比，分析驗證了所提出方法的可行性和有效性。

關鍵詞：車道偏離預警;Hough變換;車道線擬合

1 引言

智能交通系統（ITS）是解決現在交通問題的重要途徑，智能車輛作為智能交通系統的重要組成部分越來越受到人們的重視。根據一項調查發現50%的道路交通事故是由于車輛偏離車道而引起的，因此建立車道偏離預警系統可以在車輛行駛的過程中判斷車輛行駛路線是否偏離，通過警報來提醒駕駛員安全行駛，最大程度的避免事故的發生，減少減少道路交通事故給我們帶來的生命和財產的損失。國外對車道偏離預警系統的研究起步較早，比較有代表性的主要有AURORA系統、AutoVue系統、Mobileye_AWS系統以及DSS系統[1]。國內在此方面比較有代表性的是JLUVA-1系統及基于DSP的嵌入式預警系統[2]。

本文提出了一種基于Hough變換的車道偏離預警模型，該方法將平面直線檢測問題轉化為極坐標下尋求空間最大值的問題[3]，這樣可解決復雜光照及障礙物等的環境影響，提高預警系統的適應性與實用性，同時也提高了其處理速度。

2.2 基于Hough變換的車道線擬合

Hough變換實質是一個空間映射到另一個空間，其整體描述可以通過局部變量來實現，這樣可以提高圖像的抗干擾性降低對噪音的敏感度，并且易于實現和處理。特別是在檢測不連通的直線圖像時，其缺失的像素點可以通過該方法還原，該特點可以在在檢測連續的車道線時很好地利用。

在直角坐標系中，過點點的直線方程可以用或者表示，其中為斜率，為截距。在極坐標系中，是點的極坐標表示式，其中為原點O到點A的長度，為與極軸OA夾角，通過數學轉換我們可以得到，，。

綜上可知，任意一個值代入式中（1.8）就可得到唯一對應的直線方程，在直角坐標中由、可以確定一條唯一的直線，且該直線上的所有點在極坐標中其正弦曲線相交于同一點[3]，這些點可以凝聚在一起形成峰點，運用圖像空間與參數空間點對線的映射關系就可以找出需要識別的直線。Hough變換參數空間檢測直線主要分為三個步驟，第一確定和的極值范圍，建立參數空間的二維數組并構造計數器;第二通過Hough變換將像素的坐標轉變為相應的值;第三設定閾值t選擇大于閾值所對應的數組其對應的曲線被識別。

3 車道偏離預警模型

下圖1是車輛從車道線中間向右行駛到車輪壓到車道線的平面圖，隨著車輛偏離車道行駛，車道線的斜率也隨著改變。車道偏離的預警模型根據其預警原理的不同主要有四種，分別是CCP模型、FOD模型、TLC模型和KBIRS模型。本文在CCP模型的基礎下通過討論車道擬合直線的斜率與預先設置的閾值之間的關系來判斷是否預警。

車輛從車道線中間向右行駛到車輪壓到車道線的行駛過程中，隨著車輛偏離車道行駛，車道線的斜率也隨著改變。以車輛從車道中間偏向右車道線行駛過程為例，其臨界狀態包含車輛在車道中間行駛時與車輛右車輪正好壓著右車道線時這兩種[6]，這兩種狀態下對應的車道擬合直線的斜率為我們設定的閾值的上下限，同理車輛偏向車道左側行駛的預警可以通過車道的對稱性獲得，一旦檢測到圖像中擬合的直線的斜率超過閾值時，系統人為車輛偏離車道線并發出預警。

本論文只考慮車輛向右偏離的工況，向左偏離的工況可以由車道的對稱性獲得。當車輛在車道線中間行駛時，擬合的右車道線的內邊界線斜率為，右側行駛的過程中，圖像中擬合到的右車道線的直線的斜率是慢慢的增大，當車輛行駛到右車輪正好壓上右車道線的時候，圖像中擬合的右車道線的內邊界線斜率為。圖像中擬合到的車道線的斜率的取值范圍是[，]，取與為設定的預警系統的閾值。

由Hough變換擬合出圖像中的車道線得出該車道線的斜率后，綜合車輛在道路上行駛時的位置和方向參數后，就可以建立如下預警模型：

1）若<<時，則車輛在偏右的車道線內正常行駛;

2）若≥時，則說明車輛右車輪正在壓著或者已經跨過右車道線行駛，車道預警系統會立即發出預警提示。

若≤時，則說明車輛左車輪正在壓著或者已經跨過左車道線行駛，車道預警系統會立即發出預警提示。

4 試驗驗證

為驗證擬合直線斜率判別法是否正確，本論文在許昌市魏武大道南段道路進行了相關的實驗驗證。

4.1 車輛在車道中間行駛工況

利用CCD來采集車道中間行駛工況，然后將圖像經過預處理后再經過hough變換來擬合出道路圖像的車道線并得到其斜率，擬合結果如圖2所示。該擬合直線的方程式為：

4.2 車輛右側車輪正好壓著車道線行駛

該工況下CCD采集車輛右側車輪正好壓著車道線行駛工況，圖像經過預處理后再經過hough變換來擬合出道路圖像的車道線并得到其斜率，擬合結果如圖3所示。

經過Hough變換擬合后其直線的方程式為：

圖像中擬合的直線的斜率分別為：

由以上數據可知擬合的車道線的斜率在[1.2310，2.3915]之內時，車輛可以認為時正常行駛。為驗證其正確性，依次采集如下5種情況下的道路圖像：（a）車輛在車道線中心行駛;（b）車輛偏向右車道四分之一行駛;（c）車輛偏向右車道二分之一行駛;（d）車輛偏向右車道線四分之三行駛;（e）車輛右車輪正好壓著右車道線行駛。經圖像預處理利用Hough變換擬合的車道線的斜率如表1所示。

由表1數據可知擬合的車道線的斜率在[1.2310，2.3915]之內時，車輛正常行駛，當擬合的斜率大于等于2.3915時或者小于等于1.2310，這時車輛的車輪已經壓著車道線或者已經超過車道線行駛，驗證了擬合直線斜率判別法的正確性。

許昌學院2019年校級科研項目《基于Hough變換的車道偏離預警模型的研究》

參考文獻：

[1]秦欽龍.基于FPGA的車道線檢測系統設計[D].哈爾濱工程大學，2016.

[2]杜滕州.基于單目視覺的夜間車輛識別與測距方法研究[D].山東理工大學，2013.

[3]董因平.高速汽車車道偏離預警系統的算法研究[D].吉林大學，2004.

[4]趙萬香.基于馬爾科夫預測法的車道偏離預警系統研究[D].長安大學，2014.

[5]劉浪純.數字圖像處理技術在車道偏離預警系統中的應用[D].長安大學，2015.

[6]王偉莉.車輛安全行駛輔助導航研究[D].西北工業大學，2007.