基于單目視覺的智能車車道線識(shí)別算法＊

石金虎，金輝，王迪

（遼寧工業(yè)大學(xué)汽車與交通工程學(xué)院，遼寧 錦州 121001）

前言

自動(dòng)駕駛汽車是目前以及將來要面對(duì)的一個(gè)熱點(diǎn)和難點(diǎn)，其中車道線檢測(cè)在其中發(fā)揮著至關(guān)重要的作用。它不僅為車輛導(dǎo)航提供了參考，而且目前已經(jīng)應(yīng)用在運(yùn)動(dòng)目標(biāo)檢測(cè)和汽車預(yù)警等方面。從開始研究智能車輛時(shí)就對(duì)車道線檢測(cè)給予了很大的重視，首先要實(shí)現(xiàn)車輛的自主導(dǎo)航，最基本的技術(shù)就是要把車控制在當(dāng)前道路上，不能發(fā)生跑偏。即實(shí)時(shí)的獲取車道線的變化，準(zhǔn)確的了解車道線的信息，才能在獲取車輛在當(dāng)前道路的相對(duì)位置和方向，從而達(dá)到預(yù)期的效果。本文采用的是結(jié)構(gòu)化道路為輸入信息，對(duì)采集到的道路圖像進(jìn)行分割，選用實(shí)驗(yàn)效果較好的最大類間方差法；在圖像邊緣檢測(cè)中分析了Canny 算法并進(jìn)行一些改進(jìn)；最后為了更好的識(shí)別車道線效果采用了霍夫變換。

1 單目視覺圖像采集系統(tǒng)概述

一般視覺系統(tǒng)采集圖像可以依據(jù)攝像機(jī)的個(gè)數(shù)來區(qū)別：第一個(gè)是帶有多個(gè)攝像頭的立體視覺系統(tǒng)，第二個(gè)是帶有單個(gè)攝像頭的單目視覺系統(tǒng)。 總體來說他們都是對(duì)汽車行駛環(huán)境的實(shí)時(shí)監(jiān)測(cè)，主要包括車道線的識(shí)別、車輛行駛時(shí)其周圍的環(huán)境等信息為切入點(diǎn)進(jìn)行采集。然后處理所收集的圖像信息，并將處理后的信息發(fā)送到控制器，由控制器做出決定以實(shí)現(xiàn)車輛的自主導(dǎo)航。 與多目視覺相比，本文使用的單目視覺具有更快的圖像處理速度和實(shí)時(shí)控制要求。 它在未來一段時(shí)間內(nèi)具有研究?jī)r(jià)值。

2 圖像預(yù)處理

道路圖像預(yù)處理過程如圖1 所示。

圖1 圖像處理流程圖

在收集道路圖像時(shí)，由于外部因素和其他因素的干擾，所獲取的圖像信息不完整。 需要對(duì)采集的圖像進(jìn)行預(yù)處理，以達(dá)到預(yù)期的效果，預(yù)處理過程在改善圖像質(zhì)量、提高行車時(shí)的實(shí)時(shí)性等方面具有重要的作用。

對(duì)于單目視覺獲取的圖像，預(yù)處理過程包括：灰度、圖像過濾、邊緣增強(qiáng)和圖像二值化。如圖2 所示為圖像預(yù)處理后的實(shí)驗(yàn)效果圖。

圖2 道路圖像預(yù)處理

3 圖像的閾值分割

3.1 Ostu 閾值分割

最大的類間方差方法，也稱為Otsu 方法，具有簡(jiǎn)單和快速的優(yōu)點(diǎn)，并且是常用的閾值方法。主要思想可以設(shè)置為圖像的灰度級(jí)間隔為0～L（L≤255），定義灰度值i 的像素?cái)?shù)為ni，像素總數(shù)為N，則：

公式中fmin和 fmax代表的是圖像中灰度的最小值和最大值。那么C0區(qū)域的分布概率為p0，灰度均值為μ0。

同樣的方法，可以求出C1區(qū)域的分布概率為p1，灰度均值為μ1，定義類間方差為，有：

3.2 迭代閾值分割

迭代閾值法是一種閾值效果較好的分割方法，迭代的具體步驟如下：

①首先選擇一個(gè)近似閾值T；

②將圖像分割成兩個(gè)部分R1和R2；

③分別計(jì)算R1和R2的平均值μ1和μ2，并選擇新的分割閾值；

④重復(fù)上述步驟直到μ1和μ2不再變化。

3.3 全局閾值分割

全局閾值方法通常基于圖像灰度直方圖選擇閾值。在整個(gè)灰度圖像中僅選擇一個(gè)閾值用于分割，并且閾值通常是常數(shù)。整個(gè)灰度圖像被分成目標(biāo)區(qū)域和背景區(qū)域，黑色代表目標(biāo)區(qū)域，白色代表背景區(qū)域。灰度圖像在直方圖表現(xiàn)為一個(gè)雙峰形狀，選取會(huì)對(duì)直方圖中的峰值之間的低谷處的像素值作為閾值進(jìn)行分割。

如圖3 所示為實(shí)驗(yàn)的效果圖：

圖3 三種閾值分割算法的比較

從圖3 的閾值分割效果圖中可以看出最大類間方差方法更好，并且可以清楚地識(shí)別出車道線并將其與背景差異分開。因此，本文對(duì)圖像進(jìn)行二值化采用最大類間方差法，以達(dá)到目標(biāo)的理想效果圖。

4 圖像邊緣檢測(cè)

圖像邊緣檢測(cè)算法包括Roberts 算子，Prewitt 算子，Sobel算子，Log 算子和Canny 算子。其中 Canny 邊緣提取算法在圖像上更易實(shí)現(xiàn)，Canny 算子相對(duì)與其他算子，提取道路邊界線連接完整、劃分較為細(xì)致，并且它擁有高的準(zhǔn)確度，同時(shí)也能像 Sobel 算子一樣去抑制平滑效果，具有非常好的邊緣檢測(cè)效果。

4.1 傳統(tǒng)Canny 算法

（1）消除噪聲，傳統(tǒng)的Canny 算法使用二維高斯函數(shù)的任何方向的一階方向?qū)?shù)作為噪聲濾波器。使用其一階導(dǎo)數(shù)對(duì)原始圖像進(jìn)行卷積和去噪，以獲得平滑的圖像。

（2）計(jì)算梯度的大小和方向，并使用鄰域的一階偏導(dǎo)數(shù)的有限差分計(jì)算平滑圖像的梯度幅值G(x,y)和梯度方向θ（x,y）：

為了找到邊緣的方向，梯度方向通常可以分成幾個(gè)角度（0°、45°、90°、135°）。這樣也可以找到這個(gè)像素梯度方向的鄰接像素。

（3）對(duì)梯度幅度應(yīng)用非最大抑制，目的是在圖像梯度中能夠找到局部最大值，并將其他非局部最大值歸零，以獲得精細(xì)邊緣。

（4）滯后閾值分為高閾值和低閾值。可以使用累計(jì)直方圖來計(jì)算這兩個(gè)閾值，并且如果其中的一個(gè)像素大于高閾值，那么它一定是邊緣像素。如果其中的一個(gè)像素小于低閾值，則它不能是邊緣像素。如果檢測(cè)的結(jié)果是在兩個(gè)閾值中間，那么就可以根據(jù)像素的鄰接像素確定它是否高于高閾值，若高于則是邊緣，否則就不是邊緣。

4.2 改進(jìn)的Canny 算子

傳統(tǒng)的Canny 算法使用兩個(gè)不同的閾值來處理圖像的強(qiáng)邊和弱邊，只有強(qiáng)邊緣和弱邊緣連接在一起時(shí)，弱邊緣才能包含在輸出圖像中。 否則會(huì)導(dǎo)致一些邊緣信息的丟失。因此，在實(shí)際應(yīng)用中，一定會(huì)存在噪聲和環(huán)境因素的影響，所以選擇合適的閾值非常重要。基于傳統(tǒng)的Canny 邊緣提取算法，提出了一種迭代算法來計(jì)算最優(yōu)閾值。計(jì)算和分析灰度值是否為邊緣點(diǎn)，可有效降低噪聲干擾。

改進(jìn)后Canny 算法的具體實(shí)現(xiàn)步驟為：

（1）對(duì)車道圖像進(jìn)行平滑濾波處理，抑制噪聲干擾；

（2）分析和計(jì)算由平滑濾波處理后道路圖像的梯度幅值和方向；

（3）對(duì)梯度幅值進(jìn)行非極大值抑制；

（4）道路圖像使用迭代算法確定最佳效果的高低閾值；

（5）道路圖像進(jìn)行閾值分割時(shí)使用雙閾值算法；

（6）對(duì)分割完成的道路圖像進(jìn)行邊緣檢測(cè)。

如圖4 所示為Canny 算子和改進(jìn)Canny 算法效果圖：

比較圖4（c）、（d）效果圖可以看到采用Canny 算子可以增強(qiáng)車道線的邊緣，減少路面等環(huán)境因素的干擾，但是車道線兩邊的背景區(qū)域區(qū)分布明顯；改進(jìn)后的算法對(duì)邊緣檢測(cè)效果更加明顯。

圖4 Canny 算子和改進(jìn)Canny 算法效果圖

5 基于Hough 變換的車道線識(shí)別

霍夫變換是提取車道線的最常用方法，將線上的每個(gè)數(shù)據(jù)點(diǎn)轉(zhuǎn)換為參數(shù)平面中的直線或曲線。霍夫變換是共線數(shù)據(jù)與其對(duì)應(yīng)的參數(shù)曲線和參數(shù)空間之間的關(guān)系，因此直線提取問題被轉(zhuǎn)換為計(jì)數(shù)問題。 簡(jiǎn)單實(shí)現(xiàn)車道線的擬合。Hough變換提取車道線的最大特點(diǎn)是它不受直線間隙和噪聲等其他因素的影響。

由Hough 的原理可知其計(jì)算量較大，精度高等要求，為了減少計(jì)算量將設(shè)直線方程轉(zhuǎn)換為極坐標(biāo)中用參數(shù)方程表示一條直線：

式中ρ 為直線到坐標(biāo)點(diǎn)原點(diǎn)的距離；θ 是直線法線與x軸所構(gòu)成的夾角。如圖5 所示為坐標(biāo)示意圖。

圖5 線性極坐標(biāo)轉(zhuǎn)換示意圖

圖6 極坐標(biāo)參數(shù)空間示意圖

與笛卡爾坐標(biāo)類似，極坐標(biāo)空間中的霍夫變換將線性極坐標(biāo)系中的點(diǎn)變換為極坐標(biāo)參數(shù)空間。當(dāng)以極坐標(biāo)表示時(shí)，線性坐標(biāo)系中的共線點(diǎn)被映射到相交于一點(diǎn)的參數(shù)空間。 與線性坐標(biāo)不同，極坐標(biāo)表示線性極坐標(biāo)共線的點(diǎn)被映射到正弦的參數(shù)空間，在點(diǎn)（ρ0，θ0）處交叉，并且極坐標(biāo)參數(shù)空間如圖6 所示。

如圖7 所示通過圖像我們可以得知Hough 變換的擬合效果更好。車道標(biāo)線邊緣更為連續(xù)，并且能夠把一些邊緣信息進(jìn)行濾除，車道線的目標(biāo)信息得以增強(qiáng)，無關(guān)信息可以得到抑制。所以本文選用Hough 變換來進(jìn)行車道線的識(shí)別。

圖7 Hough 變換檢測(cè)識(shí)別車道線

6 結(jié)論

本文使三種方法用于比較結(jié)構(gòu)化道路的二值化。在傳統(tǒng)的Canny 算法基礎(chǔ)上在細(xì)節(jié)等方面做了一些改進(jìn)，得到了改 進(jìn)后的Canny 算法。并且在圖像邊緣檢測(cè)中進(jìn)行比較，反映了兩種算法的優(yōu)缺點(diǎn)。為了達(dá)到本實(shí)驗(yàn)的目的本文使用霍夫變換檢測(cè)方法識(shí)別車道線，。 但是對(duì)于非結(jié)構(gòu)道路和有其他干擾的不平整路面等情況，本文選用的方法還有待提高和改進(jìn)。