一種基于Edline線特征的車道線識別算法

姬廣奧 劉志強

摘要：為了提升車道線檢測的準確性和實時性，改良車道偏離預警系統的性能，提出了一種新的車道線識別算法。首先應用投影法對采集到的圖像設立感興趣區域，以此來減少圖像中存在的干擾信息;其次應用一種改進后的自適應高斯濾波算法對采集所得圖像進行平滑處理，減少圖像中不必要的細節;最后采用邊緣繪制算法進行邊緣檢測，在此基礎上，提出一種線段檢測算法——Edline算法提取邊緣線，對檢測到的直線段進行篩選和聚類。利用引用計數法對車道線進行跟蹤和預測。結果表明，新算法的平均處理時間為17.1 ms，準確率為96.19%，將其應用在車道偏離預警系統中可以有效地提高預警效率，提升預警的準確性和響應速度。研究結果豐富了車道線識別理論，可為車道偏離預警系統的應用及基礎研究提供參考。

關鍵詞：公路標志、信號、監控工程;高斯濾波算法;車道線檢測;Edline;車道線跟蹤

中圖分類號：TP3914文獻標識碼：A

doi： 10.7535/hbgykj.2020yx03006

Abstract：

In order to improve the accuracy and realtime of lane detection and the performance of lane departure warning system， a new lane recognition algorithm was proposed in this paper. Firstly， the projection method was used to set up the region of interest for the collected images， so as to reduce the interference information in them. Then an improved adaptive Gauss filtering algorithm was applied to smooth the collected images and reduce unnecessary details. Finally， edge drawing algorithm was used for edge detection. On this basis， a line segment detection algorithm was proposed： Edline， which extracted the edge line， then filtered and clustered the detected line segments. The lane line was tracked and predicted by using the reference counting method. Experimental results show that the accuracy of the new proposed algorithm reaches 96.19% and the average processing time is 17.1 ms. The efficiency， accuracy and speed of lane recognition have been greatly improved by applying this algorithm to lane departure warning system. The research results enrich the theory of lane line recognition， and provide reference for the application and basic research of lane departure warning system.

Keywords：

highway sign， signal and monitoring works; Gaussian filtering algorithm; lane line detection; Edline; lane line tracking

近年來中國機動車交通事故的發生數量呈下降趨勢，但是總量還是比較大[1]。造成交通事故的原因有很多，在眾多原因中，由司機引起的非故意車道偏離排在第4位。因此對車道偏離預警系統的研究成為安全輔助駕駛研究的重點，其中對車道線的檢測以及實時跟蹤是車道偏離預警系統的重點內容。

車道線的檢測是通過采集圖像中車道線的特征，將車道線與背景分離，獲取車道線相對于車輛的位置等信息。

國內外研究人員針對車道線檢測方法主要分為基于特征和基于模型的車道線檢測方法。車道線的顏色特征、幾何特征、邊緣分布特征等是基于特征檢測車道線的主要依據。楊智杰[2]提出通過RGB色彩空間中車道線的特征設計轉移函數，并以此檢測道路圖像的車道線區域，提取出車道線的邊緣點檢測車道線，但當車道線附近干擾較多時，容易引起誤檢。通過建立數學模型，并對模型參數求解來擬合車道線就是基于模型的車道線檢測方法。其中錢怡[3]提出了基于Hough變換的車道線檢測方法，但是這種方法在復雜道路環境下的檢測效果較差。

針對傳統檢測技術的局限性，為滿足車道線檢測的魯棒性和實時性，筆者提出一種基于邊緣繪制線（edge drawing lines，Edline）算法[4]的車道線識別算法。該方法首先對采集圖像進行預處理，使用邊緣繪制算法進行邊緣檢測，在此基礎上應用Edline算法進行線段檢測，然后運用機器學習概念對檢測到的直線段進行篩選和聚類，得到一條直線段表示為車道線檢測結果。

1車道線檢測與跟蹤的方法架構

在圖像采集階段，主要有2種使用攝像機的方法：單攝像機方法[56]和多攝像機方法[7]。在單攝像機方法中，將一個攝像機固定在擋風玻璃后面。在多攝像機方法中，在車輛的前部和后部使用2個或多個攝像機，由于它們提供大量的數據，因此獲得的圖像精度更高。

車道線檢測過程中，在對圖像進行預處理階段，需要對攝像機采集到的圖像進行增強處理。道路環境充滿了干擾物和細節，它們被視為系統的噪音。通過應用圖像濾波器（例如高斯濾波器和中值濾波器[8]），執行圖像平滑來減少不必要的細節。圖像可能包含一些與車道線相似的線。因此，使用感興趣區域（region of interest，ROI）提取來設定圖像的有效部分。當在較小的圖像上完成工作時，應用感興趣區域可以減少計算時間。

車道線邊緣檢測分為邊緣檢測和線段檢測。許多圖像處理技術被用于邊緣檢測[910]，線段檢測的方法也很多。其中Hough變換可以在一個步驟中完成這2項工作。在此基礎上使用跟蹤算法來跟蹤從一幀到另一幀的車道線。這種方法依賴于方程形式y=mx+c中的跟蹤線。使用最小二乘法直線擬合來創建直線方程。利用車道線跟蹤算法對車道線進行實時跟蹤，并可在一幀或多幀丟失時提前判斷車道線的位置。

2車道線識別算法

首先對ROI進行提取，采用改良的高斯濾波算法[11]進行圖像平滑，實現對圖像的預處理。使用邊緣繪制算法進行邊緣檢測，然后采用一種實時的、非常強大的線段檢測技術——Edline算法，進行車道線邊緣提取。通過運用機器學習概念對檢測到的線進行篩選和聚類，以此得到一條線段表示車道線。在此基礎上，提出了一種改進的參考計數算法，用于跟蹤連續幀之間的車道線，實現對車道線的跟蹤。其中車道線的識別流程圖如圖1所示。

2.1圖像預處理

在檢測車道線過程中，首先需要對采集的圖像進行預處理。設立感興趣區域，使處理項最小化，從而有效縮短處理時間，并且盡可能減小圖像中的干擾因素，提高圖像處理的精度。圖像的預處理分為感興趣區域提取和圖像平滑過程2個階段。

2.1.1ROI的提取

ROI的提取是圖像預處理的主要階段，在采集到的圖像中存在很多干擾信息，會影響檢測的準確率和處理時間。對感興趣區域的劃分可以過濾掉影響后續階段的外部因素。利用投影法，設像素點（α，β）的灰度值為F（α，β），在采集圖像中，高為H，寬為W。方程如下所示：

2.1.2圖像平滑過程

圖像平滑過程可以減少圖像不必要的細節，從而縮短處理時間。在此階段，應用一種改良的高斯濾波算法，在應用傳統高斯濾波算法時，需要對圖像進行加權平均，每個像素點的值均由其本身和鄰域內的其他像素值加權平均，并進行二維高斯濾波函數離散化[12]，高斯核中的權值系數即所得到的函數值。在應用二維高斯濾波進行圖像平滑處理的過程中，對標準差的選取是最重要的，高斯濾波器的頻帶寬度與選取的標準差的大小成正比，即標準差越大，平滑程度就越好。改良的高斯濾波器可動態確定具體的標準差，針對圖像不同位置像素值的方差，確定不同的高斯核，形成一種自適應高斯濾波算法[1314]，該算法不需要人為設定標準差，可以有效提高后期車道線圖像處理的精確度。

在此算法中，高斯核中每個參數都將作為圖像像素矩陣某一區域內對應位置灰度值的權重，根據自身及其周圍灰度值與高斯核中的參數對應相乘，求和平均后得到中心點灰度值的平滑結果。高斯核的確定直接受到標準差影響。在圖像中，如果區域內像素點離散程度越小，相對應的像素值方差就越小，標準差就要越大，則平滑程度就越好。

使用上述自適應高斯濾波算法平滑后，圖像中的噪聲抑制效果很明顯，如圖3所示，可以有效提高圖像處理的精準度。

2.2Edline算法檢測車道線

為了提高車道線檢測的速度和精度，提出一種新的車道線檢測算法——Edline算法。與Hough變換檢測車道線的過程類似，車道線邊緣檢測階段可分為邊緣檢測和線段檢測2個階段。

2.2.1邊緣檢測

邊緣檢測用于檢測圖像中亮度發生急劇變化的點[14]。使用基于圖像一階導數的算法來確定這些點。現有的邊緣檢測器有很多，與這些檢測器相比，邊緣繪制算法[15]是一種新穎的邊緣檢測算法，它以像素鏈的形式實時生成每一條邊緣。

現存的邊緣檢測器檢測到的邊緣像素通常是不連續、不相交的實體，而邊緣繪制算法生成的邊緣段是連續的、干凈的邊緣像素鏈。與其他邊緣檢測器相比，它的運行速度也非常快。

給定圖像經過預處理得到平滑圖像，然后通過邊緣繪制執行邊緣檢測，如以下3步所示。

1. 計算圖像的梯度，如式（2）所示，其中i（x，y）代表坐標（x，y）像素點的灰度值。

2.2.2線段檢測

Edline算法是在邊緣繪制算法的基礎上，提出的一種基于最小二乘法的線段檢測方法[16]。

Edline算法由3個步驟組成。

1）給定一個灰度圖像，運行邊緣繪制算法，生成一組干凈、連續的像素鏈。

2）遍歷邊緣像素鏈，用最小二乘法進行擬合，其原則是偏差絕對值之和最小：

3）通過添加更多像素來擴展該線段，當誤差超過某個閾值時，生成一個新的線段。然后，該算法遞歸地處理鏈中所剩余的像素，直到所有像素都被處理完成。

2.3線段的篩選和聚類

在所提出的算法中，使用5個特征（斜率、截距、起點、終點和長度）來定義線段。這種算法只用2條線段來定義車道：左線和右線，是通過篩選后對線段進行聚類完成的。

2.3.1線段的篩選

對檢測到的直線段進行篩選是為了方便選擇與車道線相關的線段并將其傳遞到下一階段。將框架左側的線與右側的線分開是有用的，如圖4所示。

分離后，使用3個特征值（斜率、起始點和長度）執行選擇過程。要選擇作為車道線的線段特征的范圍，W表示寬度，m和Sx分別是線段起始點的斜率和坐標值，通過實驗數據可得特征值，如表1所示。

2.3.2線段的聚類

同一方向上2條車道之間的車道邊界是具有一定厚度的虛線，這使得直線檢測器將其檢測為2條平行線，如圖5所示。

2.4車道線的實時跟蹤

在車道線檢測的基礎上，提出了一種改進的引用計數法，用于跟蹤連續幀之間的車道線，實現對車道線的跟蹤。跟蹤主要是為了達到2個目的：從檢測到的直線中選擇與車道線相關的直線;如果它們沒有被列出，則預測車道線的位置。如果不了解前幾幀中車道線的歷史，就無法達到這2個目的。存在車道線信息可用和沒有足夠的信息2種情況。當系統運行時，因為某些幀可能會錯過車道線，它可能會從第1種情況跳到第2種情況。因為相鄰時刻的情況并不會發生突變，這一時刻的輸出與前一時刻的輸出相對接近。

在第n幀中，重點是要確定從前一幀中需要什么信息。每一條被檢測的直線都由其斜率和截距來確定。為每一條線增加額外的參數：數值、驗證標志、斜率誤差和截距誤差。這些參數在每一幀中都會更新，并從一幀傳遞到下一幀。此外，它們被收集在一個稱為跟蹤列表的列表中。

從第1種情況開始，在所有關于前一幀的信息都可用的情況下，將當前幀中檢測到的直線與跟蹤列表中的直線進行比較。因此，在檢測到的直線中尋找與跟蹤線的最佳匹配，有3種情況。

1）跟蹤線有最佳匹配的檢測線路，參數將通過被跟蹤的車道線的檢測值進行更新，逐一遞增。

2）跟蹤線在檢測到的直線中沒有最佳匹配，跟蹤線的參數保持原樣，但數值會減1。

3）被檢測到的直線與任何跟蹤線都不匹配，該直線被添加到跟蹤列表中，其數值、驗證標志值、斜率誤差和截距誤差為0。

驗證標志被更新，如果數值大于設定閾值，則驗證值將從0更改為1。這意味著這條線在許多幀中被檢測到，并且它與車道線相關的概率很高。在此階段中，數值小于閾值的跟蹤線會從跟蹤列表中刪除。

在第2種情況下，如果沒有足夠的關于前一幀的信息，則跟蹤列表會被初始化為空，并且所有檢測到的線都被添加到跟蹤列表中。如果沒有檢測到線，則繞過跟蹤階段，直到在圖像中檢測到線為止。

3實驗結果與分析

筆者通過車載攝像機獲取車道線圖像，利用Matlab R2014a在CPU為3.7 GHz，RAM為8 GB的Windows系統上進行本文相關算法的實驗，最終被識別的車道線用實線標注。選擇在不同的條件下進行測試以驗證車道線檢測的效果。無干擾的車道線識別效果如圖6所示。

圖8展示了不理想條件下車道線的提取結果，在第87幀和第88幀由于右線信息嚴重缺失，使右線檢測出現了一定程度的偏差。但在接下來的車道線跟蹤中，很快又得到了準確的檢測結果，說明即使在檢測過程中場景發生一定的變化，也會在短時間內恢復穩定，表明車道線的跟蹤識別具有很強的魯棒性。

為了對比新提出的算法與傳統的Hough變換檢測識別車道線的效果，在不同的場景下進行了實驗并對2種算法的效果進行對比。如圖9所示，文獻[3]是采用Hough變換得到識別結果，車道線被遮擋，導致單邊漏檢（見圖9 a））。如圖9 c）所示，受到欄桿的干擾，導致誤檢。本研究的車道線識別算法可以很好地克服干擾，將左右車道線準確地提取出來。

將場景分為良好環境條件下的無干擾車道線和受到環境干擾的有干擾車道線，分別選取2 816個檢測樣本和1 147個檢測樣本，使用本檢測算法進行檢測，表2為所獲取的樣本在實驗中得到的檢測結果，由實驗數據可得，在不同的條件下車道線的平均檢出率為96.19%，同時，可以得到沒有被干擾的樣本線的平均處理時間為16.6 ms，在存在干擾的被檢測線的平均處理時間為18.4 ms，所有車道線平均處理時間為17.1 ms。

與文獻[3]的Hough變換的車道線識別準確率進行對比，如表3所示，筆者提出的算法相較于傳統Hough變換在準確率和檢測時間上都有較大的改善。

4結語

應用所提出的車道線識別新算法在不同復雜環境中進行實驗，并與傳統車道線識別算法檢測效果進行對比分析，結果表明，新算法比傳統算法具有更好的準確性，魯棒性好，且具有良好的實時性。

1）提出的算法可以準確地識別陰雨、夜晚等復雜環境下的車道線。

2）在車道線缺失的情況下可以準確跟蹤和預測下一幀車道線，提高了車道線識別的準確性。

3）該方法的平均檢出率為96.19%，平均處理時間為17.1 ms，檢測性能良好。

綜上所述，筆者提出的車道線實時識別算法可應用于車道偏離預警系統中，對安全輔助駕駛技術的發展具有積極意義。對干擾路段車道線的識別速度和精度進行優化是未來的研究方向。

參考文獻/References：

[1]公安部交通管理局.中華人民共和國道路交通事故統計年報[R]. 北京：公安部交通管理局，2018.

[2]楊智杰.基于RGB彩色通道的結構化道路車道線檢測[J].電子科技，2015，28（1）：9598.

YANG Zhijie.Lane detection based on RGB channels[J].Eelectronic Science and Technology，2015，28（1）：9598.

[3]錢怡.基于 Hough 變換的車道線檢測[J]. 山東工業技術，2017（10）：272273.

[4]AKINLAR C， TOPAL C. Edlines： Realtime line segment detection by edge drawing （ed）[C]//2011 18th IEEE International Conference on Image Processing. [S.l.]：IEEE， 2011： 28372840.

[5]IRSHAD A， KHAN A， YUNUS I， et al. Realtime lane departure warning system on a lower resource platform[C]//2017 International Conference on Digital Image Computing： Techniques and Applications （DICTA）.[S.l.]： IEEE， 2017： 18.

[6]KORTLI Y， MARZOUGUI M， BOUALLEGUE B， et al. A novel illuminationinvariant lane detection system[C]//2017 2nd International Conference on AntiCyber Crimes （ICACC）.[S.l.]： IEEE， 2017： 166171.

[7]BORKAR A， HAYES M， SMITH M T. A new multicamera approach for lane departure warning[C]//International Conference on Advanced Concepts for Intelligent Vision Systems. [S.l.]：[s.n.]， 2011： 5869.

[8]顧桂梅，冉建民，周詠.基于高斯中值的鋼軌表面缺陷圖像濾波研究[J]. 鐵道科學與工程學報，2018，15（8）：19431949.

GU Guimei，RAN Jianmin，ZHOU Yong. Image filtering of rail surface defects based on gaussmedian[J]. Journal of Railway Science and Engineering，2018，15（8）：19431949.

[9]KODEESWARI M， DANIEL P. Lane line detection in real time based on morphological operations for driver assistance system[C]//2017 4th International Conference on Signal Processing， Computing and Control （ISPCC）.[S.l.]： IEEE， 2017： 316320.

[10]CHO N G， YUILLE A， LEE S W. A novel lineletbased representation for line segment detection[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2017， 40（5）： 11951208.

[11]黃玉龍，張勇剛，李寧，等. 一種改進的高斯近似濾波方法[J].自動化學報，2016，42（3）：385401.

HUANG Yulong，ZHANG Yonggang，LI Ning，et al. An improved Gaussian approximation filtering method[J]. Acta Automatica Sinica，2016，42（3）：385401.

[12]戴嘉程，曾文涵，楊文軍，等.高階高斯濾波和Radon變換結合的缸體特征提取[J].西安交通大學學報，2019，53（4）：18.

DAI Jiacheng，ZENG Wenhan，YANG Wenjun，et al. Cylinder surface feature extraction combining highorder Gaussian filter with Radon transform[J]. Journal of Xian Jiaotong University，2019，53（4）：18.

[13]邵黨國，鄧陽陽，相艷，等. 基于自適應高斯濾波的超聲斑點降噪[J]. 數據采集與處理，2017，32（4）：746753.

SHAO Dangguo，DENG Yangyang，XIANG Yan，et al. Speckle reduction based on adaptive Gauss filtering[J]. Journal of Data Acquisition and Processing，2017，32（4）：746753.

[14]BEHRENS T， SCHMIDT K， MACMILLAN R A， et al. Multiscale contextual spatial modelling with the Gaussian scale space[J]. Geoderma， 2018， 310： 128137.

[15]TOPAL C，AKINLAR C，GENC Y. Edge drawing： A heuristic approach to robust realtime edge detection[C]// 2010 20th International Conference on Pattern Recognition.[S.l.]：[s.n.]， 2010：24242427.

[16]AKINLAR C， TOPAL C. EDLines： A realtime line segment detector with a false detection control[J]. Pattern Recognition Letters， 2011， 32（13）： 16331642.