Haar特征耦合級聯(lián)分類器的車道線檢測算法

周宏宇，宋 旭，劉國英

(安陽師范學院 計算機與信息工程學院，河南 安陽 455000)

0 引 言

當前，車道線檢測方法大致可以分類為基于特征方法[1,2]、基于區(qū)域方法[3-6]和基于模型方法[7,8]。基于特征方法主要是利用車道邊緣和車道顏色等顯著特征來識別、檢測車道線。楊智杰等[1]設(shè)計了一種RGB彩色通道的結(jié)構(gòu)化道路車道線檢測方案。其主要是利用車道線顏色來定義轉(zhuǎn)移函數(shù)，并識別出車道線區(qū)域。然后，通過形態(tài)學的邊緣檢測算子獲取車道線邊界，得到場景中實際的車道線。該方法對車道線的特征信息依賴性高，對于清楚的結(jié)構(gòu)化道路的檢測效果較好，對非結(jié)構(gòu)化道路與破損的車道線無法有效檢測。楊益等[2]提出一種利用顏色信息并結(jié)合一定的閾值進行車道線檢測并且能夠分辨黃色或白色車道線的方法。該方法存在的問題是，必須是車道邊緣明顯，同時受噪聲、光照和陰影等影響較大。而基于區(qū)域方法主要根據(jù)車道線大致的位置，建立一個感興趣區(qū)域(region of inte-rest，ROI)，在這個ROI內(nèi)檢測場景中的車道線。AMOL等[3-5]等將車道線圖像分割為左右兩個子目標，從二者信息中分別識別左、右車道線。Gu等[6]通過對區(qū)域放大增強定義了一種魯棒的道路檢測方案，主要是通過預(yù)設(shè)參數(shù)來描述車道線的特性，并估算相應(yīng)的較優(yōu)參數(shù)來定位車道線。該方法的局限性是無法處理障礙物遮擋情況或者車道線處于中間位置等情況。Zhou等[7]設(shè)計了一種幾何模型和Gabor濾波器的魯棒車道檢測方案。該算法構(gòu)建的車道幾何模型包含起始位置，車道原始方向，車道寬度和車道曲率的4個參數(shù)。該類方法過于依賴相機的標定信息，如果相機的位置發(fā)生抖動，會導致檢測結(jié)果產(chǎn)生較大的影響。Guo等[8]結(jié)合最小二乘法和改進的隨機抽樣共識(RANSAC)方法來估計車道線模型參數(shù)。RANSAC算法的局限是受噪聲影響極大，在噪聲較多時很難得到滿意的結(jié)果。Aly等[9]利用霍夫變換和3次貝塞爾曲線進行樣條擬合方法定義了一種針對城市街道的車道線檢測算法，實驗數(shù)據(jù)顯示了其方法的檢測準確性。然而，霍夫變換對復(fù)雜干擾的魯棒性不理想，限制了其檢測精度。

對此，本文定義了基于Haar特征耦合級聯(lián)分類器的車道線檢測算法。通過對場景圖像尺度縮放，計算消失線位置并提取ROI。通過級聯(lián)的車道線分類器對ROI進行車道線檢測。再借助LSD進行線擬合，并結(jié)合生長策略以及幾何檢查以得到最終的檢測結(jié)果。本文方法能夠在車道邊緣不清晰以及在各種惡劣環(huán)境下(如夜晚、高光、樹蔭等)得到一個很好的檢測效果，同時不依賴于相機的標定和消失點的計算。最后，測試了所提算法的檢測準確度與魯棒性。

1 車道線檢測設(shè)計

本算法首先對輸入圖像進行尺度縮放到長寬為300大小的圖像，然后提取感興趣區(qū)域；接著用訓練好的車道線分類器在感興趣區(qū)域進行分類得到候選的車道線位置，然后在候選的車道線位置進行車道線擬合。最后是后處理操作，對檢測到的車道線進行生長和幾何檢查剔除錯誤或者過短的車道線得到最終的結(jié)果。總體流程如圖1所示。

圖1 算法流程

1.1 感興趣區(qū)域選擇

ROI的提取可以有效的減少計算量，降低復(fù)雜性，提升檢測速度。通過對50個場景中的上萬幀序列圖像分析得出車道線的位置一般位于視頻圖像的下半部分。同時結(jié)合事先標定好的車載相機的消失線，可以有效的將車道線區(qū)域劃分出來。ROI選擇如圖2所示。圖2中的灰框區(qū)域即為ROI。

圖2 ROI選擇

1.2 Haar特征選擇

常用的圖像紋理獲取主要有3種技術(shù)，分別是Haar、LBP、HOG。由于車道線的紋理簡單，沒有人，車輛，臉部的紋理豐富，而且車道線的紋理具有很明顯的方向性。由于Haar特征能夠很好的反應(yīng)圖像灰度變化情況，對特定走向的邊緣，線段比較敏感。所以本文方法選擇了較簡單的Haar特征來做車道線的特征提取，后面的實驗也驗證了這種選擇的正確性。原始的Haar特征由Viola等[10]提出，如圖3所示，總共5種矩形特征。

圖3 原始矩形特征

后來經(jīng)過Rainer等[11]的演化，添加了旋轉(zhuǎn)45°角和中心環(huán)繞的矩形特征，如圖4所示。擴展后的Haar特征總共有15種。由于原始Haar特征過于簡單，所以本文方法中采用擴展后的Haar特征。但并沒有選擇全部的Haar特征，而是去掉了旋轉(zhuǎn)45°角的特征，選擇了基本的矩形特征，因為車道線本身比較簡單。實驗結(jié)果表明基本的矩形特征即可得到良好的檢測結(jié)果，同時旋轉(zhuǎn)45°后計算特征值的難度有一定提升并且過多的特征值也會影響最終的處理時間，這也是選擇基本矩形特征的原因之一。在特征值的計算中：一個矩形特征即為一個N*N的滑窗，通過在圖像上滑動，白色區(qū)域覆蓋的像素除掉黑色區(qū)域覆蓋的像素即為其特征值。

圖4 各種矩形特征

1.3 AdaBoost分類

AdaBoost起源于Valiant等[12]提出了Boosting算子。該類算子包含2個重要技術(shù)，即弱學習與強學習。從弱學習到強學習的過程就是Boosting的過程。在Boosting算法的基礎(chǔ)上，F(xiàn)reund等[13]提出了一個自適應(yīng)的Boosting算法即是AdaBoost。該算法需要級聯(lián)一系列弱分類器形成強分類器。

1.3.1 弱分類器設(shè)計

本文采取決策樹模型作為弱分類器，詳細過程為：

(1)設(shè)訓練集(x1,y1),…,(xN,yN)，對于每一個Haar特征，測量其所有訓練樣本的特征值，并將其排序，最終一個樣本得到一個高維特征向量。

(2)掃描排序好的特征值，并計算每個元素的如下4個量：全部正樣本的權(quán)重和P1；全部負樣本的權(quán)重和N1；此樣本前的正樣本的權(quán)重和P2；此樣本前的負樣本的權(quán)重和N2；

(3)計算每個元素的分類誤差

loss=min((P2+(N1-N2)),(N2+(P1-P2)))

(1)

(4)搜素loss值最小的元素，其認定為是最佳閾值，這樣便產(chǎn)生了最優(yōu)的弱分類器。

1.3.2 強分類器設(shè)計

強分類器的具體的設(shè)計流程如下：

(1)給定N個訓練的數(shù)據(jù)集，設(shè)定訓練迭代的次數(shù)(即弱分類器數(shù)目)；

(2)迭代訓練，得到最優(yōu)弱分類器與錯誤率em；根據(jù)em更新每一個權(quán)重(錯誤識別的權(quán)重提升，正確識別的權(quán)重下降)和計算弱分類器的權(quán)重系數(shù)

(2)

(3)

(4)

(3)得到更新后的權(quán)重之后，將新樣本與上一輪錯誤識別的樣本融合形成一個新的樣本集，然后繼續(xù)重新學習；

(4)重復(fù)(2)-(3)步驟，迭代次數(shù)達到設(shè)定值時或者錯誤率低于設(shè)定值時停止訓練。

1.4 車道線擬合

在1.3小節(jié)經(jīng)過AdaBoost分類得到候選區(qū)域之后，接下來是擬合車道線的工作。因為候選區(qū)域是一個個小的矩形區(qū)域，所以一段長的車道線就被分成了一段一段的短的車道線，眾所周知，曲線可以近似考慮為由多段短直線組成，所以在本文中省去了曲線擬合的步驟，可以直接采用直線擬合的模型。擬合的過程如圖5所示。

圖5 車道線的擬合過程

首先對得到的候選區(qū)域用大津算法[14]對候選區(qū)域進行二值化處理，考慮到候選區(qū)域可能存在噪聲，經(jīng)過二值化處理之后，可能產(chǎn)生孤點，對后面的車道線擬合產(chǎn)生巨大影響的問題，所以接下來是一個形態(tài)學腐蝕的操作，去除二值化圖像的孤立點。

車道線擬合是本文方法的關(guān)鍵部分。現(xiàn)在最普遍使用的直線檢測方法是霍夫變換，而霍夫變換存在算法復(fù)雜度較高，檢測速度較慢，檢測精度不夠等問題，于是本文采取了一種直線檢測方法(line segment detector，LSD[15])，其過程如下：

(1)尺度縮放，對輸出圖片進行高斯下采樣，消除輸入圖片的鋸齒效應(yīng)；

(2)計算每一個點的梯度值和梯度方向；

(3)利用梯度值按照從大到小排列，所有元素標記初始化為未使用狀態(tài)；然后，將梯度值小于閾值的元素，直接標記為已使用，并從列表中剔除，加快了計算速度；

(4)從列表里找出未采用并且梯度值最大的元素為種子元素；然后以該元素為起點，尋找鄰域未采用并且梯度方向相似的元素。如果將該元素狀態(tài)標記為使用狀態(tài)，并從列表中刪除；生成包含所有滿足點的外接矩形；根據(jù)矩形內(nèi)的梯度角求出精度誤差，滿足則保留，定義為一條直線，不滿足則刪除；

(5)重復(fù)第(4)步，直到遍歷完全部的點，得到所有的直線。利用LSD對車道線候選區(qū)域執(zhí)行擬合操作，即得到了本文車道線檢測的初始版本。

1.5 后處理操作

因為AdaBoost檢測得到的車道線候選區(qū)域，并不能覆蓋整條車道線，只能覆蓋其中的一部分，最后擬合出來的車道線是斷開不連續(xù)的。所以要對得到的粗車道線后處理操作，使得粗糙車道線更加精細化。本文在后處理操作中，首先對擬合出的車道線進行生長，然后進行幾何檢查，排除長度短的，方向不正確的車道線。

1.5.1 生長策略

(1)根據(jù)斜率相似性，對屬于同一個車道線的候選區(qū)域進行組合，生成多個車道線組合并根據(jù)斜率大小將這些組合進行排序；

(2)依次取出一個組合，對該組合里的所有車道線候選區(qū)域標記為已使用區(qū)域；依次選出一個候選區(qū)域，從首尾兩端，分別進行向前向后生長，對生長后的區(qū)域標記為已使用區(qū)域；如生長到感興趣區(qū)域的邊界或者生長到已使用區(qū)域即停止；

(3)重復(fù)步驟(2)直至遍歷完全部的車道線組合。這里生長的判斷依據(jù)過程如下：以首端點為中心，建立一個N*N的矩形區(qū)域，對該矩形區(qū)域進行LSD檢測，若檢測存在直線且滿足長度大于一定的閾值，以及中心點到直線的距離小于一定閾值，且斜率變化不大，則進行生長。然后更新首端點為新生長出的車道線的首端點，若更新后的首端點進入已使用區(qū)域或者達到感興趣區(qū)域的邊界則停止，否則繼續(xù)生長。

1.5.2 幾何檢查

(1)檢測直線長度，本文中候選區(qū)域檢測車道線時采取的長度閾值為10，生長時的長度閾值為5；

(2)檢直線斜率，本文中采用左邊車道線的斜率為負，值的范圍在(tan105°到tan160°)；右邊車道線的斜率為正，值的范圍在(tan20°到tan75°)；

(3)候選區(qū)域中心點到直線的距離，本文設(shè)定的距離閾值為3；

(4)生長時矩形區(qū)域中心點到檢測到的直線的距離，本文中生長時矩形區(qū)域中心點到檢測到的直線的距離為2。

2 實驗結(jié)果及分析

為了驗證算法的性能，本文在公開的Caltech-lanes數(shù)據(jù)集上測驗，同時，為了體現(xiàn)算法的適用性與魯棒性，在自己構(gòu)建的數(shù)據(jù)集中進行廣泛測試。測試的硬件平臺是Intel?Core i3中央處理器，4 GB容量內(nèi)存，操作系統(tǒng)為Ubuntu12.04。

2.1 評價指標

在本文的車道線評價指標中，使用的仍然是信息檢索領(lǐng)域中常用的檢出率、準確率、誤檢率等常用的評價指標。其中，車道線檢出率：即檢測到的車道線條數(shù)占全部車道線條數(shù)的比率

(5)

(6)

車道線檢測正確率：即所有檢測出的線中是車道線的所占的比率

(7)

車道線檢測誤檢率：即所有檢測出的線中非車道線的所占的比率

(8)

2.2 特征的選擇與分析

為了統(tǒng)計Haar、LBP、HOG這3種特征的訓練檢測性能，本文分別用AdaBoost訓練了3種特征的分類模型，在Caltech-lanes數(shù)據(jù)集上進行了測試，分析的3種特征的性能,分析結(jié)果見表1。

表1 特征統(tǒng)計分析

從圖6中3種特征下的結(jié)果可以看出，符合表1的統(tǒng)計結(jié)果，Haar特征具有最多的車道線候選區(qū)域檢測，LBP特征其次，而HOG特征則是最少的，綜合表1和圖6的數(shù)據(jù)分析得出，Haar特征具有最佳的檢測效果，見圖6(b)，而LBP特征與HOG特征的檢測結(jié)果一般，分別見圖6(c)和圖6(d)。

圖6 3種特征下的檢測結(jié)果

雖然LBP特征相比于Haar特征具有更快的檢測速度，但是Haar本身的檢測速度已經(jīng)滿足實際需求。綜上所述，本文選擇Haar特征作為本文紋理提取是有效并且合理。

2.3 Caltech-lanes的實驗結(jié)果

本文在Caltech-lanes數(shù)據(jù)集上進行了實驗。該數(shù)據(jù)集主要分成Cordova 和Washington兩種城市街道的場景。這兩種場景的區(qū)別主要是Cordova是向陽的場景，而Washi-ngton是背光的場景較多?？偣彩菢擞浐玫?224幀的數(shù)據(jù)，含有4172條車道線，其中在當前車道內(nèi)，含有的兩條車道線的是2026條車道線。本文算法只對當前車道進行處理。統(tǒng)計的結(jié)果見表2。從表2中可以看出本文算法在Caltech-lanes數(shù)據(jù)集上能夠取得較高的性能。在統(tǒng)計的1224幀圖像中，平均檢出率是97.1%，平均漏檢率是2.9%，準確率是96.5%，誤檢率是3.5%，處理時間是42 fps。

表2 本文算法在Caltech-lanes數(shù)據(jù)集上的實驗結(jié)果

另外，本文方案還與文獻[7]、文獻[10]中車道線進行實驗比較，見表3。從表3中可以看出來，本文方法取

得了優(yōu)異的準確率，同時相對文獻[10]方法，可以減少8.7%的漏檢，漏檢率僅為2.9%。原因在于基于Haar特征級聯(lián)能夠更好的對車道線表達，從而實現(xiàn)更準確的車道線分類。在處理速度上雖然不及文獻[10]中的方法速度。這可能是硬件平臺不同的問題。此外，實例測試結(jié)果如圖7和圖8所示。由圖發(fā)現(xiàn)，本文的方案可適應(yīng)于虛線、實線、直道和彎道等各種車道線模型，且在高光，可見度很低時，依然能有效檢測，魯棒性強。

表3 不同算法的檢測結(jié)果

圖7 Cordova場景下的測試結(jié)果

圖8 Washington場景下的測試結(jié)果

2.4 自制數(shù)據(jù)集的結(jié)果分析

此外，為更深入測試算法性能，本文自制實際使用數(shù)據(jù)集。該數(shù)據(jù)集拍攝了城市里主要的道路區(qū)域，視頻包含了多種的車道模型以及夜晚高光、樹蔭遮擋等各種復(fù)雜的環(huán)境。該數(shù)據(jù)集總共包含72個小時的視頻。視頻大小是1280*720的大小。本文通過結(jié)合消失線的感興趣區(qū)域選擇，有效減少了計算量，通過機器學習對各種復(fù)雜場景的學習，有效解決了適用環(huán)境單一，不能應(yīng)對各種復(fù)雜環(huán)境的問題。而短直線連接近似曲線的策略，則是解決了要同時設(shè)計曲線模型和直線模型的問題。面對城區(qū)，夜晚以及彎道等復(fù)雜條件下都能進行很好的檢測，如圖9所示。

圖9 自制數(shù)據(jù)集上的測試結(jié)果

3 結(jié)束語

針對已有的車道線檢測算法在復(fù)雜環(huán)境中存在的嚴重誤檢與漏檢現(xiàn)象以及車道線檢測達不到實時性和應(yīng)用環(huán)境單一等問題，本文設(shè)計了一種基于機器學習的車道線檢測方案，結(jié)合Haar-like特征與AdaBoost的方法，訓練了一個車道線的分類器，對場景圖像進行檢測，在候選區(qū)域用LSD的方法執(zhí)行車道線擬合，完成車道線的粗檢測。為了提高檢測結(jié)果，借助生長策略以及幾何檢查進行優(yōu)化，輸出最終的車道線。通過對大量真實道路視頻數(shù)據(jù)的測試實驗驗證，在大多數(shù)的道路環(huán)境下，本文算法均能對直道和彎道的車道線進行準確的檢測。

但是本文的方法依賴于機器學習AdaBoost的有效檢測，樣本的制作尤為重要。因此，如何更加有效優(yōu)化檢測方法仍是今后需要不斷努力的方向。