基于機器視覺的車道線識別方法

胡澤軍，項新建，黃炳強，姚佳娜，王樂樂

（1.浙江科技學院機械與能源工程學院，浙江 杭州310000；2.浙江科技學院自動化與電氣工程學院，浙江 杭州310000）

高級輔助駕駛系統正逐漸融入電動汽車。輔助系統既能在危險情況下提醒駕駛員，又能主動介入駕駛過程對危險駕駛行為進行干預。在今后，智能駕駛輔助系統將變得更為智能，而車道線的提取為智能駕駛輔助系統重要組成部分之一。車道線精準的檢測提取，為自動巡航駕駛、車道保持、變道超車等技術提供重要的信息基礎，為駕駛員在行駛的過程中提供安全保證[1-3]。

實現非結構性道路和結構性道路的快速車道線檢測、跟蹤是該模塊的關鍵問題。YU等人[4]提出了一種多分辨率和多尺度霍夫變換（Houghtransform）車道邊界檢測，通過設定的車道線幾何特征的閾值，得到車道線的方法。LEE[5]提出了通過邊緣分布函數估計車道后續車道線方向變化，但是對于虛線和彎道檢測效果并不理想。KANG等人[6]在平坦路面基礎上，根據邊緣梯度變化方向以獲得車道線擬合的初始控制點，最后根據密度函數確定最佳位置。文中使用了基于梯度檢測的模型，后使用Gabor濾波器獲得最優車道線。MECHAT等人[7]在文中使用了支持向量機分類篩選的方式對車道線區域進行篩選，并利用曲線定義了車道模型。KORTLI等人[8]在道路圖像中建立感興趣區域（Region of Interest，ROI），使用高斯濾波進行去噪，邊緣檢測進行用邊緣加強，以獲得車道線邊界的提取方法。SHIN[9]在文中采用了粒子過濾器的車道線檢測方法，對其進行了復雜的環境優化，提高了多路況下車道線檢測的魯棒性。李茂月等人[10]在文中改進劃分角度檢測算子，對視角變換后的車道線采用DBSCAN聚類及NURBS曲線進行擬合，并利用隨機抽樣一致法優化車道線模型以濾除誤匹配。姜立標等人[11]針對傳統Hough變換和最小二乘法擬合提出改進建議，并通過卡爾曼濾波跟蹤車道線，以提高其魯棒性。

由于實際道路中存在車道線破損、車輛遮擋等問題，導致前期使用傳統圖像算法進行邊緣檢測提取關鍵信息的方式存在缺乏魯棒性、準確率低等問題。后續筆者雖然引入了連續性判定和SVM等方式，增強了系統的魯棒性。但是對于結構化道路、高動態光線變化場景的影響，改善上述算法存在準確率低等問題。鑒于此，本文提出了一種基于Hough直線檢測的車道線提取方法，利用SVM識別出車道線信息，通過添加控制點過程將車道線與HOG特征提取出來，從而實現車道線的擬合。

1 預處理

為了提高車道線檢測的精度與效率，需要對所采集的圖像進行區域篩選，以消除圖像中干擾因素對車道線檢測的影響。通過對多數車載視頻序列中的上萬幀的序列圖像分析得出，圖片中將會包含部分天空區域。根據實際情況需求后續將該圖像區域納入非感興趣區域中。

1.1 車道線區域截取

對于所檢測的圖像，車道線主要存在于車輛前方矩形區域，劃分區域時需要去除圖片中的天空、建筑、樹等干擾因素。在行車過程中，拍攝圖像視角一般處于固定狀態，因此可采用靜態參數配合動態規劃進行區域劃分。預設條件步驟如下：①天空位于圖像上半部分區域，從上往下隔行掃略，獲得亮度與變化幅度；②根據天空像素變化的亮度與地面區域的亮度有明顯分界處；③根據亮度與梯度修正截取圖片；④固定此參數，為后續車載視頻提供截取ROI區域。

白天ROI區域選取如圖1所示。根據圖1灰度值變化曲線，假設一張圖像的長和寬（H、W），白天天空與道路處于明顯的分界處，位于圖像上部分0.6H處，因為在0.6H處產生變化，平均灰度值降低。根據上述篩選，將圖像最后截取為下半部分的0.4H范圍。除去這一區域內干擾項的影響后，行車記錄儀由于其放置的不同，導致其在不同高度下將對應不同的視角情況，而統計車道線和前車的位置，通常都位于視頻圖像的下半部分。而行駛中，車道線將會呈現梯形的圖像區域，最后在公路盡頭消失或者天空與道路分界消失。通過分析所拍攝的圖像，得出如下結論：在固定角度的情況下，若將相機放置在離地面較近的位置，則圖像獲得的感興趣區域較少，所收集的信息較少，因而需要放置到合適的高度，同時結合預先的車載相機的消光線，就可以有效地劃分出前車的位置范圍。前車的位置范圍即為圖1所示的ROI區域。

圖1 白天ROI區域選取

1.2 截取圖像預處理

圖像經過截取后，對于車道線的提取并不需要彩色圖像信息。對三通道圖像進行加權求和灰度化如下Gray（x，y）=[R（x，y）+G（x，y）+B（x，y）]/3。

得到灰度圖，減少了后續處理過程中的數據量，可適當提高算法的處理效率。

對圖像進行灰度化處理后，文中利用中值濾波去除椒鹽噪聲，改善圖像質量，保留有用信息，提高后續檢測的準確率。中值濾波采用公式：G3×3=Med{f（x，y），f（x-1，y-1），…，f（x+1，y+1）}。其中，G3×3為遍歷框大小，f（x，y）為圖像框內像素點的像素值，求取其中3×3框內的中位數賦值于整個框，能有效抑制圖像中椒鹽噪聲的影響。

1.3 圖像直線提取

對于經過截取濾波的圖像，進行邊緣檢測和Hough檢測后提取直線，如圖2所示。圖2中所檢索到的圖像，存在多檢、誤檢等直線。因此需對其進行篩選，以得到車道線，下文將通過特征提取方式進行優化提取。

圖2 Hough檢測后車道線檢測圖

2 車道線提取

經上述預處理后的圖像，通過圖像行向量亮度梯度的變化，確定了道路與天空界限閾值，從而提供了預篩選區域。

2.1 圖像遍歷

車道線檢測的圖像中，直線由兩端直線所確定，但是缺少中間控制點所擬合的直線會出現不貼合原車道線的圖像。故根據所提取的直線端點，進行框選，框選步驟如下：①基于X軸坐標，將坐標進行排序后，歸為n類，并設置條件|Xline1-Xline2|≤w/n，其中，Xline1為直線端點X軸坐標值，w為所輸入圖像的寬度；②基于分類線，截取覆蓋同類線的最小矩形；③對矩形框中圖像進行分割，對中間控制點進行特征提取，進行最小二乘擬合車道線。

經過上述預處理后，并進行分割遍歷，遍歷方式如圖3所示。

圖3 部分圖像遍歷效果

圖3中，該方法把行駛區域分成多個子圖象，將車道線提取問題轉化為圖像分類問題。子圖像中的車道線子圖像具有明顯的特征：為梯度變化連續的區域。因此可采用圖像分類法對其進行篩選處理。

2.2 車道線類特征提取

通過圖像遍歷分割得到的圖像，先采用HOG（Histogram of Oriented Gradient）的方式對行圖像進行特征提取，最后采用SVM對子圖像進行分類。HOG特征提取的方式如下：①對圖像進行歸一化處理，以減少不同光照下對樣本的影響。②利用核函數對圖像進行卷積運算，求得各個方向的梯度，gx=I（x+1，y）－I（x，y），gy=I（x，y+1）－I（x，y），其中，I（x，y）為圖像在該點的像素值。根據梯度值，可通過公式計算梯度的方向，為g（x，y）=（gx2+gy2）0.5，θ=arctan（gy/gx）。③通過計算得到各個方向的梯度值與角度值，對圖像進行窗口滑動，統計每一塊的方向梯度值，以此轉化為每張圖的特征。

根據預篩選的分割圖像進行歸類，利用SVM進行分類，得出二分類模型，以此對圖像上的車道線區域進行劃分。經過HOG特征提取后SVM分類準確率可達到96.3%，可適用于分割圖像的分類。整圖測試過程，如圖4所示。

3 車道線擬合

根據得到的分類模型，對預篩選區域的圖像進行劃分后所得到的子圖像進行區分。所提取的車道線坐標仍然是離散坐標，對圖像進最小二乘法擬合曲線步驟如下：①判斷是否Hough檢測到直線。如若沒有檢測到直線，進行全局遍歷搜索車道線特征點，并執行以下流程：通過HOG配合SVM分類器，進行全圖遍歷搜索圖像；對疑似車道線特征區域進行提取后，進行歸類（判定條件3×3空間內是否存在被判定為車道線的區域）；對判定為車道線區域利用圖像中心線判定左右后進行坐標擬合。②將提取的車道線端點進行分類后，按所提取的圖像區域遍歷搜索圖中車道線特征區域，提取中心點坐標值。③以提取出的坐標值為依據，用最小二乘法擬合曲線。

經過擬合后的車道線，如圖5所示。

圖4 SVM目標檢測結果

圖5 擬合車道線過程圖

圖5中黑色為Hough檢測后，經篩選得到的直線，經過歸類。白色為提取中間車道線區域中心點，利用上述參數采用二次型函數進行擬合車道線。

4 結論

經過測試，通過配合Hough直線檢測提取出的直線，根據最小矩形所分割出的圖像區域并從中利用HOG特征配合SVM提取車道線控制點的過程。可以有效利用于結構化車道線提取，即使對于未提取到Hough直線區域也可以利用HOG配合SVM進行校準，以防丟失車道線區域。但是對于更為復雜非結構化的道路，需要更多樣本特征，用神經網絡將會取得更好的精度，但是一定程度上會降低效率，因此本方法仍需不斷優化，以應用于更廣泛的場景中。