基于改進二維Otsu算法的車道線分割研究

關鍵詞：車道線分割；二維Otsu;二維直方圖；二值圖像

中圖分類號：TP391 文獻標志碼：A 文章編號：1003-5168（2025）08-0034-08

DOI：10.19968/j.cnki.hnkj.1003-5168.2025.08.006

Abstract：[Purposes] The traditional lane line image segmentation algorithm has low recognition accuracy and is susceptible to noise interference， which affcts the performance of the lane departure warning system.Based on this，an optimal oblique dividing line threshold algorithm based on θ - divisionisproposed.[Methods] Firstly，the image collcted bythe vehicle camera is preprocessed by region of interest extraction，grayscale，filtering and denoising to obtain the image that is conducive to lane line segmentation.Secondly，combined with the two-dimensional Otsu algorithm，the two-dimensional histogram is segmented by using a threshold segmentation line rotating around the threshold point ，so that the twodimensional histogram is divided into two parts：the targetand the background，and the inter-class variance between the target and the background is calculated during the rotation of the threshold segmentation line，and the optimal threshold segmentation line is determined when it reaches the maximum.In this way，the boundary and noise region information in the 2D histogram is included in the segmentation decision.[Findings] The experimental results show that the improved algorithm improves the accuracy of lane line segmentation by and the anti-noise performance by . Even in the face of complex road scenes，the algorithm still performs well in lane segmentation.[Conclusions] The proposed algorithm can provide more reliable lane segmentation image for the folow-up lane detection，which is of great significance for the realization of lane departure warning system.

Keywords： lane line segmentation; two-dimensional Otsu; two-dimensional histogram; binary image

0 引言

當前，智能交通視頻監(jiān)控系統(tǒng)在交通管理、行政執(zhí)法、刑事偵查和運輸安全等領域中發(fā)揮著越來越重要的作用。車道線檢測是智能交通視頻監(jiān)控系統(tǒng)的核心技術之一，是保障車輛安全行駛的重要技術。研究顯示，車道偏離是導致交通事故發(fā)生的主要原因之一[1]。因此，為了保護駕駛員的安全，提高安全監(jiān)管及行政執(zhí)法工作效率，提出車道偏離預警系統(tǒng)（LDWS）[2]。該系統(tǒng)能實時記錄并檢測車輛行駛過程中相對于車道線的位置，當檢測到車輛即將偏離車道時，系統(tǒng)會向駕駛員發(fā)出警告，提醒其及時糾正行駛方向。為了判斷車輛是否即將偏離車道，系統(tǒng)需要精準檢測出車道線的位置。因此，車道線檢測是該系統(tǒng)的關鍵組成部分，準確的車道線檢測能幫助車道偏離預警系統(tǒng)實現更加可靠的預警。

在進行車道線檢測時，車載攝像頭采集的圖像往往包含大量的路面信息。為了增強車道線的可見性，需要對車道圖像進行閾值分割，從而實現圖像中的車道線與背景的分離[3]。最佳閾值的選取是閾值分割的關鍵，根據最佳閾值的選擇，可分為最大類間方差法[4]、最小交叉熵法[5]、最大熵法[6]等分割方法。其中，由于最大類間方差（Otsu）具有穩(wěn)定性好和高效性強的特點，得到了廣泛的應用。實際上，傳統(tǒng)的Otsu算法在圖像灰度直方圖呈雙峰分布時具有較好的分割效果，但在車道檢測過程中，車道圖像的組成往往較為復雜，圖像的灰度直方圖具有多個峰值，導致傳統(tǒng)Otsu算法不能有效發(fā)揮作用。針對這個問題，許多學者進行了深入研究，胡勝等提出分兩次使用Otsu算法對車道線進行分割，在第一次粗略分割后，對沒有分割正確的目標進一步細化區(qū)分，從而將車道線從復雜的道路環(huán)境中正確地分割出來，但二次分割過程中可能會導致一些有效信息的丟失。陳華等[8]將圖像分為不同的小塊，使用Otsu算法計算這些小塊的閾值，最終再將其整合到一起，但該算法忽略了塊與塊之間的關聯性，導致無法準確反映整體圖像的特征。

上述方法都是在一維Otsu算法的基礎上進行改進的，雖取得了不錯的分割結果，但是其性能仍然受一維Otsu算法的限制，易受不利因素的干擾。為此，二維Otsu算法被提出，通過將圖像像素點的灰度信息與鄰域內的平均灰度信息相結合，能夠更加準確地找到具有多個峰值分布圖像的最佳閾值，且具有更好的抗噪性能。但二維Otsu算法假設閾值點附近的像素對圖像分割的影響可以忽略，這與實際情況并不相符，導致其性能受到限制。為此，二維Otsu擬合線閾值分割方法°和二維直方圖區(qū)域斜分法被提出，雖然已經盡可能地將所有像素點都包含在閾值計算過程中，但是對二維直方圖中的信息仍然沒有進行充分的利用，導致分割的結果不夠精確。

基于上述問題，本研究在二維Otsu算法的基礎上，提出一種0-劃分的最優(yōu)斜分線閾值算法。該算法的主要思想是使用一條可以轉動的閾值線，代替?zhèn)鹘y(tǒng)二維Otsu算法中的閾值點來對圖像進行分割，可以精準有效地分割出車道圖像中的車道線，對實現車道線檢測具有重要意義。

1基本原理

1.1 圖像預處理

圖像預處理是車道線分割過程中十分關鍵的一步[12]，能有效提升車道線分割的準確性和可靠性。通常車載攝像機放置在汽車的前擋風玻璃處，此時拍攝的圖像中包含了天空、行駛車輛、路旁綠植等不利于車道線分割的因素。因此，需要提取圖像中的車道部分也就是我們感興趣的部分（ROI），避免不利因素對車道線分割產生影響。同時，還要進行灰度化和濾波去噪操作。ROI區(qū)域提取如圖1所示。圖像預處理流程如圖2所示。

1.2一維Otsu算法

Otsu算法通過計算目標和背景之間最大的類間方差實現對圖像的分割。由于方差是灰度分布均勻性的一種度量，所以方差越大說明兩類之間的差別也越大。于是可以通過尋找最大類間方差來確定最佳的分割閾值。

該方法將圖像分為 L 個灰度等級，用 來表示第 i 個灰度級中的像素數，不同灰度級像素占整個圖像的比例 見式（1）。

同時，圖像被分為目標 和背景 兩類，分類的依據為灰度級為 的閾值，且 。灰度級在 范圍內的像素被劃分為目標，灰度級在 范圍內的像素被劃分為背景。目標和背景的平均灰度 見式（2）。

整幅圖像的平均灰度 見式（3）。

背景與目標的類間方差 見式（4）。

當類間方差函數 達到最大時，對應的 就是對應的最佳閾值。

1.3二維Otsu算法

一維Otsu算法在對圖像進行分割時，其周圍的空間信息沒有被考慮，所以當圖像中存在噪聲、偽影、對比度不足等不利因素時其性能受到巨大的影響。當圖像灰度直方圖中存在多個峰值時，一維Otsu算法將不能有效地發(fā)揮作用，圖像的灰度直方圖如圖3所示。為此，二維Otsu算法被提出，其閾值點獲取方法如下。

假設一幅圖像的灰度等級有 L 級，其尺寸為M× N 。圖像中某一像素點 Φ（ x ， y ） 的灰度值為 i ，該像素點 3 × 3 鄰域內平均灰度值為 j ，則用一個二元組（ i ， j ） 來表示坐標平面中的任意點。設 是二元組（ i ， j ） 出現的頻數，其表示整幅圖像中像素點的灰度值為 i ，其鄰域平均灰度值為 j 的像素點出現個數。二元組 （ i ， j ） 出現的頻率為 為總的像素點數。

二維直方圖及其平面投影如圖4所示。

由圖4（b）可知，假設通過閾值點 （ s ， t ） 將整個二維直方圖分為4個部分，對角線 A 和 C 分別表示圖像的目標和背景， B 和 D 代表圖像中的一些邊界和噪聲。目標和背景出現的概率和對應的均值矢量見式（5）至式（8）。

二維直方圖上的總均值矢量 見式（9）。

在二維 O t s u 算法中，認為非對角象限的像素是可以忽略的，因此假設 ， 。最終通過式（10）來得到目標和背景兩類的類間方差。

類間方差 取得最大時的 即為最佳分割閾值。

2改進的二維Otsu算法

二維直方圖中的圖片像素分布情況如圖5所示。由圖5可知，圖像的像素分布在直方圖的對角線附近，原始二維Otsu算法假設非對角區(qū)域的像素可以不包含在最佳閾值的計算過程中，但是從圖中可以看到，對角線外的兩個象限也分布了相當數量的像素，直接忽略這些邊界區(qū)域的像素顯然是不合理的，這會導致在一些環(huán)境中出現不理想的分割結果。

因此，傳統(tǒng)二維Otsu算法中關于二維直方圖中對角象限的概率近似為1的假設在理論上是不合理的。本研究改進的思路是：首先使用原始的二維Otsu算法計算出閾值點 ，其次用圍繞閾值點旋轉的直線作為閾值分割線，計算目標和背景的類間方差，當類間方差達到最大值時確定最佳閾值分割線。在這種分割方法中，非對角象限像素也能夠被考慮在內，從而提升了閾值分割效果。本研究提出的θ-劃分的最優(yōu)斜分線閾值算法直方圖如圖6所示。

設計一條直線 來對二維直方圖進行分割，其是一條繞閾值點 旋轉的直線。其中， θ 角為直線與灰度級坐標軸正方向所成的夾角（ 。當 θ 為 時，閾值分割線為一條垂直于灰度級軸的直線，此時該直線的斜率不存在，為一種特殊情況。這條直線將二維直方圖分為 和 兩部分，二者分別表示目標和背景。通過計算 和 兩部分的類間方差來確定最佳的閾值分割線，具體的計算流程如下所示。

和 的概率和對應的均值矢量見式（11）至式（13）。

顯然，此時 和 的概率總和為1，而不是近似為1。總均值矢量 見式（14）。

此時，目標和背景之間的離散測度矩陣見式（15）。

該矩陣的跡見式（16）。

當離散測度矩陣的跡取得最大值時，得到的閾值不再是一個點而是一條直線，根據這條直線對圖像進行分割，此時的分割方式見式（17）。

式中 表示被閾值分割線分割后的結果圖像。本研究算法的整體流程如圖7所示。

3實驗結果及分析

為了驗證本研究所提算法的實際效果，選取車載攝像頭采集的圖片進行實驗。實驗的硬件配置為Win10，IntelCorei5-4570CPU 3 . 2 G H z ，8GBRAM，仿真軟件為MATLAB R2 0 1 7 a 。同時，從主觀視覺感受和客觀圖像質量指標兩方面來對本研究所提的算法進行全面評價。

本研究選取車道線檢測中常用的Tusimple數據集[13作為實驗對象，該數據集中的圖像包含了不同情況下的車道線場景。圖8中展示了本研究所提算法與其他算法的分割對比結果。從圖8中可以看到，本研究所提的算法對車道線的分割更加清晰準確，在第一張車道圖像的分割結果中，其他三種算法均沒有分割出右上角的車道線，分割效果不佳。同時，對比第二張有陰影遮擋的車道圖像，本研究所提的方法將車道線準確地分割出來，分割效果良好。而剩下的兩張車道圖像分割結果則進一步地證明了本研究所提方法能夠將車道線清晰準確地進行分割。為了更加清晰地比較不同算法的分割效果，展示了局部放大的對比結果如圖9所示。

本研究所提算法的閾值分割線在轉動過程中目標和背景之間類間方差的變化如圖10所示。從圖10中可以看到，類間方差會隨著斜分角度 θ 的改變而發(fā)生變化，并且當類間方差達到最大時，最佳的斜分角度也就隨之確定。因此，本研究所提的算法針對不同情況下的車道圖像仍然能夠得到最佳的分割結果。

主觀評價以直觀地判斷圖像分割的效果，然而通常情況下，結合定量評價可以更加全面地評估分割結果的優(yōu)劣。因此，為了進一步對不同算法的分割性能進行對比，采用峰值信噪比（PSNR）[14]和最大相關準則（MCC）[15]來對加入高斯噪聲后的圖像進行評價。PSNR可以用來衡量不同算法的抗噪性能，較高的PSNR值表明降噪效果良好；MCC則能夠對分割后的圖像進行質量評估。本研究所提算法和其他算法加噪圖像分割后PSNR對比見表1。由表1可知，本研究所提算法的PSNR隨著噪聲變大也隨之增大，而另外三種算法則相反，這證明了本研究所提算法的抗噪能力，同時與二維Otsu斜分算法相比抗噪性能提升了 2 . 1 % 。本研究所提算法與其他分割算法在最大相關準則評價指標中的定量評價見表2。從表2中可以看到，本研究所提算法取得了最優(yōu)的結果，與二維Otsu斜分算法相比對車道線分割的準確性提高了 1 . 5 % ，這驗證了本研究所提算法能夠準確有效地將車道線進行分割。

4結語

在對車道圖像進行閾值分割時，復雜的環(huán)境因素和噪聲干擾，導致閾值分割算法無法有效地對圖像進行分割。因此，本研究基于二維Otsu算法提出了0-劃分的最優(yōu)斜分線閾值算法，該算法使用一條可以轉動的閥值線來代替原始的閥值點對圖像進行分割。通過與其他分割算法的實驗對比得出，本研究所提算法能夠清晰完整地分割出車道圖像中的車道線，可為后續(xù)車道線檢測提供更加可靠的車道線分割圖像，對車道偏離預警系統(tǒng)的實現具有重要意義。

參考文獻：

[1]STERNLUNDS，STRANDROTHJ，RIZZIM，etal. The effectiveness of lane departure warning systems：a reduction in real-world passenger car injury crashes[J].Traffic InjuryPrevention，2017，18（2）：225-229.

[2]PANDA L，MOHANTY B.Recent developments in lane departure warning system：an analysis[J].Ethics and Information Technology，2020.

[3]黃思育，柳培忠.一種自適應的車道線檢測算法[J].東莞理工學院學報，2019，26（1）：45-49.

[4]OTSU N .A threshold selection method from graylevel histograms[J].IEEE Transactions on Systems Manamp; Cybernetics，2007，9（1）：62-66.

[5]吳一全，樊軍，周懷春.改進的二維最小交叉熵閾值分割快速迭代算法[J].應用科學學報，2011，29（5）：487-494.

[6]劉娜，宋偉東，趙泉華.形態(tài)學和最大熵圖像分割的城市路面裂縫檢測[J].遼寧工程技術大學學報（自然科學版），2015，34（1）：57-61.

[7]胡勝，黃妙華，陳毅.基于二次閾值分割和車道寬度匹配的車道線檢測算法[J].汽車技術，2019（4）：1-6.

[8]陳華，章秋月，湯文，等.夜間環(huán)境下的道路圖像增強及車道線檢測[J].機械設計與制造，2023（10）：126-129，133.

[9]劉健莊，栗文青.灰度圖像的二維Otsu自動閾值分割法[J].自動化學報，1993，19（1）：101-105.

[10]梁義濤，孟亞敏，朱玲艷，等.二維Otsu擬合線閾值圖像分割方法[J].科學技術與工程，2021，21（9）：3689-3697.

[11]吳一全，潘喆，吳文怡.二維直方圖區(qū)域斜分閾值分割及快速遞推算法[J].通信學報，2008（4）：77-83，89.

[12]王文豪，高利.一種基于OpenCV的車道線檢測方法[J].激光雜志，2019，40（1）：44-47.

[13]YOOS，LEEH，MYEONGH，etal.End-to-end lanemarker detection via row-wise classification[C]//2020 IEEE/CVF Conference on Computer Vision and Pattern RecognitionWorkshops（CVPRW）.IEEE，2020.

[14]WANGZ，BOVIKAC，SHEIKHHR，etal.Imagequality assessment：from error visibility to structural similarity[J].IEEETransImageProcess，2004，13（4）：600-612.

[15陳修橋，胡以華，黃友銳.基于二維最大相關準則的圖像閾值分割[J].紅外與毫米波學報，2005（5）：397-400.