基于車道線的前方車輛檢測方法研究

賈世杰，劉金環(huán)，于夢晗，祁曉婷

(大連交通大學(xué) 電氣信息學(xué)院，遼寧 大連 116028)*

0 引言

目前，隨著汽車的普及，汽車的安全輔助駕駛已經(jīng)成為國內(nèi)外研究的焦點(diǎn).其中前方車輛的檢測是汽車智能輔助駕駛系統(tǒng)的一個(gè)關(guān)鍵部分［1］.通過視覺獲得前方車輛的信息是目前智能車輛研究的重點(diǎn)和熱點(diǎn).基于視覺的前方車輛檢測方法很多，大部分方法都是在整幅圖像中進(jìn)行車輛檢測，但在復(fù)雜場景中，背景會對車輛的檢測產(chǎn)生干擾.實(shí)際上，在檢測前方車輛的過程中，只需要檢測本車所在車道內(nèi)行駛的前方車輛，而不用去檢測本車道以外的范圍，因此，可以通過檢測車道線來確定檢測車輛的搜索范圍，而不需要獲取整個(gè)圖片的所有信息，這樣不僅大大降低了運(yùn)算量，縮短了檢測的時(shí)間，也排除了本車道以外的無關(guān)區(qū)域中的各種干擾信息對車輛檢測的不利影響，提高了檢測車輛的正確率.因此，本文提出了基于車道線的前方車輛檢測方法，在檢測出車道線的基礎(chǔ)上，利用車輛底部陰影特征來搜索前方車輛.本文算法整體流程圖如圖1所示.

圖1 算法流程圖

1 基于Hough變換的車道線檢測

目前，Hough變換是車道線檢測方法中應(yīng)用最為廣泛的方法之一，其基本思想是點(diǎn)與線的對偶性［2］，即圖像空間中的每一個(gè)點(diǎn)對應(yīng)于參數(shù)空間中的一條直線，同一條直線上的所有點(diǎn)所對應(yīng)的參數(shù)空間中的直線相交于一點(diǎn)，從而將圖像中的直線變換到參數(shù)空間的聚集點(diǎn).基于Hough變換的車道線檢測基本過程如下.

1.1 設(shè)置感興趣區(qū)域(ROI)

根據(jù)所采集的圖像觀察可知，圖像上邊1/3部分多為天空等無關(guān)信息，為了能減少運(yùn)算量提高運(yùn)行速度，本文只對圖像下面2/3部分進(jìn)行計(jì)算，因此本文將圖像的下面2/3部分作為感興趣區(qū)域(ROI，Regin of Interesting)來提高系統(tǒng)的實(shí)時(shí)性.

1.2 圖像預(yù)處理

將RGB彩色圖像轉(zhuǎn)變?yōu)榛叶葓D像，然后進(jìn)行邊緣檢測.Hough變換檢測的效果直接受邊緣檢測的準(zhǔn)確性的影響.本文首先采用Otsu算法［3］進(jìn)行分割，這樣可以根據(jù)灰度化后的圖像信息自適應(yīng)的產(chǎn)生閾值對圖像進(jìn)行二值化，將車道從背景中分離出來，避免了人為設(shè)定閾值的難題.然后采用Sobel算子進(jìn)行邊緣檢測.Sobel算子計(jì)算量小，算法簡單，在邊緣增強(qiáng)效果、抑制噪聲能力方面都比較好，但提取的邊緣較粗.圖像預(yù)處理效果如圖2所示.

圖2 圖像預(yù)處理

1.3 檢測車道線

在基于車載系統(tǒng)的道路視頻圖像中，兩條車道線分別分布在圖像中心線的兩側(cè)，其角度在一定范圍內(nèi)變化.因此建立車道線模型［4］如圖3所示.由于左右車道線的位置基本固定在一定的范圍內(nèi)，θ1的取值范圍為30°～ 70°.對于模型 a，θ2的取值為 -20°～-70°;對于模型b，θ2的取值為110°～ 160°，可將 θ2的取值統(tǒng)一為110°～ 160°.這樣設(shè)置后Hough變換的計(jì)算量僅為之前的一半［5］，也減少了干擾的直線，提高了正確率.

圖3 車道直線的極坐標(biāo)模型

Hough變換檢測車道線的具體步驟如下:

(1)搜索預(yù)處理后圖像空間中的白色像素;

(2)將檢測到的白色像素點(diǎn)(xi，yi)轉(zhuǎn)換到極坐標(biāo)空間，坐標(biāo)方程是ρ=xicosθ+yisinθ，采用左車道 θ∈ (30，70)，右車道 θ∈ (110，160)，其中ρ代表原點(diǎn)到直線的距離，θ代表直線與水平軸的夾角;

(3)在極坐標(biāo)空間中，對(ρ，θ)單元進(jìn)行投票累加，即 H(ρ，θ)=H(ρ，θ)+1 .找到 H(ρ，θ)的局部最大值，對滿足(ρ，θ)的邊緣點(diǎn)進(jìn)行標(biāo)注;

(4)最后，根據(jù)邊緣點(diǎn)在該方向上的稠密度來判斷該直線是否為真.

根據(jù)上述步驟可知，Hough變換就是將圖像預(yù)處理后的圖像中的邊緣點(diǎn)轉(zhuǎn)換到極坐標(biāo)空間的累加陣列的多個(gè)單元中，然后計(jì)算各單元的累加值以獲得局部極值，從而檢測出車道線.

2 前方運(yùn)動車輛的檢測

本車所在車道區(qū)域通過上面車道線的檢測已經(jīng)確定，下面就在所確定的ROI即兩車道線內(nèi)搜索前方車輛.通過觀察視頻圖像可以發(fā)現(xiàn)，在正常光照的白天中，在道路表面無遮擋物陰影的環(huán)境下，車輛底部會在道路上產(chǎn)生陰影，道路區(qū)域的灰度值要比車底陰影區(qū)域的灰度值高一些，因此在道路與陰影的交界處會產(chǎn)生階躍性邊緣，灰度會產(chǎn)生突變，其特征較為明顯［6］，將灰度化后的圖像進(jìn)行Sobel邊緣檢測后，在車輛底部將有一條較為明顯的邊緣.針對這種情況，本文分為兩步進(jìn)行車輛檢測，第一步是根據(jù)車輛底部陰影特征進(jìn)行水平邊緣檢測，第二步是根據(jù)車輛的對稱性進(jìn)一步確認(rèn)車輛位置.

2.1 檢測水平邊緣

分別在灰度化后的圖像和邊緣檢測后的圖像的ROI內(nèi)，從下到上，從左到右依次逐點(diǎn)掃描每一個(gè)像素.找到水平邊緣的起點(diǎn)位置Pstart(x，y)和終點(diǎn)位置Pend(x，y).邊緣點(diǎn)必須同時(shí)滿足這兩個(gè)條件，即在灰度化的圖像中灰度值小于100，在邊緣檢測后的圖像中大于50時(shí)，則判定該像素點(diǎn)是邊緣點(diǎn).在逐點(diǎn)掃描過程中，水平邊緣不能斷，其線段長度達(dá)到一定長度時(shí)，方可假設(shè)它為車輛底部陰影.

2.2 基于對稱性的車輛驗(yàn)證

確定車輛底部后，可根據(jù)車輛的對稱性進(jìn)一步確定車輛的位置，從而提高車輛檢測的正確性.車輛的垂直邊緣具有嚴(yán)格的對稱性，且不易受外界環(huán)境影響，具有較強(qiáng)的穩(wěn)定性和明顯性［8］.因此本文根據(jù)車輛的垂直邊緣的對稱性進(jìn)一步驗(yàn)證車輛.

采用Sobel垂直邊緣檢測得到垂直邊緣增強(qiáng)圖像，在此基礎(chǔ)上，計(jì)算垂直邊緣的對稱性測度.為減少運(yùn)算量，本文將車輛假設(shè)矩形框，其列方向上垂直邊緣投影均值視為橫坐標(biāo)的一維函數(shù)g(x):

式中:s(x，y)為邊緣檢測后像素點(diǎn)(x，y)處的垂直邊緣值，ystart和yend分別為車輛假設(shè)矩形局域的上、下邊界.

任意函數(shù)都可以寫成奇函數(shù)和偶函數(shù)之和的形式，并且其對稱的程度可以由二者權(quán)重的相對大小反映出來［9］.設(shè)對稱軸的水平位置為矩形區(qū)域的數(shù)直中軸xs=(xstart+xend)/2，矩形框的寬w=xend-xstart.建立以 xs為原點(diǎn)的新坐標(biāo)系u(-w/2≤u≤w/2)，則x和u的變換關(guān)系為:

對于一定的w和xs，函數(shù)g(x)=g(xs=u)的奇函數(shù)分量和偶函數(shù)分量分別為:

奇函數(shù)分量 O(u，xs)的均值為零，偶函數(shù)E(u，xs)＞0，其均值大于0，因此要將偶分量進(jìn)行歸一化處理，使其均值為零，可得:

因此，可得二者的能量函數(shù)分別為:

利用能量函數(shù)對矩形區(qū)域的對稱度測量為:

測度s的范圍為［-1，1］，當(dāng)s=1表示目標(biāo)完全對稱，s=-1時(shí)，表示目標(biāo)完全不對稱，參數(shù)xs、w與測度是相互對應(yīng)的.

由于在路面和背景中也有可能存在對稱性，只通過測量目標(biāo)的垂直邊緣對稱性會產(chǎn)生一定的誤差.車輛的紋理相對于路面的紋理要復(fù)雜，可以根據(jù)這一特征用信息熵值的對稱性測度［10］來進(jìn)一步驗(yàn)證目標(biāo).

設(shè)灰度圖像中的灰度級為0-255，其信息熵的表達(dá)式為:

圖像區(qū)域的信息熵的值越大，表示信息量越豐富，對于本文所處理的灰度圖像來說，則說明區(qū)域紋理特征越明顯，車輛存在的可能性就越大.H(l)的可能取值為［0，5.545］，本文將閾值設(shè)置為3，即當(dāng)H(l)大于等于3時(shí)，認(rèn)為目標(biāo)區(qū)域包含車輛.

3 基于卡爾曼濾波的前方車輛跟蹤

卡爾曼濾波即Kalman濾波，是一種遞推線性最小方差估計(jì)，它對環(huán)境的平穩(wěn)性不做要求，只要確保其正交性原理成立，就能快速的遞推出最優(yōu)解.目前，它是解決目標(biāo)跟蹤問題最廣泛應(yīng)用的方法之一.

本文采用卡爾曼濾波的方法對前方運(yùn)動車輛進(jìn)行跟蹤.Kalman濾波器根據(jù)當(dāng)前所檢測目標(biāo)的狀態(tài)值，利用遞推方法和狀態(tài)方程估計(jì)目標(biāo)的下一狀態(tài)值，不僅縮小了目標(biāo)的搜索范圍，提高了檢測的正確率，而且解決了目標(biāo)短暫性消失的這一問題，也解決了對連續(xù)視頻幀中同一目標(biāo)的重復(fù)檢測問題，提高了整個(gè)系統(tǒng)的效率.

4 實(shí)驗(yàn)及結(jié)果分析

為了驗(yàn)證算法的有效性，本文在配置了1.80 GHz CPU Intel(R)Core(TM)i7，8.0 GB 內(nèi)存和windows 8操作系統(tǒng)的計(jì)算機(jī)上，采用VS2013平臺和開源計(jì)算機(jī)視覺庫OpenCV，實(shí)現(xiàn)了本文算法，并分別對晴天和陰天情況下的兩段交通視頻進(jìn)行車輛檢測實(shí)驗(yàn)，所處理視頻的分辨率為856×480，幀速為30幀/s.前方車輛檢測結(jié)果示例如圖4所示，視頻車輛檢測結(jié)果如表1.

圖4 前方車輛檢測結(jié)果示例

表1 視頻車輛檢測結(jié)果

實(shí)驗(yàn)結(jié)果表明，本文的算法能夠比較穩(wěn)定準(zhǔn)確的檢測出車輛，通過Kalman濾波進(jìn)行車輛跟蹤能夠顯著提高檢測速度.

5 結(jié)論

本文提出了一種基于車道線的車輛檢測跟蹤方法，利用改進(jìn)的Hough變換檢測車道線，縮小了檢測車輛的區(qū)域.然后，采用基于梯度特征的車底部陰影檢測算法初步定位車輛，利用車輛的邊緣對稱性進(jìn)一步驗(yàn)證車輛的位置，提高了系統(tǒng)的健壯性.最后，使用Kalman濾波預(yù)測產(chǎn)生新的車輛區(qū)域，增強(qiáng)了系統(tǒng)的檢測效率.但當(dāng)車道線檢測有誤時(shí)，會直接影響到檢測車輛的正確性，這是今后進(jìn)一步要解決的問題.

［1］魯威威，肖志濤，雷美琳.基于單目視覺的前方車輛檢測與測距方法研究［J］.電視技術(shù)，2011，35(1):125-128.

［2］HOUGH P V C.Method and means for recognizing complex patterns:U.S.，3，069，654［P］.1962-12-18.

［3］吳一全，潘喆.2維最大類間平均離差閾值選取快速遞推算法［J］.中國圖象圖形學(xué)報(bào)，2009(3):471-476.

［4］李明，黃華，夏建剛.基于Hough變換的車道檢測改進(jìn)算法研究［J］.計(jì)算機(jī)工程與設(shè)計(jì)，2012，33(4):1638-1642.

［5］JIA XIN.Study on lane recognition method of intelligent vehicle visual detection［D］.Changchun:Jilin University PhD Thesis，2008.

［6］RIEHARD B.Hitelligent vehicle applications world wide［J］.IEEE Intelligent Systems，2000，15(1):78-80.

［7］潘燕.基于車載攝像頭的前方運(yùn)動車輛檢測與跟蹤方法研究［D］.安徽:合肥工業(yè)大學(xué)，2012.

［8］齊美彬，潘燕，張銀霞.基于車底陰影的前方運(yùn)動車輛檢測［J］.電子測量與儀器學(xué)報(bào)，2012，26(1):54-59.

［9］施樹明，儲江偉，李斌，等.基于單目視覺的前方車輛探測方法［J］.農(nóng)業(yè)機(jī)械學(xué)報(bào)，2004，35(4):5-8.

［10］史忠科，曹力.交通圖像檢測與分析［M］.北京:科學(xué)出版社，2007:212-215.

［13］張建明，張玲增，劉志強(qiáng).一種結(jié)合多特征的前方車輛檢測與跟蹤方法［J］.計(jì)算機(jī)工程與應(yīng)用，2011，47(5):220-223.

［14］林麗晨.基于車載攝像機(jī)高速公路車距測量系統(tǒng)的研究［D］.天津:天津大學(xué)，2005.