基于多約束條件下的霍夫變換車(chē)道線(xiàn)檢測(cè)方法

石林軍，余 粟

(上海工程技術(shù)大學(xué)工程實(shí)訓(xùn)中心，上海 201620)

0 引言

隨著汽車(chē)行業(yè)的快速發(fā)展和計(jì)算機(jī)的廣泛應(yīng)用，我國(guó)汽車(chē)的擁有量越來(lái)越高，帶來(lái)交通便利的同時(shí)，交通事故也在逐年上升，越來(lái)越多人更關(guān)注汽車(chē)安全，同時(shí)，計(jì)算機(jī)技術(shù)在汽車(chē)方面應(yīng)用所占比重也越來(lái)越重。高級(jí)汽車(chē)輔助駕駛系統(tǒng) (advanced driver assist systems，ADAS)在汽車(chē)中的應(yīng)用越來(lái)越多，甚至無(wú)人駕駛汽車(chē)也開(kāi)始發(fā)展起來(lái)，目前ADAS應(yīng)用通常是基于攝像機(jī)，雷達(dá)，紅外線(xiàn)或者攝像機(jī)和雷達(dá)多融合等傳感器來(lái)獲得道路信息，其中攝像機(jī)性?xún)r(jià)比最好，雷達(dá)和紅外線(xiàn)價(jià)格昂貴。其中機(jī)器視覺(jué)相當(dāng)于汽車(chē)的眼睛，為了實(shí)際的無(wú)人車(chē)行駛，機(jī)器視覺(jué)的研究顯得至關(guān)重要。

車(chē)道線(xiàn)檢測(cè)識(shí)別作為無(wú)人駕駛和ADAS系統(tǒng)中關(guān)鍵技術(shù)之一，基于機(jī)器視覺(jué)檢測(cè)車(chē)道線(xiàn)最常用。由于車(chē)道信息對(duì)于無(wú)人駕駛車(chē)輛系統(tǒng)中的道路安全改進(jìn)是必需的，因此車(chē)道的檢測(cè)是重要的任務(wù)。為了滿(mǎn)足實(shí)際無(wú)人駕駛的需求，提高擬合車(chē)道線(xiàn)算法的魯棒性和實(shí)時(shí)性也成了近幾年學(xué)者的追求。

從國(guó)內(nèi)外研究現(xiàn)狀來(lái)看，大多數(shù)方法都是針對(duì)特定路況 (如高速公路，城市道路)而特別設(shè)計(jì)的。目前比較流行的車(chē)道線(xiàn)檢測(cè)算法主要基于特征法和模型法?；谔卣鞯姆椒ㄖ饕峭ㄟ^(guò)車(chē)道線(xiàn)邊緣點(diǎn)的梯度、方向和灰度值顏色等等一些低級(jí)特征來(lái)檢測(cè)車(chē)道線(xiàn)［1］，但是魯棒性很低，基于模型法有直線(xiàn)模型，B樣條模型，曲線(xiàn)模型等等［2-3］，但是要么魯棒性不高，要么不夠?qū)崟r(shí)。結(jié)合模型法和特征法實(shí)現(xiàn)車(chē)道線(xiàn)精匹配是提高魯棒性和實(shí)時(shí)性較好的途徑。例如文獻(xiàn)［4-6］提出了根據(jù)車(chē)道線(xiàn)消失點(diǎn)約束特征點(diǎn)的幾種算法。文獻(xiàn)［7］提出了夜間提取車(chē)道線(xiàn)的算法，魯棒性很好。然而，如果車(chē)道標(biāo)記模糊和殘留，檢測(cè)精度可能會(huì)惡化。同樣，路面上的反射和污跡也會(huì)影響檢測(cè)結(jié)果。文獻(xiàn) ［8］采用K－mean聚類(lèi)像素點(diǎn)收斂最佳匹配車(chē)道線(xiàn)。文獻(xiàn) ［10-11］運(yùn)用RANSAC擬合和跟蹤車(chē)道下?；谇叭舜虻乃枷?，下在本文中，我們介紹一種基于多約束條件的霍夫變換檢測(cè)車(chē)道的算法。首先，通過(guò)文獻(xiàn) ［12］所提出的算法來(lái)提取感興趣區(qū)域 (ROI)。傳統(tǒng)的方法是用Canny算子提取邊緣信息，然后通過(guò)將邊緣信息映射到Hough空間來(lái)找到最佳的擬合直線(xiàn)。這嚴(yán)重依賴(lài)于原始圖像的邊緣信息。一旦路面上出現(xiàn)裂縫和陰影，該方法的準(zhǔn)確性可能會(huì)下降，本文從原始RGB圖像的每個(gè)顏色通道獲取信息，改變RGB的3個(gè)分量權(quán)重來(lái)灰度化圖像。此外，我們對(duì)圖像提取的二值圖提出幾個(gè)約束條件，消除了大量噪聲，接著通過(guò)Hough變換檢測(cè)并提取車(chē)道標(biāo)記。然后在提取的線(xiàn)段的基礎(chǔ)上，采用了基于概率表決程序估計(jì)消失點(diǎn)，用消失點(diǎn)來(lái)約束線(xiàn)段［13］。最后對(duì)剩下有用的車(chē)道線(xiàn)進(jìn)行聚類(lèi)處理。我們?cè)诒疚牡乃惴ㄔ诖罅康膶?shí)驗(yàn)結(jié)果表明，所提出的方法優(yōu)于基于傳統(tǒng)的hough變換消失點(diǎn)估計(jì)約束方法和文獻(xiàn)［14］方法。最后基于理論分析和實(shí)驗(yàn)表明，所提算法檢測(cè)精度高，實(shí)時(shí)性好。

1 改進(jìn)的HOUGH變換原理

1.1 車(chē)道線(xiàn)圖像預(yù)處理

為了有效檢測(cè)圖像的同時(shí)減少處理時(shí)間，需要對(duì)對(duì)輸入的圖像進(jìn)行預(yù)處理。在本文中，圖像預(yù)處理包括ROI(Regio of interesting)裁剪，灰度化和降噪。通過(guò)安裝在移動(dòng)車(chē)輛上的相機(jī)獲取的圖像通常包含除了車(chē)道標(biāo)記 (如背景和噪音)以外的一些無(wú)用信息。為了提高檢測(cè)速度，去除圖像干擾信息。一般來(lái)說(shuō)，道路區(qū)域總是位于汽車(chē)的正面，除去下部份車(chē)頭和上部分天空，剩下的就是我們需要的區(qū)域。

1.1.1 提取ROI區(qū)域

預(yù)處理第一部分就是提取車(chē)道線(xiàn)圖像的ROI區(qū)域。為了提高檢測(cè)率并減少計(jì)算負(fù)擔(dān)，我們的算法首先確定ROI［12］。由于道路信息主要位于原始圖像的中心部分，所以ROI可以被視為:

其中:I表示原始圖像，m，n，d分別表示圖像的高度，寬度和顏色深度，uproi和downroi分別表示背景的比例，選取一張車(chē)道線(xiàn)圖片為例，選定的ROI如圖1。

圖1 ROI和不同灰度化結(jié)果

1.1.2 邊緣檢測(cè)

在進(jìn)行邊緣檢測(cè)處理之前，我們需要將圖像從RGB色彩空間轉(zhuǎn)換為灰度圖像。RGB模型轉(zhuǎn)換為灰度空間的常用方程如下所示:

可以看出傳統(tǒng)的灰度化中，顏色的權(quán)重并不相同。但是，通過(guò)使用這個(gè)灰度，顏色信息將會(huì)丟失。在道路上，行車(chē)線(xiàn)的顏色通常是白色，黃色或紅色，總是與路面涂有高對(duì)比度的顏色。為了增強(qiáng)車(chē)道標(biāo)志信息的特征，我們使用了文獻(xiàn) ［13］中提出的有效的方法。等式如所示:

兩種方法處理結(jié)果如圖2，很明顯可以看出文獻(xiàn)［5］的算法可以提高車(chē)道標(biāo)記強(qiáng)度值的質(zhì)量，對(duì)后續(xù)的準(zhǔn)確提取車(chē)道線(xiàn)特征很有幫助。

邊緣檢測(cè)的性能對(duì)于我們的系統(tǒng)是非常重要的。即使在惡劣的天氣或惡劣的場(chǎng)景下，該算法也必須是穩(wěn)健的，在這種情況下可能包含潛在的路線(xiàn)。在進(jìn)行邊緣檢測(cè)之前先對(duì)灰度圖進(jìn)行加權(quán)中值濾波處理［6］，邊緣檢測(cè)有許多流行的方法，我們選擇Canny檢測(cè)作為我們的邊緣檢測(cè)器，即使對(duì)于低對(duì)比度圖像，它也可以更好地工作，本文方法處理效果如圖2(b)所示。

圖2 對(duì)比的二值圖

1.2 對(duì)霍夫變換檢測(cè)線(xiàn)段添加約束條件

即使通過(guò)上述步驟大大消除了圖像中無(wú)用的信息，但如果直接利用Hough變換對(duì)二值圖像進(jìn)行處理，算法計(jì)算時(shí)間可能會(huì)較長(zhǎng)，而且檢測(cè)精度不會(huì)太高。

通過(guò)以上的車(chē)道線(xiàn)圖像預(yù)處理，我們大大消除了無(wú)效點(diǎn)，為Hough變換處理創(chuàng)造了有利的條件。而Hough變換檢測(cè)到的直線(xiàn)可能不是車(chē)道線(xiàn)。也許他們是污跡，護(hù)欄和路邊。為了消除這些干擾線(xiàn)，提高精度，我們?cè)O(shè)計(jì)了以下幾個(gè)約束條件。首先，車(chē)道標(biāo)線(xiàn)一般位于車(chē)輛上安裝的攝像頭拍攝的圖像的左右兩側(cè)。它們不是水平的或垂直的，它們的斜率的絕對(duì)值|θ|會(huì)約束于一個(gè)范圍(θmin＜|θ|＜θmax)，如圖3所示，對(duì)該范圍的線(xiàn)段進(jìn)行檢測(cè)，這里:

其中:Hroi表示ROI的高度，Wroi表示ROI的寬度。如果候選線(xiàn)路超出范圍，我們將其視為干擾信息。其次，車(chē)道標(biāo)記可以被檢測(cè)為幾條不同的直線(xiàn)，這里以圖4為例，紅線(xiàn)和青色的線(xiàn)是我們需要檢測(cè)的車(chē)道線(xiàn)，橙色為干擾線(xiàn)，圖中的l2，l3。通過(guò)充分的實(shí)驗(yàn)驗(yàn)證，每?jī)蓚€(gè)檢測(cè)到的車(chē)道標(biāo)線(xiàn)的角度差不能小于10°。當(dāng)找到一個(gè)候選線(xiàn)時(shí)，我們計(jì)算線(xiàn)與各個(gè)檢測(cè)線(xiàn)的角度差。如果有任何差異小于10°，我們將該候選線(xiàn)作為干擾信息，并將其刪除。通過(guò)上述方法，我們可以消除干擾線(xiàn)l2。

最后，由于車(chē)道有一定的寬度，車(chē)道線(xiàn)之間有一定的距離。我們首先在水平方向上確定ROI的中線(xiàn)，表示為:x=Hroi/2，如圖4所示，然后找出中線(xiàn)與所有檢測(cè)到的車(chē)道標(biāo)記之間的交點(diǎn)。彼此交叉點(diǎn)之間的距離應(yīng)大于閾值T。通過(guò)充分的實(shí)驗(yàn)驗(yàn)證，在所提出的算法中將T設(shè)置為Wroi/6。具體來(lái)說(shuō)，當(dāng)我們獲得候選線(xiàn)時(shí)，我們計(jì)算中線(xiàn)和候選線(xiàn)之間的交叉點(diǎn)，然后計(jì)算交叉點(diǎn)與檢查的車(chē)道標(biāo)線(xiàn)之間的所有距離。如果其中一個(gè)距離小于閾值，我們直接刪除候選行。因此，我們可以有效地消除路面圖像的污跡和邊緣。

圖3 ROI上檢測(cè)區(qū)域

圖4 示例限制線(xiàn)段的圖像

1.3 傳統(tǒng)的霍夫變換提取特征線(xiàn)原理

由于視野有限，大路上車(chē)道線(xiàn)連續(xù)、相互平行，車(chē)輛前方一定距離內(nèi)可以視為直線(xiàn)，Hough變換用于直線(xiàn)檢測(cè)時(shí)對(duì)噪聲不敏感，因此，我們采用霍夫變換提取車(chē)道標(biāo)記?；舴蜃儞Q實(shí)質(zhì)是從坐標(biāo)空間到參數(shù)空間的轉(zhuǎn)換，坐標(biāo)空間的直線(xiàn)對(duì)應(yīng)參數(shù)空間內(nèi)的一個(gè)點(diǎn)，霍夫變換的基本思想是點(diǎn)與線(xiàn)之間的對(duì)偶性，即圖像空間中直線(xiàn)的斜率和截距對(duì)應(yīng)于參數(shù)空間中的一點(diǎn)。由于垂直線(xiàn)的斜率是無(wú)窮大的，因此Hough變換通過(guò)以下方程將圖像中的所有點(diǎn)轉(zhuǎn)換為極坐標(biāo)參數(shù)空間中的正弦曲線(xiàn)，表示為:

其中:(x，y)是圖像空間中的點(diǎn)，幅度顯示圖像中存在線(xiàn)的概率。因此，檢測(cè)直線(xiàn)的任務(wù)已經(jīng)成為在參數(shù)空間中尋找峰值，有效地將檢測(cè)到的整體特征轉(zhuǎn)換為檢測(cè)局部特征。

1.4 基于概率表決程序估計(jì)消失點(diǎn)

基于二維直方圖技術(shù)的消失點(diǎn)檢測(cè)算法已被用于各種視覺(jué)系統(tǒng)。以前的算法取得了一些好的結(jié)果，但仍然無(wú)法保持精度和時(shí)間的均衡性能。最近的研究表明，消失點(diǎn)檢測(cè)可以轉(zhuǎn)換為一維直方圖搜索問(wèn)題，這大大加快了程序。在本文中，我們基于類(lèi)似思想以一種基于概率表決程序來(lái)估計(jì)消失點(diǎn)，該算法優(yōu)點(diǎn)是消失點(diǎn)估計(jì)準(zhǔn)確，缺點(diǎn)是處理時(shí)間較長(zhǎng)，車(chē)道線(xiàn)識(shí)別需要很高的實(shí)時(shí)性，所以一直不被學(xué)者采用。但是本文采用多約束限制的HOUGH變換，處理過(guò)后所剩的線(xiàn)段對(duì)數(shù)比較少，處理時(shí)間大量減少，在公共數(shù)據(jù)庫(kù)上測(cè)試我們的算法和文獻(xiàn) ［14］liu等人的算法比較。我們的概率表決程序估計(jì)消失點(diǎn)算法在經(jīng)過(guò)上文改進(jìn)的霍夫變換提取特征線(xiàn)的基礎(chǔ)上，處理時(shí)間更短，具有更好的實(shí)時(shí)性。

車(chē)道線(xiàn)的方向相對(duì)集中，在消失點(diǎn)處相交，在圖像坐標(biāo)中找到消失點(diǎn)，而樹(shù)木，文字和其他斑塊的陰影干擾可能出現(xiàn)在任何方向，因此我們可以用消失點(diǎn)來(lái)消除干擾線(xiàn)段。本文首先提出一種使用概率表決程序的魯棒消失點(diǎn)估計(jì)方法，基于上文提取的候選車(chē)道線(xiàn)上增加約束。為了考慮像素對(duì)準(zhǔn)誤差，在所提出的方法中引入表示形成線(xiàn)段的像素的取向如何對(duì)齊的線(xiàn)段強(qiáng)度τ。τ被定義為將較高的值分配給較長(zhǎng)的和良好對(duì)齊的更清晰的線(xiàn)段，如下所示:

其中:li是長(zhǎng)度，wi是由霍夫變換算法提取的線(xiàn)段的寬度。具有較高τ值的線(xiàn)段相關(guān)度更高。用霍夫變換檢測(cè)的線(xiàn)段模型如圖5所示。線(xiàn)段的厚度表示線(xiàn)段的強(qiáng)度。

對(duì)于一對(duì)線(xiàn)段(Li，Lj)，認(rèn)為他的交點(diǎn)在圖像規(guī)劃α中被認(rèn)為是高斯分布Ω，如下:

其中:(x，y)∈Ω，(mij;x，mij;y)是圖像坐標(biāo)中的交點(diǎn)(Li，Lj)，σij;x和σij;y是沿x軸和y軸的標(biāo)準(zhǔn)偏差。在這個(gè)等式中，假定高斯模型是各向同性的，則有:

其中:σi=α·(1/τi)，α是比例因子。這個(gè)高斯模型對(duì)于具有較高線(xiàn)段強(qiáng)度值的一對(duì)(Li，Lj)具有更尖銳和更窄的分布，并且將較高的作為消失點(diǎn)的概率賦予交點(diǎn)周?chē)膮^(qū)域。估計(jì)消失點(diǎn)的總體表決函數(shù)如下:

其中:N是線(xiàn)段的數(shù)量。最后，車(chē)道的消失點(diǎn)可以估計(jì)如下:

找到消失點(diǎn)后，通過(guò)消失點(diǎn)對(duì)檢測(cè)出的線(xiàn)進(jìn)行篩選，以消失點(diǎn)為中心畫(huà)以wi/10為直徑的小圓，經(jīng)過(guò)消失點(diǎn)上的小圓的特征線(xiàn)保留下來(lái)，其余線(xiàn)刪除，并且在陰影干擾的車(chē)道線(xiàn)識(shí)別效果良好。

1.5 經(jīng)過(guò)改進(jìn)的HOUGH變換的特征點(diǎn)提取

車(chē)道線(xiàn)經(jīng)過(guò)本文算法中預(yù)處理過(guò)程得到的二值圖像。理想的二值圖像是只包括車(chē)道線(xiàn)的邊緣特征，但是往往因?yàn)橛嘘幱罢趽醯仍?，陰影邊緣也?huì)被檢測(cè)出特征邊緣，在進(jìn)行了消失點(diǎn)約束車(chē)道線(xiàn)后的將車(chē)道線(xiàn)邊緣像素篩選了出來(lái)，圖5(a)為采集的一張車(chē)道線(xiàn)圖片，任意選取其中被陰影遮擋的一行，提取其二值圖像的像素點(diǎn)和灰度值之間的關(guān)系，如圖5(b)是未采用傳統(tǒng)的HT提取的結(jié)果，檢測(cè)到多個(gè)線(xiàn)段特征，圖5(c)是采用的本文算法改進(jìn)的HT的二值圖在這一行的像素與灰度值之間的關(guān)系，明顯看到干擾像素特征點(diǎn)變少了。其中的灰度值變化多次很明顯是樹(shù)影對(duì)車(chē)道線(xiàn)的干擾。

圖5 通過(guò)消失點(diǎn)HT變換提取特征點(diǎn)的過(guò)程

2 K－means聚類(lèi)的算法分析

由于車(chē)道線(xiàn)在經(jīng)HT后經(jīng)常會(huì)產(chǎn)生多條經(jīng)過(guò)消失點(diǎn)的線(xiàn)，如圖6所示，我們對(duì)同一類(lèi)的車(chē)道線(xiàn)進(jìn)行聚類(lèi)，這里采用K－means對(duì)特征線(xiàn)聚類(lèi)。

K－means聚類(lèi)算法是很典型的基于距離的聚類(lèi)算法，采用歐式距離作為相似性的評(píng)價(jià)指標(biāo)，即認(rèn)為兩個(gè)對(duì)象的距離越近，其相似度就越大。車(chē)道線(xiàn)存在數(shù)目和幾何形狀特征不確定的問(wèn)題。采用多次迭代的K－means聚類(lèi)的方式，自動(dòng)選擇最優(yōu)聚類(lèi)中心通過(guò)聚類(lèi)算法在縱向上將特征點(diǎn)組合，可以有效剔除孤立的特征點(diǎn)，明確檢測(cè)目標(biāo)，從而減少錯(cuò)誤特征點(diǎn)的干擾。該算法認(rèn)為簇是由距離靠近的對(duì)象組成的，因此把得到緊湊且獨(dú)立的簇作為最終目標(biāo)。在車(chē)道線(xiàn)檢測(cè)里具體算法描述如下:

1)首先將經(jīng)過(guò)改進(jìn)的HOUGH變換提取的特征線(xiàn)圖像像素尋找距離特征線(xiàn)不大于d的特征點(diǎn)構(gòu)成為一個(gè)具有n個(gè)樣本數(shù)據(jù)對(duì)象的樣本數(shù)據(jù)集R={ri|i=1，2，···n}從數(shù)據(jù)集中任意選擇k個(gè)對(duì)象組成初始聚類(lèi)中心集X={xj|j=1，2，···，k}。

2)將像素間的相似度定義為像素的差距，采用下式表示，計(jì)算樣本數(shù)據(jù)集與初始選擇的k個(gè)聚類(lèi)中心的距離，將各個(gè)對(duì)象劃分到與它距離最小的簇:

3)對(duì)于每一簇j，從新計(jì)算該類(lèi)的質(zhì)心:

式中，T為樣本點(diǎn)集合，N為樣本點(diǎn)數(shù)。

4)循環(huán)步驟2)和步驟3)，直至質(zhì)心收斂。

這里選一張典型的經(jīng)過(guò)消失點(diǎn)約束的特征線(xiàn)車(chē)道線(xiàn)進(jìn)行K－mean聚類(lèi)，結(jié)果如圖6所示。

圖6 圖上下兩部分分別為特征線(xiàn)聚類(lèi)前后

3 試驗(yàn)結(jié)果及分析

文獻(xiàn)［14］車(chē)道線(xiàn)提取首先采用的是自適應(yīng)分割方法對(duì)路面區(qū)域進(jìn)行合理定位，然后用拉普拉斯濾波器消除外界干擾。其次，應(yīng)用線(xiàn)段檢測(cè)器檢測(cè)到的線(xiàn)段表示車(chē)道的結(jié)構(gòu)信息，用的是LSD(Line Segment Detector)檢測(cè)的線(xiàn)段。第三，通過(guò)定位和消失點(diǎn)限制去除非車(chē)道候選標(biāo)記。最后，從剩余的候選車(chē)道標(biāo)記中準(zhǔn)確提取車(chē)道。我們的算法和liu的方法如出一轍，但是我們用的更多的是形態(tài)學(xué)去限制特征線(xiàn)，用改進(jìn)的HOUGH變換提取特征線(xiàn)段，然后是基于概率表決程序估計(jì)消失點(diǎn)來(lái)約束候選車(chē)道線(xiàn)。為了驗(yàn)證本文的算法可用性，與liu的方法進(jìn)行比較，我們分別用了白天，晚上二種工況進(jìn)行測(cè)試，每類(lèi)庫(kù)各250幀圖，在PC平臺(tái)上進(jìn)行試驗(yàn)，算法使用硬件環(huán)境為 Intel i5 3320 CPU2.50 GHz，內(nèi)存為 4.0 GB，軟件是 WIN10系統(tǒng)，VS2014+openCV2.0庫(kù)編程進(jìn)行了試驗(yàn)。定義基于傳統(tǒng)霍夫變換的消失點(diǎn)約束為A，文獻(xiàn)［14］為B，本文算法為C來(lái)表示，檢測(cè)統(tǒng)計(jì)結(jié)果如表1所示。

表1 不同算法在不同工況識(shí)別速度和處理時(shí)間

根據(jù)上表可以看出，本文所采用的算法在傳統(tǒng)HOUGH變換基礎(chǔ)上尋找消失點(diǎn)約束的算法上處理時(shí)間和錯(cuò)誤率提高顯著，文獻(xiàn)［14］算法檢測(cè)的正確率稍高于本文提出的算法，但是本文算法平均處理時(shí)間比文獻(xiàn)［14］優(yōu)秀很多。

為驗(yàn)證本文所提出的算法檢測(cè)車(chē)道線(xiàn)的精確度、實(shí)時(shí)性和魯棒性，采集了晚上和白天的視頻數(shù)據(jù)進(jìn)行試驗(yàn)。隨機(jī)抽取檢測(cè)視頻中幾幀代表性圖片，如圖7。還是使用硬件環(huán)境為Intel i5 3320 CPU2.50 GHz，內(nèi)存為4.0 GB，軟件是WIN10系統(tǒng)，VS2014+openCV2.0庫(kù)編程進(jìn)行了試驗(yàn)。

圖7 兩種天氣下視頻集環(huán)境下車(chē)道線(xiàn)的識(shí)別幀

在車(chē)道線(xiàn)識(shí)別程序的質(zhì)量評(píng)價(jià)中，實(shí)時(shí)性和識(shí)別率是最重要的指標(biāo)．我們分別取測(cè)試過(guò)的陰天和晴天視頻集，篩選出匹配度不高和錯(cuò)誤擬合的幀數(shù)，檢測(cè)結(jié)果如表2所示。

表2 視頻統(tǒng)計(jì)結(jié)果圖

從表2晴天和陰天兩種工況測(cè)試的視頻段下的幀數(shù)檢測(cè)的正確率和平均檢測(cè)時(shí)間，可以看出，用本文算法對(duì)圖像預(yù)處理后，再經(jīng)過(guò)形態(tài)學(xué)多約束霍夫變換提取特征線(xiàn)，基于概率表決程序估計(jì)消失點(diǎn)，用消失點(diǎn)再次約束特征線(xiàn)，再通過(guò)K－mean聚類(lèi)特征點(diǎn)，通過(guò)這三重優(yōu)化來(lái)擬合車(chē)道線(xiàn)，有效的提高了車(chē)道線(xiàn)識(shí)別率并減少了平均檢測(cè)時(shí)間。

4 結(jié)論

車(chē)道線(xiàn)存在數(shù)目和幾何形狀特征不確定的問(wèn)題，提出了以形態(tài)學(xué)多約束霍夫變換提取特征線(xiàn)，基于概率表決程序估計(jì)消失點(diǎn)，再用消失點(diǎn)再次約束特征線(xiàn)，然后采用多次迭代的K－means聚類(lèi)的方式，自動(dòng)選擇最優(yōu)聚類(lèi)特征線(xiàn)，可以有效剔除孤立的特征點(diǎn)，明確檢測(cè)目標(biāo)，從而減少錯(cuò)誤特征點(diǎn)的干擾，如陰影、字標(biāo)、光照情況等因素的影響導(dǎo)致抗噪性能較差。大量實(shí)驗(yàn)表明，提出的算法具有很好的魯棒性、和錯(cuò)檢率，實(shí)時(shí)性。