基于自適應(yīng)ROI和蟻群邊緣檢測(cè)算法的車道線檢測(cè)

丁蒙，戴曙光，曾思浩，王帥

摘 ?要： 論文針對(duì)天氣陰暗和復(fù)雜背景等情況下難以檢測(cè)車道線的情況，提出了基于消失點(diǎn)的自適應(yīng)ROI提取和基于蟻群算法的邊緣檢測(cè)方法。首先進(jìn)行圖像預(yù)處理得到灰度化圖像，然后使用基于紋理的gLoG濾波進(jìn)行消失點(diǎn)檢測(cè)以消除復(fù)雜背景的影響，使用蟻群算法對(duì)灰度圖像進(jìn)行邊緣檢測(cè)以解決Canny算子對(duì)噪聲敏感的問題，最后對(duì)感興趣區(qū)域進(jìn)行Hough變換直線檢測(cè)并且使用極角極徑約束Hough變換擬合的直線，最后實(shí)現(xiàn)車道線檢測(cè)的功能。實(shí)驗(yàn)結(jié)果表明，論文提出的方法在道路環(huán)境多變和陰暗天氣下能實(shí)現(xiàn)很好的車道線檢測(cè)結(jié)果，準(zhǔn)確率最高可達(dá)95.96%。

關(guān)鍵詞： 消失點(diǎn)檢測(cè);蟻群算法;極角極徑約束法;Hough變換

中圖分類號(hào)： TP391.41 ? ?文獻(xiàn)標(biāo)識(shí)碼： A ? ?DOI：10.3969/j.issn.1003-6970.2019.12.028

本文著錄格式：丁蒙，戴曙光，曾思浩，等. 基于自適應(yīng)ROI和蟻群邊緣檢測(cè)算法的車道線檢測(cè)[J]. 軟件，2019，40（12）：124128

Lane Line Detection Based on Adaptive ROI and Ant Colony Edge Detection Algorithm

DING Meng， DAI Shu-guang， ZENG Si-hao， WANG Shuai

（School of Optical-Electrical and Computer Engineering， University of Shanghai for Science and Technology， Shanghai 200093）

【Abstract】： In view of the difficulty of detecting lane lines under the background of dark weather and complex background， the paper proposes adaptive ROI extraction based on vanishing point and edge detection method based on ant colony algorithm. First of all， we try to pre-processing the image to obtain grayscale image， and then use the texture-based gLoG filtering to eliminate the effect of Vanishing point to eliminate the effect of complex background， then use the ant colony algorithm for edge detection of grayscale images. Finally， the Hough transformation line detection is carried out on the area of interest and the fitted line is constrained by the polar angle diameter. In this way， we can realize the lane line detection. The experimental results show that the method proposed in this paper can achieve good lane line test results in the changing road environment and dark weather， with an accuracy rate of up to 95.96%.

【Key words】： Vanishing point detection; Ant colony algorithm; Polar diameter angle constraint; Hough transform

0 ?引言

近年來，隨著科學(xué)技術(shù)的發(fā)展，人民生活水平不斷提高，智能駕駛技術(shù)也在不斷發(fā)展。自動(dòng)駕駛汽車通過傳感器對(duì)周邊環(huán)境進(jìn)行信息采集，交由計(jì)算機(jī)進(jìn)行分析以做出決策，然后執(zhí)行機(jī)構(gòu)依據(jù)決策來實(shí)現(xiàn)加速、減速、轉(zhuǎn)向、剎車等操作。在自動(dòng)駕駛汽車中，汽車駕駛輔助系統(tǒng)顯得尤為重要。車道線檢測(cè)是汽車駕駛輔助系統(tǒng)的一個(gè)重要部分，正確檢測(cè)出車道線才能為自動(dòng)巡航駕駛、原有車道保持、車道變道等提供最基本的環(huán)境信息，以保證車輛的正常行駛[1-3]。

目前，車道線檢測(cè)[4]一般分為兩種，一種是基于特征的車道線檢測(cè)，另一種是基于模型的車道線檢測(cè)。Chen和Jin[5]提出了一種適應(yīng)結(jié)構(gòu)道路的車道標(biāo)記識(shí)別算法。利用Soble形態(tài)學(xué)梯度算法與Hough變換進(jìn)行協(xié)調(diào)，并利用直線對(duì)二維車道進(jìn)行了重構(gòu)，以檢測(cè)出車道線。Li和Nashashibi[6]引入了改進(jìn)的canny邊緣檢測(cè)器，其中僅沿垂直方向在每個(gè)像素處計(jì)算圖像差異，然后執(zhí)行最小均方差濾波（NLMS）。Mu和Ma[7]通過對(duì)象分割來選擇候選車道區(qū)域，然后用Sobel算子提取冗余邊，此外還通過邊緣閾值的選擇獲得候選車道標(biāo)記，最后采用分段擬合方法檢測(cè)車道標(biāo)記。Yoo[8]提出了一種基于從輸入圖像中提取的線段交點(diǎn)的概率投票方法，通過幾何約束來選擇車道的候選線段，然后利用擬議的分?jǐn)?shù)函數(shù)去除候選線段中的異常值，最后應(yīng)用泛洪分水嶺算法進(jìn)行車道線檢測(cè)。Wang等人[9]使用B-snake樣條曲線來表示一條彎曲的道路。其中控制點(diǎn)位于曲線之外，其擬合過程需要大量的迭代。另一方面，均勻的立方體樣條擬合速度要快得多，但當(dāng)控制點(diǎn)之間的間距不均勻時(shí)，可能會(huì)導(dǎo)致曲線不規(guī)則。Zhao和Meuter等人結(jié)合擴(kuò)展卡爾曼濾波跟蹤使用基于Catmull-Rom樣條的車道模型[10]，該模型是一個(gè)高階車道模型，它對(duì)噪聲很敏感，夜間下雨時(shí)可能會(huì)導(dǎo)致光線干擾，會(huì)產(chǎn)生錯(cuò)誤的車道線檢測(cè)。劉萍等人[11]論文提出了一種基于反透視變換的車道線檢測(cè)算法，然后利用K-均值聚類算法進(jìn)行線性判別以消除線性干擾，得到車道線檢測(cè)結(jié)果。文獻(xiàn)[12]根據(jù)車道線的截面特征逐行提取車道線特征點(diǎn)，并使用連通域聚類濾波，然后使用卡爾曼濾波算法對(duì)車道線的端點(diǎn)和斜率進(jìn)行跟蹤。文獻(xiàn)[13]中將車道線透視圖轉(zhuǎn)變?yōu)轼B瞰圖。然后構(gòu)建了一種平行Snake車道線檢測(cè)方法，最后采用采用Kalman濾波器進(jìn)行跟蹤優(yōu)化，抑制噪聲，提高算法對(duì)車道線的識(shí)別精度。文獻(xiàn)[14]提出一種基于大津法的二次閾值分割方法，逐行掃描選取候選車道特征點(diǎn)并采用聚類方法進(jìn)行過濾然后分視場(chǎng)使用最小二乘曲線擬合算法，根據(jù)特征點(diǎn)的分布自適應(yīng)地選取曲線擬合的方式，在此基礎(chǔ)上提出車道寬度匹配算法，提高了算法的魯棒性。駱濟(jì)煥等人[15]對(duì)灰度圖像進(jìn)行改進(jìn)的中值濾波除噪，再基于最大類方差法，用Canny算法提取車道線邊緣，然后結(jié)合前處理算法，TCR算法通過目標(biāo)區(qū)域劃分和極角極徑法來縮小檢測(cè)范圍，對(duì)車道左右雙線分別進(jìn)行邊緣疊加處理來提高霍夫變換法的檢測(cè)精度，

論文首先將圖像灰度化，然后使用基于紋理的gLoG濾波進(jìn)行消失點(diǎn)檢測(cè)，消除復(fù)雜背景的影響，自適應(yīng)提取感興趣區(qū)域（ROI），使用蟻群算法對(duì)灰度圖像進(jìn)行邊緣檢測(cè)，然后對(duì)感興趣區(qū)域進(jìn)行Hough變換直線檢測(cè)并使用極角極徑約束車道線檢測(cè)范圍，得到車道線檢測(cè)結(jié)果，流程圖如圖1所示。

圖1 ?車道線檢測(cè)流程圖

Fig.1 ?The flowchart of lane line detection

1 ?圖像預(yù)處理

在進(jìn)行車道檢測(cè)之前，需先將彩色圖像轉(zhuǎn)換為灰度圖。本文將圖像從RGB顏色空間轉(zhuǎn)換為YCbCr空間，來保留圖片的亮度信息，轉(zhuǎn)換公式為式（1）。由于人眼對(duì)I和Q等分量感知不敏感，所以只取Y分量通道圖像，圖像轉(zhuǎn)換結(jié)果如圖2所示。

（1）

圖2 ?彩色圖像轉(zhuǎn)為灰度圖像

Fig.2 ?Color image to gray image

2 ?基于消失點(diǎn)的自適應(yīng)ROI

車道一般存在于拍攝圖像的下半部分，而包括天空和地標(biāo)等都出現(xiàn)在上半部分，通過使用消失點(diǎn)選擇感興趣區(qū)域，對(duì)圖像車道線進(jìn)行約束，可以提高車道線檢測(cè)的性能。本文選用基于紋理的gLoG濾波消失點(diǎn)檢測(cè)算法[16]對(duì)車道線圖像建立自適應(yīng)ROI，首先生成gLoG紋理模板、然后對(duì)車道線圖像進(jìn)行紋理方向檢測(cè)，最后通過投票確定消失點(diǎn)。

2.1 ?gLoG紋理模板生成

圖像紋理模板通過二維廣義拉普拉斯高斯濾波器（generalized Laplacian of Gaussian filter，gLoG）得到。二維廣義高斯濾波器定義如下：

（2）

式中：A是歸一化因子，系數(shù)a、b、c通過θ，σx，σy控制高斯核的形狀和方向。具體計(jì)算公式如下：

（3）

（4）

（5）

二維廣義拉普拉斯高斯濾波器定義如下：

（6）

在道路消失點(diǎn)檢測(cè)中，設(shè)定，，其中，為圖像長(zhǎng)度和寬度中的較大值。濾波器的方向數(shù)量設(shè)置為18，即角度分辨率為10°，每一組濾波器內(nèi)，，其中。圖3展示了，，發(fā)生變化時(shí)產(chǎn)生的不同大小和方向的gLoG紋理檢測(cè)模板。

圖3 ?不同大小和方向的gLoG紋理檢測(cè)模板

Fig.3 ?The gLoG texture detection template with

different sizes and directions

2.2 ?圖像紋理方向檢測(cè)

將車道線圖像與18組gLoG模板分別卷積求絕對(duì)值再求和，每組結(jié)果劃分為100個(gè)網(wǎng)格，每個(gè)格子最大值代表圖像在次網(wǎng)格區(qū)域紋理最強(qiáng)烈的點(diǎn)，將這些點(diǎn)作為特征點(diǎn)并計(jì)算方向，結(jié)果最大的一組就代表特征點(diǎn)的紋理方向。

2.3 ?投票

對(duì)圖像中位于特征點(diǎn)p上方一定夾角范圍內(nèi)的像素點(diǎn)v進(jìn)行投票，具體公式如下：

（7）

其中，，為向量和特征點(diǎn)之間的夾角。是和之間的歐式距離，是歸一化因子，這里取值為圖像的對(duì)角線長(zhǎng)度。投票之后，結(jié)果中值最大的位置即為消失點(diǎn)。

2.4 ?感興趣區(qū)域

感興趣區(qū)域的公式計(jì)算為式（8），其中，、和分別是消失點(diǎn)、原圖和感興趣圖像的坐標(biāo)。圖4顯示了感興趣區(qū)域，消失點(diǎn)下面區(qū)域?yàn)楦信d趣區(qū)域的高度，消失點(diǎn)用藍(lán)色交叉標(biāo)記表示，而自適應(yīng)ROI為紅色區(qū)域。

（8）

圖4 ?得到感興趣區(qū)域

Fig.4 ?The regions of interest

3 ?基于蟻群算法的邊緣檢測(cè)

蟻群算法是一種優(yōu)化算法，大量子個(gè)體可以快速準(zhǔn)確地搜尋到區(qū)域中的最優(yōu)解。這種特點(diǎn)結(jié)合邊緣像素的階躍特征決定了蟻群邊緣檢測(cè)方法[17][18]具有較強(qiáng)的適應(yīng)性和魯棒性蟻群算法是一種迭代算法，在每次迭代中都執(zhí)行兩個(gè)基本操作：構(gòu)造或修改問題的解決方案;更新信息素跟蹤?；谙伻核惴ǖ倪吘墮z測(cè)分為以下幾個(gè)步驟：

（1）輸入圖像為二維圖形，其中節(jié)點(diǎn)為圖像像素。螞蟻通過從像素移動(dòng)到像素和通過信息素標(biāo)記遍歷像素來遍歷圖像。

（2）初始化螞蟻分布：m只螞蟻被隨機(jī)放置，每個(gè)像素上最多放置一只螞蟻，所有像素強(qiáng)度設(shè)置為0.0001。

（3）節(jié)點(diǎn)轉(zhuǎn)換規(guī)則：考慮兩種不同的情況，如果螞蟻位于背景像素上，并且僅被背景包圍，則在下一次迭代中，它將被替換到一個(gè)新的隨機(jī)選擇的像素。在每種情況下，螞蟻根據(jù)公式（9）從八個(gè)鄰域中的概率選擇一個(gè)，如圖5所示。

（4）將第k只螞蟻從節(jié)點(diǎn)（r，s）轉(zhuǎn)移到節(jié)點(diǎn)（i， j）的概率被認(rèn)為是：

圖5 ?蟻群邊緣檢測(cè)圖解

Fig.5 ?Ant colony edge detection diagram

（9）

其中是信息素的強(qiáng)度，為像素的可見度，和是信息素信息和啟發(fā)信息的重要程度。此外，像素的可見度是由以下定義：

（10）

在此方法中，使用圖像強(qiáng)度的灰度級(jí)的最大變化來確定可見度的值。因此，邊界像素有更大的可見性值，此外，螞蟻不能重復(fù)經(jīng)歷最后走過的個(gè)像素。

信息素更新規(guī)則：每一步完成后，根據(jù)式（10）（11）（12）更新信息素水平。

（11）

（12）

（13）

其中，表示蒸發(fā)率，螞蟻標(biāo)號(hào) ，為整數(shù)，代表螞蟻總數(shù)。表示第只螞蟻經(jīng)過位置時(shí)該像素信息素的增量。是閾值，只有信息素沉積超過才能提取為圖像特征邊緣。信息素的蒸發(fā)有助于避免信息素的無限制積累，如果一個(gè)像素沒有被螞蟻選擇，他的信息素強(qiáng)度會(huì)呈指數(shù)下降趨勢(shì)。為了避免搜索停滯，信息素最小強(qiáng)度受限制。由于，所以選擇一個(gè)特定像素的概率永不為0。

邊緣檢測(cè)需輸出二值圖像，轉(zhuǎn)換公式如下，最后邊緣檢測(cè)圖像如圖6所示。

（14）

圖6 ?邊緣檢測(cè)結(jié)果

Fig.6 ?Results of edge detection

4 ?極角極徑法約束Hough變換范圍

在車道線檢測(cè)中，采用Hough變換直線檢測(cè)，并使用極角極徑法來約束車道線檢測(cè)范圍。直線的極坐標(biāo)方程為：

（15）

其中，為原點(diǎn)到直線的距離;為直線與軸正向夾角（）。因?yàn)樽笥臆嚨谰€基本都分布在道路圖像兩邊，位置變化不大，通過對(duì)大量道路圖像統(tǒng)計(jì)，得到左右車道線極角、和極徑、的約束范圍。，;，，圖7為示意。

圖7 ?極角極徑法圖解

Fig.7 ?Diagram of polar angle and

polar diameter method

實(shí)際檢測(cè)中，車道線會(huì)檢測(cè)出多條左右車道線，以中軸為基準(zhǔn)，運(yùn)用算子[1 0 –1]和[–1 0 1]分別對(duì)車道線進(jìn)行疊加處理，得到最終車道線檢測(cè)結(jié)果，如圖8所示。

圖8 ?車道線檢測(cè)結(jié)果圖

Fig.8 ?Results of lane line detection

5 ?實(shí)驗(yàn)結(jié)果與分析

我們分別對(duì)同一輛汽車駕駛過程中拍攝的4段視頻進(jìn)行車道線檢測(cè)，檢測(cè)指標(biāo)如下，檢測(cè)結(jié)果如表1。檢測(cè)指標(biāo)如下，其中，DR、C、N分別為檢測(cè)率、正確檢測(cè)車道線的幀數(shù)、視頻總幀數(shù)。

（16）

表1 ?檢測(cè)結(jié)果及準(zhǔn)確率

Tab.1 ?Test results and accuracy

視頻 幀數(shù) 正確檢測(cè)車道線幀數(shù) 檢測(cè)率/%

a 4500 4294 95.42

b 3150 2992 94.98

c 3600 3474 96.50

d 3450 3346 96.98

總 14700 14106 95.96

表1中，視頻a為傍晚行駛視頻車道，視頻b為陰天行駛視頻，視頻c為光照較強(qiáng)的行駛視頻，d為白天行駛視頻。

實(shí)驗(yàn)結(jié)果表明，在天氣陰暗和光照較強(qiáng)以及復(fù)雜道路背景下仍可以較為準(zhǔn)確的檢測(cè)出車道線，平均準(zhǔn)確率為95.96%，最高可達(dá)96.98%，優(yōu)于傳統(tǒng)的基于Canny算子的邊緣檢測(cè)和Hough變換的車道線檢測(cè)算法，提高了車道線檢測(cè)的準(zhǔn)確率。并且算法在陰暗情況、光照較強(qiáng)情況和復(fù)雜背景情況下，識(shí)別準(zhǔn)確率仍在95%以上，也證明了算法有著較強(qiáng)的適應(yīng)性和魯棒性。

論文提出的方法針對(duì)復(fù)雜道路背景提出了使用消失點(diǎn)檢測(cè)建立自適應(yīng)感興趣區(qū)域，極大的提高了車道線檢測(cè)的性能。通過使用蟻群邊緣檢測(cè)算法解決了Canny算子對(duì)噪聲敏感的問題，最后通過極角極徑法約束的Hough變換來檢測(cè)直線。算法能夠克服光照和復(fù)雜背景的問題，后續(xù)工作應(yīng)將研究重心放在彎道車道線檢測(cè)中，例如使用分段線性變換以適應(yīng)彎曲車道線，彌補(bǔ)彎曲車道線檢測(cè)時(shí)存在的不足，而且為了使算法有更廣泛的應(yīng)用價(jià)值，還需將車道線偏離報(bào)警列入后續(xù)的研究重點(diǎn)。

參考文獻(xiàn)

[1]Vahidi A， Eskandarian A. Research advances in intelligent collision avoidance and adaptive cruise control[J]. IEEE transactions on intelligent transportation systems， 2003， 4（3）： 143-153.

[2]Bengler K， Dietmayer K， Farber B， et al. Three decades of driver assistance systems： Review and future perspectives[J]. IEEE Intelligent transportation systems magazine， 2014， 6（4）： 6-22.

[3]Kumar A M， Simon P. Review of lane detection and tracking algorithms in advanced driver assistance system[J]. Int. J. Comput. Sci. Inf. Technol， 2015， 7（4）： 65-78.

[4]張明軍， 俞文靜， 袁志， 等. 視頻中目標(biāo)檢測(cè)算法研究[J]. 軟件， 2016， 37（4）： 40-45.

[5]Chen H， Jin Z. Research on Real-Time Lane Line Detection Techonogy Based on Machine Vision[C]//2010 International Symposium on Intelligence Information Processing and Trusted Computing. IEEE， 2010： 528-531.

[6]Li H， Nashashibi F. Robust real-time lane detection based on lane mark segment features and general a priori knowledge [C]//2011 IEEE International Conference on Robotics and Biomimetics. IEEE， 2011： 812-817.

[7]Mu C， Ma X. Lane detection based on object segmentation and piecewise fitting[J]. TELKOMNIKA Indones. J. Electr. Eng. TELKOMNIKA， 2014， 12（5）： 3491-3500.

[8]Yoo J H， Lee S W， Park S K， et al. A robust lane detection method based on vanishing point estimation using the rele vance of line segments[J]. IEEE Transactions on Intelligent Transportation Systems， 2017， 18（12）： 3254-3266.

[9]Wang Y， Teoh E K， Shen D. Lane detection and tracking using B-Snake[J]. Image and Vision computing， 2004， 22（4）： 269-280.

[10]Zhao K， Meuter M， Nunn C， et al. A novel multi-lane detection and tracking system[C]//2012 IEEE Intelligent Vehicles Symposium. IEEE， 2012： 1084-1089.

[11]劉萍， 孫耀航. 基于反透視變換的車道線檢測(cè)算法[J]. 計(jì)算機(jī)與數(shù)字工程， 2019， 47（3）： 678-681.

[12]趙偉康， 黎向鋒， 畢高杰等. 一種基于橫截面特征的車道線檢測(cè)方法[J]. 機(jī)械制造與自動(dòng)化， 2019， 48（01）： 167-170.

[13]范暉， 夏清國(guó). 基于平行Snake耦合Kalman濾波器的車道線檢測(cè)算法[J]. 電子測(cè)量與儀器學(xué)報(bào)， 2019（2）： 101-109.

[14]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(cè)算法[J]. 汽車技術(shù)， 2019（4）：1-6.

[15]駱濟(jì)煥， 蘭鳳崇， 陳吉清. 聯(lián)合圖像處理和目標(biāo)約束的車道線檢測(cè)方法[J]. 汽車工程學(xué)報(bào)， 2019， 9（01）：30-38.

[16]Kong H， Sarma S E， Tang F. Generalizing Laplacian of Gaussian filters for vanishing-point detection[J]. IEEE Transactions on Intelligent Transportation Systems， 2012， 14（1）： 408-418.

[17]劉猛猛， 馬超. 基于蟻群算法的邊緣檢測(cè)[J]. 測(cè)繪與空間地理信息， 2017（11）：181-183.

[18]沙娓娓， 劉增力. 基于改進(jìn)蟻群算法的無線傳感器網(wǎng)絡(luò)的路由優(yōu)化[J]. 軟件， 2018， 39（01）： 01-04.