基于Retinex的弱光條件下車(chē)道線識(shí)別方法?

王 杰 陳黎卿 黃莉莉 馬曉晴 王敏敏 韋 溟

（安徽農(nóng)業(yè)大學(xué)工學(xué)院 合肥 230036）

1 引言

汽車(chē)領(lǐng)域正處于一個(gè)飛速發(fā)展的時(shí)期，作為現(xiàn)代社會(huì)的主要交通工具，正朝著舒適化、智能化和自動(dòng)化的方向發(fā)展。但隨之也帶來(lái)了越來(lái)越多的安全問(wèn)題［1］。汽車(chē)輔助駕駛系統(tǒng)的設(shè)計(jì)可以在車(chē)輛偏離正常行駛車(chē)道時(shí)提醒駕駛員，減少事故的發(fā)生。而車(chē)道線的準(zhǔn)確識(shí)別則是實(shí)現(xiàn)這一技術(shù)的關(guān)鍵。目前，該領(lǐng)域內(nèi)的研究人員已經(jīng)提出了很多基于視覺(jué)的車(chē)道線識(shí)別方法。早期的算法主要利用車(chē)道線明顯的灰度值特征將車(chē)道與路面進(jìn)行分割?，F(xiàn)今主流算法是通過(guò)Hough變換識(shí)別圖像中最符合車(chē)道線特征的直線，從而進(jìn)行標(biāo)定［2］。然而這些路徑識(shí)別方法多是對(duì)理想光照條件下的圖像進(jìn)行處理，再提取路徑車(chē)道線特征，忽略了弱光環(huán)境下因路徑車(chē)道線與周?chē)h(huán)境物體特征區(qū)分不明顯可能導(dǎo)致的誤識(shí)別等問(wèn)題。Li［3］等提出的基于動(dòng)態(tài)圖像閾值的智能車(chē)輛路徑導(dǎo)航方法，能夠在多種光照條件下識(shí)別路徑，但此種方法主要針對(duì)于強(qiáng)光照環(huán)境下的路徑識(shí)別，在弱光環(huán)境下的識(shí)別效果仍不理想。

為解決弱光環(huán)境下路徑車(chē)道線難以識(shí)別的問(wèn)題，本文提出了基于Retinex的弱光條件下車(chē)道線識(shí)別方法。首先，對(duì)采集到的RGB圖像進(jìn)行圖像增強(qiáng)，獲取類似光照條件較理想情況下的RGB圖像，再對(duì)其進(jìn)行預(yù)處理獲取車(chē)道線特征，從而識(shí)別圖像中的車(chē)道線。

2 本文算法流程

利用本文算法流程對(duì)弱光環(huán)境下的車(chē)道線圖像進(jìn)行增強(qiáng)和預(yù)處理，算法的整體流程如圖1所示。算法處理過(guò)程為首先對(duì)弱光環(huán)境下的車(chē)道線RGB圖像進(jìn)行增強(qiáng)，突出圖像中的車(chē)道線；然后對(duì)圖像進(jìn)行灰度化處理，以減少圖像中不必要的信息，提高圖像處理速度［4～5］；接著對(duì)灰度化后的圖像進(jìn)行Otsu全局閾值分割去除背景圖像；再對(duì)去背景后的二值圖像進(jìn)行感興趣區(qū)域提取，進(jìn)一步剔除無(wú)用信息，以滿足實(shí)時(shí)性的要求；最后利用Hough變換提取圖像中的車(chē)道線并在原圖像中顯示。

圖1 車(chē)道線圖像處理流程圖

3 圖像增強(qiáng)

3.1 弱光條件下圖像分析

在自然條件下，天氣狀況、光照變化和周邊樹(shù)木建筑物陰影的影響，均可能致使采集到的車(chē)道圖像過(guò)于灰暗［6］，使原本在圖像中像素點(diǎn)占比（即車(chē)道線面積占整幅圖像面積的比例）不高的車(chē)道線圖像與背景圖像特征區(qū)分不明顯，灰度化后灰度值接近，無(wú)法進(jìn)行有效的閾值分割，容易出現(xiàn)誤識(shí)別的情況。

基于以上分析，本文對(duì)弱光條件下的車(chē)道圖像采用基于雙邊濾波的Retinex圖像增強(qiáng)處理方法，減小弱光環(huán)境對(duì)車(chē)道線圖像的影響，使目標(biāo)圖像與背景圖像區(qū)分明顯，最終實(shí)現(xiàn)對(duì)弱光環(huán)境下車(chē)道線圖像的有效識(shí)別。

3.2 Retinex算法

3.2.1 Retinex概述

Retinex這個(gè)詞是由Retina（視網(wǎng)膜）和Cortex（大腦皮層）兩個(gè)詞組合而成的，是一種自適應(yīng)的模擬人類視覺(jué)系統(tǒng)調(diào)節(jié)圖像顏色和亮度的圖像增強(qiáng)算，該理論將原始圖像S(x,y)假設(shè)為是光照?qǐng)D像L(x,y)和反射率圖像R(x,y)的乘積［7］，如下式的形式：

式（1）中：光照?qǐng)D像L(x,y)對(duì)應(yīng)原圖中的低頻信息，反射率圖像R(x,y)對(duì)應(yīng)原圖的高頻信息，原圖中的噪聲部分基本上都在分解L圖和R圖的過(guò)程中轉(zhuǎn)移到了反射圖像R中，由于人眼的視覺(jué)模型與對(duì)數(shù)域模型更加符合，將其轉(zhuǎn)換到對(duì)數(shù)域得到：

實(shí)際應(yīng)用過(guò)程中，物體的反射分量R難以直接獲得，通常情況下先估測(cè)光照分量L，然后通過(guò)式（2）得到R，見(jiàn)式（3）：

3.2.2 Retinex算法

當(dāng)前Retinex算法的類別眾多，其中使用最多的為中心環(huán)繞Retinex算法，其包括單尺度Retinex（SSR）算法和多尺度Retinex（MSR）算法，經(jīng)典的單尺度算法（SSR）可簡(jiǎn)述如下：

其中，log Si(x,y)是第i個(gè)顏色通道的輸入圖像；Ri(x,y)是第i個(gè)顏色通道的反射圖像，若為單通道圖像則i=1，*表示卷積運(yùn)算；G(x,y)為標(biāo)準(zhǔn)高斯環(huán)繞函數(shù)，其表達(dá)式為

σ是控制領(lǐng)域范圍的尺度參數(shù)，λ越大圖像灰度動(dòng)態(tài)范圍壓縮的越多，λ越小圖像銳化的越多，λ為歸一化常數(shù)，滿足函數(shù)［8］：

3.3 雙邊濾波

雙邊濾波（Bilateral filter）是一種非線性的二維濾波方法，是結(jié)合圖像的空間鄰近度和像素值相似度的一種折衷處理，同時(shí)考慮空域信息和灰度相似性，達(dá)到較好的邊緣保存效果。雙邊濾波定義如下：

歸一化參數(shù)為

式中，f(x)和h(x)分別表示輸入和輸出圖像在中心點(diǎn)x的亮度值；c(ξ,x),s(f(ξ),f(x))分別表示臨近點(diǎn)ξ與中心點(diǎn)x之間的距離和亮度相似度［9］。

雙邊濾波擴(kuò)展到高斯核，具體為

式中，d(ξ,x)表示的歐式距離：

3.4 確定圖像增強(qiáng)算法

本文采用基于雙邊濾波的Retinex圖像增強(qiáng)算法，該方法在有效增強(qiáng)圖像的同時(shí)，較好地保持了圖像的邊緣細(xì)節(jié)［10］。算法實(shí)現(xiàn)過(guò)程為：?jiǎn)纬叨萊etinex算法對(duì)車(chē)道圖像取對(duì)數(shù)，對(duì)取對(duì)數(shù)后的圖像做對(duì)比度增強(qiáng)處理，提高圖像整體細(xì)節(jié)表現(xiàn)，同時(shí)對(duì)取對(duì)數(shù)后的圖像采用雙邊濾波的方法估計(jì)圖像的亮度，以達(dá)到更好的控制圖像亮度的效果?；陔p邊濾波的Retinex算法工作流程如圖2所示。

圖2 改進(jìn)Retinex算法的工作原理

利用上述算法，對(duì)獲取的弱光環(huán)境下的車(chē)道線圖像進(jìn)行圖像增強(qiáng)處理，如圖2所示，本文采用上述增強(qiáng)方法與直接對(duì)比度增強(qiáng)方法的效果進(jìn)行對(duì)比，由圖2可知：對(duì)于弱光環(huán)境下的車(chē)道線圖像，直接對(duì)比度增強(qiáng)方法并不能明顯改善車(chē)道線的顯示效果，車(chē)道線圖像與背景區(qū)域區(qū)分仍不明顯，這將直接影響后面對(duì)圖像的預(yù)處理效果。

圖3 RGB圖像對(duì)比

4 圖像預(yù)處理

4.1 灰度化

RGB圖像含有大量信息，直接處理會(huì)消耗較多時(shí)間，因此先將原始圖像轉(zhuǎn)化為灰度圖以提高運(yùn)算速度。本文采用一個(gè)較為簡(jiǎn)便的圖像灰度化方法［11］，設(shè)原圖中像素點(diǎn)顏色為RGB，處理后的像素點(diǎn)灰度值為Gray，則可對(duì)其進(jìn)行灰度化：

其中，0.299、0.587和0.144為真彩色圖轉(zhuǎn)換為灰度圖時(shí)各顏色分量的轉(zhuǎn)化系數(shù)。這樣，只需要開(kāi)辟一個(gè)跟原圖像的像素區(qū)一樣大小的空間，將對(duì)應(yīng)像素的RGB值設(shè)置為上式的Gray值即可。如圖4所示，本文算法增強(qiáng)后的RGB圖像灰度化圖中車(chē)道線與背景圖像的區(qū)別更大，干擾區(qū)域更小。

圖4 增強(qiáng)后的RGB圖像灰度化

4.2 Otsu全局二值化

本文采用OTSU算法將圖像分割成兩部分。OTSU算法是一種全局化的動(dòng)態(tài)二值化方法，又叫最大類間方差法，該方法是在灰度直方圖的基礎(chǔ)上采用最小二乘法原理推導(dǎo)出來(lái)的，具有統(tǒng)計(jì)意義上的最佳分割。該算法的基本原理［12］如下：

設(shè)f(x,y)為圖像IM×N的位置(x,y)處的灰度值，灰度級(jí)為L(zhǎng)，則f(x,y)∈[ ]0,L-1。若灰度級(jí)i的所有像素個(gè)數(shù)為fi，則第i級(jí)灰度出現(xiàn)的概率為

其中i=0,1,…,L-1，并且L∑i=-01p(i)=1。

將圖像中的像素按灰度級(jí)用閾值t劃分為兩類，即背景C0和目標(biāo)C1。背景C0的灰度級(jí)為0～t-1，目標(biāo)C1的灰度級(jí)為t～L-1。背景C0、目標(biāo)C1對(duì)應(yīng)的像素分別為{ f(x,y)＜t} 和{ f(x,y)≥t}。

則圖像中背景和目標(biāo)的類間方差為

其中，ω0、ω1分別為背景C0和目標(biāo)C1出現(xiàn)的概率，μ0、μ1分別為背景C0和目標(biāo)C1的平均灰度值，μ為圖像的總平均灰度值。令k的取值從0～L-1變化，計(jì)算不同的k值下的類間方差δ2(k)，使得δ2(k)最大時(shí)的那個(gè)k值就是所要求的最優(yōu)閾值。二值化后車(chē)道線圖像特征明顯，易于邊緣檢測(cè)，如圖5所示。

圖5 二值圖像

4.3 感興趣區(qū)域提取

車(chē)道線的監(jiān)測(cè)算法中一般對(duì)實(shí)時(shí)性有較高的要求，合理地提取圖像中的感興趣區(qū)域，可以在一定程度上減少圖像的處理時(shí)間，進(jìn)一步提高系統(tǒng)的實(shí)時(shí)性［13］。通過(guò)對(duì)采集到的大量車(chē)道線圖像觀察發(fā)現(xiàn)，車(chē)道線圖像主要集中在原圖像中最下方的2/3區(qū)域內(nèi)，上方1/3的區(qū)域主要為天空和道路兩旁的樹(shù)木等干擾背景，因此提取原始圖像中下方2/3的區(qū)域?yàn)楦信d趣區(qū)域。

圖6 提取感興趣區(qū)域

5 車(chē)道線檢測(cè)

5.1 Sobel算子邊緣檢測(cè)

Sobel算子是利用像素的上下左右領(lǐng)域的灰度加權(quán)算法，根據(jù)在邊緣點(diǎn)達(dá)到極值的原理進(jìn)行圖像的邊緣檢測(cè)。該算子不但檢測(cè)效果較好，并且具有很好的噪聲平滑作用，同時(shí)也包含比較精確的邊緣方向信息［14］。

Sobel算子的模板如下：

對(duì)整幅圖片進(jìn)行模板運(yùn)算，從而得到每個(gè)像素點(diǎn)與橫向、縱向梯度模板算子運(yùn)算的結(jié)果Hx,Hy設(shè)閾值為k，當(dāng)滿足 ||Hx+ ||Hy＞k時(shí)，即認(rèn)為該點(diǎn)為邊緣點(diǎn)。如圖6所示為利用Sobel算子進(jìn)行的邊緣檢測(cè)，可以看出Sobel算子提取的邊緣較粗，噪聲較少，有利于進(jìn)行Hough變換。

圖7 Sobel算子邊緣檢測(cè)

5.2 Hough變換車(chē)道線提取

Hough變換的車(chē)道線檢測(cè)是應(yīng)用最為廣泛的車(chē)道線識(shí)別方法之一［15］。其基本原理在于利用點(diǎn)與線的對(duì)偶性，將原始圖像空間的給定的曲線通過(guò)曲線表達(dá)形式變?yōu)閰?shù)空間的一個(gè)點(diǎn)［16］。把原始圖像中給定曲線的檢測(cè)問(wèn)題轉(zhuǎn)化為尋找參數(shù)空間中的峰值問(wèn)題。也即把檢測(cè)整體特性轉(zhuǎn)化為檢測(cè)局部特性。

Hough變換基本公式如下：

圖8 參數(shù)空間曲線圖像

圖9 感興趣區(qū)域中的車(chē)道線提取

圖10 增強(qiáng)后RGB圖像中車(chē)道線的提取

6 結(jié)果與分析

6.1 車(chē)道線識(shí)別結(jié)果

利用本文中的算法對(duì)不同程度弱光環(huán)境下的車(chē)道線進(jìn)行提取，提取結(jié)果如下：

圖11 車(chē)道線圖像識(shí)別圖組

6.2 試驗(yàn)結(jié)果分析

本文將采集到的車(chē)道線圖像按光照環(huán)境分為較弱光照，弱光照和非常弱光照三種情況，采集時(shí)間為凌晨和傍晚，采集地點(diǎn)為校園各干道，共采集90幅圖像，每情況各30張。利用本文算法對(duì)采集到的圖像進(jìn)行車(chē)道線提取，其中共有10幅圖像因建筑物陰影、天空和路面反光等原因，提取出的車(chē)道線與實(shí)際車(chē)道線相差較大，提取效果不理想，認(rèn)為提取失敗。試驗(yàn)統(tǒng)計(jì)結(jié)果如表1所示。

表1 弱光環(huán)境下車(chē)道線識(shí)別統(tǒng)計(jì)結(jié)果

根據(jù)表1的試驗(yàn)統(tǒng)計(jì)結(jié)果分析可知：利用本文的圖像增強(qiáng)處理方法，可以凸顯弱光環(huán)境下的車(chē)道線，改善因光照不足導(dǎo)致的車(chē)道線與背景區(qū)域區(qū)分不明顯的情況，減小背景區(qū)域?qū)μ崛≤?chē)道線的影響；不同光照條件下的準(zhǔn)確識(shí)別率表明本文中的方法能較好地提取弱光環(huán)境下的車(chē)道線，但仍存在一些問(wèn)題，主要原因?yàn)椋汗庹蛰^弱時(shí)對(duì)圖像增強(qiáng)過(guò)度，導(dǎo)致圖像失真嚴(yán)重，光照非常弱時(shí)對(duì)圖像增強(qiáng)不足，車(chē)道線圖像與背景區(qū)域區(qū)分不明顯，均導(dǎo)致車(chē)道線無(wú)法正確識(shí)別，以及因路面反光導(dǎo)致的圖像光照分布不均等，都會(huì)對(duì)車(chē)道線的準(zhǔn)確識(shí)別產(chǎn)生影響。

7 結(jié)語(yǔ)

本文以取自凌晨和傍晚時(shí)的校園干道圖像為例，涉及到的所有算法均在MatlabR2015b平臺(tái)下調(diào)試通過(guò)，從最終的試驗(yàn)統(tǒng)計(jì)結(jié)果中可以看出，文中實(shí)現(xiàn)的基于雙邊濾波的Retinex圖像增強(qiáng)算法，有效改善了在弱光環(huán)境下車(chē)道線圖像特征不明顯的情況，提高了圖像二值化時(shí)閾值選取的合理性和準(zhǔn)確性，從而更加精確地分割圖像，有助于最終利用Hough變換提取車(chē)道線。本文中的方法在較弱光照，弱光照和非常弱光照三種光照環(huán)境下對(duì)車(chē)道線的識(shí)別率分別為87.5%、97.5%和92.5%，具有較好的識(shí)別率，對(duì)于汽車(chē)駕駛輔助系統(tǒng)中車(chē)道線的識(shí)別領(lǐng)域具有一定的實(shí)用價(jià)值和參考意義。