基于融合分割和LASSO回歸的實(shí)時(shí)車道偏離預(yù)警

許小偉，陳乾坤，蔡永祥，史延雷，曾佳輝

(1.武漢科技大學(xué)汽車與交通工程學(xué)院，湖北 武漢，430065；2.中國汽車技術(shù)研究中心汽車工程研究院，天津，300300)

先進(jìn)汽車駕駛輔助系統(tǒng)(Advanced Driving Assistance System，ADAS)能有效提高汽車行駛安全性，而車道偏離預(yù)警(Lane Departure Warning，LDW)系統(tǒng)是ADAS的重要組成部分。目前，基于視覺的LDW系統(tǒng)因結(jié)構(gòu)簡單、成本低、實(shí)現(xiàn)方便等優(yōu)點(diǎn)占據(jù)應(yīng)用主導(dǎo)地位，其主要由車道線檢測、車道偏離預(yù)警決策兩部分組成。車道線檢測算法可分為基于特征和基于模型兩類。前者通過提取道路圖像中的某些特征如顏色[1-2]、邊緣信息[3-4]、紋理信息[5]等來檢測車道線，但路面污染、標(biāo)識干擾等會(huì)對此方法的檢測結(jié)果帶來不利影響；后者是根據(jù)道路形狀進(jìn)行數(shù)學(xué)建模并獲得車道線幾何模型[6-9]，雖然它比基于特征的方法具有更強(qiáng)的抗噪能力，但存在直線模型無法擬合曲線、曲線模型魯棒性和適應(yīng)性差等缺點(diǎn)[10]。車道偏離預(yù)警決策主要采用基于車輛當(dāng)前位置(Car’s Current Position,CCP)[11]、車輛偏離時(shí)間(Time to Lane Crossing,TLC)[12]、將來偏離量(Future Offset Difference,FOD)[13]的判決算法，其中，CCP算法在汽車行駛方向與車道不平行時(shí)不能及時(shí)檢驗(yàn)出車輛偏離，TLC算法與FOD算法均假設(shè)車輛行駛狀態(tài)在預(yù)瞄時(shí)間內(nèi)保持不變，這與實(shí)際情況不完全相符。

針對以上問題，本文提出一種基于融合分割和LASSO(Least Absolute Shrinkage and Selection Operator)回歸模型的車道偏離預(yù)警系統(tǒng)。運(yùn)用頂帽算法(TopHat)和最大類間方差法(OTSU)相融合的方法分割車道線，可以解決復(fù)雜道路環(huán)境下的車道線分割及提取問題。運(yùn)用LASSO多項(xiàng)式回歸模型對道路進(jìn)行參數(shù)估計(jì)，擬合出參數(shù)曲線，可以克服最小二乘法擬合曲線在數(shù)據(jù)量較小時(shí)容易產(chǎn)生過擬合的缺點(diǎn)。最后根據(jù)車輛靠近虛擬車道線時(shí)的真實(shí)車道線角度來判斷車輛是否偏離，從而改善預(yù)警不及時(shí)的問題。

1 車道偏離預(yù)警系統(tǒng)流程

本文提出的車道偏離預(yù)警系統(tǒng)流程如圖1所示，其中車道線檢測算法主要包括車道線分割、動(dòng)態(tài)感興趣區(qū)域(Region of Interest, ROI)的確立、LASSO回歸模型擬合等關(guān)鍵步驟。首先，將TopHat算法和OTSU算法相融合，分割出車道線背景，并采用Hough變換檢測直線，對變換得出的直線斜率篩選后進(jìn)行平均得到初步車道線位置；然后根據(jù)初步車道線位置確定動(dòng)態(tài)ROI區(qū)域并進(jìn)行跟蹤處理，在此區(qū)域中，利用基于LASSO的多項(xiàng)式回歸模型精確擬合出車道線；最后，根據(jù)角度偏離預(yù)警模型進(jìn)行預(yù)警決策。如果未檢測出車道線，將保持上一幀圖像的車道線參數(shù)進(jìn)行后續(xù)計(jì)算；若連續(xù)5幀未檢測出車道線，則不對此幀進(jìn)行后續(xù)操作。

圖1 車道偏離預(yù)警系統(tǒng)流程

2 車道線檢測算法

2.1 融合TopHat和OTSU算法的車道線分割

由于道路檢測模型中常用的Sobel、Canny、LoG邊緣檢測器以及單一的二值化分割方法魯棒性較差，而OTSU算法的自適應(yīng)性和穩(wěn)定性較強(qiáng)，同時(shí)TopHat算法不依賴于光照強(qiáng)度，所以在進(jìn)行常規(guī)的圖像灰度化、濾波等基礎(chǔ)性工作之外，本文提出一種融合OTSU和TopHat算法的分割車道線背景的方法，以解決單一方法對環(huán)境變化魯棒性差的問題。

如圖2所示，在采集的原始圖像中選取初步感興趣區(qū)域，使其包含車道和天空，以方便后續(xù)OTSU和TopHat算法處理時(shí)對前、后景進(jìn)行分離，并減少后續(xù)計(jì)算量及其他干擾。同時(shí)，對圖像進(jìn)行灰度化預(yù)處理以及高斯濾波處理，進(jìn)一步減少計(jì)算量及圖像噪聲。

圖2 選取初步感興趣區(qū)域

OTSU是一種自適應(yīng)全局閾值分割算法，它運(yùn)用最大類間方差來分割圖像的前景與背景，運(yùn)算速度較快，非常適用于實(shí)時(shí)性要求較高的場合[14]。設(shè)圖像有L個(gè)灰度級 [0,1,…,L-1]，采用分割閾值T將圖像分為前景C0[0，1,…,T](即目標(biāo))和背景C1[T+1，T+2，…,L-1]兩個(gè)部分，則其概率分布為：

(1)

這兩個(gè)區(qū)域的平均灰度為：

(2)

σ2=W0(μ0-μ)2+W1(μ1-μ)2

=W0W1(μ0-μ1)2

(3)

使方差最大的T值即為所求分割閾值。

TopHat算法由圖像形態(tài)學(xué)中的腐蝕和膨脹兩種基本方法組成。即使在道路存在陰影或其他干擾的情況下，車道線的亮度也會(huì)高于周圍亮度，運(yùn)用TopHat算法可凸顯車道線在道路背景中的位置，增加目標(biāo)與背景之間的亮度差，提高車道線與背景的辨識度[15]。TopHat算法的具體公式如下：

(4)

式中：src(x,y)代表輸入圖像；open(src)、erode(src)、dilate(src)分別代表對輸入圖像src的開運(yùn)算、腐蝕運(yùn)算、膨脹運(yùn)算；∧、∨分別代表邏輯與、或運(yùn)算；b(m,n)代表內(nèi)核為(m，n)的卷積核。

對圖像分別進(jìn)行OTSU算法及TopHat算法分割，并且將TopHat處理過的圖像進(jìn)行Canny邊緣檢測，得到兩種算法分割完成的二值圖像，依次對兩個(gè)二值圖像中每一個(gè)相同位置的像素點(diǎn)進(jìn)行與運(yùn)算融合。也就是說，只有兩個(gè)二值圖像中相同位置的像素點(diǎn)均確定為二值白點(diǎn)，則融合后此點(diǎn)像素為二值白點(diǎn)，否則為二值黑點(diǎn)。

2.2 初步直線檢測及動(dòng)態(tài)ROI區(qū)域確立

雖然融合OTSU與TopHat算法能夠改善車道線分割效果，但是此時(shí)的圖像中仍然包含有天空以及道路兩側(cè)的電線桿、防護(hù)欄等干擾。如圖3所示，對現(xiàn)有圖像再次確定梯形感興趣區(qū)域，以減小干擾及加快運(yùn)行速度，因攝像頭位置中心偏右，為更好地包含右車道線，將車道線感興趣區(qū)域設(shè)置為相對車道中心線偏右。

圖3 車道線感興趣區(qū)域

在梯形感興趣區(qū)域中，不僅包含有左、右側(cè)車道線分割后的像素信息，同時(shí)也可能含有路標(biāo)、減速帶等干擾，若直接進(jìn)行車道線檢測擬合，效果差，魯棒性不強(qiáng)。為此，本文分兩次檢測車道線，第一次采用直線模型初步檢測車道線位置，然后據(jù)此進(jìn)一步確定動(dòng)態(tài)ROI區(qū)域，在該區(qū)域中進(jìn)行第二次車道線精確擬合。

在車道線的初步直線檢測時(shí)，首先對梯形區(qū)域進(jìn)行概率Hough變換(Probabilistic Hough Transform，PHT)。Hough變換是將圖像中的直線檢測轉(zhuǎn)化為參數(shù)空間的對點(diǎn)檢測，具體轉(zhuǎn)換公式為：

ρ=xcosθ+ysinθ

(5)

式中：(x，y)為直線上的點(diǎn)坐標(biāo)；(ρ，θ)為參數(shù)空間極坐標(biāo)。

PHT選擇性地對點(diǎn)進(jìn)行Hough變換，而不是遍歷所有像素點(diǎn)，因此可以提高處理速度。由于檢測后獲得的直線較多，需要進(jìn)行篩選，如圖4所示，具體步驟如下：

(1)通過所檢測直線n的兩端點(diǎn)(xn1，yn1)、(xn0，yn0)計(jì)算斜率kn：

(6)

(2)對檢測到的直線進(jìn)行篩選。由于攝像頭前方的車道線不可能為平行線或斜率絕對值較小的直線，因此依據(jù)斜率來篩選所檢測的直線，分為左車道集合{kil|kn∈(-20,-0.2)}、右車道集合{kir|kn∈(0.2,20)}，剔除不可能為車道線的直線。

(3)分別對兩個(gè)集合中的所有車道線斜率進(jìn)行平均，以獲得更為準(zhǔn)確的車道線斜率。

圖4(a)為確定了梯形區(qū)域的待檢測圖像。從圖4(b)可以看出，經(jīng)過PHT檢測后的直線包括道路中的減速帶、路邊障礙物、前方車輛等干擾，無法直接提取車道線。如圖4(c)所示，通過計(jì)算斜率并篩選后，大部分干擾直線被剔除，能夠?qū)嚨谰€進(jìn)行初步檢測估計(jì)。如圖4(d)所示，左、右車道線集合中的直線斜率經(jīng)過平均，可得到兩條直線，即為初步檢測出的車道大致方位。

(a)待檢測圖像

(b)PHT檢測直線

(c)直線篩選

(d)最終所獲直線

檢測出的直線旁邊往往有許多雜亂短線段干擾，為了后續(xù)車道線檢測時(shí)更加精準(zhǔn)，在剔除部分直線的同時(shí)需要去除周圍的短線段干擾。以被剔除的直線為中心，進(jìn)行一定范圍內(nèi)d個(gè)單位像素的上、下刪減(這里取d=3)。如圖5(a)所示，PHT檢測后的直線AB為被剔除直線，以AB為中心，同時(shí)對含AB直線像素上、下3個(gè)單位進(jìn)行消除，可將直線AB及周圍短線段干擾去除。如圖5(b)所示，經(jīng)過篩選直線、消除短線段后，車道線兩旁已經(jīng)去除絕大部分干擾，適合進(jìn)行后續(xù)的車道線擬合。

(a)待消除線段圖像

(b)干擾消除后效果

為了進(jìn)一步加強(qiáng)后續(xù)車道線擬合的魯棒性，在初步檢測出的兩條直線基礎(chǔ)上，以直線為中心，進(jìn)行y個(gè)單位像素的上、下平移，從而確定動(dòng)態(tài)感興趣區(qū)域(這里取y=40)，如圖6所示，這樣在后續(xù)擬合時(shí)可減少因車輛變動(dòng)、其他道路物體進(jìn)入待檢測區(qū)域所帶來的干擾，同時(shí)在動(dòng)態(tài)感興趣區(qū)域內(nèi)可獲得車道像素信息。

圖6 動(dòng)態(tài)感興趣區(qū)域

2.3 車道線動(dòng)態(tài)ROI跟蹤算法

在車道線檢測算法應(yīng)用過程中，仍然可能存在車輛遮擋、車道線殘缺不全、道路標(biāo)識干擾等多種道路干擾問題，會(huì)使某一幀或某幾幀檢測失效，無法檢測出車道線[16]，導(dǎo)致后續(xù)的車道偏離預(yù)警產(chǎn)生誤報(bào)、漏報(bào)等情形。而采用濾波算法對車道線進(jìn)行追蹤，用濾波器輸出的最優(yōu)估計(jì)值來代替當(dāng)前計(jì)算觀測值，可以使得檢測結(jié)果更加穩(wěn)定，大大提高檢測算法的穩(wěn)定性和魯棒性[13]。因此，本文采用卡爾曼濾波算法對初步檢測的直線車道線進(jìn)行跟蹤，即實(shí)現(xiàn)對車道線動(dòng)態(tài)ROI區(qū)域的跟蹤。

卡爾曼濾波算法是根據(jù)上一時(shí)刻(k-1)檢測出的車道線位置信息預(yù)測當(dāng)前時(shí)刻k的車道線位置坐標(biāo)?？芍醪綑z測得到的車道直線的狀態(tài)參數(shù)：極徑ρk和極角θk，則k時(shí)刻的狀態(tài)向量Xk表示為：

Xk=[ρk,θk]

(7)

(8)

(9)

(10)

(11)

(12)

式中：H為測量矩陣；R為測量噪聲；Zk為k時(shí)刻的狀態(tài)向量觀測值；I為單位矩陣。

2.4 基于LASSO回歸模型的車道線擬合

利用線性回歸建立車道線模型是一種常用的車道線檢測方法。令：

(13)

式中：(xn，yn)為車道線像素坐標(biāo)；a、b為線性回歸擬合參數(shù)。

上式可表示為：

D=SMT

(14)

根據(jù)最小二乘法原理，通過矩陣運(yùn)算可得：

M=DT(SST)-1S

(15)

解出參數(shù)矩陣M，即可用來進(jìn)行車道線的擬合。

線性回歸方法計(jì)算簡單，但是車道線并不都是直線，當(dāng)遇到非線性的彎道時(shí)，線性回歸方法將難以滿足要求。為了進(jìn)一步提高車道線擬合精度，本文采用基于LASSO的多項(xiàng)式回歸擬合方法。

對于非線性模型y=β1x2+β2x+β0，令

X1=x2,X2=x

(16)

則可以轉(zhuǎn)化為對參數(shù)β1、β2、β0的線性模型：

y=β1X1+β2X2+β0

(17)

令X=[X1X2]，參數(shù)β=[β1β2β0]，則有：

y=XβT

(18)

二次多項(xiàng)式在用最小二乘法擬合數(shù)據(jù)時(shí)會(huì)因存在噪聲、數(shù)據(jù)量較小等原因而產(chǎn)生過擬合的情況，擬合效果不理想。采用基于最小二乘法的LASSO回歸，在最小化殘差平方和的同時(shí)規(guī)劃參數(shù)項(xiàng)，可利用L1范數(shù)減小各項(xiàng)參數(shù)的絕對值之和，使參數(shù)值稀疏化，從而防止過擬合。

利用LASSO方法得到的回歸系數(shù)為：

(19)

式中：Xij、yi分別為車道線樣本點(diǎn)的數(shù)據(jù)變量；λ為L1正則項(xiàng)參數(shù)。

y=D=S′M′

(20)

根據(jù)上式，利用L1正則化的LASSO方法，有：

(21)

‖y-S′M′‖2+λ‖M′‖1

=yTy-2yTS′M′+M′TS′TS′M′+λM′TW-1M′

(22)

式中：W=diag(|β1|，|β2|，|β0|)。

為求得最小值點(diǎn)，對上式求關(guān)于M′的一階導(dǎo)數(shù)，令其為零，可得到最優(yōu)參數(shù)矩陣：

M′=(S′TS′+λW-1)-1S′Ty

(23)

依據(jù)此參數(shù)矩陣可對車道線進(jìn)行擬合。若因道路出現(xiàn)較多干擾、漏檢測等原因?qū)е翷ASSO無法有效擬合時(shí)，考慮到兩幀之間時(shí)間間隔較短，相鄰幀之間變化差距小，仍采用上一幀的車道像素坐標(biāo)信息擬合并進(jìn)行后續(xù)計(jì)算，可較好地?cái)M合車道線；當(dāng)連續(xù)5幀無法有效擬合車道線時(shí)，則不對此幀進(jìn)行后續(xù)操作。采用此策略可以避免因車道線無法檢測導(dǎo)致的程序中斷問題。

3 基于角度模型的車道偏離預(yù)警決策

車道偏離預(yù)警決策是在車道線檢測的基礎(chǔ)上，根據(jù)車輛和車道線的位置關(guān)系來判定車輛是否有偏離車道的危險(xiǎn)，并適時(shí)發(fā)出報(bào)警[17]。針對CCP算法預(yù)警不及時(shí)的問題，本文提出一種基于車道線角度模型的偏離預(yù)警算法。

如圖7所示，根據(jù)擬合獲得的左、右車道線參數(shù)，可以得到兩條擬合車道線ab、cd的斜率，依據(jù)斜率可以將其轉(zhuǎn)化為車道線與水平方向在圖像上的角度θL、θR。當(dāng)車輛向左或右車道線偏離時(shí)，θL和θR持續(xù)變化，當(dāng)θL、θR超過所設(shè)閾值θ′L、θ′R時(shí)，可判斷車輛向左或向右偏離。在確定閾值θ′L、θ′R時(shí)，為避免車輛已經(jīng)越過車道線才開始報(bào)警，設(shè)置分別平行于車道線ab、cd并且距離為d的虛擬車道線pq、mn，其中d=ap=cm。當(dāng)車輛抵近虛擬左車道線時(shí)，將圖像中此時(shí)擬合得到的車道線ab與水平方向的角度θL設(shè)定為閾值θ′L；當(dāng)車輛抵近虛擬右車道線時(shí)，同理可得到閾值θ′R。也就是說，車輛靠近虛擬車道線時(shí)，圖像中得到的θL、θR與閾值θ′L、θ′R很接近，當(dāng)車輛越過虛擬車道線時(shí)，θL、θR將超過閾值θ′L、θ′R，可判斷車道偏離，起到提前預(yù)警的作用。在實(shí)際駕駛中，基于左、右車道線與水平方向夾角的偏離預(yù)警決策機(jī)制比較符合人類思維方式，同時(shí)因?yàn)槭∪チ巳鏔OD等偏離預(yù)警算法對橫向速度信息的需要，節(jié)約了此類速度傳感器的硬件成本。

圖7 基于角度模型的偏離預(yù)警示意圖

Fig.7 Schematic diagram of departure warning based on angle model

根據(jù)位置關(guān)系，將車輛的行駛狀態(tài)分為3種：

(1)當(dāng)車輛向右偏離時(shí)，θL持續(xù)減小，θR持續(xù)增大。

(2)當(dāng)車輛向左偏離時(shí)，θL持續(xù)增大，θR持續(xù)減小。

(3)當(dāng)車輛穩(wěn)定行駛時(shí)，θL和θR不會(huì)持續(xù)性增大或減小。

所以，當(dāng)車輛持續(xù)向右移動(dòng)時(shí)，如果θR大于設(shè)定閾值θ′R，則表明車輛有向右偏離趨勢，需要進(jìn)行報(bào)警；當(dāng)車輛持續(xù)向左移動(dòng)時(shí)，如果θL大于設(shè)定閾值θ′L，則表明車輛有向左偏離趨勢，需要進(jìn)行報(bào)警。本文設(shè)置d=0.2 m，得出閾值θ′L=39°、θ′R=49°。

4 實(shí)驗(yàn)結(jié)果與分析

基于Python編譯環(huán)境完成本文車道偏離預(yù)警算法軟件設(shè)計(jì)。所用實(shí)驗(yàn)平臺(tái)配置為CPU Intel i5-8500，內(nèi)存8 GB。以某標(biāo)致408車型在武漢市區(qū)拍攝的多段視頻對算法進(jìn)行驗(yàn)證，攝像頭位于車輛中心偏右，視頻分辨率為1980×1080，視頻幀率為30 fps。

圖8所示為經(jīng)過OTSU算法、TopHat算法和融合算法分割后的檢測結(jié)果。從圖8(a)可以看出，只采用OTSU算法分割處理后，車道線邊緣處噪聲較多，影響后續(xù)車道線檢測效果，如圖8(b)所示，對右車道線進(jìn)行后續(xù)初步檢測將產(chǎn)生偏差。從圖8(c)可以看出，經(jīng)過TopHat算法處理與Canny邊緣檢測后，道路分割效果并不理想，道路干擾較多，如圖8(d)所示，車道線后續(xù)初步檢測偏離較大。從圖8(e)可以看出，經(jīng)過OTSU與TopHat算法融合后，分割圖像中道路干擾與噪聲較少，如圖8(f)所示，后續(xù)的車道線初步檢測效果好，明顯優(yōu)于采用單一方法的檢測結(jié)果。

圖9所示為車道線經(jīng)過回歸擬合后的結(jié)果對比。圖9(a)為待檢測圖像，圖9(b)為經(jīng)過分割及確定車道線區(qū)域后的圖像，可以看出，左側(cè)車道線的下方為無車道線標(biāo)識的空白區(qū)域，用最小二乘法擬合時(shí)會(huì)出現(xiàn)因數(shù)據(jù)量小而導(dǎo)致過擬合的問題(見圖9(c))，而采用LASSO多項(xiàng)式回歸能較好地?cái)M合車道線，有效解決上述問題，如圖9(d)所示。

(a)OTSU分割 (b)OTSU分割的后續(xù)車道線檢測

(c)TopHat分割 (d)TopHat分割的后續(xù)車道線檢測

(e)融合分割 (f)融合分割的后續(xù)車道線檢測

圖8 車道線分割和初步檢測結(jié)果對比

Fig.8 Comparison of segmentation and preliminary detecting results of lane lines

(a)待檢測圖像 (b)車道線分割圖像

(c)最小二乘法擬合 (d)LASSO多項(xiàng)式回歸擬合

圖9 車道線擬合結(jié)果對比

Fig.9 Comparison of lane line fitting results

圖10所示為采用本文方法對不同高速道路環(huán)境下的車道線檢測結(jié)果。圖10(a)為有虛線邊界車道線的道路，圖10(b)為有直線邊界車道線的道路，同時(shí)存在防護(hù)欄干擾，圖10(c)為有橫向污染干擾的道路，圖10(d)為有道路文字提示等標(biāo)識干擾的道路，圖(e)為曲率較小的虛線邊界彎道，圖(f)為曲率較大的直線邊界彎道。從檢測結(jié)果來看，本文算法適應(yīng)多種道路環(huán)境，能準(zhǔn)確檢測出各種復(fù)雜道路環(huán)境下的車道線。

(a)虛線邊界道路 (b)直線邊界道路

(c)道路污染干擾 (d)道路標(biāo)識干擾

(e)小曲率擬合 (f)大曲率擬合

圖10 多種道路環(huán)境下的車道線檢測結(jié)果

Fig.10 Detecting results of lane lines in multiple road conditions

由于現(xiàn)實(shí)路況場景中的車道線有一定的寬度，而算法檢測結(jié)果以單一的線條標(biāo)出，為了更準(zhǔn)確地評價(jià)本文算法性能，參照文獻(xiàn)[18]，當(dāng)檢測結(jié)果標(biāo)出位置在車道線所在范圍內(nèi)，即認(rèn)為檢測正確，并使用誤檢率(False Detection Rate，F(xiàn)DR)、漏檢率(Missing Detection Rate，MDR)和正檢率(Correct Detection Rate，CDR)作為評價(jià)指標(biāo)，具體公式如下：

(24)

式中：TNF為待檢測圖像總幀數(shù)；NFD為車道線檢測錯(cuò)誤的圖像幀數(shù)；NMD為未檢測出車道線的圖像幀數(shù)；NCD為車道線檢測正確的圖像幀數(shù)。

針對5種不同道路環(huán)境及車輛狀態(tài)下的視頻片段采用本文算法進(jìn)行車道線檢測，算法評價(jià)結(jié)果如表1所示。從表1可以看出，5種情況下，所提出的算法均具有較低的誤檢率和漏檢率以及較高的正檢率。相比較而言，在穩(wěn)定行駛的直線道路上正檢率較高；在穩(wěn)定行駛的有干擾道路上會(huì)出現(xiàn)較多誤檢，但正檢率依然較高。彎道包括虛線邊界彎道及直線邊界彎道，在穩(wěn)定行駛中，因擬合曲率大，誤檢率較直線道路有所上升。當(dāng)車輛在直道和彎道上向右或向左偏離時(shí)，均有較高的正檢率。該算法總的正檢率為96.07%。

圖11顯示車輛在偏離車道時(shí)的預(yù)警系統(tǒng)決策結(jié)果，可以看出本文算法是有效的。當(dāng)車輛接近設(shè)置的虛擬車道邊線時(shí)即可測得真實(shí)車道線與水平方向的夾角，然后與閾值相比較，就可以判斷出車輛是否向左或向右偏離。

表1 車道線檢測結(jié)果評價(jià)指標(biāo)

(a)向左偏離 (b)向右偏離

圖11 車道偏離檢測與預(yù)警結(jié)果

Fig.11 Detecting and forewarning results of lane deviation

為了進(jìn)一步驗(yàn)證本文算法的優(yōu)越性，將其與文獻(xiàn)[2]、文獻(xiàn)[4]、文獻(xiàn)[9]中的方法進(jìn)行對比，結(jié)果如表2所示。

表2 不同算法的比較

由表2可見，本文算法在視頻分辨率為1980×1080的條件下檢測速率可達(dá)到32 ms/幀，小于每幀圖像采集時(shí)間(33.33 ms/幀)，并且每幀圖像處理時(shí)間遠(yuǎn)低于表2中其他方法。這是因?yàn)椋疚乃惴ǚ謨刹綑z測車道線，大大減少了計(jì)算量，能夠快速準(zhǔn)確地檢測出車道線。從正檢率來看，本文算法優(yōu)于文獻(xiàn)[2]和文獻(xiàn)[4]中的算法，略遜于文獻(xiàn)[9]中的算法，但如果綜合考慮到分辨率，本文算法的性能更佳。根據(jù)32 ms/幀的檢測速率，若以駕駛速度60 km/h計(jì)算，車輛每行駛0.53 m可以更新一次車道線偏離決策信息，若以駕駛速度120 km/h計(jì)算，車輛每行駛1.07 m更新一次，這表明本文算法具有良好的實(shí)時(shí)性。

5 結(jié)語

本文提出了一種適用于城市結(jié)構(gòu)化高速道路的車道偏離預(yù)警新方法，采用TopHat和OTSU算法融合來分割車道線，然后分兩步進(jìn)行車道線檢測，在初步確定的車道線位置創(chuàng)建動(dòng)態(tài)ROI區(qū)域并進(jìn)行跟蹤處理，在此區(qū)域內(nèi)利用LASSO回歸模型擬合車道線，最后通過基于角度模型的車道偏離預(yù)警決策機(jī)制進(jìn)行預(yù)警，不僅提高了車道檢測精度，還提高了運(yùn)算速度。該方法能夠準(zhǔn)確、快速地檢測出車道線，在有道路干擾、彎道等復(fù)雜道路環(huán)境下的正檢率達(dá)到96%以上，滿足車道偏離預(yù)警系統(tǒng)的實(shí)時(shí)性和魯棒性的要求。然而，在研究中同時(shí)也發(fā)現(xiàn)，對于夜晚、雨天等光照強(qiáng)烈變化條件下的道路場景，該算法的車道線正檢率較低，下一步將針對這種情況擬采用深度學(xué)習(xí)方法進(jìn)行深入研究。