邊緣檢測(cè)算法在車道線檢測(cè)中的效果對(duì)比

吳澤勇 袁靜

摘要：邊緣檢測(cè)是圖像處理和計(jì)算機(jī)視覺中的基本問題，邊緣檢測(cè)的目的是標(biāo)識(shí)數(shù)字圖像中亮度變化明顯的點(diǎn)，圖像屬性中的顯著變化通常反映了屬性的重要事件和變化。車道線檢測(cè)的研究一直都是智能駕駛，路況識(shí)別中十分重要的部分。本文將不同的邊緣檢測(cè)算法與車道線檢測(cè)相結(jié)合，重點(diǎn)分析了不同邊緣檢測(cè)算子對(duì)車道線檢測(cè)的效果。同時(shí)對(duì)同一邊緣檢測(cè)算法中不同閾值對(duì)車道線檢測(cè)效果進(jìn)行分析。

1 引 言

隨著汽車保有量不斷增加，城市交通也變得越來越擁擠，只能交通系統(tǒng)因?yàn)槭艿饺藗兊膹V泛關(guān)注。車道線檢測(cè)是智能交通領(lǐng)域的關(guān)鍵技術(shù)之一，它被廣泛地應(yīng)用于輔助駕駛系統(tǒng)、車道偏離預(yù)警系統(tǒng)以及車輛防碰撞系統(tǒng)中，對(duì)于提高交通安全具有重要意義。因此本文對(duì)比了不同邊緣檢測(cè)算法在車道線檢測(cè)中的效果。

2 邊緣檢測(cè)的基本原理

圖像邊緣是圖像最基本的特征，所謂邊緣（Edge）是指圖像局部特性的不連續(xù)性。灰度或結(jié)構(gòu)等信息的突變處稱之為邊緣。例如，灰度級(jí)的突變、顏色的突變、紋理結(jié)構(gòu)的突變等。邊緣是一個(gè)區(qū)域的結(jié)束，也是另一個(gè)區(qū)域的開始，利用該特征可以分割圖像，將圖像中感興趣的部分同背景分隔開。

圖像的邊緣有方向和幅度兩種屬性，邊緣通?？梢酝ㄟ^一階導(dǎo)數(shù)或二階導(dǎo)數(shù)得到。一階導(dǎo)數(shù)是以最大值作為對(duì)應(yīng)的邊緣的位置，而二階導(dǎo)數(shù)則以過零點(diǎn)作為對(duì)應(yīng)邊緣的位置。

2.1?Sobel 算子

在邊緣檢測(cè)中，常用的一種模板是 Sobel 算子[1]。與傳統(tǒng)的 Prewitt 算子相比，Sobel算子對(duì)不同位置的像素做了加權(quán)處理，這樣可以降低邊緣的模糊程度，因此Sobel 算子處理后的圖像邊緣檢測(cè)效果更好。

Sobel 算子的另一種形式是各向同性 Sobel（Isotropic Sobel）算子，也有兩個(gè)，一個(gè)是檢測(cè)水平邊緣的，另一個(gè)是檢測(cè)垂直邊緣的。各向同性 Sobel 算子和普通 Sobel 算子相比，它的位置加權(quán)系數(shù)更為準(zhǔn)確，在檢測(cè)不同方向的邊沿時(shí)梯度的幅度一致。

由于 Sobel 算子是濾波算子的形式，用于提取邊緣，可以利用快速卷積函數(shù)，操作簡(jiǎn)單效果顯著，因此得到廣泛應(yīng)用。但是 Sobel 算子并沒有將圖片的主體與背景嚴(yán)格地區(qū)分開來，換言之，Sobel 算子沒有基于圖像灰度進(jìn)行處理，由于 Sobel 算子沒有嚴(yán)格地模擬人的視覺生理特征，所以提取的圖像輪廓有時(shí)并不能令人滿意。

2.2?Scharr 算子

Scharr 算子在運(yùn)算速度上和 Sobel 算子十分接近，而且精度比后者更高，可以將 Scharr 算子看做是 Sobel 算子的改進(jìn)。

同 Sobel 算子相比，Scharr算子在其核結(jié)構(gòu)較小時(shí)，有更高的精度，因此 Scharr 算子在檢測(cè)車道線邊緣時(shí)能檢測(cè)出更多細(xì)節(jié)，效果更好。但是精度提升的同時(shí)道路兩旁的樹木沒有很好的標(biāo)識(shí)出來，并且道路旁的交通標(biāo)志沒有被檢測(cè)出。

2.3?Laplacian 算子

Laplacian（拉普拉斯）算子是一種二階導(dǎo)數(shù)算子，其具有旋轉(zhuǎn)不變性，可以滿足不同方向的圖像邊緣銳化（邊緣檢測(cè)）的要求。

通常情況下，其算子的系數(shù)之和要為零。由于拉普拉斯是一種微分算子，它的應(yīng)用可以增強(qiáng)圖像中灰度突變的區(qū)域，減弱灰度的緩慢變化區(qū)域。因此銳化處理可以選擇拉普拉斯算子對(duì)原圖像進(jìn)行處理，產(chǎn)生描述灰度突變的圖像，再將拉普拉斯圖像與原始圖像疊加而產(chǎn)生銳化圖像。

2.4?Canny 算子檢測(cè)

通常情況下邊緣檢測(cè)的目的是在保留原有圖像屬性的情況下，顯著減少圖像的數(shù)據(jù)規(guī)模。目前有多種算法可以進(jìn)行邊緣檢測(cè)，雖然Canny算法[2]年代久遠(yuǎn)，但可以說它是邊緣檢測(cè)的一種標(biāo)準(zhǔn)算法，并且是一種被廣泛應(yīng)用于邊緣檢測(cè)的標(biāo)準(zhǔn)算法，其目標(biāo)是找到一個(gè)最優(yōu)的邊緣檢測(cè)解或找尋一幅圖像中灰度強(qiáng)度變化最強(qiáng)的位置。最優(yōu)邊緣檢測(cè)主要通過低錯(cuò)誤率、高定位性和最小響應(yīng)三個(gè)標(biāo)準(zhǔn)進(jìn)行評(píng)價(jià)。Canny算子的簡(jiǎn)要步驟如下：

（1）去噪聲：應(yīng)用高斯濾波來平滑圖像，目的是去除噪聲

（2）梯度：找尋圖像的梯度

（3）非極大值抑制：應(yīng)用非最大抑制技術(shù)來過濾掉非邊緣像素，將模糊的邊界變得清晰。該過程保留了每個(gè)像素點(diǎn)上梯度強(qiáng)度的極大值，過濾掉其他的值。

（4）應(yīng)用雙閾值的方法來決定可能的（潛在的）邊界;

雙閾值對(duì)canny算子檢測(cè)效果有較大影響，因此我們分別采用閾值為32-128，68-164，128-200。

由實(shí)驗(yàn)結(jié)果可知，不同閾值Canny算子[3]對(duì)車道線邊緣檢測(cè)效果有較大影響。在閾值范圍32-128 的Canny 算子能較好的檢測(cè)出車道線邊緣，但是車道線內(nèi)部的裂痕也被檢測(cè)出，不利于機(jī)器學(xué)習(xí)判斷該車道線屬于何種類型，在閾值范圍為128-200 的Canny 算子中，車道線邊緣細(xì)節(jié)丟失，不能很好的識(shí)別車道線類別。但是在閾值范圍為68-164 的Canny 算子中車道線邊緣既能被清晰的標(biāo)示出，同時(shí)車道線內(nèi)部的裂痕也沒有被識(shí)別，識(shí)別效果顯著。

總結(jié)

本文將邊緣檢測(cè)算子引入到車道線邊緣檢測(cè)中，對(duì)比了各種邊緣檢測(cè)算法對(duì)車道線邊緣檢測(cè)的情況，同時(shí)對(duì)同一種邊緣檢測(cè)算法中閾值范圍做了詳細(xì)對(duì)比。實(shí)驗(yàn)結(jié)果表明邊緣檢測(cè)算法在車道線識(shí)別中有較好的表現(xiàn)。Sobel算子能大致檢測(cè)出車道線邊緣所在位置，但是不能很好的將車道線邊緣檢測(cè)出，這是由于它內(nèi)核精度不足所導(dǎo)致的。Scharr 算子可以看作是 擁有更高精度的Sobel 算子，在精度提升后，車道線邊緣檢測(cè)取得良好效果。但是部分車道線邊緣細(xì)節(jié)丟失，還不足以達(dá)到令人滿意的效果。

具有二階導(dǎo)數(shù)的Laplacian算子[4]在車道線邊緣檢測(cè)中的效果一般，但是它能很好的消除道路兩旁的樹木干擾。

同其他邊緣檢測(cè)算子相比Canny 算子在車道線邊緣檢測(cè)中表現(xiàn)最為亮眼，同時(shí)閾值范圍在68-164內(nèi)的Canny算子既能清晰地將車道線與背景分隔開，同時(shí)又避免了車道線內(nèi)部裂痕的干擾。因此特定閾值范圍的Canny算子在車道線邊緣檢測(cè)中有著十分出色的效果。但是如何在使用Canny算子檢測(cè)出車道線的同時(shí)消除圖片樹木，天空云彩等噪聲方面將有待于進(jìn)一步的深入研究。

參考文獻(xiàn)（References）：

[1]Morris Muir Natalie. Sobel， D. & Alston， S. （2021） The Inclusive Classroom： a new approach to differentiation. London： Bloomsbury Education.[J]. British Journal of Special Education，2021，48（3）：

[2]位營杰，師紅宇.基于Canny算子的優(yōu)化研究[J].國外電子測(cè)量技術(shù)，2021，40（08）：77-81.

[3]李靜，陳桂芬，丁小奇.基于改進(jìn)Canny算法的圖像邊緣檢測(cè)方法研究[J].計(jì)算機(jī)仿真，2021，38（04）：371-375.

[4] 孫增國，韓崇昭.基于Laplacian算子的圖像增強(qiáng)[J].計(jì)算機(jī)應(yīng)用研究，2007（01）：222-223+240.