基于圖像處理的車道線識(shí)別技術(shù)研究

武日盛

山西職業(yè)技術(shù)學(xué)院 山西省太原市 237016

1 前言

在基于圖像處理的車道線識(shí)別技術(shù)研究中，需將車載視覺系統(tǒng)獲取的圖像分析出車道線，明確行車可以行駛的區(qū)域，確定行車和車道線之間的距離，從而監(jiān)控車輛行駛情況，當(dāng)智能汽車偏離正確位置時(shí)，能夠提醒司機(jī)糾正行車姿勢(shì)，降低交通事故發(fā)生的概率。本文在圖像處理的基礎(chǔ)上提出了一種基于霍夫變換的車道線識(shí)別算法。

2 車道線檢測(cè)與追蹤研究現(xiàn)狀

目前，國(guó)內(nèi)外基于圖像處理的車道線識(shí)別技術(shù)研究正在如火如荼的展開，研究人員提出了很多識(shí)別算法比如基于單目視覺的車道線識(shí)別算法、基于透視逆變換（IPM）的方法和基于透視圖像的方法，其中基于透視圖像的方法包括基于特征的識(shí)別方法、基于模型的識(shí)別方法、基于視覺與其他傳感器融合的方法。車道線跟蹤算法包括基于感興趣區(qū)域的跟蹤方法、基于模型參數(shù)的跟蹤方法和基于特征的跟蹤方法，不同的算法都有各自的優(yōu)缺點(diǎn)。車道線的磨損、復(fù)雜的天氣環(huán)境、行車道路周圍建筑和樹木的遮擋、道路上陰影、路邊警示標(biāo)志等都會(huì)使得車道線識(shí)別工作受到干擾。本文設(shè)計(jì)的基于霍夫變換的車道線檢測(cè)算法可以有效避免以上干擾，提高車道線識(shí)別技術(shù)準(zhǔn)確率以及對(duì)車道線進(jìn)行精準(zhǔn)追蹤。

3 圖像預(yù)處理

3.1 圖像預(yù)處理流程

在視覺系統(tǒng)收集道路圖像數(shù)據(jù)的過(guò)程中，很多干擾因素影響會(huì)圖像采集工作，為了提高車道線數(shù)據(jù)收集的準(zhǔn)確率，因此需要對(duì)圖像數(shù)據(jù)進(jìn)行預(yù)處理，優(yōu)化車道線檢測(cè)結(jié)果的抗干擾能力和魯棒性。圖像預(yù)處理步驟為：輸入道路圖像、分割車道線顏色、將圖像灰度化、圖像濾波、圖像二值化、圖像邊緣檢測(cè)、道路感興趣區(qū)域提取、輸出處理后圖像。

3.2 分割車道線顏色

通過(guò)使用相應(yīng)色彩空間技術(shù)來(lái)區(qū)別道路圖像的顏色，使車道線的顏色比其他部分更加明顯，分辨道路圖像中的白色車道線和黃色車道線，得到顏色突出的車道線。

3.3 圖像灰度化

圖像灰度化是指將彩色道路圖像變成灰色道路圖像，處理彩色道路圖像信息計(jì)算量大。在分析圖像的亮度和色度時(shí)，灰色圖像和彩色圖像能夠達(dá)到同樣的效果，灰色圖像的優(yōu)點(diǎn)是圖像處理計(jì)算量小，能夠提高數(shù)據(jù)分析效率，通過(guò)使用灰色圖像能夠在保留車道線數(shù)據(jù)的前提下區(qū)別車道線和非車道線，圖像預(yù)處理中的圖像灰度化為后續(xù)的圖像識(shí)別和分析工作打下了基礎(chǔ)[2]。

3.4 圖像濾波

經(jīng)過(guò)圖像灰度化處理的圖像仍在存在噪聲干擾，因此圖像濾波工作在圖像預(yù)處理中占有十分重要的地位。道路圖像的噪聲干擾分為兩類：平穩(wěn)噪聲和非平穩(wěn)噪聲。去噪方法有兩種：空間域和變換域。

3.5 圖像二值化

道路圖像經(jīng)過(guò)圖像灰度化和濾波之后，車道線識(shí)別算法能夠分析出車道線的輪廓。因?yàn)榻?jīng)過(guò)圖像濾波之后，道路圖像的灰度化含有許多色級(jí)，為了能夠得到更清晰準(zhǔn)確的車道線輪廓和車道線邊緣信息，需要將圖像二值化。將道路圖像二值化，能夠使圖像變化為只有黑白兩種顏色。這樣就能夠去除和車道線無(wú)關(guān)的信息，提高車道線識(shí)別的精準(zhǔn)性。

3.6 圖像邊緣檢測(cè)

道路圖像經(jīng)過(guò)灰度化，濾波和二值化處理之后，對(duì)車道線的形狀特點(diǎn)分析就是圖像邊緣檢測(cè)。圖像邊緣檢測(cè)方法有很多例如：基于一階微分的邊緣檢測(cè)方法、基于二階微分的邊緣檢測(cè)方法、小波變換和小波包的邊緣檢測(cè)法以及基于數(shù)學(xué)形態(tài)的邊緣檢測(cè)[3]等。

4 車道線檢測(cè)算法

4.1 車道線檢測(cè)流程

車道線檢測(cè)流程步驟如下：首先將道路圖像進(jìn)行圖像預(yù)處理，使用Hough變換檢測(cè)車道線；其次使用滑動(dòng)窗口搜索車道線基本信息；最后通過(guò)匹配模型和視覺系統(tǒng)抓取到的車道線基本信息，最終獲取車道線檢測(cè)結(jié)果。

4.2 Hough變換檢測(cè)車道線

Hough霍夫變換法基本原理：先將ioj坐標(biāo)系轉(zhuǎn)換為xoy坐標(biāo)系，圖像內(nèi)的直線分別用截距b和斜率k來(lái)表示，即直線方程y=kx+b。設(shè)存在直線上的N個(gè)點(diǎn)，分別為：（x0，y0）（x1，y1）......（xn-1，yn-1），這些點(diǎn)對(duì)應(yīng)的直線方程為：y0=kx0+b，y1=kx1+b......yn-1=kxn-1+b。用計(jì)數(shù)器num[k][b]存儲(chǔ)每一條直線的參數(shù)值，其中的最大值則為所求目標(biāo)直線的最佳解。上述方法的實(shí)現(xiàn)過(guò)程中，難以確定k的取值范圍，k 值小時(shí)系統(tǒng)計(jì)算量大，k值大時(shí)會(huì)影響檢測(cè)的準(zhǔn)確度，難以進(jìn)行權(quán)衡。引入Hough霍夫變換理念，通過(guò)極坐標(biāo)方程可以表示圖像空間中的任一直線：ρ=xcosθ+ysinθ，其中θ為直線與x軸的夾角，ρ為坐標(biāo)原點(diǎn)到直線的距離。圖像坐標(biāo)系上的任一點(diǎn)到Hough極坐標(biāo)空間上表現(xiàn)為一條曲線，曲線的交點(diǎn)表示圖像坐標(biāo)系上的待求直線。

結(jié)合以上所述設(shè)計(jì)基于Hough變換的車道線識(shí)別算法流程如下，首先將圖像預(yù)處理結(jié)果輸入，設(shè)定好ρ、θ的范圍，根據(jù)特征點(diǎn)的θ計(jì)算出ρ。確定閾值和極坐標(biāo)參數(shù)，標(biāo)定直線，最后輸出Hough霍夫變換后的圖像。基于霍夫變換的識(shí)別算法流程圖如圖1所示。

圖1 Hough 變換流程圖

目前國(guó)內(nèi)外車道線檢測(cè)有很多種方法，不同的檢測(cè)方法都有各自的優(yōu)缺點(diǎn)。例如中值截距法在進(jìn)行車道線檢測(cè)的過(guò)程中準(zhǔn)確度高，但計(jì)算量大，工作效率不高[4]。最小二乘法計(jì)算簡(jiǎn)單便捷，但是抗干擾能力弱。Hough變換法將道路圖像轉(zhuǎn)化為極坐標(biāo)形式，道路圖像中的干擾內(nèi)容是非線性的，因此可以通過(guò)極坐標(biāo)變換的方式去除干擾內(nèi)容。Hough變換法使用峰值數(shù)據(jù)進(jìn)行車道線檢測(cè)，能夠避免非車道線的干擾，Hough變換法比其他車道線檢測(cè)方法準(zhǔn)確率更高。綜上所述，在實(shí)際行車道路中包含很多干擾因素，在進(jìn)行圖像預(yù)處理工作之后仍存在很多噪聲干擾，通過(guò)使用抗干擾能力強(qiáng)的Hough變換法，能夠提高車道線檢測(cè)的工作效率和準(zhǔn)確率?；舴蜃儞Q能夠在處理圖像數(shù)據(jù)的過(guò)程中分析出其特征，檢測(cè)出圖像中所包含的幾何形狀，將圖像的整體特征轉(zhuǎn)化為局部特征減少計(jì)算量。

4.3 滑動(dòng)窗口搜索特征點(diǎn)

Hough霍夫能夠確定車道線在道路圖像中的位置，通過(guò)使用滑動(dòng)窗口尋找道路車道線的特征點(diǎn)。車道線分為直線車道線和曲線車道線。對(duì)于直線車道線來(lái)說(shuō)，車道線邊緣梯度方向角是一個(gè)常數(shù)。車道線為曲線時(shí)，車道線在轉(zhuǎn)完之后將進(jìn)入直線車道線，梯度方向角變小，逐漸穩(wěn)定在一個(gè)常數(shù)左右。無(wú)論車道線左轉(zhuǎn)彎還是右轉(zhuǎn)彎，都是一樣的結(jié)果。根據(jù)車道線梯度方向角特點(diǎn)使用滑動(dòng)窗口檢測(cè)法搜索車道線?；瑒?dòng)窗口搜索車道線方法實(shí)現(xiàn)過(guò)程如下：首先選擇水平滑動(dòng)窗口按照由下往上的方向?qū)D像的每行做掃描從而對(duì)每條車道線的特征點(diǎn)進(jìn)行確定，其中車道線特征點(diǎn)的邊緣點(diǎn)必須為滑動(dòng)窗口中梯度方向角和出現(xiàn)位置符合要求的邊緣點(diǎn)；其次記錄滑動(dòng)窗口的坐標(biāo)；最后將檢測(cè)信息與道路模型進(jìn)行匹配。

4.4 道路類型與車道線檢測(cè)模型的選擇

道路一般分為結(jié)構(gòu)化道路和非結(jié)構(gòu)化道路。結(jié)構(gòu)化道路指的是道路在建設(shè)過(guò)程中符合國(guó)家相關(guān)規(guī)定并且道路完好平整容易行駛，具有一定的特征，道路上的車道線標(biāo)識(shí)完整容易辨別，道路周圍環(huán)境簡(jiǎn)單沒有特別多的干擾物，城市道路就屬于結(jié)構(gòu)化道路；非結(jié)構(gòu)化道路指的是道路建設(shè)不符合國(guó)家相關(guān)規(guī)定，道路受到損壞行駛情況差，沒有相應(yīng)的規(guī)則特征，車道線和道路邊界比較模糊甚至沒有車道線，周圍建筑物和植物等干擾因素多，在復(fù)雜的天氣狀況下受到的影響比較大，鄉(xiāng)村道路屬于非結(jié)構(gòu)道路；車道線檢測(cè)模型有直線和曲線車道線[5]：直線車道線模型簡(jiǎn)單，計(jì)算便捷，對(duì)于直線車道線能夠有很好的準(zhǔn)確率，曲線模型則適合曲線車道線。在實(shí)際分析過(guò)程中，因?yàn)椴煌牡缆穲D像反映了不同的路況，所以為了簡(jiǎn)化車道線檢測(cè)工作流程，應(yīng)該做出一些假設(shè)簡(jiǎn)化車道線模型。假設(shè)條件有以下幾個(gè)方面：首先假設(shè)道路圖像中包含的區(qū)域?yàn)楦信d趣區(qū)域，其次假設(shè)車道線形狀為相應(yīng)的曲線形狀，最后根據(jù)道路圖像中體現(xiàn)出的特征將其歸類。

5 車道線跟蹤方法

車道線檢測(cè)過(guò)程中，路況不同實(shí)際道路顯示的圖像也不同。車道線如果出現(xiàn)磨損，比如有些車道線中間斷開，有些車道線被污漬蓋住，車道線無(wú)法準(zhǔn)確辨別。為了能夠在這些情況下提高車道線的檢測(cè)準(zhǔn)確率需要跟蹤車道線。在分析處理道路圖像時(shí)，因?yàn)閳D像的連貫性所以可以通過(guò)圖像分析車道線上一幀的情況和下一幀的情況，達(dá)到車道線跟蹤的目的。車道線跟蹤方法有四種：第一特征點(diǎn)追蹤方法，這種方法的原理是分析出道路圖像的特征，比如車道線的邊緣，然后通過(guò)特征點(diǎn)預(yù)測(cè)下一幀車道線的位置，低速行駛道路比較適合這種跟蹤方法；第二區(qū)域匹配跟蹤方法，這種方法將道路圖像進(jìn)行分割，將分割后圖像中的顏色和邊緣紋理等特征與模板對(duì)比分析，從而跟蹤車道線，這種方法需要有目標(biāo)模型，在實(shí)際應(yīng)用過(guò)程中受多種因素影響，使得車道線跟蹤準(zhǔn)確率比較低；第三主動(dòng)輪廓跟蹤法，將圖像分割問題轉(zhuǎn)換為求解能量泛函最小值問題，為圖像分割提供一種全新的思路。主動(dòng)輪廓模型的主要原理通過(guò)構(gòu)造能量泛函，在能量函數(shù)最小值驅(qū)動(dòng)下，輪廓曲線逐漸向待檢測(cè)物體的邊緣逼近最終分割出目標(biāo)，最大優(yōu)點(diǎn)是在高噪聲的情況下也能得到連續(xù)、光滑的閉合分割邊界。按照能量函數(shù)構(gòu)造方式的不同，可以將主動(dòng)輪廓模型分為基于邊緣和基于區(qū)域兩類；第四貝葉斯跟蹤方法，這種方使用貝葉斯分離器得到道路圖像邊界。

6 車道線識(shí)別總體流程

本文在此總結(jié)車道線識(shí)別總體流程和相應(yīng)方法。第一：將道路圖像輸入，然后分割道路圖像中的車道線顏色，使車道線顏色和其他部分相區(qū)別；第二：使用加權(quán)平均法將彩色道路圖像進(jìn)行灰度化處理，使彩色道路圖像變?yōu)榛疑缆穲D像；第三：將灰度化處理后的圖像進(jìn)行去噪，使圖像更清晰；第四：二值化道路圖像，突出車道線的邊緣和相關(guān)特征，檢測(cè)道路圖像邊緣得到有效信息和車道線邊緣輪廓；第五：選擇需要的感興趣區(qū)域，減少車道線檢測(cè)工作量；第六：使用Hough霍夫變換檢測(cè)車道線，通過(guò)滑動(dòng)窗口尋找車道線特征點(diǎn)，最后將模型和特征點(diǎn)對(duì)比明確參數(shù)，得到車道線檢測(cè)結(jié)果；第七：使用車道線跟蹤方法識(shí)別出車道線，獲取跟蹤車道線結(jié)果。通過(guò)實(shí)際車輛行駛過(guò)程中的車載視覺系統(tǒng)能夠得到相應(yīng)的道路圖像，按照以上方法對(duì)獲取的圖像進(jìn)行分析處理，得到的結(jié)果能夠證明基于Hough變換的車道線識(shí)別算法準(zhǔn)確率高，在現(xiàn)實(shí)生活中可行。車道線識(shí)別算法總體流程如圖2所示。

圖2 車道線識(shí)別算法總體流程圖

7 結(jié)語(yǔ)

自動(dòng)駕駛技術(shù)是智能汽車領(lǐng)域的創(chuàng)新研究，車道偏離預(yù)警技術(shù)能夠保障自動(dòng)駕駛行車安全，車道線檢測(cè)技術(shù)是車道偏離預(yù)警技術(shù)的基礎(chǔ)。本文分析了基于圖像處理的車道線檢測(cè)技術(shù)，減少車道線檢測(cè)誤差，從圖像預(yù)處理、道路模型、車道線跟蹤算法，設(shè)計(jì)出基于霍夫變化的車道線識(shí)別算法具體流程，經(jīng)過(guò)驗(yàn)證這種算法能夠在復(fù)雜的天氣、車道線缺失以及周圍環(huán)境干擾的條件下進(jìn)行精準(zhǔn)識(shí)別車道線，減少檢測(cè)誤差，促進(jìn)了車道偏離預(yù)警技術(shù)的發(fā)展。