史曉鵬，何為，韓力群

(北京工商大學計算機與信息工程學院，北京 100048)

采用Hough變換的道路邊界檢測算法

史曉鵬，何為，韓力群

(北京工商大學計算機與信息工程學院，北京 100048)

基于計算機視覺的路況信息識別是當前智能交通領(lǐng)域的熱點課題，對道路邊界的檢測能夠有效去除路況圖像中與路況特征無關(guān)的大面積區(qū)域，是提高路況信息獲取實時性的關(guān)鍵技術(shù)之一，提出一種適用于一般場景中直線道路和彎曲道路的邊界檢測算法.該算法采用直方圖均衡和Otsu二值分割增強道路邊界特征，使用均值濾波降噪和二值形態(tài)學方法獲取特征邊界，最終利用分空間的Hough變換方法實現(xiàn)道路邊界檢測.實驗結(jié)果表明，該方法能夠準確地檢測道路邊界線并進行道路區(qū)域分割，為后續(xù)的路況分類工作提供了有效保障.

道路邊界檢測;Otsu法;Hough變換;智能交通;計算機視覺

快速準確地獲取城市路況信息是智能交通技術(shù)的關(guān)鍵，對緩解交通擁堵具有重大意義.基于計算機視覺方法從實時路況視頻中準確獲取路況信息，是計算機視覺和智能交通領(lǐng)域中的研究熱點，而對視頻圖像中道路區(qū)域進行正確的檢測與分割，是實現(xiàn)路況識別的基礎(chǔ).通過對路況圖像中道路兩側(cè)邊界線的檢測，去除與路況特征無關(guān)的信息，不僅可以大幅提高獲取路況信息的速度，而且能夠有效提升路況識別的準確度.

目前已經(jīng)發(fā)展出了多種基于計算機視覺的道路邊界檢測方法，這些方法采用了不同的檢測技術(shù)，其各自的視角與技術(shù)特點也不盡相同.其中，最具代表性的2類是:1)無人智能車視覺.該類視覺場景接近人類駕駛車輛時的視角，道路區(qū)域占圖比例大，彎曲道路曲率小.文獻［1］采用了一種基于動態(tài)規(guī)劃的檢測方法，將道路梯度圖像強度作為路徑代價，通過計算最優(yōu)路徑確定道路邊界，然后使用隨機Hough變換定位邊界位置.這種方法的優(yōu)點在于無需考慮圖像的閾值分割，缺點是梯度圖像一旦被復雜場景干擾，會導致道路邊界提取失敗.2)遙感圖像視覺.其特點是道路區(qū)域占圖比例小、特征細節(jié)少.文獻［2］將像素光譜信息作為分類器特征進行道路檢測，通過SVM方法獲取圖像高維特征，將圖像分割為道路區(qū)域和非道路區(qū)域，然后利用光譜和幾何特征精確分割出道路，該方法適用于遙感圖像中的城市道路和鄉(xiāng)村道路.

本文道路場景來自架設(shè)在道路上方的監(jiān)控探頭，該視角圖像中含有大量路況信息，道路區(qū)域占圖比例適中，但含有曲率較大的彎曲道路.針對本文的場景特點，提出使用簡單快捷的算法進行圖像預處理，以增強道路邊界特征，利用形態(tài)學二值邊界獲取道路邊界特征，通過Hough變換進行道路邊界線提取，實現(xiàn)直線道路檢測，并且通過分區(qū)域直線擬合，可以檢測出曲線道路.實驗結(jié)果表明，該方法能夠?qū)φ鎸崍鼍爸胁煌愋偷牡缆愤M行快速準確的檢測.

1 基于Hough變換的道路邊界檢測

道路場景的復雜程度直接影響檢測效果，場景選得過于簡單，就會失去實際應(yīng)用意義，過于復雜又會給檢測帶來很大困難.依據(jù)實際需求，并對大量路況場景樣本進行分析，可以對一般道路場景提出如下假設(shè):1)路況暢通，路面上允許存在正常數(shù)量的行駛車輛;2)道路邊界較清晰，車輛對道路邊界遮擋較少;3)光照均勻，并且陰影對道路的影響不大.本文挑選了不同時間段、不同路段，符合上述要求的路況視頻中的圖像，部分圖像樣本如圖1所示.本文提出的道路邊界檢測算法分為邊界特征增強、邊界形狀獲取和Hough變換檢測3個階段.

圖1 部分道路場景Fig.1 Part of road images

1.1 邊界特征增強

對于不同路段采集的道路場景，道路區(qū)域的主要特征是兩側(cè)白色邊界，該邊界可能是道路的白色邊界線，也可能是路肩.然而由于采集條件不同，道路圖像無法得到準確的曝光，導致很難統(tǒng)一改善白色邊界的圖像質(zhì)量;因此，首先采用直方圖均衡方法提高圖像對比度，使道路邊界和道路內(nèi)部暗灰色區(qū)域得以顯著區(qū)分.除非路面上含有高亮區(qū)域，否則，在本文處理的場景中，道路邊界特征均能被直方圖均衡方法所增強.

直方圖均衡實質(zhì)是灰度變換，將直方圖中相對集中的像素分布進行重新映射，使其均勻分布到［0，255］，從而提高圖像灰度值的動態(tài)范圍，有利于白色邊界線特征的增強.從圖2中可以看出，直方圖均衡方法能夠有效提高圖像對比度，使圖像中白色邊界區(qū)域特征得到增強.

圖2 直方圖均衡處理Fig.2 Histogram equalization

邊界特征增強后的圖像，采用閾值分割保留圖像中的白色邊界，得到二值化圖像.獲取閾值T的方法有很多，文獻［3－5］中分別使用多次迭代、自適應(yīng)和最大熵閾值分割，而本文采用最大類間方差法——Otsu算法.該算法是對灰度圖像中明暗像素進行客觀劃分的方法，其客觀性體現(xiàn)在劃分后圖像中明暗區(qū)域強度有最大方差和，這種特性恰恰適用于經(jīng)過直方圖均衡處理后，明暗像素分布在不確定區(qū)間的圖像.在實際處理中，由于光照條件的影響，以及路面對光的反射性能時常變化，因此采用最大類間方差法進行閾值分割.獲取閾值T后，對場景進行閾值分割，如圖3.從圖3中可以看出，經(jīng)直方圖均衡后的圖像，使用Otsu算法進行閾值分割能夠有效地保留道路圖像中的邊界特征.

圖3 Otsu閾值分割結(jié)果Fig.3 Results of threshold segmentation by Otsu method

1.2 邊界形狀獲取

由于在特征增強過程中，場景中存在的高亮小區(qū)域同樣被增強，如道路車輛和路邊樹葉的反光.這些無用區(qū)域的特征增強使二值圖像存在噪聲干擾，這些噪聲點的分布會給后續(xù)的Hough變換造成很大影響.因此在邊界形狀獲取之前，采用均值濾波模板進行濾波，有效濾除大部分噪聲點.本文使用保守的3×3濾波模板，從圖4的統(tǒng)計結(jié)果中可以看出，采集的所有路況圖像的道路白線寬度為3～5個像素，如果采用較大濾波模板，會導致白色邊界被誤認為噪聲而被濾除.實際應(yīng)用中，如果白線邊界寬度足夠，使用大尺寸濾波模板會得到更好的效果.

圖4 邊界像素個數(shù)統(tǒng)計Fig.4 Statistic of the number of edge pixel

濾除噪聲后，需要獲取圖像中的邊界形狀，文獻［6－8］中均使用Sobel算子進行邊緣檢測.Sobel算子是一階微分算子，類似地還有一階Robert、Prewitt算子和二階Gauss－Laplace微分算子，從采集圖像中挑選3幅測試各種算子的邊緣檢測效果，如圖5所示.

圖5 邊緣檢測效果Fig.5 Results of edge detection

從圖5中可以看出，Robert算子檢測定位準確，但邊緣不夠光滑，影響了道路邊界的線性特征;Sobel和Prewitt算子由于模板中使用權(quán)重“2”的思想，平滑噪聲的同時擴大了圖像中的邊緣，這雖然有利于道路邊界的Hough變換，但由于邊界噪聲同樣被擴大，會影響檢測道路邊界;Gauss－Laplace算子對圖像中噪聲的響應(yīng)很大，同樣會影響通過Hough變換檢測道路邊界.

基于以上考慮，采用二值形態(tài)學獲取邊界，選擇4鄰域結(jié)構(gòu)元素，對圖像分別進行膨脹和腐蝕操作，再將兩者結(jié)果相減，得到二值形態(tài)學邊界.該方法無需模板乘法計算，僅用加減法便可得到適合Hough變換的理想邊緣.此外，本文還比較了膨脹圖像減去原始圖像的形態(tài)學外邊界和原始圖像減去腐蝕圖像的形態(tài)學內(nèi)邊界，由于邊界都不夠光滑，效果均不如二值形態(tài)學邊界，如圖6.

圖6 形態(tài)學邊界Fig.6 Morphological edges

1.3 基于Hough變換的道路邊界檢測算法

1.3.1 直線道路邊界檢測

經(jīng)過上述處理，可以得到較為理想的含有道路邊界直線的二值圖像，直接使用Hough變換便能實現(xiàn)對圖像中直線邊界的檢測.Hough變換的基本思想是點－線的對偶性，即圖像空間中共線的點對應(yīng)參數(shù)空間中相交的線;反過來，參數(shù)空間所有線的相交點在圖像空間里有直線與之對應(yīng).考慮到Hough變換的復雜性，本文采用文獻［4－5］的目標搜索區(qū)域和極角限制方法，以提高Hough變換速度.

通過使用Hough變換，尋找參數(shù)空間曲線累加的最大點，可以對應(yīng)圖像空間中的一條邊界直線，但這僅有的一條直線無法確定道路區(qū)域.一種解決方法是，尋找參數(shù)空間次大點，對應(yīng)得到圖像空間中的另一條邊界，這種方法看似正確，但實際情況中，次大點并不對應(yīng)另一條邊界直線.原因可以歸結(jié)為:道路圖像采集過程中，拍攝角度會導致道路一條邊界較短，直線特征較弱，相比于較長邊界，較短邊界的直線特征可能會被場景中噪聲點淹沒，分布不均的噪聲點可能恰巧處于同一直線，從而導致較短邊界檢測失敗.

本文的解決方法是:將圖像分為左右空間，左邊界在左半空間，右邊界在右半空間，分別經(jīng)過Hough變換，依據(jù)像素在圖像空間的位置計算參數(shù)空間累加值，2個參數(shù)空間的最大點，分別對應(yīng)圖像中左右邊界.該方法的優(yōu)勢在于除了額外需要像素位置判斷外，沒有增加其他運算開銷.但理論上有可能出現(xiàn)2條邊界在同一半空間，并且路況視頻采集過程中也沒有將左右邊界分別取景于左右空間的先驗知識.然而在對所有道路場景的統(tǒng)計中，邊界均存在于各自空間，雖然含有部分邊界越界現(xiàn)象，但較長的邊界部分仍保留在各自空間.這種現(xiàn)象可以解釋為:路況視頻采集過程中，道路是拍攝主體，人們會不自覺地把道路區(qū)域取景在圖像正中央，從而促使道路左右邊界自然落在各自空間.

1.3.2 曲線邊界檢測與平滑處理

對于彎曲道路情況，由于路況圖像視角中道路曲率較大，無法采用文獻［9］中用2條直線近似代替的方法，因此將圖像水平分割為3個部分，標記為上、中、下圖像，對3幅子圖像分別進行左右空間邊界檢測，然后將邊界直線分段連接，用折線近似曲線來作為彎曲道路邊界，并在折線連接點附近進行平滑處理，結(jié)果如圖7所示.

圖7 彎曲道路邊界檢測Fig.7 Serpentine road edge detection

實際應(yīng)用中，在對上、下圖像進行檢測時，會出現(xiàn)左右邊界不存在于圖像左右空間的問題，如圖7(b)所示，這是由于道路彎曲特性所致.通過對彎曲道路的分析，可知水平分割后的中圖像的左右邊界基本存在于各自左右空間.因此，可以通過中圖像左右邊界位置信息來調(diào)整上、下圖像的左右空間劃分方法.具體處理過程是:獲取中圖像左邊界的上端點橫坐標，將該坐標值作為上圖像左右空間劃分的x軸起始點;再獲取中圖像右邊界的下端點橫坐標，將該坐標值作為下圖像左右空間劃分的x軸終點，調(diào)整空間劃分方法后，上、下圖像的左右邊界就能落在各自空間了.

2 實驗結(jié)果與分析

實驗采集了北京市二環(huán)和三環(huán)主干道路部分路段的路況視頻，并依據(jù)道路場景復雜程度挑選出60幅符合條件的直線道路和彎曲道路圖像.算法基于VC++6.0編譯環(huán)境和OpenCV圖像處理庫實現(xiàn)，處理圖像大小為640×320，所用PC配置為Pentium(R)Dual－Core T4200 2 GHz處理器、2 GB內(nèi)存.部分實驗結(jié)果如圖8所示，在不同地點的道路圖像測試中，算法能夠較好地檢測出圖像中的道路邊界.

圖8 道路邊界檢測結(jié)果Fig.8 Results of road edge detection

實際應(yīng)用中，符合本文要求的大部分道路圖像都能夠成功檢測出道路邊界，但仍存在檢測失敗的案例，如圖9所示.當圖像中存在與道路邊界顏色相近的物體，且該物體直線特征很強，則會對檢測造成干擾，圖9中道路圖像左側(cè)邊緣附近的一根較長的路燈桿被誤認為道路邊界.此外，圖9中道路右邊界特征較寬，導致邊界檢測結(jié)果不是人眼所見的實際道路邊界線，存在一定的小偏差，但這種小偏差對后續(xù)路況識別［10－11］工作不會造成影響，是可以接受的.

圖9 檢測失敗案例Fig.9 Detecting failures

此外，本文還使用了文獻［6］的方法對60幅場景樣本進行了檢測，實驗統(tǒng)計結(jié)果如表1所示.由于文獻［6］的方法使用了固定閾值，部分場景在閾值分割時并不能很好地保留圖像中的道路邊界特征，導致邊界無法正確檢測.而本文方法對實際道路場景有一定的適應(yīng)能力，錯誤檢測的結(jié)果多是因為存在對直線特征較強的干擾，如路燈、橋梁等，因此，若改善視頻取景條件，使用本文方法能夠較好地檢測道路邊界.

表1 道路邊界檢測結(jié)果Table 1 Results of road edge detection

3 結(jié)束語

本文提出了一種適用于復雜場景中直線和彎曲道路的檢測方法，通過采用一系列簡單快捷的圖像預處理，結(jié)合Hough變換和折線擬合，實現(xiàn)了不同類型道路的正確檢測.在對大部分采集圖像的測試中，該方法表現(xiàn)出了良好的性能.該方法主要解決了曲率較大的彎曲道路檢測問題，為彎曲道路路況識別的實時性提供了良好保障.對于失敗的實驗案例，應(yīng)立足于提取更好的道路邊界特征，此外，后續(xù)的研究工作中將對存在陰影的道路圖像尋求更好的解決方法.

［1］LIN Haiping，KIM Hyongsuk，LINE C S.Road boundary detection based on the dynamic programming and the randomized Hough transform［C］//International Symposium on Information Technology Convergence.Jeonju，ROK，2007:63－67.

［2］SONG M J，CIVCO D.Road extraction using SVM and image segmentation［J］.Photogrammetric Engineering and Remote Sensing，2004，70(12):1365－1371.

［3］陳軍，徐友春，趙明，等.基于隨機Hough變換的道路邊界識別算法研究［J］.中國圖象圖形學報，2009，14(5):905－911.

CHEN Jun，XU Youchun，ZHAO Ming，et al.A randomized Hough transform based on road edge identification algorithm［J］.Journal of Image and Graphics，2009，14(5):905－911.

［4］喬潔，李京華，楊志榮.基于Hough變換的道路邊緣提?。跩］.交通與計算機，2008，26(1):62－64.

QIAO Jie，LI Jinghua，YANG Zhirong.Extraction of path edge based on Hough transform［J］.Computer and Communications，2008，26(1):62－64.

［5］游峰，王榮本，張榮輝.基于單目視覺的區(qū)域交通智能車輛道路邊界檢測方法研究［J］.公路交通科技，2008，25(6):135－140.

YOU Feng，WANG Rongben，ZHANG Ronghui.Study on road edge recognition method for cybercar based on monocular vision［J］.Journal of Highway and Transportation Research and Development，2008，25(6):135－140.

［6］AUROBINDA R，KANUNGO B M.A fast edge detection algorithm for road boundary extraction under non－uniform light condition［C］//International Conference on Information Technology.Rourkela，India，2007:38－40.

［7］徐友春，王榮本，李克強.一種基于直線模型的道路識別算法研究［J］.中國圖象圖形學報，2004，9(7):858－864.

XU Youchun，WANG Rongben，LI Keqiang.A linear model based road identification algorithm［J］.Journal of Image and Graphics，2004，9(7):858－864.

［8］黃濤，丁俊進.基于機器視覺道路識別算法的研究［J］.國外電子元器件，2007(4):34－38.

HUANG Tao，DING Junjin.Research of the road recognition algorithm based on the machine vision［J］.International Electronic Elements，2007(4):34－38.

［9］侯德鑫，曹麗.一種基于視頻圖像的道路檢測方法［J］.儀器儀表學報，2006，27(6):324－326.

HOU Dexin，CAO Li.Approach for road detection based on video image［J］.Chinese Journal of Scientific Instrument，2006，27(6):324－326.

［10］史曉鵬，何為，韓力群.灰度直方圖與LDA的路況分類［J］. 智能系統(tǒng)學報，2011，6(4):328－332.

SHI Xiaopeng，HE Wei，HAN Liqun.Research on traffic information classification based on a grey－h(huán)istogram and linear discriminant analysis［J］.CAAI Transactions on Intelligent Systems，2011，6(4):328－332.

［11］王燕清，陳德運，石朝俠.基于單目視覺的非結(jié)構(gòu)化道路檢測與跟蹤［J］.哈爾濱工程大學學報，2011，32(3):334－339.

WANG Yanqing，CHEN Deyun，SHI Zhaoxia.Unstructured road detection and tracking based on monocular vision［J］.Journal of Harbin Engineering University，2011，32(3):334－339.

史曉鵬，男，1987年生，碩士研究生，主要研究方向為圖像處理與模式識別.

何為，男，1953年生，高級工程師，IEEE會員，中國人工智能學會理事、智能產(chǎn)品與產(chǎn)業(yè)工作委員會秘書長，中國計量測試學會高級會員.主要研究方向為非電量檢測技術(shù)、計算機測控技術(shù)、嵌入式技術(shù)應(yīng)用.主持或參與國家科技攻關(guān)、火炬計劃、省部級、橫向等各類科研項目30余項，發(fā)表學術(shù)論文30余篇，獲國家發(fā)明專利3項.

韓力群，女，1953年生，教授，中國人工智能學會副理事長.主要研究方向為智能信息處理與圖像工程技術(shù)，主持各類科研項目30余項，獲國家發(fā)明專利3項、北京發(fā)明創(chuàng)新大賽銀獎1項.發(fā)表學術(shù)論文120余篇，出版專著10部.

A road edge detection algorithm based on the Hough transform

SHI Xiaopeng，HE Wei，HAN Liqun
(College of Computer Science and Information Engineering，Beijing Technology and Business University，Beijing 100048，China)

Traffic information detection has become a hot topic in the field of computer vision and intelligent transportation systems.The detection of the road edge can effectively remove a large area which has nothing to do with traffic information in order to improve real－time traffic information detection performance.A road edge detection algorithm for straight and serpentine roads was proposed.Histogram equalization and binary segmentation by Otsu method were used to enhance the road edge features，while a mean filter and morphological binary edge were adopted to get rid of noise and obtain features.The Hough transform was used in different spaces to detect the road edge.Experimental results demonstrate that the road edges were detected accurately and the road area was extracted effectively by the proposed methods，guaranteeing the subsequent work of traffic information assorting.

road edge detection;Otsu method;Hough transform;intelligent transportation;computer vision

TP391.4

A

1673－4785(2012)01－0081－05

10.3969/j.issn.1673－4785.201109004

2011－09－08.

史曉鵬.E－mail:davidxp87@yahoo.com.cn.