初雪梅，王珂娜，張維剛

(1.湖南大學，汽車車身先進設(shè)計制造國家重點實驗室，長沙 410082; 2.江蘇大學，江蘇省汽車工程重點實驗室，鎮(zhèn)江 212013)

前言

車道識別是指在沒有道路先驗信息的條件下確定車道標志線的位置，是車輛輔助駕駛系統(tǒng)的重要組成部分。車道識別在自主導(dǎo)航系統(tǒng)和車道偏離預(yù)警系統(tǒng)中發(fā)揮至關(guān)重要的作用，可顯著減少由于駕駛員粗心而發(fā)生的事故。

車道識別包括直道和彎道標志線的識別。直線識別主要是應(yīng)用直線模型［1］，用Hough變換來檢測直線，實時性好，魯棒性強，但是對于有曲率路段的識別則不夠精確。對于彎道標志線的識別，國內(nèi)外學者進行了大量的研究，提出了許多不同的模型，主要有:同心圓模型、二次曲線模型［2］、雙曲線對模型［3］和可變車道模型。其中，可變車道模型即直線-拋物線模型，將車道分為近景和遠景兩部分，分別用直線和拋物線進行擬合［4-5］。

通過對高速公路結(jié)構(gòu)特征和車道線特征的分析，并且考慮到實時性檢測的要求，本文中提出了一種基于Hough變換的彎道識別算法—分段直線擬合算法。

1 高速公路分段直線模型的建立

1.1 高速公路建設(shè)標準

高速公路具有很多特殊性，其設(shè)計和建設(shè)都具有嚴格的行業(yè)標準［6］。其中關(guān)于彎道設(shè)計的標準主要有:

(1)車速為120km/h時的極限轉(zhuǎn)彎半徑為650m，一般最小半徑為1000m;

(2)車道寬度為3.75m;

(3)分道線寬度為0.21m等。

根據(jù)高速公路建設(shè)標準，極限轉(zhuǎn)彎半徑為650m，因此，在車輛前方小視距范圍內(nèi)，彎道線都可看作直線來處理。從實際拍攝的道路圖像也可看出，這種處理在絕大多數(shù)情況下都能成立。

1.2 車道線模型的比較

在車道線識別的研究中，國內(nèi)外學者提出了多種車道線模型，主要有直線模型、拋物線模型和Spline樣條曲線模型等，其優(yōu)缺點如表1所示。

表1 車道線模型的比較

曲線模型雖然可以很好地描述車道線的幾何形狀，但是模型復(fù)雜，在與車道線匹配的過程中計算量較大，會影響算法的實時性;而直線模型最為簡單，可用Hough變換來檢測，所需計算量小，能夠保證算法的實時性，但是對于彎道標識線的檢測則失效。

為避免檢測失效，又能利用直線檢測的實時性，文中提出用分段直線模型來模擬結(jié)構(gòu)化高速公路。

2 分段直線模型

由于車載攝像機拍攝的原始圖像中除包含車道線的信息外，還加入了天空和樹木等其他無用信息，這些信息會影響車道標志線的檢測。故須先設(shè)定感興趣區(qū)域ROI，以減小搜索范圍，提高搜索效率。

分段直線模型即將彎道圖像分為多個感興趣區(qū)域ROI，在每一個感興趣區(qū)域中分別應(yīng)用Hough變換檢測直線，然后將這些間斷的直線擬合來逼近真正的彎道線［7］。

分段直線模型包含兩條曲線:一條是左車道線，一條是右車道線。假設(shè)左右車道線的兩條邊界線是互相平行的，即車道線的寬度為常數(shù)。每一個分段直線模型中將左車道線分為n1條直線段而將右車道線分為n2條直線段，如圖1所示。

每條車道標志線由多段直線段組成，即

其中{L1，…，Ln1}為左側(cè)車道線，{R1，…，Rn2}為右側(cè)車道線。

3 彎道識別算法

采用基于Hough變換的分段直線擬合算法檢測彎道的步驟如下:

(1)將視頻圖像分割成多個感興趣區(qū)域ROI;

(2)對各個ROI進行灰度變化、濾波和邊緣處理獲得二值化圖像;

(3)在各個ROI中應(yīng)用Hough變換檢測各車道標志線;

(4)按照自下而上的順序應(yīng)用分段直線擬合算法連結(jié)各段檢測到的車道標志線，如圖2所示。

3.1 ROI的設(shè)定

3.1.1 彎道特征

(1)彎道標志線沒有像直道標志線一樣明顯的對稱性，且車道線的位置沒有預(yù)知性，可能是左彎道，也可能是右彎道。

(2)由于車輛攝像機的立體透視效應(yīng)，在近景區(qū)的車道線近似于直線，而隨著距離的增大，分段直線的彎曲度越來越大，如圖3所示。

因此，為保證用分段直線算法擬合彎道標識線的準確性與可靠性，采用動態(tài)設(shè)定ROI的方式。

3.1.2 動態(tài)設(shè)定ROI

采用動態(tài)設(shè)定ROI的原理是根據(jù)實際道路的連續(xù)性，即不可能出現(xiàn)突變的性質(zhì)，依據(jù)上一個ROI中檢測出的車道線，動態(tài)地改變下一個ROI，如圖4所示。

(1)首先檢測出最下面一段 ROI(即 ROI1和ROI2)中的左右車道線，上端點分別為a和b;

(2)以ROI1和ROI2為基礎(chǔ)，找出a和b連線的中點，作為下一段感興趣區(qū)域的劃分點，設(shè)定ROI3和ROI4，再在感興趣區(qū)域中應(yīng)用Hough變換檢測左右車道線，上端點為c和d;

(3)重復(fù)步驟(2)，找出c和d連線的中點，依此類推，直至檢測出所有ROI的車道線為止。

用這種ROI設(shè)定方法，可以逐步縮小搜索范圍，增加算法的準確性和實時性。

3.2 基于(r，θ)約束的Hough變換直線段檢測

3.2.1 傳統(tǒng)Hough的原理分析

基于Hough變換的車道檢測是應(yīng)用最廣泛的車道識別方法之一。Hough變換的基本原理在于利用點與線的對偶性，將原始圖像空間給定的直線通過曲線表達形式變?yōu)镠ough空間的一個點，即轉(zhuǎn)化為檢測Hough空間的一個峰值點。因此，為提取ROI中的車道標志線，車道標志線上的每一點都可通過直線極坐標方程進行Hough變換［8］，即

式中:r為極半徑;θ為極角。

可以證明，圖像空間中一條直線y=mx+b對應(yīng)著Hough空間的一點S(r，θ)，如圖5所示，其中 D為圖像對角線長，H為圖像高，W為圖像寬。通常情況下［9］:

3.2.2 基于(r，θ)約束的Hough變換直線段檢測

僅僅根據(jù)Hough變換檢測車道標志線時，防護欄線和防滑線等干擾信息也容易被當作車道標志線的候選目標。另外，一條車道標志線又有內(nèi)側(cè)線和外側(cè)線，如圖6所示，而車道標志線檢測的目標是檢測出車道的內(nèi)側(cè)線［10］。為解決上述問題，根據(jù)車道標志線的特征，在進行Hough變換時添加了(r，θ)約束。

(1)假設(shè)左右車道標志線的極角和極半徑分別為 θl和 θr，rl和 rr，通過采集大量試驗樣本圖像，取

式中:θl2、θl1分別為左側(cè)車道標志線極角的上下限;θr2、θr1分別為右側(cè)車道標志線極角的上下限。

(2)根據(jù)車道標志線特征，左側(cè)車道線是左側(cè)候選線中角度最小的;右側(cè)車道線是右側(cè)候選線中角度最大的，即 θl=θlmin，θr=θrmax。

3.3 邊界點判別法擬合彎道線

3.3.1 邊界點的特點

將ROI中檢測到的直線段用圖表示，如圖7所示。直線段M邊界點A和B與直線段N邊界點C和D特點有:(1)By=Dy=0;(2)Ay=H，Cy=H1。式中H、H1皆為各自感興趣區(qū)域的高。

3.3.2 基于邊界點的車道線擬合

Hough變換檢測到各個ROI中的峰值點，即獲得了各直線段的參數(shù)。直線段定義為

式中:pl為直線段的下邊界點;pu為直線段的上邊界點;b0為直線段的截距;b1為直線段的斜率;ul和vl分別為pl點的水平和垂直坐標;uu和vu分別為pu點的水平和垂直坐標。

圖7中各ROI之間彼此相鄰，因此，M直線段的pu點與N直線段的pl1點始終在一條水平線上，如圖8(a)所示。直接通過判斷d＜Td1(d為pu和pl1兩點之間的距離，Td1為閾值)就可將M線段與N線段連接起來，即令pu點的值與pl1點相同，連接pu與pu1，即為彎道擬合結(jié)果。運用此方法可避免延長直線段所造成的算法復(fù)雜性［11］(圖8(b))，從而保證實時性。

4 試驗結(jié)果

為驗證算法的效果，在 CPU為 Intel(R)2.27GHz，RAM為2.86GB的計算機上，利用VS2005和Opencv庫函數(shù)分別對左右彎道圖像進行了車道線識別試驗，由分段直線很好地擬合出左右彎道線，如圖9和圖10所示，檢測時間都在150ms內(nèi)。結(jié)果表明該算法具有很好的實時性和魯棒性。

5 結(jié)論

在車輛視野范圍不大的情況下，探討一種基于Hough變換的分段直線模型擬合逼近彎道的檢測算法。與傳統(tǒng)的用曲線模型來檢測彎道的方法相比，此算法可以更好地描述車道線的實際特征，模型適用范圍廣，對直道和彎道都具有良好的擬合效果，且運算量大大降低，能很好地滿足實時檢測的要求。

［1］Jiang G Y，Choi T Y，Hong S K，et al.Lane and Obstacle Detection Based on Fast Inverse Perspective Mapping Algorithm［C］.Proceedings of 2000 IEEE International Conference，Nashville，TN，USA，2000.

［2］郭磊，李克強，王建強，等.用于車道識別的分段切換車道模型［J］.公路交通科技，2006(11):90-94.

［3］Wang Jianwen，An Xiangjing.A Multi-step Curved Lane Detection Algorithm Based on Hyperbola-Pair Model［C］.Proceedings of the 2010 IEEE International Conference on Automation and Logistics，Hong Kong and Macau，2010.

［4］Claudio Rosito Jung，Christian Roberto Kelber.A Lane Departure Warning System Based on a Linear-parabolic Lane Model［C］.Proceedings of the 2004 IEEE Intelligent Vehicles Symposium，U-niversity of Parma，Parma，Italy，2004.

［5］Claudio Rosito Jung，Christian Roberto Kelber.A Lane Departure Warning System Using Lateral Offset with Uncalibrated Camera［C］.Proceedings of the 8th International IEEE Conference on Intelligent Transportation Systems，Vienna，Austria，2005.

［6］王文銳.公路幾何線性檢測技術(shù)［M］.北京:人民交通出版社，2001.

［7］Andres F Barros，F(xiàn)rank M Candocia.Image Registration In Range Using A Constrained Piecewise Linear Model［C］.2002 International Conference on Acoustics，Speech，and Signal Processing，Orlando，F(xiàn)lorida，USA，2002.

［8］Lin Haiping，Ko Suhong，Shi Wang，et al.Lane Departure Identification on Highway with Searching the Region of Interest on Hough Space［C］.International Conference on Control，Automation and Systems 2007，COEX，Seoul，Korea，2007.

［9］Huang S S，Chen C J，Hsiao P Y，et al.On-Board Vision System for Lane Recognition and Front-Vehicle Detection to Enhance Driver＇s Awareness［C］.Proceedings of the 2004 IEEE International Conference on Robotics and Automation，New Orleans，USA，2004.

［10］Chan Y M，Tsai J F，Huang C Y，et al.Lane Detection Using a Piecewise-Linear Model［C］.Chinese Automatic Control Society Automatic Control Conference，Taipei，Taiwan，2006.

［11］許波文，張建明，劉志強.基于分段歸類擬合算法的車道檢測系統(tǒng)［J］.計算機工程與設(shè)計，2009，30(20):4766-4769.