周桑彥，李東新

（河海大學(xué) 計算機(jī)與信息學(xué)院，江蘇 南京 211100）

隨著現(xiàn)代社會的發(fā)展與我國城市化進(jìn)程的加快，汽車交通在給我們帶來便利生活的同時也導(dǎo)致了道路車輛擁擠、交通事故頻發(fā)、交通環(huán)境惡化、能源緊張、環(huán)境污染不斷加重等問題。智能交通系統(tǒng)(ITS)就是在這種背景下應(yīng)運(yùn)而生的。而車輛檢測與跟蹤是基于視頻技術(shù)的智能交通系統(tǒng)中最關(guān)鍵的技術(shù)之一，具有不破壞路面，檢測范圍大，安裝使用靈活，維護(hù)費(fèi)用低的特點，是計算機(jī)圖像處理的一個重要研究領(lǐng)域，也是一種簡單而有效的交通信息統(tǒng)計的方法[1]。

在基于視頻的車輛檢測與跟蹤系統(tǒng)中，運(yùn)用圖像預(yù)處理技術(shù)的道路的檢測是其最基礎(chǔ)的部分。理想的道路檢測算法是通過攝像頭提取的信息就能夠準(zhǔn)確的定位分析，但是以目前的技術(shù)條件，沒有任何傳感器能保證提取的信息一定是準(zhǔn)確無誤的，而且由于外界環(huán)境的變化，如光照，陰影，雨雪天氣都會對攝像頭的信息提取產(chǎn)生影響。因此通過對道路的檢測，確定路面區(qū)域，進(jìn)一步縮小感興趣區(qū)域，可以為之后進(jìn)行的車輛檢測和識別，有效地提高系統(tǒng)的準(zhǔn)確性和實時性。本文通過分析道路檢測的整體流程，對比分析多種算法，提出了適合本系統(tǒng)的，以檢測車道線和道路邊界為主的智能車道路檢測的方法。

1 道路檢測整體流程

道路檢測是車輛檢測與跟蹤系統(tǒng)的第一部分，也是最基礎(chǔ)的部分。其中包括圖像輸入、圖像預(yù)處理、有效區(qū)域設(shè)定并對圖像灰度化、道路邊緣增強(qiáng)、檢測路面邊緣等部分。

2 圖像預(yù)處理

白平衡處理能夠有效修正外界光照變化照成的圖像顏色的偏差，處理后能更利于提取圖片信息，帶有硬件白平衡處理的攝像頭價格都很昂貴，考慮成本問題，我們可以進(jìn)行軟件的白平衡的方法。目前，利用軟件對圖像進(jìn)行白平衡處理，主要有 BrightBlock，Automated這兩種算法[2-3]，文中使用的是前者。

在圖像的處理過程中不可避免的會存在一些高頻的噪聲，進(jìn)行平滑處理后，能有效降低這些噪聲對圖像處理的影響，提高獲得圖像的質(zhì)量以及圖像處理的準(zhǔn)確性。

對圖像進(jìn)行平滑處理一般可以分為頻域法和空間域法。其中頻域法使用的算法比較復(fù)雜，考慮到本文中對車輛檢測需要很強(qiáng)的實時性，所以本文采用比較簡單的空間域法，經(jīng)驗證能夠達(dá)到較好的處理效果。

空間域法的基本算法有3種：均值濾波法、中值濾波法和邊緣保持平滑法等。

在以上3個算法中，鄰域平均算法和中值濾波算法比較簡單，所以運(yùn)行的時間較短，具有較好的實時性。邊緣保持算法耗時較長，不符合本文對道路檢測的要求，因此本文主要對比分析鄰域平均算法和中值濾波算法選其一種。

車輛行駛中難免會產(chǎn)生震動而且周邊環(huán)境復(fù)雜多變，雨雪天氣，光照變化等都會產(chǎn)生大量的噪聲。因此本系統(tǒng)中對圖像進(jìn)行濾波降噪處理是必須的，通過濾波有效地消除噪聲對后續(xù)圖像處理產(chǎn)生的不良影響?？紤]到正常行駛過程中，外界環(huán)境為圖像主要的噪聲來源，如雨雪天氣，細(xì)小的雜物顆粒，本文用椒鹽噪聲對其進(jìn)行模擬，仿真結(jié)果如圖1所示。

圖1 中值濾波及均值濾波對圖像的處理Fig.1 Median filter and mean filter of image processing

從圖1中我們可以看出，處理椒鹽噪聲時，中值濾波較均值濾波能更好的擔(dān)任降噪的任務(wù)，消除雨雪等環(huán)境因素對系統(tǒng)造成的噪聲污染，均值濾波能一定程度消除噪聲，但是圖像細(xì)節(jié)也模糊很多，所以本文平滑處理是采用中值濾波。

3 道路圖像的檢測

3.1 有效區(qū)域的設(shè)定

實際應(yīng)用中攝像頭拍攝的圖像中包含大量的天空和周邊環(huán)境等沒必要的圖像信息，如果對每幅圖像都進(jìn)行全面處理，必然會大大增加系統(tǒng)的計算量，所以本文在處理圖像時只處理攝像頭采集到的前方200米的圖像信息，這樣就可以避免處理那些沒必要的大量的圖像信息，使系統(tǒng)具有更好的實時性，有效區(qū)域設(shè)定的方法也比較簡單：1)通過攝像頭標(biāo)定技術(shù)，將車輛前方200米的距離轉(zhuǎn)化到像素坐標(biāo)系下；2)在圖像的像素坐標(biāo)系下，將圖片中我們需要的部分提取出來。有效區(qū)域確定后，基于文中研究的是結(jié)構(gòu)化的道路，路面比較平均，也可以通過采集幾幅實時的道路圖像，對路面進(jìn)行提取求平均，求出它的平均閾值，作為以后提取路面的重要參數(shù)。

3.2 圖像的灰度化

為了提高車輛運(yùn)行時對道路檢測實時性的要求，本文對采集到的彩色圖像進(jìn)行灰度化，減弱彩色圖像中包含的沒必要圖像信息，這也是很多系統(tǒng)圖像處理時經(jīng)常用到的處理技術(shù)。經(jīng)驗證處理灰度化后的圖像，能夠很好的達(dá)到本文對道路檢測的要求。

3.3 路面區(qū)域的邊緣增強(qiáng)

邊緣檢測算子是利用灰度值的不連續(xù)性來檢測邊緣的，因為圖像的邊緣一般都具有灰度突變的特點。我們通常可以采用求導(dǎo)的方法來檢測這種突變的特性，有些算法采用一階求導(dǎo)數(shù)，有些算法采用二階求導(dǎo)數(shù)，常用的一階求導(dǎo)算法有Roberts檢測算法、Sobel檢測算法、Prewitt檢測算法等，有些算法采用二階求導(dǎo)數(shù)，常用的二階求導(dǎo)算法有Laplacian檢測算法、LOG檢測算法、Canny檢測算法等[4-5]。

在現(xiàn)實情況中，因為外界環(huán)境的變化，系統(tǒng)本身的局限性，不可能沒有噪聲，所以研究分析在有噪聲的情況下，各個算子對道路邊緣檢測的能力是必須要考慮的方面。車輛行駛中，經(jīng)常會碰到雨雪天氣，這也是本文要考慮的主要噪聲類型，在仿真實驗中，本文可以采用椒鹽噪聲來模擬，本文采用在輸入圖像中加入0.04的椒鹽噪聲，效果如圖2所示，處理結(jié)果如圖3所示。

圖2 圖像加入椒鹽噪聲后的灰度圖Fig.2 Grayscale image after adding impulse noise

圖3 加入椒鹽噪聲后檢測道路邊緣Fig.3 Edge road detection after adding impulse noise

由上圖對比發(fā)現(xiàn)，加入噪聲后，所有的算子都受到了明顯的干擾，其中canny算子和zero算子已經(jīng)完全不能有效檢測道路邊緣，Rebort算子，Prewitt算子和LOG算子得到的道路邊緣以及車道線定位不夠準(zhǔn)確，而且圖像的連續(xù)性很差，效果不能滿足我們檢測的要求。但是Sobel算子仍然表現(xiàn)出很高的抗噪特性，在檢測結(jié)果中道路信息和車道線邊界信息都得到了完整的檢測和較為準(zhǔn)確的定位，所以本文采用Sobel算子進(jìn)行邊緣的檢測。

3.4 利用Hough變換檢測路面邊緣

在對圖像用Sobel算子處理后，可以通過聚類分析提取直線的方法檢測車道線，這也是道路檢測中常用的方法之一?？墒钱?dāng)處理的圖像中，有陰影或者車道線不標(biāo)準(zhǔn)時，可能會出現(xiàn)較大的誤差。

文中研究的主要對象是基于結(jié)構(gòu)化道路的車輛檢測，檢測的道路是結(jié)構(gòu)化的有明顯的邊緣特征，而且一般都是直線的，同時本文檢測道路只是為了進(jìn)一步縮小感興趣區(qū)域，對道路檢測的要求并不是很高。因此文中采用適合提取直線邊緣的Hough變換來確定路面的范圍[6]。

Hough變換所實現(xiàn)的是一種從圖像空間到參數(shù)空間的映射關(guān)系，如圖4所示。通過在參數(shù)空間里進(jìn)行簡單的累加統(tǒng)計，然后在Hough參數(shù)空間尋找累加器峰值的方法檢測直線。

累加計數(shù)器的過程可以寫為：

圖4 Hough變換的點-線對偶Fig.4 Higher pair of Hough transform

從圖3可以看出，對道路進(jìn)行邊緣增強(qiáng)之后，除了道路線之外還會有一些雜散的像素點，但是對于Hough變換來說，它是從圖像的整體出發(fā)，并將像素點連接起來形成直線，而且形成的是封閉的直線。因此這些雜散的像素點并不會對檢測造成很到的影響，本文采用Hough變換可以達(dá)到直線檢測的目的。當(dāng)然提取的直線不可能直接就是實驗的直線，還會存在一些干擾，這時可以采用道路邊緣多特有的一些基本特征來進(jìn)行選擇，比如：1)因為攝像頭是從上到下拍攝的圖片，所以左右道路邊緣肯定是呈現(xiàn)梯形的形狀，而且道路邊緣形成的直線肯定會和輸入圖像的周邊有交點，并且左邊緣線形成的直線不可能交到右邊緣線形成直線的右側(cè)，同時右邊緣線形成的直線不可能交到左邊緣線左側(cè)形成的直線；2)左側(cè)道路邊緣線下端于圖像周邊的交點一般在圖片底部或者左側(cè)下半部，左側(cè)道路邊緣線的上端和圖像邊緣的交點肯定在圖片的上部。

在圖像坐標(biāo)系中，道路邊緣一般和x軸的夾角比較大，和y軸的夾角比較小，根據(jù)實際的情況分析驗證，得出道路邊界和x軸的夾角θ1以及道路邊界和y軸的夾角θ2的范圍要求如公式(2)及(3)：

通過Hough變換檢測出的所有邊緣后，引入上文所分析的道路特征，對邊緣進(jìn)一步的檢測，篩選出本文所需要的道路邊緣，如此就能夠很好的區(qū)分道路區(qū)域和非道路區(qū)域，這樣就能夠大大縮小了感興趣區(qū)域，然后再在道路區(qū)域中檢測車輛，經(jīng)驗證采用這種方法能夠很好地提高本系統(tǒng)的實時性和魯棒性。下面是根據(jù)本文所描述的算法，檢測出的道路邊緣，邊緣以用紅色標(biāo)出，如圖5所示。

圖5 Hough變換提取的道路邊緣Fig.5 The road edge through Hough transform

4 結(jié)論

文中通過對比分析多種算法，提出了適合本系統(tǒng)的，以檢測車道線和道路邊界為主的智能車道路檢測的方法，首先對采集到的圖片進(jìn)行白平衡和平滑處理，灰度化確定自適應(yīng)閾值，而后進(jìn)行邊緣增強(qiáng)，并對比分析了幾種比較常見的車道檢測算法，并選擇了高效抗噪聲能力比較強(qiáng)的Sobel算法，對圖像邊緣進(jìn)行增強(qiáng)，最后提取道路邊緣時，采用了效率較高的Hough變換算法。本章實驗仿真主要在Matlab仿真平臺上實現(xiàn)，驗證結(jié)果表明該算法能有效的檢測出道路邊緣，并且運(yùn)算比較簡單，滿足了車輛檢測實時性，準(zhǔn)確性的要求。

[1]Bertozzi M,Broggi A,Fascioli A.Stereo inverse perspective mapping:Theory and applications [J].Image and Vision Computing,1998，16(8):585-590.

[2]N.D.Mattews,P.E.An,D.Charnley,C.J.Harris.Vehicle Detection and Recognition in Grey scale Imagery [J].Control Engineering Practice,1996,4(4):473-479.

[3]王榮本，徐友春，李兵.基于線性模型的導(dǎo)航路徑圖像檢測算法研究[J].公路交通科技，2001，18(1):40-44.WANG Rong-ben,XU You-chun,LI Bing.Study on linear model based image recognition algorithm of navigation route[J].Journal of Highway and Transportation Research and De-velopment,2001,18(1):40-44.

[4]Khammari A,Nashashibi F,Abramson Y,et al.Vehicle detection combining gradient analysis and AdaBoost classification[C]//Proc.of the IEEE Conf.on ITS,Vienna,2005:1084-1089.

[5]SUN Ze-hang，Bebis G,Miller R.On-road vehicle detection using evolutionary gabor filter optimization[J].IEEE Transactions on Intelligent Transportation Systems,2005,6(2):125-137.

[6]王珂娜，鄒北驥.基于Hough變換的焊接接頭自動識別技術(shù)研究[J].湖南大學(xué)學(xué)報,2004,31(5):101-102 WANG Ke-na,ZOU Bei-ji.Research on auto-recognition for the welding joint positions based on hough transforms[J].Journal of Hunan University,2004,31(5):101-102.