陳功醇， 賈志絢

(1.太原科技大學(xué) 電子信息工程學(xué)院，山西 太原 030024；2.太原科技大學(xué) 交通與物流學(xué)院，山西 太原 030024)

0 引 言

車道檢測技術(shù)是汽車輔助駕駛領(lǐng)域的基礎(chǔ)性研究，它通過檢測道路的路面特征，使智能車輛也能像人一樣理解道路，還能推算出車體與道路邊沿的相對(duì)位置信息，必要時(shí)以振動(dòng)語音等形式提醒駕駛者確保車輛的安全行駛。 目前，主流的檢測算法是通過視覺傳感器來對(duì)車道進(jìn)行檢測，大致分為兩類，即基于模型和基于特征的。它們采用了不同的模型有直線模型、二次曲線模型、B樣條曲線模型等，而且使用了Hough變換、匹配模板、粒子濾波、形態(tài)學(xué)等各種檢測方法[1～4]。現(xiàn)實(shí)中視覺傳感器采集的道路圖像或多或少要受到光照污漬的影響，在對(duì)這一類型圖像進(jìn)行車道檢測方法時(shí)，以上檢測方法容易出現(xiàn)誤判，主要原因是算法只檢測車道，而沒有把道路區(qū)域分割和車道檢測緊密聯(lián)合起來。車道呈白色或黃色，道路區(qū)域一般是灰色，雖然它們的灰度特性完全不同，但道路區(qū)域是車道的載體，它們在空間上是有聯(lián)系，比如：車道會(huì)經(jīng)常出現(xiàn)在道路的邊界附近或者在道路區(qū)域左右兩邊的對(duì)稱位置上。

本文提出一種基于視覺傳感器的車道檢測算法。該算法把道路區(qū)域分割和車道提取結(jié)合起來，首先利用區(qū)域生長法分割道路邊界，同時(shí)使用索貝兒算子進(jìn)行邊緣檢測，通過融合這2組數(shù)據(jù)，得到更準(zhǔn)確的車道特征點(diǎn)集合，有效減少光照、污漬的干擾。

1 相關(guān)理論

1.1 光照污漬對(duì)直方圖的影響

理想道路圖像中路面區(qū)域面積較大，邊界灰度明顯。而實(shí)際中圖像極易受光照變化，污漬大小的影響，這種影響首先反映在灰度直方圖上，簡單來說，照明不均勻，污漬大小使得此處區(qū)域的灰度直方圖發(fā)生不同程度的右移、左移，于是整個(gè)圖像的直方圖呈現(xiàn)出“多峰”特征。假設(shè)實(shí)際物體的圖像為f(x，y)，用連續(xù)函數(shù)d(x，y)模擬污漬大小和光照變換造成的干擾，則看到的物體圖像為F(x，y)，如圖1，橫坐標(biāo)灰度級(jí)范圍為0～255，如公式(1)

F(x,y)=f(x,y)+d(x,y).

(1)

圖1 圖像的灰度變化

對(duì)比圖1(a),(c)發(fā)現(xiàn)，靠近暗區(qū)域(對(duì)應(yīng)灰度級(jí)為50左右的區(qū)域)的2個(gè)峰峰之間的距離在受到干擾之后改變不大，而且實(shí)際道路的灰度信息基本都集中在這2個(gè)峰谷對(duì)應(yīng)的區(qū)域內(nèi)，以此為依據(jù)，可以計(jì)算出路面區(qū)域中鄰域像素間的最大灰度差Tm。若使用OTSU法分割此類圖像，以圖(c)為例，則分割的閾值會(huì)在第三個(gè)峰值附近，必然出現(xiàn)過分割。觀察圖(c)發(fā)現(xiàn)，若閾值T取在第二個(gè)峰值附近比較好，令第一個(gè)峰值為Ts，OTSU法的閾值為T0，取T=T0-Ts<50。T和Tm都是后面區(qū)域生長準(zhǔn)則中閾值選取的重要參考標(biāo)準(zhǔn)。

1.2 投影理論

根據(jù)投影理論，實(shí)際空間中相互平行的兩條直線在圖像中相交于一點(diǎn)，稱之為消失點(diǎn)。建立車載系統(tǒng)的坐標(biāo)系，世界坐標(biāo)系O-XYZ與圖像坐標(biāo)系o-xy，S為像平面，f為攝像機(jī)的焦距，如圖2。

圖2 車載系統(tǒng)坐標(biāo)系

假設(shè)攝像機(jī)的光軸與地面平行，則空間中的無窮遠(yuǎn)處的一點(diǎn)P(X，Y，Z)與道路圖像中的p(x，y)必存在如下的對(duì)應(yīng)關(guān)系，如式(2)

(2)

由此可知，消失點(diǎn)位于圖像坐標(biāo)的原點(diǎn)O(0，0)，也就是說,路面區(qū)域均位于圖像的下半平面[5]。為此,還可以得到一個(gè)合理的假設(shè)，在距離車輛很近的正前方的一個(gè)小范圍內(nèi)一定是路面。這條假設(shè)對(duì)于劃定道路區(qū)域，改進(jìn)區(qū)域生長法有巨大的幫助，而且能減少處理圖像的計(jì)算量。

2 區(qū)域生長法分割道路區(qū)域

分割圖像，簡單來說就是要將人們關(guān)心的目標(biāo)從圖像背景中分割出來，無論是基于邊緣的分割，還是基于區(qū)域的分割，它們或多或少運(yùn)用了圖像的灰度信息、空間信息[6]。目前最常用的分割方法是最大類間方差法[7]，也叫OTSU 法，它利用圖像的灰度特性，以類間方差準(zhǔn)則函數(shù)為條件將圖像分成背景和目標(biāo)兩部分，用時(shí)最少，也很穩(wěn)定。但它只反映圖像像素灰度級(jí)的分布大小，并沒有考慮像素與領(lǐng)域的空間信息。

2.1 區(qū)域生長法

區(qū)域生長法的基本思想是將具有相似性質(zhì)的像素點(diǎn)集合起來構(gòu)成區(qū)域，最早是由Levine等人提出來的。該方法通常是先對(duì)每個(gè)需要分割的區(qū)域找一個(gè)初始種子像素作為生長的起點(diǎn)，然后將種子像素周圍鄰域中與種子像素有相似性質(zhì)的像素根據(jù)某種生長準(zhǔn)則來判定，合并到種子像素所在的區(qū)域中，直到再?zèng)]有滿足條件的像素可被包括進(jìn)來，這樣一個(gè)區(qū)域就長成了[8]。

由此可知，在用區(qū)域生長法分割道路圖像時(shí)，有以下3個(gè)問題是非常關(guān)鍵的。

1)選取能代表分割區(qū)域的種子點(diǎn)：對(duì)于有先驗(yàn)知識(shí)的圖像可以利用先驗(yàn)知識(shí)，如果沒有,則可以借助生長準(zhǔn)則對(duì)像素進(jìn)行相應(yīng)的計(jì)算，但都需滿足以下3個(gè)條件：

a.在道路區(qū)域內(nèi)，且距道路邊界有一定距離；

b.其灰度與周圍的灰度較為均勻；

c.其灰度應(yīng)能反映道路區(qū)域的亮度分布。

2)選擇合適的生長準(zhǔn)則：使用不同的生長準(zhǔn)則會(huì)影響區(qū)域生長的過程，目前，區(qū)域生長法在處理道路圖像中大多采用灰度差準(zhǔn)則。這里還采用了幾何準(zhǔn)則。

3)閾值選取對(duì)生長出的區(qū)域有很大的影響：選取的值過小，生長出的區(qū)域面積就小，虛假邊緣就多；選取的值過大，容易淹沒短細(xì)的邊界，影響后面的邊緣檢測。

區(qū)域生長法分割道路區(qū)域主要利用了直方圖受光照污漬影響后的多峰特性和道路區(qū)域基本位于圖像下半平面等先驗(yàn)知識(shí)。

2.2 選擇初始種子點(diǎn)

根據(jù)初始種子點(diǎn)要滿足的3個(gè)條件，具體選擇步驟是：

1)利用道路區(qū)域只存在于圖像的下半平面，把道路圖像從上到下，從左到右劃分為4個(gè)大小相等的區(qū)域，分別記作第Ⅰ、第Ⅱ、第Ⅲ、第Ⅳ象限。

2)接著在下半部分的2/5行寬處從左到右隨機(jī)的放置7個(gè)種子點(diǎn)(如圖3)，首先要使得種子點(diǎn)與其4鄰域的灰度差小于5(差別盡量不大)，而且第Ⅲ，Ⅳ象限中包含的種子點(diǎn)數(shù)都不少于3個(gè)。這些保證了可操作行和種子點(diǎn)的獨(dú)立性，能有效避免生長陷入局部極值。

圖3 劃分圖像

2.3 選擇區(qū)域生長準(zhǔn)則

這里的區(qū)域生長準(zhǔn)則包括灰度差準(zhǔn)則和幾何準(zhǔn)則。得到初始種子點(diǎn)后，首先用3×3卷積模板(即四鄰域法)處理道路灰度圖像，生成新的鄰域灰度圖像，計(jì)算原灰度圖像和種子點(diǎn)處的灰度值。通過判斷是否滿足生長準(zhǔn)則，若滿足條件，繼續(xù)進(jìn)行四鄰域生長；反之，則停止區(qū)域生長。生長準(zhǔn)則如下：

1)原灰度圖像的灰度值與種子點(diǎn)處的灰度值之差在閾值Tm內(nèi)，保證了生長區(qū)域的局部均勻性。

2)原灰度圖像的灰度值與新的鄰域灰度圖像的灰度值之差在閾值T內(nèi)，保證了生長區(qū)域的整體均勻性。閾值T利用了OTSU法整體最優(yōu)且用時(shí)少。

3)根據(jù)先驗(yàn)知識(shí)，生長出的道路區(qū)域必須被嚴(yán)格限制在第Ⅲ，Ⅳ象限內(nèi)。

3 數(shù)據(jù)融合

3.1 索貝兒邊緣檢測

直接使用區(qū)域生長法分割的道路邊界粗糙、模糊，而邊緣檢測可以確定車道的大致位置，通過融合這2組數(shù)據(jù)得到更準(zhǔn)確的車道線特征點(diǎn)集合。這里采用改進(jìn)后的Sobel算子對(duì)灰度圖像進(jìn)行邊緣檢測來得到道路邊緣，通過數(shù)據(jù)融合把這一區(qū)域劃定為感興趣區(qū)域(ROI)。Sobel邊緣算子的優(yōu)點(diǎn)是對(duì)噪聲不太敏感，由于車道邊緣位于圖像左右傾斜方向上，為了突出車道方向抑制其他方向的邊緣，采用的2個(gè)Sobel算子分別是45°方向的GL模板和145°方向的GR模板，如式(3)

(3)

3.2 融合數(shù)據(jù)

(4)

由于車道具有寬度，基本在10個(gè)像素大小左右?？紤]到圖像中的車道線有些傾斜，取d0=8。

4 車道線提取

4.1 Hough變換提取直線

道路區(qū)域分割后二值圖像中的車道線特征已經(jīng)很明顯。這里把車道線的檢測問題變成對(duì)直線檢測，采用概率型Hough變換(HT)提取車道線。它抗噪性能強(qiáng)，對(duì)直線斷裂、局部遮擋等缺陷不敏感，更適合用于檢測不連續(xù)的車道線。Hough變換是一種廣泛應(yīng)用的直線提取方法，它基于圖像空間點(diǎn)向參數(shù)空間對(duì)應(yīng)位置投票累加，然后搜索參數(shù)空間峰值來獲得直線方程[9]。若設(shè)一直線方程為

y=kx+b.

(5)

它在參數(shù)空間(ρ，θ)中可表示為

ρ=xcosθ+ysinθ,

(6)

式中ρ為直線到坐標(biāo)系原點(diǎn)的法線距離，θ為直線法線與x軸的夾角。

圖像空間中的一條直線經(jīng)Hough變換映射到參數(shù)空間中是一個(gè)點(diǎn)，而參數(shù)空間的一個(gè)點(diǎn)在圖像空間中就表示一條直線。如此一一對(duì)應(yīng)，(x，y)平面上的任意一點(diǎn)對(duì)應(yīng)于(ρ，θ)平面上的一條正弦曲線，(x，y)平面上的任意一條直線對(duì)應(yīng)(ρ，θ)平面上的一個(gè)點(diǎn)。于是通過記錄(ρ，θ)平面所有曲線經(jīng)過同一個(gè)點(diǎn)的疊加值，來尋找這個(gè)點(diǎn)所對(duì)應(yīng)(x，y)平面的那條直線，如圖4。

圖4 Hough變換原理圖

4.2 直線模板匹配

為滿足直線模板和魯棒性要求，對(duì)圖像的第Ⅲ，Ⅳ象限內(nèi)的ROI分別進(jìn)行Hough變換。由于車道有寬度，所以,會(huì)檢測出4條直線，為了視覺效果，左右兩邊都只取一條內(nèi)側(cè)直線。匹配直線模板的判別標(biāo)準(zhǔn)是，對(duì)左邊2條直線分別計(jì)算它們與坐標(biāo)Y軸的交點(diǎn)，取值小的那條直線，對(duì)右邊2條直線分別計(jì)算它們與X軸的交點(diǎn)，取值小的那條直線。匹配后，2條內(nèi)側(cè)道的直線被標(biāo)記顯示出來。

5 實(shí)驗(yàn)結(jié)果與分析

本實(shí)驗(yàn)的仿真平臺(tái)是VC6.0，實(shí)驗(yàn)用的計(jì)算機(jī)為P7570 CPU，2.26 GHz，2 GB內(nèi)存，選用的圖像來自太原市環(huán)城高速平陽南段實(shí)地拍攝所得，道路圖像大小都為320×240。為突出該方法的優(yōu)點(diǎn)，實(shí)驗(yàn)中加入了OTSU法做對(duì)比，如圖5，圖6(d)所示，最終抽取了一共200幅受不同污漬光照影響的道路圖像進(jìn)行仿真，每一幅圖像平均耗時(shí)50 ms，車道檢測準(zhǔn)確率達(dá)到97 %，驗(yàn)證了算法的可行性。圖5～圖6是2幅典型道路圖像的車道檢測過程，其中圖(a)～(c)，分別為原圖、區(qū)域生長法分割圖像、車道檢測，其中圖(c)的左右車道分別用不同顏色線標(biāo)定。

圖5 有光照干擾時(shí)的車道檢測過程

圖6 有污漬干擾時(shí)的車道檢測過程

對(duì)比圖5～圖6的圖(d)，直接使用OTSU法分割受光照，污漬影響的道路圖像時(shí)，容易造成過分割，如車道灰度信息被覆蓋，或者出現(xiàn)新的偽車道信息，給車道線特征點(diǎn)的提取和直線檢測造成巨大困難。而利用邊緣算子和區(qū)域生長法檢測出的道路邊界，更好地濾去陰影、污漬等假邊界的干擾，同時(shí)得到更準(zhǔn)確的車道邊緣，也降低了Hough變換檢測直線的誤差，增強(qiáng)了算法的魯棒性。

6 結(jié) 論

本文分析了光照、污漬等因素對(duì)道路圖像灰度直方圖的影響，得到道路區(qū)域中鄰域像素的最大灰度差，再根據(jù)投影原理，發(fā)現(xiàn)車道線的消失點(diǎn)位于圖像坐標(biāo)的原點(diǎn)，確認(rèn)路面區(qū)域均位于圖像的下半平面?；谶@2個(gè)先驗(yàn)知識(shí)，改進(jìn)區(qū)域生長法接著分割道路區(qū)域，并結(jié)合邊緣檢測實(shí)現(xiàn)了車道線特征點(diǎn)集合的準(zhǔn)確提取，然后利用Hough變換提取直線段來匹配直線模型，實(shí)現(xiàn)了車道檢測，最后對(duì)算法進(jìn)行的仿真實(shí)驗(yàn)驗(yàn)證了其可行性。實(shí)驗(yàn)結(jié)果表明：算法有效克服光照、污漬對(duì)道路圖像的干擾，提高了算法的魯棒性。

算法的不足之處是:當(dāng)?shù)缆愤吔缒：?，車道被污漬嚴(yán)重?fù)p壞，路面與天空，樹木等背景灰度相似時(shí)，算法失效。由于實(shí)際背景的復(fù)雜性，應(yīng)該考慮采用更廣泛的方法或其他傳感器進(jìn)行車道檢測提高算法魯棒性，這是今后的研究重點(diǎn)。

參考文獻(xiàn):

[1] Xu Huarong,Wang Xiaodong,Huang Hongwu,et al.A fast and stable lane detection method based on B-spline curve [C]∥Proc of IEEE Region 10 International Conference on Computer-Aided Industrial Design & Conceptual Design, 2009:1036-1040.

[2] Liu Guoliang,Markelic Worgotter F.Combining statistical Hough transform and particle filter for robust lane detection and tra-cking[C]∥Proc of IEEE Region 4 Conference on Intelligent Vehicles Symposium,2010:993-997.

[3] Herumuti D，Uchimura K，Koutaki G.Urban road extraction based on Hough transform and region growing[C]∥Proc of Korea-Japan Joint 19 Conference on Computer Vision, 2013:220-224.

[4] Qiu Chengqun.An edge detection method of lane lines based on mathematical morphology and Matlab[C]∥Proc of Cross Strait Quad-Regional Radio Science and Wireless Technology Confe-rence,2011:1266-1269.

[5] 楊建榮，曲仕茹.基于單目視覺的障礙物檢測方法研究[J].計(jì)算機(jī)仿真, 2009, 26(2):278-281.

[6] 何 俊，葛 紅，王玉峰.圖像分割算法研究綜述[J].計(jì)算機(jī)工程與科學(xué), 2009, 31(12):58-61.

[7] 鄒小林，馮國燦.融合視覺模型和最大類間方差的閾值分割算法[J].計(jì)算機(jī)應(yīng)用,2013, 33(3):670-674.

[8] 李夢亮，翁正新.基于改進(jìn)區(qū)域生長法和霍夫變換的車道分割法[J].計(jì)算機(jī)應(yīng)用與軟件，2012,28(12):246-249.

[9] 康文靜，丁雪梅，崔繼文，等.基于改進(jìn)Hough變換的直線圖形快速提取算法[J].光電工程, 2007, 34(3):105-108.