奧 迪

(國家汽車質(zhì)量檢測中心(襄陽)，湖北 襄陽 441000)

基于Hough空間車道識別新算法的研究

奧 迪

(國家汽車質(zhì)量檢測中心(襄陽)，湖北 襄陽 441000)

對于道路車道的識別提出了一種新的算法，主要包含兩個主要部分：圖像預處理部分首先通過圖像灰度化和直方圖均衡化得到灰度圖像；然后進行二值化得到車道嫌疑區(qū)；最后通過形態(tài)學處理和邊緣檢測得到車道嫌疑區(qū)的邊緣。車道檢測部分通過對邊緣圖進行霍夫變化后利用車道線的位置特殊性來分別識別左右車道線。最后實驗對比表明此算法能較大地提高準確性和實時性。

車道識別；霍夫變換；圖像處理

0 引言

國內(nèi)外科學水平的提升帶動著智能交通系統(tǒng)的進步，因之智能汽車的輔助駕駛系統(tǒng)成為了一個重要研究對象。智能汽車的輔助駕駛系統(tǒng)一般來說需要實現(xiàn)讀取道路和障礙物檢測，進而可以提供防止偏離和防止碰撞的報警，以幫助智能汽車安全駕駛[1]。其中車道的識別是相對基礎的部分，它可以提供汽車自身在行駛路面中的方向和位置信息，方便對障礙物進行檢測與判斷，成為智能汽車輔助駕駛系統(tǒng)的部分關鍵技術。

在車道識別中，主要研究的是如何去搜索路面上的車道線。具體的方法分別是視覺傳感器和雷達傳感器兩大方向[2]。基于視覺傳感器的車輛道路識別方法是經(jīng)過分析CCD攝像機得到行駛路面的圖像信息進而搜索車道線；基于雷達傳感器的車輛道路識別是通過雷達形成圖像來進行車道識別[3]?；谛旭偮访娴膱D像信息來搜索車道線的方法特別容易被天氣、溫度等外界環(huán)境干擾，而基于雷達傳感器的車道識別方法需要在車輛上安裝幾顆雷達，這樣會導致成本升高并且同樣會被天氣、溫度等外界環(huán)境干擾[4]。因此目前對車道識別的研究還主要集中在圖像處理領域。本文對車道識別的研究基于CCD視覺傳感器，這種方法能很好地處理因外界環(huán)境光線變化而對攝像機獲取圖像的影響以及車道邊緣不平整所帶來的車道問題[5]。同時，提高了車道識別的準確率和速度。

1 圖像預處理

智能汽車在前后左右總共需要配置8個針孔攝像頭。布置在汽車前方的針孔攝像頭通過拍攝圖像，在進行過圖像的配準與融合后形成了前方景物的圖片數(shù)據(jù)。但是這里包含了路面障礙，遠處的人、車、物，道路兩旁的樓宇樹木以及天空等非車道信息[6]。所以，在進行汽車所在車道識別的過程中，需要進行預處理。這里包括：直方圖均衡化、圖像灰度化，二值化，形態(tài)學處理以及邊緣檢測。未處理的原始圖像如圖1所示。

圖1 未處理的原始圖像

1.1 圖像灰度化與直方圖均衡化

RGB圖像擁有的信息量非常大；然而灰度圖像信息含量雖然很少但能非常好地讀取R、G、B三方位的信息量。這是因為灰度圖像是以不同的權值對三通道信息進行加權平均得到，如式(1)所示。

(1)

大量實驗數(shù)據(jù)表明，在a取0.3，b取0.59，c取0.11的情況下比較符合人類視覺的灰度值。

為了改善整個過程的處理速度，進而達到數(shù)據(jù)實時的要求，需要對圖像灰度化。此外在不同的天氣情況下以及每日各個時刻，所拍圖像因光照強度變化而產(chǎn)生某區(qū)域范圍圖像灰度密度較大。這種情況會對后續(xù)步驟的處理精度產(chǎn)生較大影響，因此應該對其實施直方圖均衡化處理，進一步來改善圖像的差異化。直方圖均衡化是通過使用累積函數(shù)對灰度值進行“調(diào)整”以實現(xiàn)對比度的增強。它能有效地擴展常用亮度來實現(xiàn)增加局部對比度的需求。

1.2 圖像二值化

為了分割車道嫌疑區(qū)和背景區(qū)域，圖像在經(jīng)過直方圖均衡化后，需要對其進行二值化處理。所謂圖像二值化就是將圖像灰度變?yōu)橹挥袃蓚€灰度，如式(2)所示。

(2)

其中T為分割閾值。本文采用了一維OTSU來確定閾值T，這種方法不但能夠滿足所需精度，而且處理速度極快。由于車道線的顏色一般為淺色，所以進行二值化能夠很好地保留車道線。這種方法能大大減少計算量，并且粗略地得到車道嫌疑區(qū)。

1.3 邊緣檢測與形態(tài)學處理

邊緣檢測是標識數(shù)字圖像中亮度變化明顯的點。對車道嫌疑區(qū)進行邊緣檢測主要是為了提取車道的邊緣以及干擾的邊緣，減少后續(xù)車道判斷的計算量，使得處理速度提高上千上萬倍[7]。本文采用Sobel邊緣檢測算子檢測邊緣點，進行邊緣加強。卷積核45°與135°方向模板如式(3)所示。

(3)

有時圖像中道路兩旁會存在著樓宇和柵欄等建筑，并且它們相對于馬路而言顏色較淺，會被認為是車道嫌疑區(qū)。對于樓宇，尤其是高層住宅，窗戶的數(shù)目很多，并且都被隔開了，在進行邊緣檢測時會多出很多線條。對于道路兩旁的柵欄，也是因為同樣的原因，會多出很多線條。對于這些冗余信息，在進行車道線識別的過程中屬于干擾，增加了計算量同時降低了處理速度。為了在邊緣檢測過程中，減少非車道的線條數(shù)目，需要通過形態(tài)學處理，把一些間隔不大的區(qū)域包涵進去，從而減少邊緣檢測中的線條數(shù)目。所謂形態(tài)學處理就是保持基本形狀特性的前提下去除不相干結(jié)構(gòu)的算法。

經(jīng)過以上處理后的圖像如圖2所示。

圖2 預處理各步圖像

2 車道識別

一般車輛只能行駛在一個車道內(nèi)，所以可以把圖像分成左右兩個部分來分別識別左右側(cè)車道[8]。這種分別識別的方法可以提高提取車道的準確性與魯棒性。

2.1Hough變換

霍夫變換(HoughTransform)是圖像處理中的一種特征提取技術，它通過一種投票算法檢測具有特定形狀的物體。其過程在一個參數(shù)空間中通過計算累計結(jié)果的局部最大值得到一個符合該特定形狀的集合作為霍夫變換結(jié)果。圖像x-y空間與參數(shù)θ-ρ空間對應關系如式(4)所示。

ρ=xcosθ+ysinθ

(4)

其中，θ為x軸正方向與直線經(jīng)過原點的垂線的夾角，ρ為坐標原點和直線之間的距離。

Hough變換就是把圖像空間中的直線檢測問題轉(zhuǎn)換為在參數(shù)空間中對應點的檢測問題，通過在參數(shù)空間里進行簡單的累加計算完成檢測任務。

2.2 左側(cè)車道的識別

利用車道線位置的特殊性就可以在車道嫌疑區(qū)的邊緣中提取出車道線。具體步驟如下：

Step1：把邊緣檢測后的圖像提取出左半部分。

Step2：對該部分進行霍夫變換，在θ-ρ空間提取出ρ為最大值所對應直線中的點。

Step3：對左半部分圖像的下部分進行多次裁剪。使得每張裁剪后的圖像列數(shù)相同但行數(shù)不同。然后重復Step2，這樣就得到了多個點。

Step4：在剔除誤差較大點后，應用最小二乘法來擬合出一條直線，則該直線就是左側(cè)車道線。

在此過程中需要注意ρ為最大值所對應的直線不一定是最長的直線，即在θ-ρ空間不一定是最亮的點。這是因為車道線邊緣是不平整的。ρ為最大值所對應直線中的點一般就是左側(cè)車道線內(nèi)側(cè)的最下面附近的點。在道路兩旁的路燈的倒影會切斷車道線，出現(xiàn)凹陷。在車道內(nèi)也可能出現(xiàn)其他淺色物體來干擾檢測的準確性。截取多個行數(shù)不同的圖像，除了能達到獲得多個車道線中的點的目的外，還可以解決上述道線邊緣不平整、倒影以及干擾物體影響的問題，提高了檢測的準確性。

左側(cè)車道識別后的結(jié)果如圖3所示。其中左半部分為未識別圖像，右半部分為識別后的結(jié)果。

圖3 左側(cè)車道線的識別結(jié)果

2.3 右側(cè)車道的識別

右側(cè)車道的識別其實與左側(cè)車道的識別是相同的，只是先要進行映像操作。具體步驟如下：

Step1：把邊緣檢測后的圖像進行映像處理，使得右側(cè)圖像對稱到左側(cè)。

Step2：進行左側(cè)車道識別中的步驟。

Step3：再將得到的圖像進行處理恢復到映像處理前的狀態(tài)。

圖4 左側(cè)車道線的識別結(jié)果

右側(cè)車道識別后的結(jié)果如圖4所示。其中左半部分為映像后的未識別圖像，右半部分為映像后的識別結(jié)果。

2.4 實驗對比

把識別車道后的左側(cè)圖像與右側(cè)圖像融合到一起就得到了完整的圖像，如圖5所示。傳統(tǒng)的算法一般采用圖像二值化后直接邊緣檢測，然后進行基于霍夫變換的直線檢測，提取截距為最大值的直線來確定出車道線。應用傳統(tǒng)算法對同一副圖像進行處理的結(jié)果如圖6所示?？梢钥闯觯瑐鹘y(tǒng)算法把左側(cè)的欄桿和其他車道線誤認為本車所行使的車道。這些誤認主要是因為車道的邊緣不平整，形成不了足夠長的直線。而本文算法則準確地識別出了真實車道，這主要是因為在處理過程中含有對于干擾信息的去除和誤差點的剔除。

圖5 本文算法處理后圖像

圖6 傳統(tǒng)算法最終結(jié)果

另外，本文選取了另外一些兩種算法都能準確定位車道的圖像進行了車道識別的處理。算法的處理過程中，算法所需平均執(zhí)行時間如表1所示?？梢钥闯?，本文算法在時間上縮短了43.3%。這主要是因為本文在圖像預處理過程中對于干擾信息以及冗余信息的判斷與去除。這說明本文算法能更好地滿足實時性要求。

表1 算法所需的平均執(zhí)行時間對比

3 結(jié)語

本文在傳統(tǒng)算法的基礎上，進行了改進進而提出了一種新的車道識別算法。該算法主要分為圖像預處理和車道識別兩個部分。與傳統(tǒng)算法相比，在圖像預處理部分，本文增加了直方圖均衡化和形態(tài)學處理的過程。直方圖均衡化解決了由光照導致的區(qū)分度不足問題；形態(tài)學處理則屏蔽了一些干擾信息和冗余信息。在車道識別部分，本文分成左右兩部分圖像分別進行車道識別。利用車道線在半圖中的特殊位置來進行識別，其中增加了去除車道線邊緣不齊整干擾的算法。最后實驗結(jié)果表明，本文算法能在準確性和實時性有較大的提高。

[1] 王孝蘭.基于紅外CCD的夜間前方車輛識別[D].長春:吉林大學,2009.

[2] 王華瑩.基于機器視覺的車輛檢測和車距測量方法研究[D].大連:大連理工大學,2011.

[3]JinlongLiu.ANovelAlgorithmResearchonLaneRecognitionBasedonHoughSpace[J].ISSN,2014,1(3):2331-9062.

[4]YuHongfei,WeiLiu,JianghuaPu.Lanerecognitionbasedonlocationofraisedpavementmarkers[C].IntelligentVehiclesSymposium(IV),IEEE,2011:1013-1018.

[5]FranksU,LooseH,KnoppelC.LaneRecognitiononCountryRoads[C].IntelligentVehiclesSymposium,IEEE,2007:99-104.

[6] 劉金龍.對安全車距的智能檢測技術[J].電子世界,2014(3):101.

[7]O’MalleyR,JonesE,GlavinM.Rear-LampVehicleDetectionandTrackinginLow-ExposureColorVideoforNightConditions[C].TransactionsonIntelligentTransportationSystems,IEEE,2010:453-462.

[8] 顧柏園.基于機器視覺的道路上前方多車輛探測方法研究[J].汽車工程,2006(10):30-33.

[責任編輯、校對：梁春燕]

A Novel Algorithm Research on Lane Recognition Based on Hough Space

AoDi

(National Automobile Quality Supervision and Test Center (Xiangyang),Xiangyang 441000,China)

A novel method for lane marking recognition that includes two sections was introduced.The image pre-processing section got the gray image by using methods of gradation and histogram equalization.Binarization was used to get the region of interest (ROI).The boundary of ROI was obtained through morphology operation and edge detection.The left and right lanes were detected in the lane detection section through Hough transform basing on the special positions of lanes.Experiment results indicate that this novel algorithm features fast, precise and reliable.

lane detection; hough transform; image processing

2014-12-03

奧迪(1992-),男，山西呂梁人，初級工程師，從事整車試驗可靠性研究。

O495

A

1008-9233(2015)03-0075-04