周勁草，魏　朗，劉永濤，張?jiān)诩铩№?/p>

(1.長(zhǎng)安大學(xué)汽車學(xué)院，陜西 西安 710064；2.中國(guó)民航大學(xué)天津市智能信號(hào)與圖像處理重點(diǎn)實(shí)驗(yàn)室，天津 300300)

?

基于改進(jìn)Retinex算法的霧霾天氣車道線識(shí)別

周勁草1，魏朗1，劉永濤1，張?jiān)诩?，田順1

(1.長(zhǎng)安大學(xué)汽車學(xué)院，陜西 西安 710064；2.中國(guó)民航大學(xué)天津市智能信號(hào)與圖像處理重點(diǎn)實(shí)驗(yàn)室，天津 300300)

在霧霾天氣下，針對(duì)常規(guī)車道線識(shí)別方法提取車道線準(zhǔn)確性差以及多尺度Retinex算法去霧圖像質(zhì)量較低的缺點(diǎn)，提出了一種基于改進(jìn)視網(wǎng)膜大腦皮層理論(Retinex)的霧霾天氣車道線識(shí)別算法.首先，利用改進(jìn)的暗通道優(yōu)先算法對(duì)霧天圖像進(jìn)行去霧，將去霧圖像作為多尺度Retinex算法的輸入圖像做進(jìn)一步增強(qiáng)；然后將多尺度Retinex算法增強(qiáng)的圖像進(jìn)行亮度修正，從而獲取理想去霧圖像；再利用Scharr濾波器和大津法得到包含清晰道路邊緣的二值化圖像；最后利用Hough變換對(duì)車道線精確提取.實(shí)驗(yàn)表明，該算法不但能夠在霧霾天氣下對(duì)車道線進(jìn)行準(zhǔn)確的識(shí)別，與常規(guī)算法相比，能夠有效地提高圖像質(zhì)量，并且具有良好的實(shí)時(shí)性，對(duì)于提高車輛主動(dòng)安全性具有重大意義.

霧霾；視網(wǎng)膜大腦皮層理論；車道線識(shí)別；圖像增強(qiáng)；車輛主動(dòng)安全性

0　引言

伴隨著人類活動(dòng)頻率的加劇以及氣候的變化造成了空氣中懸浮顆粒物以及水汽的日益增加，導(dǎo)致了霧霾現(xiàn)象的大面積出現(xiàn).近年來(lái)霧霾正逐漸在各個(gè)方面影響著人們的生活，尤其是在交通運(yùn)輸中，霧霾造成的低能見(jiàn)度對(duì)于行車安全帶來(lái)了巨大的隱患.在霧霾天氣的駕駛過(guò)程中，駕駛員難免會(huì)因霧霾造成的低能見(jiàn)度而使汽車偏離正常的行駛車道進(jìn)而釀成車禍.因此，設(shè)計(jì)一種在車輛出現(xiàn)無(wú)意識(shí)的車道偏離時(shí)能給予駕駛員及時(shí)提醒的系統(tǒng)，可以有效地減少車道偏離事故的發(fā)生[1].在這種系統(tǒng)中，車道標(biāo)志線的準(zhǔn)確識(shí)別是非常關(guān)鍵的一步.目前，雖然已經(jīng)有很多基于視覺(jué)的車道線檢測(cè)算法[2-4]，但是這些算法只能夠在白天和陰天的工況下具有較高的檢測(cè)和識(shí)別的成功率，針對(duì)霧霾這一特殊天氣情況下的圖像處理效果卻不佳.

在霧霾天氣下，由于大氣中存在隨機(jī)介質(zhì)，光從路面反射到達(dá)相機(jī)的過(guò)程中會(huì)發(fā)生吸收和散射等變化.在該過(guò)程中，原本應(yīng)當(dāng)沿直線傳播的光發(fā)生了散射從而偏離了原來(lái)的傳播路徑，一些其他光路的光卻由于散射作用進(jìn)入到該光路，從而導(dǎo)致圖像對(duì)比度嚴(yán)重下降，使車道標(biāo)志線難以辨識(shí)[5].針對(duì)降質(zhì)圖像的增強(qiáng)， Retinex算法作為一種經(jīng)典算法，能夠通過(guò)對(duì)原圖像進(jìn)行某種高斯平滑來(lái)提取亮度圖像，不僅可以有效增強(qiáng)原圖的對(duì)比度和清晰度，而且具有顏色高保真性，能夠使圖像質(zhì)量得到很大的改善[6]，但是經(jīng)典的多尺度Retinex算法(Multi-scale Retinex，MSR)的清晰程度卻不高.為了提高圖像的清晰度，文獻(xiàn)[7-8]中將暗通道優(yōu)先算法與MSR算法相結(jié)合有效地提高了圖像的清晰度，但是依然沿用了軟摳圖法(Soft Matting)平滑過(guò)濾透射圖像，使得計(jì)算實(shí)時(shí)性大打折扣.文獻(xiàn)[9]用巴特沃斯低通濾波器取代軟摳圖法，使得去霧速度大幅提高，然而去霧圖像較暗，不適合采用常規(guī)方式進(jìn)行車道線識(shí)別.針對(duì)這些問(wèn)題，本文首先利用巴特沃斯低通濾波器取代軟摳圖法，利用改進(jìn)的暗通道優(yōu)先算法對(duì)霧天圖像進(jìn)行去霧.然后使用MSR算法對(duì)去霧圖像進(jìn)行增強(qiáng)并對(duì)其進(jìn)行亮度修正，得到理想的輸出圖像，再利用Scharr濾波器和大津法得到包含清晰道路邊緣的二值化圖像，最后通過(guò)Hough變換對(duì)車道線精確提取.

1　改進(jìn)算法描述

本文將改進(jìn)后的暗通道先驗(yàn)算法與傳統(tǒng)MSR算法相結(jié)合，并對(duì)輸出圖像進(jìn)行亮度修正從而獲取理想的去霧圖像.

1.1Retinex理論

Retinex理論是將圖像分成入射光分量L(x，y)和反射光分量R(x，y)，其數(shù)學(xué)表達(dá)式為

S(x，y)=R(x，y)×L(x，y).

(1)

(1)式中：S(x，y)是顯示圖像中坐標(biāo)為(x，y)點(diǎn)的亮度;R(x，y)是反射函數(shù);L(x，y)是入射函數(shù).

人體生理學(xué)實(shí)驗(yàn)指出，當(dāng)人眼感知物體時(shí)，主要依靠3種錐細(xì)胞通過(guò)視網(wǎng)膜(Retina)和皮層(Cortex)感知顏色，3種錐細(xì)胞分別能夠感知紅色、綠色、藍(lán)色3種顏色[10].由于取對(duì)數(shù)可以在計(jì)算過(guò)程中使復(fù)雜的乘除計(jì)算簡(jiǎn)化為簡(jiǎn)單的加減計(jì)算更加符合人眼視覺(jué)成像效果，故對(duì)(1) 式兩邊取對(duì)數(shù)后得到

logS(x，y)=logR(x，y)+logL(x，y).

(2)

令Q=logL(x，y)，得到

Q=logS(x，y)-logR(x，y).

(3)

由于R(x，y)=S(x，y)/L(x，y)，由此可以得到

(4)

的輸出函數(shù).(4)式中:F(x，y)表示一個(gè)與(x，y)坐標(biāo)點(diǎn)像素相關(guān)的函數(shù);Qi(x，y)表示第i個(gè)通道的輸出；Si(x，y)表示第i個(gè)通道像素的強(qiáng)度值，當(dāng)i=1，2，3時(shí)分別表示紅色、綠色、藍(lán)色；“*”表示卷積.

(5)

其中K由歸一化條件?F(x，y)dxdy=1確定.

1.2改進(jìn)的Retinex算法

(1) 首先求取含霧圖像的暗原色圖為

(6)

(2) 對(duì)Idark(x，y)邊界處暗原色進(jìn)行修正，得

(7)

(3) 求取透射率為

(8)

(5) 獲取無(wú)霧圖像[9]公式為

(9)

(6) 將無(wú)霧圖像J1(x)作為MSR算法的輸入圖像，得到去霧圖像J2(x).

(7) 為了進(jìn)一步提高去霧圖像亮度，將上一步中得到的去霧圖像J2(x)乘以一個(gè)亮度修正系數(shù)α(α≥1，本文α=1.5)即可獲取最終的去霧圖像Jf.去霧圖像對(duì)比圖見(jiàn)圖1.

(a)霧天原圖

(b) MSR算法

(c)文獻(xiàn)[7]算法

(d)本文算法

2　去霧圖像的二次處理

相比Sobel算子，Scharr濾波器具有更高的準(zhǔn)確性以及相同的計(jì)算速度[12].因此本文采用Scharr濾波器凸顯左、右車道線的邊緣.對(duì)于左、右兩側(cè)車道線本文分別采用Scharr濾波器卷積計(jì)算核，公式為：

經(jīng)過(guò)上一步Scharr濾波器對(duì)邊緣的增強(qiáng)，圖像依然包括許多噪聲，要想從多值的數(shù)字圖像中直接提取出車道標(biāo)志線，最常用的方法就是對(duì)圖像進(jìn)行二值化.本文利用大津法獲取圖像閾值并進(jìn)行全局二值化.

3　霧霾天氣車道線識(shí)別

由于在結(jié)構(gòu)化道路的設(shè)計(jì)和修建過(guò)程中執(zhí)行一系列嚴(yán)格的行業(yè)標(biāo)準(zhǔn)，其車道標(biāo)志線在延伸方向上有平滑曲線，并且曲率很小，一般近視野內(nèi)車道線可以近似看做直線[13]，并且由于Hough變換能將原始圖像中給定的曲線或直線變換成參數(shù)空間的一個(gè)點(diǎn)，把原始圖像中曲線或直線的檢測(cè)問(wèn)題轉(zhuǎn)換成尋找參數(shù)空間中峰點(diǎn)的問(wèn)題，因此變換不易受到噪聲和曲線間斷的影響，能較好地實(shí)現(xiàn)車道標(biāo)志線的識(shí)別.本文以直線作為車道線模型，采用Hough變換檢測(cè)車道線.

3.1Hough變換原理

Hough變換是一種使用表決原理的參數(shù)估計(jì)技術(shù).其原理是利用圖像空間和Hough參數(shù)空間的點(diǎn)-線對(duì)偶性，把圖像空間中的檢測(cè)問(wèn)題轉(zhuǎn)換到參數(shù)空間.通過(guò)在參數(shù)空間里進(jìn)行簡(jiǎn)單的累加統(tǒng)計(jì)，然后在Hough參數(shù)空間尋找累加器峰值的方法檢測(cè)直線.Hough變換的實(shí)質(zhì)是將圖像空間內(nèi)具有一定關(guān)系的像元進(jìn)行聚類，尋找能把這些像元用某一解析形式聯(lián)系起來(lái)的參數(shù)空間累積對(duì)應(yīng)點(diǎn).在參數(shù)空間不超過(guò)二維的情況下，這種變換有著理想的效果[14].(10)和(11)式分別表示極坐標(biāo)系ρoθ和直角坐標(biāo)系θ下的直線方程：

ρ=xcosθ+ysinθ；

(10)

y=ax+b.

(11)

3.2車道線檢測(cè)

在極坐標(biāo)系ρoθ空間內(nèi)建立二維疊加數(shù)組A，第一維ρ的取值范圍為[-l，l]，l指圖像的對(duì)角線長(zhǎng)度.第二維θ的取值范圍為[0°，180°]，并將數(shù)組A賦值為0.利用Hough變換分別計(jì)算出圖像空間中的各點(diǎn)(xi，yi)所對(duì)應(yīng)的極坐標(biāo)值(ρi，θi)(i= 0，1，2，3，…)并依次賦值給數(shù)組A(ρi，θi)中的相應(yīng)元素，最后所得到的數(shù)組A中的值就是圖像空間中與原點(diǎn)距離為ρ、與x軸夾角為θ的點(diǎn)的數(shù)目[15].由于本文僅考慮單向行駛車道，故圖片中僅檢測(cè)距離行駛車輛所在車道最近的兩條車道線，以左右兩側(cè)的直線束中距離與圖像底部中點(diǎn)坐標(biāo)pmid(x0，y0)最近的直線作為當(dāng)前行駛車的車道線.由(10)式得到圖像底部中心pmid(x0，y0)與車道線的距離

(12)

車道線識(shí)別對(duì)比圖見(jiàn)圖2.由圖2看出，在不經(jīng)過(guò)任何圖像處理的霧天原圖，使用常規(guī)手段無(wú)法檢測(cè)出車道線，而傳統(tǒng)的MSR算法、文獻(xiàn)[7]中的算法以及本文算法都能獲取良好的車道線識(shí)別效果.

(a)霧天原圖

(c)文獻(xiàn)[7]算法

(d)本文算法

4　實(shí)驗(yàn)結(jié)果

雖然MSR算法、文獻(xiàn)[7]算法及本文算法去霧的圖像均能通過(guò)常規(guī)手段對(duì)車道線進(jìn)行識(shí)別，但是圖像的增強(qiáng)效果好壞直接影響后續(xù)霧天防追尾行車系統(tǒng)研究中的準(zhǔn)確性，因此本文對(duì)上述3種算法的增強(qiáng)效果進(jìn)行評(píng)價(jià)分析.

4.1圖像增強(qiáng)效果分析

為了便于對(duì)比，采用圖像信息熵、標(biāo)準(zhǔn)差和清晰度分別對(duì)霧天原圖、MSR算法、文獻(xiàn)[7]算法和本文算法進(jìn)行了計(jì)算，結(jié)果見(jiàn)表1.

表1　圖像增強(qiáng)效果分析

由表1看出，本文算法所得到的去霧圖像信息熵要明顯高于MSR算法，但是為了提高計(jì)算速度棄用了軟摳圖法使得結(jié)果較文獻(xiàn)[7]有所下降；而圖像標(biāo)準(zhǔn)差和清晰度均明顯優(yōu)于文獻(xiàn)[7]和MSR算法.

4.2算法實(shí)時(shí)性分析

4.2.1算法實(shí)時(shí)性計(jì)算

圖3　車道線識(shí)別耗時(shí)對(duì)比

對(duì)于高速行駛的汽車而言不但需要能夠在霧天準(zhǔn)確地識(shí)別出車道線而且必須具備良好的實(shí)時(shí)性，本文對(duì)圖片去霧所采用的實(shí)驗(yàn)平臺(tái):處理器為Pentium Dual-Core 1.86 GHz、內(nèi)存為4 GB運(yùn)行Windows XP的PC機(jī)，編程語(yǔ)言為Matlab R2009a.依次對(duì)大小為256像素×192像素、320像素×240像素、512像素×384像素、640像素×480像素、1 024像素×768像素的圖片進(jìn)行去霧，其運(yùn)行時(shí)間如圖3所示.

4.2.2算法實(shí)時(shí)性對(duì)比

為了定量分析各算法的實(shí)時(shí)性，圖3中圖片大小為256像素×192像素、320像素×240像素、512像素×384像素、640像素×480像素、1 024像素×768像素的圖片，并且定義一個(gè)加權(quán)延滯系數(shù)ψ，即

(13)

(13)式中tj表示第j圖中改進(jìn)算法的時(shí)間；Tj則表示第j圖中MSR算法的時(shí)間.ψ值越小說(shuō)明改進(jìn)算法的相對(duì)實(shí)時(shí)性越好，文獻(xiàn)[7]和本文的加權(quán)延滯系數(shù)分別為ψ1=3.352，ψ2=0.344.顯然本文算法不僅比傳統(tǒng)的MSR算法有效增強(qiáng)圖像清晰度，而且在算法實(shí)時(shí)性上要明顯優(yōu)于文獻(xiàn)[7].

5　結(jié)論

基于MSR改進(jìn)算法的車道線識(shí)別技術(shù)，不但有效地解決了霧霾天氣下僅憑常規(guī)方法無(wú)法準(zhǔn)確識(shí)別車道線的問(wèn)題，而且在提高圖像質(zhì)量的同時(shí)提高了運(yùn)算速度.因此在車道偏離預(yù)警系統(tǒng)中具有廣泛的運(yùn)用價(jià)值，為提高車輛在霧霾天氣中行駛的主動(dòng)安全性，降低交通事故的發(fā)生率具有非凡的意義.但是仍有部分問(wèn)題值得進(jìn)一步研究，對(duì)于在高速行駛中的車輛來(lái)說(shuō)，事故往往是發(fā)生在極短的時(shí)間內(nèi)，因此算法的實(shí)時(shí)性至關(guān)重要，如何保證在擁有較高的識(shí)別準(zhǔn)確率的基礎(chǔ)上進(jìn)一步降低算法的運(yùn)行時(shí)間，仍需不斷的研究和完善.

[1]王榮本，余天洪，郭烈，等. 基于機(jī)器視覺(jué)的車道偏離警告系統(tǒng)研究綜述 [J]. 汽車工程，2005，27(4)：463-466.

[2]KIM Z W. Robust lane detection and tracking in challenging scenarios [J]. IEEE Transactions on Intelligent Transportation Systems，2008，9(1)：16-26.

[3]劉偉，黎寧，張丹，等. 基于自適應(yīng)分割閾值的夜間車道標(biāo)志線識(shí)別[J]. 計(jì)算機(jī)與數(shù)字工程，2015，43(2)：308-309.

[4]陳軍.基于 DSP 的高速公路車道偏離報(bào)警系統(tǒng)研究 [D]. 天津：天津大學(xué)，2010.

[5]祝培，朱虹，錢學(xué)明，等.一種有霧天氣圖像景物影像的清晰化方法 [J]. 中國(guó)圖像圖形學(xué)報(bào)，2004，9(1)：124-128.

[6]JOBSON D J，RAHMAN Z U，WOODELL G A. Properties and performance of a center/surround Retinex [J]. IEEE Transactions on Image Processing，1997，6(3)：451-462.

[7]舒婷，鄧波，陳炳權(quán)，等. 基于暗原色先驗(yàn)與Retinex理論的去霧算法 [J]. 吉首大學(xué)學(xué)報(bào)(自然科學(xué)版)，2014，35(2)：52-56.

[8]肖勝筆，李燕. 具有顏色保真性的快速多尺度Retinex 去霧算法 [J]. 計(jì)算機(jī)工程與應(yīng)用，2015，51(6)：176-180.

[9]肖鐘捷，余文森，程仁貴，等. 基于暗通道先驗(yàn)的快速圖像去霧算法[J]. 吉林師范大學(xué)學(xué)報(bào)(自然科學(xué)版)，2014，8(3)：106-110.

[10]江興方，王戈，沈?yàn)槊? 一種色彩改進(jìn)型Retinex彩色圖像增強(qiáng)方法[J].光電子·激光，2008，19(10)：1402-1403.

[11]JOBSON D J，RAHMAN Z U，WOODELL G A. Properties and performance of a center/surround Retinex [J]. IEEE Transactions on Image Processing，1997，6(3)：451-462.

[12]楊煒. 客運(yùn)車輛危險(xiǎn)行駛狀態(tài)機(jī)器視覺(jué)辨識(shí)系統(tǒng)研究 [D]. 西安：長(zhǎng)安大學(xué)，2013.

[13]金輝，吳樂(lè)林，陳慧巖，等.結(jié)構(gòu)化道路車道線識(shí)別的一種改進(jìn)算法[J]. 北京理工大學(xué)學(xué)報(bào)，2007，27(6)：01-505.

[14]鞠乾翱. 基于機(jī)器視覺(jué)的快速車道線辨識(shí)研究 [D]. 上海：上海交通大學(xué)，2013.

[15]楊喜寧，段建民，高德芝，等.基于改進(jìn)Hough變換的車道線檢測(cè)技術(shù) [J]. 計(jì)算機(jī)測(cè)量與控制，2010，18(2)：292-294.

(責(zé)任編輯：石紹慶)

Lane detection in haze weather based on improved Retinex algorithm

ZHOU Jin-cao1，WEI Lang1，LIU Yong-tao1，ZHANG Zai-ji2，TIAN Shun1

(1. College of Automobile，Chang’an University，Xi’an 710064，China；2. Tianjin Key Lab for Advanced Signal Processing，Civil Aviation University of China，Tianjin 300300，China)

In this paper，a new algorithm based on an improved Retinex algorithm was proposed for lane detection in haze weather which couldn’t be detected by traditional algorithm. Firstly，the lane images in haze weather was enhanced by an improved dark channel prior algorithm and using defogged images as the input image for MSR algrithm to have a further enhancement，ideal image was obtained after brightness enhancement. Binary images of road edges was obtained by Scharr filter and Ostu algorithm then. Finally，the road lane was extracted by Hough transform. Experimental results showed this new algorithm could not only detect road lane in haze weather accurately，but also could improve image quality effectively and has better real-time. Thus has great influence on the improvement of automobile active safety.

haze weather；Retinex algorithm；lane detection；image enhancement；automobile active safety

1000-1832(2016)03-0054-06

2015-09-30

國(guó)家自然科學(xué)基金資助項(xiàng)目(51278062).

周勁草(1989—)，男，博士研究生，主要從事車輛安全工程研究；魏朗(1957—)，男，博士，教授，博士研究生導(dǎo)師，主要從事汽車主動(dòng)安全性、道路事故多發(fā)點(diǎn)與治理方法、道路交通事故分析與再現(xiàn)技術(shù)研究.

TP 391[學(xué)科代碼]580·2010

A

[DOI]10.16163/j.cnki.22-1123/n.2016.03.011