張峻熒　張成?！∧吆轱w　于濤

摘 要：針對智能車輛的彎道檢測問題，本文依據車道線灰度相似特性和攝像頭成像幾何關系提出了一種基于視覺檢測彎道的方法。文中首先介紹了基于形態(tài)學處理的直線檢測方法，其中著重介紹了應用形態(tài)學提取車道信息的方法和利用車道線寬度比例法分割圖像的方法；然后詳細介紹如何根據直線檢測結果和真實車道線的重疊狀態(tài)實現實線曲線的檢測；最后重點介紹了融合實線檢測結果、成像幾何關系、車道投影特征和單目測距模型實現虛線車道線檢測的方法。實驗結果表明基于車道線投影特征、灰度相似特性和攝像頭成像幾何關系的彎道檢測方法具有很強的魯棒性和抗干擾性。

關鍵詞：駕駛輔助；區(qū)域生長；成像幾何；曲線擬合

中圖分類號：U467.5 文獻標識碼：A 文章編號：1005-2550（2016）06-0065-07

Abstract： For detecting the curve lane on all intelligent vehicles，this paper proposed a visual detection method based on the gray similar features on lanes and the imaging geometry of a camera. Firstly this paper introduced a linear detection method based on morphological processing， which focused on the application of morphology to extract the lane information and the image segmentation depending on the lane line width ratio； Then introduced how to realize the detection of solid curve line according to the overlap state between the linear line detection result and the real lane line； Finally introduced the method for detecting the dotted lane line ，which was realized by the fusion of the solid line， the imaging geometry， the lane projection and the visual model. The experimental results showed that the detection method based on the lane line shape features， gray similar characteristics and camera imaging geometry had enough robustness and anti-interference.

Key Words： driving assistance； region growing； morphology； imaging geometry； curve-fitting

前 言

駕駛輔助系統(tǒng)通過感知車輛行駛環(huán)境，結合車輛本身的行駛狀態(tài)來評估當前行車安全性，當存在安全隱患或危險即將發(fā)生時通過視覺、觸覺、聽覺中的一種或多種方式提醒駕駛員，當有必要時可以啟動車輛控制系統(tǒng)以減輕甚至避免危險的發(fā)生。車道線檢測是行車環(huán)境感知中的重要探測目標之一，也是提高其它探測目標如車輛、道路標識、靜止物體等的準確性的常規(guī)且可靠的手段。利用視覺檢測車道線是公認的通用方式。

目前成熟的車道線檢測技術大多都是適用于直道的，而實際的行車環(huán)境中即便是在高速或高等級的道路上，彎道出現的概率也不低，且據國家交通部公布的數據，每年彎道路段事故數量占總事故數平均約10%，故彎道檢測的必要性是不言而喻的。通過準確定位車輛行駛前方彎道車道線位置可以避免彎道上行駛時無意識偏離本車道，也可以排除本車道區(qū)域以外非避撞目標對車輛行駛前方障礙物識別的干擾，提高識別準確率，還可以直接判斷車輛前方道路可行駛區(qū)域以控制車輛的轉向換道、加速、制動避撞等動作。

彎道檢測技術難以成熟應用的主要原因是因為彎道形狀多變、道路模型多樣、干擾多。現有最常用也是普遍認為最有效的彎道視覺識別技術是采用基于道路模型的方法，通過建立一個最適應的車道曲線模型，然后基于車道線邊緣點分布進行模型參數解算。在特定的結構化高等級公路上檢測效果較好，但不同道路工況、車輛顛簸與否條件下的彎道模型都不同，預設模型不能適用于彎道幅度和形狀多變的行車環(huán)境，同時邊緣點是模型參數求解的計算依據，車道線以外的邊緣點會對曲線模型準確性造成影響。

針對彎道識別的需求和已有彎道識別技術存在的不足，本文提出了一種彎道識別方法，能夠適用于彎道幅度和形狀多變的行車環(huán)境且受車道線外干擾點影響小。技術方案框架如圖1所示：采用已經驗證可靠的識別算法進行直線車道線檢測；根據直線檢測結果與實際車道線的重疊狀態(tài)判斷當前行車環(huán)境是否是彎道且有實線，若是則依據車道線像素灰度的相似性檢測實線一側車道線，否則采用前述道路模型擬合的方法進行兩側車道線檢測；在實線檢測結束后融合實線分布狀態(tài)、車道投影特征、單目測距模型實現虛線曲線的檢測。

1 線性車道線檢測

智能車輛視覺系統(tǒng)通過攝像頭采集RGB圖像，根據通用的R、G、B分量提取方法按照30：59：11的比例進行圖像灰度化以減少計算量；使用形態(tài)學進行圖像預處理以消除掉部分非目標信息，凸顯有用的目標信息；進行灰度拉伸增強圖像對比度，便于后續(xù)的圖像分割；針對已經形態(tài)學預處理車道線灰度特征明顯的特點，采用計算量小的寬度比例法進行車道線二值化將車道線從背景中分割出來；依據車道線形狀特性使用sobel左右分區(qū)45°算子進行邊緣提??；根據車道線在圖像中的分布范圍利用設定區(qū)域約束的霍夫變換實現最終線性車道線的檢測。對圖像的有效信息進行分析不難發(fā)現道路上的車道線一般位于整個圖像的下方約2/3區(qū)域，上方其余區(qū)域是天空等非路面區(qū)域。為了減少計算量，增強車道線檢測的實時性、準確性，本文的算法只對整個圖像下方的2/3區(qū)域進行處理。

1.1 形態(tài)學處理提取車道線

形態(tài)學是以形態(tài)結構元素為基礎對圖像進行分析的數學工具，基本思想是用具有一定形態(tài)的結構元素去度量和提取圖像中對應的形狀，以達到消除圖像中無關信息從而增強目標的可檢測性和最大限度簡化數據的目的。運用形態(tài)學可以從原圖中將車道線特征提取出來，排除原圖中大部分干擾因素。

采用尺寸較大的線性結構元對圖像進行先腐蝕處理后膨脹處理可以將車道線及與其相似的特征從圖像上去除，而將其它信息加以凸顯。通過對比形態(tài)學處理前后的圖像，從特征差異中提取出主要包含車道線信息的車道線特征圖。再利用尺寸較小的3*3結構元對車道線特征圖像進行先腐蝕后膨脹的處理以有效消除較小的干擾因素，如車道印跡。

1.2 車道線二值化

從圖3b）中可以看出，圖像本身信息已經簡化，圖像中目標相對單一，為了提高檢測準確性并減少計算量，本文采用車道線寬度比例法實現車道線的二值化，其依據是車道線在圖像中所占的寬度范圍的可標定性。當攝像頭安裝角度固定時，車道線寬度的像素數范圍即可通過MATLAB等軟件進行確定，即車道線寬度所占像素數與圖像總像素數比例范圍Ф可定。根據經驗和研究的可行性，我們一般將圖像下方2/3區(qū)域分為兩區(qū)，靠近圖像底部的1/3部分為近視野區(qū)，其余部分為遠視野區(qū)，如圖4所示。顯然在圖像中近視野區(qū)的車道線寬度像素數多于遠視野區(qū)的車道線寬度像素數，故在進行閾值分割時遠近視野區(qū)使用不同的車道線寬度比例。

2 實線曲線檢測

2.1 車道線缺口填充

由于光照或路面干擾影響，有的圖像中實線車道線二值化后不連續(xù)，會影響實線一側的檢測，如圖7a）圓圈標記處的缺口。形態(tài)學閉運算可以用來填充比結構元素小的區(qū)域內細小空洞、連接鄰近區(qū)域并不明顯改變其形狀，利用形態(tài)學閉運算可以有效地對車道線上的缺口進行填充。

2.2 確定實線曲線檢測的起始位置

實線一側由部分直線和部分曲線拼接而成，在檢測過程中直線部分保留前述檢測結果，曲線部分采用基于局部灰度相似性進行檢測，拼接的一個關鍵問題是正確如何確定直線和曲線的分離點來保證檢測的魯棒性，而該分離點在不同道路、不同行車工況和狀態(tài)中是動態(tài)變化的，會隨機出現在遠視野區(qū)或近視野區(qū)的任何位置。車道線二值化圖中實線一側上像素值相同（均為255）且通過閉運算處理之后基本連續(xù)，從此特性出發(fā)，分析直線檢測結果（圖8a））和二值化車道線重疊狀態(tài)（圖8b）），在圖8b）中從下往上逐個查找二者的不重疊像素點位置，并通過各位置鄰近行、列特特征對比的約束條件確定分離點（圖8c）中“X”標記處），分離點所在行即為實線曲線檢測的起始行。

2.3 依據車道線像素灰度的相似性檢測實線車道線

車道線二值化閉運算圖中實線上灰度都是255，基于局部灰度相似性從圖8c）中分離點“X”和其所在行開始往上對所有相連且灰度為255的像素點逐個進行像素合并，合并過程中將被合并的每行車道線邊緣位置更新到前述記錄的車道線位置數據PL[NUMLINES]或PR[NUMLINES]中直到完成實線曲線檢測。當兩側均為實線時，到此即完成了彎道檢測，效果如圖10所示；當另一側為虛線時（圖9），還需要繼續(xù)進行虛線檢測。

3 虛線曲線檢測

根據單目攝像頭的投影特征，建立了行車環(huán)境中目標縱向分布位置在攝像頭中的成像幾何關系，如圖11a）所示，與此對應的真實車道線信息在空間坐標中的位置模型如圖11b）所示，目標成像效果如圖11c）所示。其中圖11b）和圖11c）中下方的四個“X”點為虛線曲線擬合的參照點，在整個擬合中參照點一旦確定即不發(fā)生變化。標記“？”表示待擬合的點，即從擬合起始行StH行向上逐行開始的虛線側的邊緣點。

圖11c）中第一行兩個參照點是左右車道線直線檢測結果與圖像底邊的交點，其像素位置即PL[0]、PR[0]，（Dy0，δL0）和（Dy0，δR0）分別是兩個參照點在空間坐標系中與攝像頭安裝位置的縱向距離和橫向夾角；StH是左側虛線擬合的起始行位置，其確定方法類似于實線上曲線部分與直線部分分離點的查找方法，即基于直線檢測結果與實際車道線的重疊狀態(tài)，但由于虛線一側是不連續(xù)的，故查找方向是自上而下，PL[StH-1]和PR[StH-1]分別是此行上的兩個參照點像素位置，（Dy1，δL1）和（Dy1，δR1）分別是這兩個參照點在空間坐標系中與攝像頭安裝位置的縱向距離和橫向夾角；m表示從StH往上各行的行位置，PR[StH-1]是此行上的實線上參照點像素位置，（Dy2，δR2）是此參照點在空間坐標系中與攝像頭安裝位置的縱向距離和橫向夾角。

3.1 位置模型建立

3.2 虛線擬合

與虛線上各像素點有關聯(lián)的數據包括三維空間中實線側與虛線側基本穩(wěn)定的橫向間距、圖像中同一像素行上實線側車道邊緣點的像素坐標和該行距離攝像頭的縱向距離，同時從圖11b）和已建立的關系模型中可以看出這三個參數也是計算虛線側位置數據PL[]的必須已知量，這三個參數中前兩者均已已知，未知的參數Dy2需要計算。

4 算法分析與測試

4.1 測試結果

為了驗證本文提及的方法的效果，在Visual C++ 6.0平臺上完成了所提技術方案與基于道路模型擬合的對比實驗。本車道兩側均為虛線時檢測方法相同，故對比測試是針對的兩車道高速或市區(qū)彎道公路工況。測試中道路預設模型為性能較好的回旋曲線模型，從測試中提取了三段連續(xù)的高速公路圖像樣本，每段連續(xù)圖像分別包括了700幀圖片，并從測試中分別提取了出現車輛顛簸的圖像樣本和路面出現干擾標識的圖像樣本。

從測試數據和效果可以看出：基于道路模型擬合的方法雖然在彎道形狀與預設模型特征一致的工況中檢測效果理想，但此方法不適用于彎道形狀與預設模型不一致工況。而本文所提的技術方案從原理上考慮了算法工況適應性問題，具有較強的魯棒性：當彎道的幅度和形狀發(fā)生變化時，實線內部的灰度合并方向、起始位置會跟隨車道線分布狀態(tài)動態(tài)調整，故適用于彎道形狀多變、路面不平坦的行車環(huán)境；且實線車道線的檢測只在連通的實線內部進行灰度合并，而車道線以外的干擾通常不和實線車道線連通，故算法抗干擾能力強。

5 結論

研究的彎道識別算法與傳統(tǒng)的分段直線模型、道路模型擬合方法相比，通過動態(tài)檢測能準確判斷彎道的起始位置和走向，搭建的車道位置模型能較好地擬合出彎道的真實形狀和位置。通過大量道路圖像的驗證測試，本算法適用于彎道形狀多變的行車工況，具有較強的魯棒性。

參考文獻：

[1]徐巖， 雷濤.XU Yan，LEI Tao. 基于形態(tài)學方法的車道線檢測算法研究[期刊論文]-鐵道學報2009（1）.

[2]劉濤， 黃席樾， 周欣， 黎昱. LIU Tao， HUANG Xiyue， ZHOU Xin， NI Yu.高速公路彎道識別算法[期刊論文]-重慶大學學報2003（7）.

[3]葛平淑， 徐國凱， 宮長明， 趙秀春. GE Pingshu，XU Guokai， GONG Changming， ZHAO Xiuchun. 基于特征點提取的彎道識別算法研究[期刊論文]-大連民族學院學報2014（1）.

[4]黃席樾， 汪先矩， 柴毅， 周欣， 黃瀚敏. HUANG Xiyue， WANG Xianju， CHAI Yi， ZHOU Xin， HUANG Hanmin. 基于道路幾何模型的單目測距算法[期刊論文]-重慶大學學報2000（3）.