張峻熒　張成?！∧吆轱w　于濤

摘 要：針對(duì)智能車輛的彎道檢測(cè)問(wèn)題，本文依據(jù)車道線灰度相似特性和攝像頭成像幾何關(guān)系提出了一種基于視覺(jué)檢測(cè)彎道的方法。文中首先介紹了基于形態(tài)學(xué)處理的直線檢測(cè)方法，其中著重介紹了應(yīng)用形態(tài)學(xué)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(xì)介紹如何根據(jù)直線檢測(cè)結(jié)果和真實(shí)車道線的重疊狀態(tài)實(shí)現(xiàn)實(shí)線曲線的檢測(cè)；最后重點(diǎn)介紹了融合實(shí)線檢測(cè)結(jié)果、成像幾何關(guān)系、車道投影特征和單目測(cè)距模型實(shí)現(xiàn)虛線車道線檢測(cè)的方法。實(shí)驗(yàn)結(jié)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(guān)系的彎道檢測(cè)方法具有很強(qiáng)的魯棒性和抗干擾性。

關(guān)鍵詞：駕駛輔助；區(qū)域生長(zhǎng)；成像幾何；曲線擬合

中圖分類號(hào)：U467.5 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：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(guò)感知車輛行駛環(huán)境，結(jié)合車輛本身的行駛狀態(tài)來(lái)評(píng)估當(dāng)前行車安全性，當(dāng)存在安全隱患或危險(xiǎn)即將發(fā)生時(shí)通過(guò)視覺(jué)、觸覺(jué)、聽(tīng)覺(jué)中的一種或多種方式提醒駕駛員，當(dāng)有必要時(shí)可以啟動(dòng)車輛控制系統(tǒng)以減輕甚至避免危險(xiǎn)的發(fā)生。車道線檢測(cè)是行車環(huán)境感知中的重要探測(cè)目標(biāo)之一，也是提高其它探測(cè)目標(biāo)如車輛、道路標(biāo)識(shí)、靜止物體等的準(zhǔn)確性的常規(guī)且可靠的手段。利用視覺(jué)檢測(cè)車道線是公認(rèn)的通用方式。

目前成熟的車道線檢測(cè)技術(shù)大多都是適用于直道的，而實(shí)際的行車環(huán)境中即便是在高速或高等級(jí)的道路上，彎道出現(xiàn)的概率也不低，且據(jù)國(guó)家交通部公布的數(shù)據(jù)，每年彎道路段事故數(shù)量占總事故數(shù)平均約10%，故彎道檢測(cè)的必要性是不言而喻的。通過(guò)準(zhǔn)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(shí)無(wú)意識(shí)偏離本車道，也可以排除本車道區(qū)域以外非避撞目標(biāo)對(duì)車輛行駛前方障礙物識(shí)別的干擾，提高識(shí)別準(zhǔn)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(zhuǎn)向換道、加速、制動(dòng)避撞等動(dòng)作。

彎道檢測(cè)技術(shù)難以成熟應(yīng)用的主要原因是因?yàn)閺澋佬螤疃嘧?、道路模型多樣、干擾多?，F(xiàn)有最常用也是普遍認(rèn)為最有效的彎道視覺(jué)識(shí)別技術(shù)是采用基于道路模型的方法，通過(guò)建立一個(gè)最適應(yīng)的車道曲線模型，然后基于車道線邊緣點(diǎn)分布進(jìn)行模型參數(shù)解算。在特定的結(jié)構(gòu)化高等級(jí)公路上檢測(cè)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(yù)設(shè)模型不能適用于彎道幅度和形狀多變的行車環(huán)境，同時(shí)邊緣點(diǎn)是模型參數(shù)求解的計(jì)算依據(jù)，車道線以外的邊緣點(diǎn)會(huì)對(duì)曲線模型準(zhǔn)確性造成影響。

針對(duì)彎道識(shí)別的需求和已有彎道識(shí)別技術(shù)存在的不足，本文提出了一種彎道識(shí)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(diǎn)影響小。技術(shù)方案框架如圖1所示：采用已經(jīng)驗(yàn)證可靠的識(shí)別算法進(jìn)行直線車道線檢測(cè)；根據(jù)直線檢測(cè)結(jié)果與實(shí)際車道線的重疊狀態(tài)判斷當(dāng)前行車環(huán)境是否是彎道且有實(shí)線，若是則依據(jù)車道線像素灰度的相似性檢測(cè)實(shí)線一側(cè)車道線，否則采用前述道路模型擬合的方法進(jìn)行兩側(cè)車道線檢測(cè)；在實(shí)線檢測(cè)結(jié)束后融合實(shí)線分布狀態(tài)、車道投影特征、單目測(cè)距模型實(shí)現(xiàn)虛線曲線的檢測(cè)。

1 線性車道線檢測(cè)

智能車輛視覺(jué)系統(tǒng)通過(guò)攝像頭采集RGB圖像，根據(jù)通用的R、G、B分量提取方法按照30：59：11的比例進(jìn)行圖像灰度化以減少計(jì)算量；使用形態(tài)學(xué)進(jìn)行圖像預(yù)處理以消除掉部分非目標(biāo)信息，凸顯有用的目標(biāo)信息；進(jìn)行灰度拉伸增強(qiáng)圖像對(duì)比度，便于后續(xù)的圖像分割；針對(duì)已經(jīng)形態(tài)學(xué)預(yù)處理車道線灰度特征明顯的特點(diǎn)，采用計(jì)算量小的寬度比例法進(jìn)行車道線二值化將車道線從背景中分割出來(lái)；依據(jù)車道線形狀特性使用sobel左右分區(qū)45°算子進(jìn)行邊緣提??；根據(jù)車道線在圖像中的分布范圍利用設(shè)定區(qū)域約束的霍夫變換實(shí)現(xiàn)最終線性車道線的檢測(cè)。對(duì)圖像的有效信息進(jìn)行分析不難發(fā)現(xiàn)道路上的車道線一般位于整個(gè)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(jì)算量，增強(qiáng)車道線檢測(cè)的實(shí)時(shí)性、準(zhǔn)確性，本文的算法只對(duì)整個(gè)圖像下方的2/3區(qū)域進(jìn)行處理。

1.1 形態(tài)學(xué)處理提取車道線

形態(tài)學(xué)是以形態(tài)結(jié)構(gòu)元素為基礎(chǔ)對(duì)圖像進(jìn)行分析的數(shù)學(xué)工具，基本思想是用具有一定形態(tài)的結(jié)構(gòu)元素去度量和提取圖像中對(duì)應(yīng)的形狀，以達(dá)到消除圖像中無(wú)關(guān)信息從而增強(qiáng)目標(biāo)的可檢測(cè)性和最大限度簡(jiǎn)化數(shù)據(jù)的目的。運(yùn)用形態(tài)學(xué)可以從原圖中將車道線特征提取出來(lái)，排除原圖中大部分干擾因素。

采用尺寸較大的線性結(jié)構(gòu)元對(duì)圖像進(jìn)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(guò)對(duì)比形態(tài)學(xué)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(jié)構(gòu)元對(duì)車道線特征圖像進(jìn)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(jīng)簡(jiǎn)化，圖像中目標(biāo)相對(duì)單一，為了提高檢測(cè)準(zhǔn)確性并減少計(jì)算量，本文采用車道線寬度比例法實(shí)現(xiàn)車道線的二值化，其依據(jù)是車道線在圖像中所占的寬度范圍的可標(biāo)定性。當(dāng)攝像頭安裝角度固定時(shí)，車道線寬度的像素?cái)?shù)范圍即可通過(guò)MATLAB等軟件進(jìn)行確定，即車道線寬度所占像素?cái)?shù)與圖像總像素?cái)?shù)比例范圍Ф可定。根據(jù)經(jīng)驗(yàn)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(yuǎn)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?cái)?shù)多于遠(yuǎn)視野區(qū)的車道線寬度像素?cái)?shù)，故在進(jìn)行閾值分割時(shí)遠(yuǎn)近視野區(qū)使用不同的車道線寬度比例。

2 實(shí)線曲線檢測(cè)

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(shí)線車道線二值化后不連續(xù)，會(huì)影響實(shí)線一側(cè)的檢測(cè)，如圖7a）圓圈標(biāo)記處的缺口。形態(tài)學(xué)閉運(yùn)算可以用來(lái)填充比結(jié)構(gòu)元素小的區(qū)域內(nèi)細(xì)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(xué)閉運(yùn)算可以有效地對(duì)車道線上的缺口進(jìn)行填充。

2.2 確定實(shí)線曲線檢測(cè)的起始位置

實(shí)線一側(cè)由部分直線和部分曲線拼接而成，在檢測(cè)過(guò)程中直線部分保留前述檢測(cè)結(jié)果，曲線部分采用基于局部灰度相似性進(jìn)行檢測(cè)，拼接的一個(gè)關(guān)鍵問(wèn)題是正確如何確定直線和曲線的分離點(diǎn)來(lái)保證檢測(cè)的魯棒性，而該分離點(diǎn)在不同道路、不同行車工況和狀態(tài)中是動(dòng)態(tài)變化的，會(huì)隨機(jī)出現(xiàn)在遠(yuǎn)視野區(qū)或近視野區(qū)的任何位置。車道線二值化圖中實(shí)線一側(cè)上像素值相同（均為255）且通過(guò)閉運(yùn)算處理之后基本連續(xù)，從此特性出發(fā)，分析直線檢測(cè)結(jié)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(gè)查找二者的不重疊像素點(diǎn)位置，并通過(guò)各位置鄰近行、列特特征對(duì)比的約束條件確定分離點(diǎn)（圖8c）中“X”標(biāo)記處），分離點(diǎn)所在行即為實(shí)線曲線檢測(cè)的起始行。

2.3 依據(jù)車道線像素灰度的相似性檢測(cè)實(shí)線車道線

車道線二值化閉運(yùn)算圖中實(shí)線上灰度都是255，基于局部灰度相似性從圖8c）中分離點(diǎn)“X”和其所在行開始往上對(duì)所有相連且灰度為255的像素點(diǎn)逐個(gè)進(jìn)行像素合并，合并過(guò)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(shù)據(jù)PL[NUMLINES]或PR[NUMLINES]中直到完成實(shí)線曲線檢測(cè)。當(dāng)兩側(cè)均為實(shí)線時(shí)，到此即完成了彎道檢測(cè)，效果如圖10所示；當(dāng)另一側(cè)為虛線時(shí)（圖9），還需要繼續(xù)進(jìn)行虛線檢測(cè)。

3 虛線曲線檢測(cè)

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

圖11c）中第一行兩個(gè)參照點(diǎn)是左右車道線直線檢測(cè)結(jié)果與圖像底邊的交點(diǎn)，其像素位置即PL[0]、PR[0]，（Dy0，δL0）和（Dy0，δR0）分別是兩個(gè)參照點(diǎn)在空間坐標(biāo)系中與攝像頭安裝位置的縱向距離和橫向夾角；StH是左側(cè)虛線擬合的起始行位置，其確定方法類似于實(shí)線上曲線部分與直線部分分離點(diǎn)的查找方法，即基于直線檢測(cè)結(jié)果與實(shí)際車道線的重疊狀態(tài)，但由于虛線一側(cè)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(gè)參照點(diǎn)像素位置，（Dy1，δL1）和（Dy1，δR1）分別是這兩個(gè)參照點(diǎn)在空間坐標(biāo)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(shí)線上參照點(diǎn)像素位置，（Dy2，δR2）是此參照點(diǎn)在空間坐標(biāo)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(diǎn)有關(guān)聯(lián)的數(shù)據(jù)包括三維空間中實(shí)線側(cè)與虛線側(cè)基本穩(wěn)定的橫向間距、圖像中同一像素行上實(shí)線側(cè)車道邊緣點(diǎn)的像素坐標(biāo)和該行距離攝像頭的縱向距離，同時(shí)從圖11b）和已建立的關(guān)系模型中可以看出這三個(gè)參數(shù)也是計(jì)算虛線側(cè)位置數(shù)據(jù)PL[]的必須已知量，這三個(gè)參數(shù)中前兩者均已已知，未知的參數(shù)Dy2需要計(jì)算。

4 算法分析與測(cè)試

4.1 測(cè)試結(jié)果

為了驗(yàn)證本文提及的方法的效果，在Visual C++ 6.0平臺(tái)上完成了所提技術(shù)方案與基于道路模型擬合的對(duì)比實(shí)驗(yàn)。本車道兩側(cè)均為虛線時(shí)檢測(cè)方法相同，故對(duì)比測(cè)試是針對(duì)的兩車道高速或市區(qū)彎道公路工況。測(cè)試中道路預(yù)設(shè)模型為性能較好的回旋曲線模型，從測(cè)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(cè)試中分別提取了出現(xiàn)車輛顛簸的圖像樣本和路面出現(xiàn)干擾標(biāo)識(shí)的圖像樣本。

從測(cè)試數(shù)據(jù)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(yù)設(shè)模型特征一致的工況中檢測(cè)效果理想，但此方法不適用于彎道形狀與預(yù)設(shè)模型不一致工況。而本文所提的技術(shù)方案從原理上考慮了算法工況適應(yīng)性問(wèn)題，具有較強(qiáng)的魯棒性：當(dāng)彎道的幅度和形狀發(fā)生變化時(shí)，實(shí)線內(nèi)部的灰度合并方向、起始位置會(huì)跟隨車道線分布狀態(tài)動(dòng)態(tài)調(diào)整，故適用于彎道形狀多變、路面不平坦的行車環(huán)境；且實(shí)線車道線的檢測(cè)只在連通的實(shí)線內(nèi)部進(jìn)行灰度合并，而車道線以外的干擾通常不和實(shí)線車道線連通，故算法抗干擾能力強(qiáng)。

5 結(jié)論

研究的彎道識(shí)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(guò)動(dòng)態(tài)檢測(cè)能準(zhǔn)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?cái)M合出彎道的真實(shí)形狀和位置。通過(guò)大量道路圖像的驗(yàn)證測(cè)試，本算法適用于彎道形狀多變的行車工況，具有較強(qiáng)的魯棒性。

參考文獻(xiàn)：

[1]徐巖， 雷濤.XU Yan，LEI Tao. 基于形態(tài)學(xué)方法的車道線檢測(cè)算法研究[期刊論文]-鐵道學(xué)報(bào)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(shí)別算法[期刊論文]-重慶大學(xué)學(xué)報(bào)2003（7）.

[3]葛平淑， 徐國(guó)凱， 宮長(zhǎng)明， 趙秀春. GE Pingshu，XU Guokai， GONG Changming， ZHAO Xiuchun. 基于特征點(diǎn)提取的彎道識(shí)別算法研究[期刊論文]-大連民族學(xué)院學(xué)報(bào)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(cè)距算法[期刊論文]-重慶大學(xué)學(xué)報(bào)2000（3）.