吳志軍，馬林才，劉大學(xué)

（浙江交通職業(yè)技術(shù)學(xué)院，浙江 杭州 31112）

面向車道線圖像識別的多種濾波方式對比分析

吳志軍，馬林才，劉大學(xué)

（浙江交通職業(yè)技術(shù)學(xué)院，浙江 杭州 31112）

針對圖像預(yù)處理的結(jié)果會影響車道線識別精度和速度的問題，文中選取二維小波包分解濾波、中值濾波和銳化濾波對某一汽車常用工況下的車道線圖像分別進(jìn)行濾波降噪，采用Sobel算子對未經(jīng)濾波處理和經(jīng)過3種濾波處理的車道線圖像進(jìn)行了邊緣檢測。結(jié)果顯示二維小波包分解濾波處理后的圖像能識別的車道線特征點數(shù)目最多，中值濾波處理后的圖像能識別的車道線特征點占比最高，銳化濾波處理后的圖像識別速度最快。

車道線；二維小波包分解濾波；中值濾波；銳化濾波

1 概述

隨著汽車工業(yè)在中國的高速發(fā)展，汽車主動安全性能正逐步成為人們重點關(guān)注的性能指標(biāo)之一。作為汽車主動安全系統(tǒng)之一的車道保持系統(tǒng)（Lane Keeping System, LKS）在汽車主動安全領(lǐng)域扮演的角色越來越重要。研究表明，大約15%的道路交通事故是由車輛駛離公路造成的[1]，車道保持系統(tǒng)能夠有效地減少道路交通事故的發(fā)生。目前，關(guān)于車道保持系統(tǒng)的研究主要集中在兩個方面：一是當(dāng)檢測到車輛在行駛過程中偏離車道時，系統(tǒng)向駕駛員發(fā)出車道偏離警告信號[2-3]；二是系統(tǒng)發(fā)送警告信號的同時，通過干預(yù)轉(zhuǎn)向系統(tǒng)，糾正車輛姿態(tài)，使車輛行駛在正確的車道上，從而保證駕駛員的行車安全[4-5]。

不管系統(tǒng)是否帶有干預(yù)功能，車道線的識別是車道保持系統(tǒng)的核心部分，其識別質(zhì)量的好壞直接影響著整個系統(tǒng)控制結(jié)果。圖像在采集、獲取、傳送和轉(zhuǎn)換過程中通常會受到隨機(jī)信號的干擾，大量噪聲會導(dǎo)致圖像的質(zhì)量下降，同時也會掩蓋車道線信息，因此，在圖像中的車道線進(jìn)行識別前，還需對圖像進(jìn)行預(yù)處理—濾波降噪。為了盡可能降低噪聲對車道線識別結(jié)果的影響，本文選取了二維小波包分解濾波、中值濾波和銳化濾波3種方式，利用Matlab編程工具對某一汽車常用工況下的車道線圖像分別進(jìn)行了濾波，并對3種濾波結(jié)果進(jìn)行了分析。

2 3種濾波方式

（1）維小波包分解濾波。二維小波包分解能將頻帶進(jìn)行多層次劃分，對分辨率分析沒有細(xì)分的高頻部分進(jìn)一步分解，且能依據(jù)被分析特征自適應(yīng)地選擇相應(yīng)的頻帶，使之與信號頻譜向匹配，從而提高時頻分辨率[6]。它屬于線性時頻分析法，具有良好的時頻定位特性以及對信號的自適應(yīng)能力。具體分解算法和重構(gòu)算法如下。

Matlab M語言編程如下：

T=wpdec2（f,1,’sym2’）;

thr=10;

NT=wpthcoef（T,0,’s’,thr）;

f2=wprcoef（NT,1）;

（2）中值濾波。中值濾波是一種局部空間域處理的算法，其基本原理是用幾個像素灰度的平均值來代替每個像素的灰度[7]。設(shè)圖像f（x,y），濾波處理后得到的一幅圖像為g（x,y）。

式中，x,y=0,1,2,…,N-1；S是（x,y）點鄰域中點的坐標(biāo)集合，但其中不包括（x,y）點，M是集合內(nèi)坐標(biāo)點的總數(shù)。式（5）說明了濾波后的圖像g（x,y）中的每個像素的灰度值均有包含在（x,y）的預(yù)定鄰域中的f（x,y）的幾個像素的灰度值的平均值來決定。

（3）銳化濾波。車道線邊緣模糊使得圖像特征提取、識別和理解的難度加大，銳化圖像能夠增強(qiáng)圖像邊緣特征，使得邊緣變得清晰、易處理。圖像銳化有多種方式，如梯度法、銳化算子、拉普拉斯算子、掩模法等。本文采用拉普拉斯算子，這是常用的邊緣增強(qiáng)處理算子，比較適用于改善因光線的漫反射造成的圖像模糊。離散函數(shù)的拉普拉斯算子公式[8]為：

對于式（6）也可用拉普拉斯算子模板來表示

3 濾波結(jié)果分析

本文選取某段高速公路的車道線圖像，尺寸為640×480。為了降低運(yùn)算量，提高運(yùn)算速率，筆者將原始彩色圖像進(jìn)行了灰度化處理，并在此基礎(chǔ)之上，利用Matlab編程工具以3種不同濾波方式對灰度化的原始圖像進(jìn)行降噪，結(jié)果如圖1所示。中值濾波方式能有效地去除圖像中的椒鹽噪音，但是相比較原始圖像，車道線的邊緣變得模糊。銳化濾波方式能增強(qiáng)車道線邊緣的特征，有助于提取車道線信息，但是同時也強(qiáng)化了圖像中環(huán)境區(qū)域的噪音。二維小波包分解方式結(jié)果介于中值濾波方式和銳化濾波方式，車道線邊緣特征比中值濾波方式的結(jié)果要稍好些，但是要稍弱于銳化濾波方式。

（a）原始圖像的灰度圖

（b）二維小波包分解

（c）中值濾波

圖1 3種濾波方式結(jié)果

針對未經(jīng)濾波處理和經(jīng)過3種濾波處理的車道線圖像，本文采用Sobel算子進(jìn)行車道線的邊緣檢測，檢測結(jié)果如圖2和表1所示。

圖2 3種濾波方式處理后的圖像邊緣檢測結(jié)果

表1 3種濾波方式的圖像車道線檢測結(jié)果對比分析

對圖2中的4幅圖像設(shè)定感興趣區(qū)域，確保該區(qū)域能夠全部包圍車道線圖像信息，以此去除車道線以外的其他特征點，結(jié)果如圖3所示。運(yùn)行時間是指對圖1進(jìn)行邊緣檢測時程序執(zhí)行的時間，每組循環(huán)測試1 000次，做4組，取每次運(yùn)行時間的平均值。

圖3 3種濾波方式處理后的圖像車道線檢測結(jié)果

銳化濾波處理后圖像的邊緣有所增強(qiáng)，識別的邊緣特征點數(shù)目最多，達(dá)8 775個，但是車道線特征點數(shù)目要較少于二維小波包分解濾波處理后的圖像，運(yùn)行時間0.014 2 s與未經(jīng)處理的圖像相近，快于另外兩種濾波處理后的圖像。中值濾波處理后圖像的邊緣變得模糊，因此，識別的邊緣特征點數(shù)目和車道線特征點數(shù)目要小于另外3種情形。由于中值濾波能夠把環(huán)境的椒鹽噪間去除，模糊了干擾源的邊緣，因此，其車道線特征點占邊緣特征點的比值是最高的，達(dá)21.9%。

4 結(jié)語

本文通過對某一汽車常用工況下的車道線圖像分別進(jìn)行二維小波包分解濾波、中值濾波和銳化濾波，結(jié)果表明車道邊緣強(qiáng)化方面，銳化濾波要強(qiáng)于另外兩種，中值濾波最弱。為進(jìn)一步了解3種濾波方式處理后的圖像對車道線識別的影響，本文采用Sobel算子對未經(jīng)濾波處理和經(jīng)過3種濾波處理的車道線圖像進(jìn)行了邊緣檢測，結(jié)果顯示二維小波包分解濾波處理后的圖像能識別的車道線特征點數(shù)目最多，中值濾波處理后的圖像盡管識別的車道線特征點數(shù)目最少，但是占比最高，銳化濾波處理后的圖像識別速度最快。

[1]National Highway Traffic Safety Administration.Traffic safety facts 2007：NHTSA’s national center for statistics & analysis[R]. National Highway Traffic Safety Administration，2008.

[2]林廣宇，魏朗，蹇小平.基于嵌入式的車輛偏離預(yù)警系統(tǒng)研究[J].電子設(shè)計工程，2010（18）：26-28.

[3]秦洪懋.基于駕駛行為的車道偏離預(yù)警系統(tǒng)關(guān)鍵技術(shù)研究[D].南京：江蘇大學(xué)，2014.

[4]張海林.基于電動轉(zhuǎn)向的車道保持系統(tǒng)[D].北京：清華大學(xué)，2012.

[5]孔悅. 基于虛擬行駛環(huán)境下的汽車車道保持技術(shù)研究[D].吉林：吉林大學(xué)，2015.

[6]張德豐. 數(shù)字圖像處理（MATLAB版）[M].北京：人民郵電出版社，2009.

[7]賀興華，周媛媛，王繼陽，等. MATLAB7.x圖像處理[M].北京：人民郵電出版社，2006.

[8]楊丹，趙海濱，龍哲，等. MATLAB圖像處理實例詳解[M].北京：清華大學(xué)出版社，2013.

Comparable analysis of multiple filtering methods for lane line image recognition

Wu Zhijun, Ma Lincai, Liu Daxue
（Zhejiang institute of communications, Zhejiang 31112, China）

With regarding to the problem that results of the image pre-processing will affect the identification of lane line in its accuracy and speed,this paper chooses the decomposition filtering, median filtering and sharpening filtering of two-dimensional wavelet packet to filter the noise of the lane line image for the particular vehicle under common operating condition and the Sobel operator is used to test the the edge of the lane line images of those which has non-filtering processing and experienced three filtering processes.The results show that images,which have been processed by the decomposition filtering by the two-dimensional wavelet packet,identify the largest number of lane line feature points;images,which have been processed by the median filtering,identify the highest proportion of lane line feature points;images,which have been processed by the sharpening filtering have the highest identification speed.

lane line; decomposition filtering of two-dimensional wavelet packet ; median filtering; sharpening filtering

浙江省科技計劃項目；項目編號：2015C31056。

吳志軍（1989— ），男，浙江蒼南，助教，碩士；研究方向：圖像處理，智能汽車。