孫家闊，劉揚(yáng)

(北京建筑大學(xué) 智慧城市研究所，北京 102616)

基于城市實(shí)景影像的車道線檢測(cè)方法研究

孫家闊*，劉揚(yáng)

(北京建筑大學(xué) 智慧城市研究所，北京 102616)

城市道路車道線檢測(cè)和跟蹤已經(jīng)成為智能輔助駕駛的核心技術(shù)和熱點(diǎn)研究領(lǐng)域。為了更好地實(shí)現(xiàn)該項(xiàng)技術(shù)，完成自動(dòng)化檢測(cè)系統(tǒng)，本文通過分析多種算法，提出了Sobel算子和Hough變換相結(jié)合的方式提取道路線。經(jīng)驗(yàn)證，該方法能準(zhǔn)確識(shí)別出感興趣區(qū)域內(nèi)的道路線，滿足文中提取道路線的要求。

道路識(shí)別與檢測(cè)；Sobel算子；Hough；感興趣區(qū)域

1 引 言

道路檢測(cè)是基于視覺的車輛導(dǎo)航中的關(guān)鍵技術(shù)之一。從我國(guó)道路檢測(cè)行業(yè)發(fā)展現(xiàn)狀來(lái)看，道路檢測(cè)問題可以簡(jiǎn)化為車道線的檢測(cè)問題。車道線的檢測(cè)與識(shí)別還在車道偏離預(yù)警系統(tǒng)、防碰撞系統(tǒng)等方面發(fā)揮著很重要的作用，目前已有不少相關(guān)技術(shù)公之于世。

在道路檢測(cè)過程中，車道線識(shí)別的工作主要包括兩個(gè)方面：首先是對(duì)原始圖像進(jìn)行預(yù)處理，目的是為了減少圖像受光照、氣候等不可避免因素的影響，以提高視覺系統(tǒng)的順應(yīng)性；另一方面是車道線特征點(diǎn)的提取。因此，在車道線檢測(cè)過程中，通過對(duì)感興趣區(qū)域的選取，縮小處理范圍，增加圖像預(yù)處理效果，為道路線的檢測(cè)和識(shí)別提供更準(zhǔn)確的判斷。本文嘗試多種算法，通過分析實(shí)驗(yàn)，選取出最適合本文所采取數(shù)據(jù)的檢測(cè)方法。

2 道路檢測(cè)流程

車道線提取是車輛輔助駕駛系統(tǒng)中的基礎(chǔ)部分。本文的道路檢測(cè)流程為圖像讀取、設(shè)定感興趣區(qū)域、圖像預(yù)處理，最后對(duì)圖像道路線進(jìn)行提取。在對(duì)圖像進(jìn)行多種算法處理后，并給予相應(yīng)的結(jié)果對(duì)比展示，方便對(duì)不同算法效果的直觀判斷，如圖1所示。

圖1 流程圖

3 圖像預(yù)處理

在圖像預(yù)處理的過程中，由于獲取圖像的工具或方法不同，會(huì)影響所獲取圖像展示的信息完整度，或者會(huì)顯示不必要的信息，這就更加凸顯了圖像預(yù)處理的重要性。為了確定處理圖像的流程，找出合適的算法，需要不斷分析和試驗(yàn)。主要包括：改善圖像的大小、色彩差到灰度的轉(zhuǎn)變、圖像二值化、平滑處理等方法，通過對(duì)圖像加以處理，可以有效改善圖像數(shù)據(jù)質(zhì)量，以保證圖像的提取效果。

本文先簡(jiǎn)單介紹圖像預(yù)處理技術(shù)，然后著重討論了圖像噪聲處理和二值化的原理和方法，并用MATLAB開發(fā)工具實(shí)現(xiàn)了上述圖像預(yù)處理并給出了各算法對(duì)應(yīng)結(jié)果。

針對(duì)噪聲處理，本文采用了空間域算法，該算法比較簡(jiǎn)單，對(duì)于車道線檢測(cè)實(shí)用性很強(qiáng)?？臻g域算法有三種基本算法：中值濾波、均值濾波和邊緣保持平滑法。由于邊緣保持平滑法耗時(shí)較長(zhǎng)，降低了道路線檢測(cè)的效率，不符合本文對(duì)實(shí)驗(yàn)的要求，因此，需通過對(duì)比分析在中值濾波和均值濾波算法中選擇一種。

中值濾波是非線性空間域?yàn)V波的一種常用方法。由圖像處理結(jié)果可知，中值濾波法對(duì)于消除椒鹽噪聲非常有效，并且可以有效保護(hù)邊緣信息。但在利用中值濾波去噪時(shí)，要根據(jù)圖像的大小選用不同的模板進(jìn)行試驗(yàn)，并不是選用的模板越大，去噪效果越好。圖2(a)和圖2(b)為不同模板的中值濾波去噪。圖2(c)為均值濾波去噪效果圖，而均值濾波本身存在著固有的缺陷，即它不能很好地保護(hù)圖像細(xì)節(jié)，在圖像去噪的同時(shí)也破壞了圖像的細(xì)節(jié)部分，從而使圖像變得模糊，不能很好地去除噪聲點(diǎn)[1～2]。因此，通過對(duì)比分析，對(duì)該圖像處理采用中值濾波能達(dá)到更好的效果。

圖2 不同濾波對(duì)比圖

4 道路檢測(cè)

4.1 有效區(qū)域設(shè)定

在外業(yè)當(dāng)中由攝像頭拍攝的圖像包含了大量的無(wú)效信息，例如天空和周邊環(huán)境等不必要的信息，增加了系統(tǒng)的計(jì)算量。此時(shí)我們可以選定有效區(qū)域，只對(duì)有效區(qū)進(jìn)行處理，不僅減少了計(jì)算量，而且提高了計(jì)算速度和效率。有效區(qū)的設(shè)定比較簡(jiǎn)單，由于攝像頭的方向是固定的，因此每張照片中所拍攝到前方的最遠(yuǎn)距離大致相等，利用MATLAB軟件讀取出照片的像素以便于尋找到合適的區(qū)域。經(jīng)試驗(yàn)可得，將像素的位置設(shè)置為[600 600 600 2000]最為合適。

4.2 圖像的灰度化及閾值分割

本文中所用圖像都是采用RGB顏色模式，若是直接對(duì)這種類型圖像進(jìn)行處理，所得結(jié)果并不能反映圖像中車道線的特性，而只是從光學(xué)的原理上進(jìn)行顏色的調(diào)配。而且由于圖像會(huì)受到外界因子的影響，例如陽(yáng)光、雨雪等，為了去除不必要的噪聲，方便圖像的處理，需將彩色圖像灰度化，灰色圖像不但可以反映整幅圖像的整體和局部的色度和亮度等級(jí)的分布和特征，還削弱了彩色圖像中不必要的圖像信息，利于對(duì)圖像的處理。因此需要將彩色圖像灰度化。

灰度化后的圖像，仍然不能直接被用來(lái)識(shí)別和提取車道線，還需將圖像通過閾值分割，最終將原圖像分為閾值為0和1的兩個(gè)圖像。確定閾值是分割圖像的關(guān)鍵，但是已有選擇閾值的方法多是單閾值法，不適用于多目標(biāo)識(shí)別。而Otsu算法計(jì)算相對(duì)簡(jiǎn)單，在某些條件下不受圖像對(duì)比度和亮度變化的影響，所以是該文中閾值自動(dòng)選擇的最優(yōu)方法[3]。

迭代閾值法(OTSU)：

(1)首先假設(shè)一個(gè)初始閾值T0，本文中白色的亮度值一般比較大，我們就將T0設(shè)置為128。

(2)用這個(gè)初始閾值T0對(duì)圖像像素點(diǎn)進(jìn)行分割，得到兩組像素點(diǎn)集M1和M2。

(3)計(jì)算M1和M2中所有像素點(diǎn)的平均灰度值T1和T2。

(4)計(jì)算新的分割閾值T=(T1+T2)/2。

(5)重復(fù)進(jìn)行(2)和(4)步直到T收斂。

通過上述的迭代閾值算法，可以得到一個(gè)自適應(yīng)閾值T，將白色區(qū)域更準(zhǔn)確的分割出來(lái)。圖3為Otsu算法的效果圖。

圖3 Otsu算子效果圖

4.3 感興趣區(qū)域的邊緣增強(qiáng)

將圖像灰度化之后，需要增強(qiáng)道路線的邊緣信息，是道路線檢測(cè)中不可缺少的一步。邊緣檢測(cè)算子[4-5]是利用灰度值的不連續(xù)性來(lái)檢測(cè)邊緣的，大幅度地減少了數(shù)據(jù)量，并且剔除了可以認(rèn)為不相關(guān)的信息，保留了圖像重要的結(jié)構(gòu)屬性。有許多用于邊緣檢測(cè)的方法，他們大致可分為兩類：基于搜索和基于零交叉?；谒阉鞯倪吘墮z測(cè)的方法有Roberts Cross算子，Prewitt算子，Sobel算子，Kirsch算子等；基于零交叉的方法有Canny算子，Laplacian算子等。

在實(shí)際狀況中，因?yàn)橥饨绛h(huán)境的變化，所需檢測(cè)的車道線邊緣可能與視角有關(guān)，也就是邊緣可能隨著視角不同而變化。而Sobel算子有兩種，一種是檢測(cè)水平邊緣，另一種是檢測(cè)垂直邊緣[6～7]。與Prewitt算子相比，Sobel算子它的位置加權(quán)系數(shù)更為準(zhǔn)確，在檢測(cè)不同方向的邊沿時(shí)梯度的幅度一致，有著較為明顯的優(yōu)勢(shì)。經(jīng)過驗(yàn)證，由圖4的對(duì)比圖可知，采用Sobel算子中水平和垂直方向的模板綜合使用，可以達(dá)到不錯(cuò)的效果。

圖4 Sobel算子不同模板對(duì)比圖

4.4 Hough變換檢測(cè)車道線

在對(duì)圖像進(jìn)行Sobel算法處理后，通過聚類分析的方法對(duì)圖像中的車道線進(jìn)行檢測(cè)，其中最普遍應(yīng)用的就是Hough變換方法，它的本質(zhì)就是將圖像空間內(nèi)具有一定關(guān)系的像元進(jìn)行聚類。Hough變換的主要優(yōu)點(diǎn)是受噪聲和曲線間斷的影響小。利用Hough變換可以直接檢測(cè)某些已知形狀的目標(biāo)，如直線。由于文中所研究的道路是結(jié)構(gòu)化道路，大多都是直線，并且有著明顯的邊緣特征，所以用Hough變換來(lái)檢測(cè)提取車道線比較合適。

Hough變換把在圖像空間中的直線檢測(cè)問題轉(zhuǎn)換到參數(shù)空間中對(duì)點(diǎn)的檢測(cè)問題，通過在參數(shù)空間里進(jìn)行簡(jiǎn)單的累加統(tǒng)計(jì)完成檢測(cè)任務(wù)[8]。但是如果參數(shù)空間中使用直線方程，當(dāng)圖像空間直線斜率無(wú)窮大時(shí)，累加器的計(jì)算復(fù)雜度也會(huì)過大[9～10]。因此，需采用極坐標(biāo)方程來(lái)解決這一問題，變化方程如圖5所示。

圖5 Hough變換極坐標(biāo)圖示

直線極坐標(biāo)方程為：

ρ=xcosθ+ysinθ

(1)

式中：l——圖像空間中一條直線；

θ——為l過原點(diǎn)的垂線與x軸正方向的夾角；

ρ——為原點(diǎn)到直線l的距離；

(x，y)——為垂直點(diǎn)的坐標(biāo)。

從圖6中可以看出，對(duì)車道線進(jìn)行邊緣增強(qiáng)后，已經(jīng)濾除掉很多不必要信息，車道線在圖像中已經(jīng)可以明顯地顯現(xiàn)出來(lái)。此外，車道線之外還有一些雜散的像素點(diǎn)，但對(duì)于Hough變換提取車道線并不會(huì)有很大的影響，因?yàn)镠ough變換檢測(cè)圖像是從整體出發(fā)，將像素點(diǎn)連接起來(lái)形成直線，本文采用的Hough變換可以達(dá)到直線檢測(cè)的目的。

本次實(shí)驗(yàn)通過對(duì)600幀城市街景影像進(jìn)行道路線提取，利用本文所采用的實(shí)驗(yàn)流程和算法，對(duì)城市道路線的提取成功率達(dá)到一半以上，已達(dá)到一個(gè)不錯(cuò)的效果。但針對(duì)一些特定環(huán)境，會(huì)出現(xiàn)誤檢、漏檢的情況。例如在陰影遮擋比較大或者道路中有道路線相平行的護(hù)欄等，都會(huì)導(dǎo)致檢驗(yàn)錯(cuò)誤。

圖6 Hough提取車道線

5 結(jié) 論

文中通過對(duì)多種算法對(duì)比分析，提出了最適合該項(xiàng)目的提取城市車道線的方法。首先選取感興趣區(qū)域，對(duì)感興趣區(qū)域進(jìn)行灰度化、中值濾波去噪，然后用Sobel算子增強(qiáng)邊緣線，最后提取車道線時(shí)，采用了速度和效果都比較好的Hough變換算法[11～12]。本文章實(shí)驗(yàn)是在Matlab平臺(tái)上實(shí)現(xiàn)，驗(yàn)證結(jié)果表明該算法能夠有效檢測(cè)車道線，并且運(yùn)算簡(jiǎn)單。

雖然能夠提取出車道線，但是仍然存在不足之處：

(1)在陰影遮擋影響嚴(yán)重區(qū)域下的車道線不能被分割出來(lái)，因此在車道線提取中存在缺漏現(xiàn)象。

(2)提取出來(lái)的車道線存在斷線現(xiàn)象，不連續(xù)。

(3)該文中的算法具有局限性，并不適用于所有的道路線提取。

[1] 周志金.自動(dòng)驗(yàn)布機(jī)系統(tǒng)中的織物疵點(diǎn)識(shí)別算法的研究與應(yīng)用[D]. 南京：南京理工大學(xué)，2013.

[2] 石強(qiáng). 基于噪聲水平估計(jì)的圖像與視頻去噪[D]. 合肥：合肥工業(yè)大學(xué)，2013.

[3] 孫紅光，卜倩，李歡利等. 基于OTSU分割的云層背景下弱目標(biāo)檢測(cè)算法研究[J]. 東北師大學(xué)報(bào)·自然科學(xué)版，2009(2)：79～83.

[4] 馮伍，張俊蘭，苗秋瑾. 幾種典型邊緣檢測(cè)算子的評(píng)估[J]. 電子設(shè)計(jì)工程，2011，19(4)：131～133.

[5] 張俊，傅攀，涂年杰等. Sobel算子邊緣檢測(cè)在A柱盲區(qū)消除系統(tǒng)中的應(yīng)用[J]. 四川兵工學(xué)報(bào)，2011，32(8)：106～108.

[6] 曾愛群，張烈平，陳婷. 基于MATLAB的芒果邊緣檢測(cè)的研究[J]. 微計(jì)算機(jī)信息，2007，23(33)：313～314，303.

[7] 趙玲，張偉. 圖像處理中邊緣檢測(cè)算法性能的分析[J]. 科技資訊，2014(14)：23～24.

[8] 何揚(yáng)名，戴曙光. Hough變換在車燈光軸交點(diǎn)檢測(cè)中的應(yīng)用[J]. 計(jì)算機(jī)工程與應(yīng)用，2009，45(30)：240～241.

[9] 陳蓋凱. 基于Hough變換的直線檢測(cè)[J]. 西安航空技術(shù)高等?？茖W(xué)校學(xué)報(bào)，2007，25(3)：34～36.

[10] 張文武，尉宇. 基于快速Hough變換的圖像糾正[J]. 機(jī)械工程與自動(dòng)化，2010(2)：23～24，27.

[11] 王曉云，王永忠. 基于線性雙曲線模型的車道線檢測(cè)算法[J]. 杭州電子科技大學(xué)學(xué)報(bào)，2010，30(6)：64～67.

[12] 徐后杰，李會(huì)方，繆國(guó)鋒. 基于單目視覺的車道線分離警告算法研究[J]. 微處理機(jī)，2011，32(3)：72～74，78.

Study on Lane City Real Image Detection Method Based on

Sun Jiakuo，Liu Yang

(Beijing University of Civil Engineering and Architecture，Beijing 102616，China)

Urban road lane detection and tracking has become the core technology and hot research area.In order to realize the technology and complete the automatic detection system，this paper analyzes a variety of algorithms，and proposes a combination of Sobel operator and Hough transform to extract the road route.After verification，the method can accurately identify the road route in the region of interest，and can meet the requirements of this paper.

road recognition and detection；sobel operator；hough；region of interest

1672-8262(2017)03-124-04

P232

A

2016—11—17

孫家闊(1990—)，女，碩士研究生，研究方向?yàn)榈乩硇畔⑾到y(tǒng)及城鄉(xiāng)規(guī)劃。

北京市屬高等學(xué)校青年拔尖人才培育計(jì)劃項(xiàng)目(CIT&TCD201504032)；北京市教委科研計(jì)劃項(xiàng)目(KM201410016008)；北京市委組織部?jī)?yōu)秀人才培養(yǎng)資助項(xiàng)目(2012D005017000001)