劉曉楠 陳文進 劉杰

摘要：車道線檢測是智能網(wǎng)聯(lián)汽車的關(guān)鍵技術(shù)，傳統(tǒng)車道線檢測方法易受到復雜背景信息中非車道線直線段的影響，造成車道線檢測的魯棒性和識別率不佳。為了提高車道線檢測的魯棒性和準確率，本文通過動態(tài)識別ROI區(qū)域，剔除非車道線的圖像RGB信息，限制Hough變換檢測空間，提出一種基于動態(tài)識別ROI區(qū)域的車道線檢測技術(shù)。通過實驗表明，相對于傳統(tǒng)方法，該技術(shù)能有效的濾除背景圖像中建筑物，車輛和信號塔等非車道線直線段的影響，提高車道線檢測的魯棒性。

關(guān)鍵詞：動態(tài)識別ROI區(qū)域;圖像RGB信息;車道線檢測;魯棒性;Hough變換

隨著智能網(wǎng)聯(lián)時代的到來，自動駕駛將成為汽車行業(yè)發(fā)展的必然趨勢。各大主機廠和互聯(lián)網(wǎng)企業(yè)都在布局自己的自動駕駛產(chǎn)業(yè)和發(fā)展自身的白動駕駛技術(shù)。自動駕駛的發(fā)展主要有兩種路線，一種是穩(wěn)妥路線，從輔助駕駛向自動駕駛慢慢過渡，一種是激進路線，直接從最高級的自動駕駛開始研究。但無論哪種發(fā)展路線，都要實現(xiàn)基本的車道線檢測功能，車道線識別的準確性，實時性和魯棒性直接影響車輛行駛的安全性和可靠性^[1，2]。

目前車道線檢測的基本方法是將從攝像頭獲得的圖像進行灰度處理，提取圖像的邊緣信息，然后利用Hough變換進行直線段檢測^[3-5]，最終識別出車道線^[6-8]。但對于比較復雜的道路環(huán)境，現(xiàn)有的車道線檢測方法容易受到復雜背景中非車道線直線段的干擾，造成計算量大，實時性差，檢測結(jié)果的魯棒性和識別率不佳。

針對復雜背景噪聲的干擾，為了減少計算量，提高車道線檢測的魯棒性和識別率，本文提出一種基于動態(tài)識別ROI區(qū)域的車道線檢測方法。該方法通過動態(tài)識別和優(yōu)化地面榆測ROI區(qū)域，剔除車道線外的圖像RGB信息，限制Hough變換檢測空間，提高車道線檢測的魯棒性和識別的正確性。

1 車道線檢測基本原理

傳統(tǒng)的車道線檢測方法如圖1所示，主要分為：圖像灰度化處理，二值化處理，邊緣提取，直線檢測和輸出車道線識別結(jié)果。首先將攝像頭采集到的圖像進行灰度和二值化處理，即將RGB彩色圖像轉(zhuǎn)換為灰度圖像，并通過設(shè)定的閾值將像素點的灰度值設(shè)置為0或255，獲得仍然可以反映圖像整體和局部特征的二值化圖像^{[9，10]}。其次利用邊緣柃測算法，提取圖像中亮度變化明顯的邊緣特征信息，剔除不相關(guān)信息從而減少數(shù)據(jù)量，并保留圖像中的重要結(jié)構(gòu)屬性^{[11，12]}。然后利用Hough變換檢測圖像中的直線段，并標注車道線的輸出結(jié)果。

Hough變換^[13-15]是在計算機視覺領(lǐng)域廣泛應(yīng)用的直線段檢測方法。其基本思想是將原始圖像由圖像空間坐標變換到參數(shù)空間坐標，即直線上的所有點經(jīng)過Hough變換后，在參數(shù)空間中都相交于一點。圖2 （a）所示為圖像空間的任一直線L，點P為直線L上的任意一點，該點的直角坐標為（x，y），極坐標為（α，r）。定義該直線與原點的距離為極徑D，該直線的垂線與x軸正方向的夾角為極角θ，則極徑ρ可表示為：

ρ=r×cos（θ-a）=r×cos（θ）cos（a）+r×sin（θ）sin（a） （1）

根據(jù)直角坐標和極坐標的關(guān)系x =r×cos（α），y=r×sin（α），可得到直線的極坐標方程：

ρ=xxcos（θ）+yxsin（θ） （2）

因此，每一組參數(shù)ρ和θ唯一的確定一條直線，日.該直線在參數(shù)空間極坐標內(nèi)為一個點。圖2（a）中位于直線上的五個點映射到參數(shù)空間后為五條曲線，且五條曲線相交于一點，其參數(shù)空間的坐標即為（θ，ρ），如圖2（b）所示。因此，通過Hough變換可以將圖像空間中的直線映射到參數(shù)空間的一個點，從而直線的檢測問題轉(zhuǎn)化為經(jīng)過交點曲線的峰值統(tǒng)計問題。

2 車道線檢測改善方法

對于傳統(tǒng)的車道線柃測方法，往往由于車道線背景噪聲中非車道直線段的影響，使得車道線檢測的魯棒性不高，識別準確率不好。為了提高車道線檢測的魯棒性，減少背景噪聲的影響，本文提出基于動態(tài)識別ROI區(qū)域的車道線檢測改善方法，具體檢測流程如圖3所示。由檢測流程可知，相比傳統(tǒng)車道線榆測方法，本文的榆測技術(shù)主要通過動態(tài)優(yōu)化圖像識別的檢測區(qū)域，減少識別目標圖像背景的噪聲，來提高輸入圖像的信噪比。

2.1 動態(tài)識別ROI區(qū)域

根據(jù)攝像頭的安裝位置，及其拍攝角度，攝像頭提供的原始圖片往往含有大量的天空，建筑，樹木等非道路路面的信息。若對原始圖片直接做數(shù)據(jù)處理，則車道線檢測受非道路路面信息的影響巨大，信噪比較低。傳統(tǒng)的方法一般是直接截取圖像的下半部分或者三分之一作為ROI識別區(qū)域，但對于下坡，上坡和彎道等路況往往不能準確界定道路路面和天空的分界線。本文根據(jù)圖像的灰度化處理結(jié)果，逐行計算每行的灰度平均值，動態(tài)預測和識別道路路面和天空的分界線，進而實現(xiàn)車道線檢測ROI區(qū)域的優(yōu)化。圖4為原始攝像頭圖像經(jīng)過動態(tài)識別ROI區(qū)域處理后，得到的車道線檢測區(qū)域。由處理結(jié)果可知，該措施有效的分離天空和地面，剔除了非道路路而信息，減少背景噪聲的影響，減少計算量提高計算效率。

2.2剔除非車道線RGB顏色分量

根據(jù)車道線檢測流程，將動態(tài)識別ROI區(qū)域處理后的圖像進行邊緣檢測，利用Sobel算法獲取圖像的邊緣信息如圖5（a）所示。由邊緣檢測結(jié)果可知，雖然成功提取了車道線的邊緣信息，但是仍然包含了很多非車道線的邊緣噪聲。根據(jù)車道線的顏色信息統(tǒng)計結(jié)果可知，道路上的車道線顏色信息基本均為白色或者黃色。對于白色車道線，其RGB顏色分量的取值范圍為R∈[200，255]，C∈[200，255]，B∈[200，255];對于黃色車道線，其RCB顏色分量的取值范圍為R∈[200，255]，GE[200，255]，B∈ [0，50]。因此本文基于車道線的RCB顏色分最閾值，利用邊緣檢測點的RGB信息，剔除不滿足車道線RGB顏色分量的邊緣信息。圖5（b）為剔除非車道線顏色分量后的邊緣檢測結(jié)果。由結(jié)果可知，通過處理后，進一步剔除了背景中不滿足車道線特征的噪聲信息，提高了識別圖像的信噪比。

2.3 限定Hough峰值檢測空間

經(jīng)過動態(tài)識別ROI區(qū)域和剔除非車道線RCB顏色分量的處理后，對圖像進行Hough變換得到如圖6（a）所示的結(jié)果。由原始圖像可知，車道線集中于圖像中部，道路兩旁的建筑物，護欄，樹木和相鄰車道的車輛等均為車道線檢測的干擾因素。通過研究發(fā)現(xiàn)，非車道線的背景噪聲直線段通過Hough變換后，其極角θ值較大。因此，本文通過限定Hough變換峰值檢測的極角θ范圍，來避免過大極角所對應(yīng)非車道線的干擾，提高峰值檢測的準確率。圖6（b）為限定Hough變換峰值檢測空間后的Hough變換結(jié)果。

3 實驗結(jié)果分析

為了驗證基于動態(tài)識別ROI區(qū)域車道線檢測技術(shù)的魯棒性，對圖7所示的視頻源，利用本文改進方法和傳統(tǒng)方法分別進行車道線檢測，實驗結(jié)果如圖7所示。實驗所用視頻源的分辨率為1280×720的高清視頻，圖a1實驗結(jié)果表明傳統(tǒng)方法受到背景建筑物的影響，圖b1為傳統(tǒng)方法受到背景信號塔的影響，圖c1為傳統(tǒng)方法受到背景車輛的影響，而圖a2，b2，c2為利用本文改進方法的檢測結(jié)果。由實驗對比結(jié)果可知，基于動態(tài)識別ROI區(qū)域的車道線檢測方法，能夠有效消除圖像中背景車輛，建筑物以及信號塔等非車道線直線段的影響，提高車道線檢測的魯棒性。

4 總結(jié)

本文針對傳統(tǒng)車道線檢測方法容易受到背景噪聲的影響，提出基于動態(tài)識別ROI區(qū)域的改進方法。該方法首先根據(jù)圖像每行的灰度平均值信息，分離出天空和道路路面的分界線，動態(tài)識別ROI區(qū)域;其次基于車道線的RCB顏色分量閾值，利用邊緣檢測點的RCB信息，剔除不滿足車道線RCB顏色分量的邊緣信息;最后通過限定Hough變換峰值檢測的極角θ范圍，避免過大極角所對應(yīng)非車道線信息的干擾。實驗結(jié)果對比分析表明，相對于傳統(tǒng)的車道線檢測方法，本文所提方法能夠有效的消除圖像中背景車輛，建筑物以及信號塔等直線段的影響，顯著提高車道線檢測的魯棒性。

參考文獻：

[1]楊益，何穎基于RCB空間的車道線檢測與辨識方法[J].計算機與現(xiàn)代化，2014（2）：86-90.

[2]劉獻如，蔡自興結(jié)構(gòu)化道路車道線的魯棒檢測與跟蹤[J].光電子·激光，2010（12）：1834-1838.

[3]Watanabe S， Seki M， Haga T Lane marks detection using particle filter based on voting results of hough transform[J]. Ieej Transactions on Electronics Infonnation& Systems， 2013. 133（7）：1384-1391+14.

[4] Liu L. CuiJ，Ll J Lane Mark Deteaion Based on Improved Hough Transformation for Vehicle Electronic Technology [M]. Advances in Mechanical and Electronic Engineering. Springer Berlin Heidelberg，2012：593-598.

[5]李亞娣，黃海波，李相鵬，等基于Canny算子和Hough變換的夜間車道線檢測[J].科學技術(shù)與工程，2016， 16（31）：234-237.

[6]Yi S C，ChenY C，ChangC H. A lane detection approach based on intelligent vision U]. Computers& Electrical Engineering， 2015， 42（C）：23-29.

[7] Zhang JJia X， Li J Integration of scanning and unage processing algomhms for lane detection based on fuzzy method [J]. lournal of Intelligent&Fuzzy Systems， 2015， 29（6）：2779-2786.

[8]楊智杰基于RGB彩色通道的結(jié)構(gòu)化道路車道線檢測[J].電子科技，2015， 28（1）：95-98.

[9]劉富強，張姍姍，朱文紅，等一種基于視覺的車道線檢測與跟蹤算法[J].同濟大學學報自然科學版，2010， 3S（2）：223-229.

[10]朱淑亮，劉衛(wèi)國，于濤，等結(jié)構(gòu)化道路圖像預處理技術(shù)[J].現(xiàn)代制造工程， 2015（12）：97-102

[11]范延軍，張為公基于雙向窗口特征提取技術(shù)的車道線檢測算法[J].吉林大學學報信息科學版，2015， 33（4）：485-493.

[12]易世春，李克強，郭君斌，等基于邊緣分布及特征聚類的車道標記線檢測[J].汽車工程，2014（10）：1210-1215.

[13]Duda R 0， HaLtP E Use ofthe Hough transformation to detect lines and curves in pictures [M]. Communications of the ACM， 1972， 15（1）：11-15.

[14] Hardzeyeu V，Klefenz F On using the hough transform for driving assistance applications[C] International Conference on Intelligent Computer Communication and Processing. IEEE， 2008：91- 98

[15]趙穎，王書茂，陳兵旗基于改進Hough變換的公路車道線快速檢測算法[J].中國農(nóng)業(yè)大學學報，2006， 11（3）：104-108.