錢基德，陳 斌，錢基業(yè)，陳 剛

(1. 中國科學院成都計算機應用研究所 成都 610041；2. 中國科學院廣州電子技術研究所 廣州 510070；3. 國網(wǎng)重慶市電力公司電力科學研究院 重慶 江北區(qū) 401123；4. 中國科學院大學 北京 石景山區(qū) 100049)

高速公路具有道路結構化好、車流量大、車速度快等特點，提高了居民出行的便捷性。由于高速公路的這些特點，加上超速駕駛、違規(guī)變道、逆行、違停等危險駕駛行為，造成高速公路常有嚴重的交通事故發(fā)生。不斷上升的交通事故發(fā)生率使道路交通安全受到大眾的廣泛關注，如何有效地改善高速公路交通狀況，提升交通管理水平，一直是交管部門需要解決的重要課題。智能車載視頻取證設備是安裝在高速交通警務巡檢車上，通過攝像機、雷達等多傳感器進行數(shù)據(jù)采集，采用基于計算機視覺等技術實現(xiàn)車輛違章行為的自動識別與取證。其中，車道線的準確提取是智能車載視頻取證設備實現(xiàn)智能化的關鍵環(huán)節(jié)，直接關系到違規(guī)變道、超速、違停等違章行為自動識別的效果。

目前國內(nèi)外基于計算機視覺的車道線檢測主要方法可分為兩類：基于特征的分割方法[1-2]和基于模型的分割方法[3-4]。文獻[1]提出基于顏色特征聚類的車道線檢測方法，首先將彩色圖像轉(zhuǎn)化到CIE顏色空間，然后用K均值分割圖像、提取特征，最后根據(jù)特征點采用二次曲線方法進行車道線擬合。文獻[2]根據(jù)車道線的幾何信息，提出了一種對參數(shù)進行限制的改進Hough變換車道線的檢測方法。文獻[5]先采用CHEVP方法預測消失點，進一步確定B-Snake車道模型的起始位置，然后基于道路模型，將車道線檢測問題轉(zhuǎn)換為確定樣條曲線所需的控制點問題，最后采用最小均方誤差方法更新曲線控制點實現(xiàn)車道線檢測。

近年來，車道線識別技術得到很大的發(fā)展和進步[6-7]。在智能車載視頻取證設備中，車道線檢測的準確性直接關系到車道的定位以及對車輛違章行為的判定。由于采集到的道路圖像受到強光照、磨損、車輛遮擋以及陰影等影響，這些都對車道線的準確識別產(chǎn)生較大的干擾；同時車道上的人行道、停止線、減速帶和標識等都對車道線的準確識別都存在干擾。由于現(xiàn)場環(huán)境的復雜性，準確的車道線檢測仍然具有較大的挑戰(zhàn)性。因此，本文基于結構化高速公路具有道路平坦的特征，提出一種應用于高速公路巡檢車智能車載視頻，取證設備中車道線快速檢測算法。該算法首先通過結構化道路的特點構造車道線檢測模型；其次采用Sobelx方法檢測車道線邊緣極大的消除環(huán)境中的干擾邊緣信；然后采用改進的Hough變換方法的進行雙邊緣車道線檢測；最后，該算法將檢測的車道線通過逆透視變換到世界坐標系中，通過車道線雙邊在世界坐標系具有相互平行的特點消除干擾與偽車道線，最終實現(xiàn)車道線的準確檢測。

1 車道線檢測模型

智能車載視頻取證設備應用于高速公路中行駛車輛違章行為識別，要求車道線檢測算法的效率高。因此，根據(jù)高速公路具有道路結構化好、路面近似平坦的特點，本文提出的基于感興趣區(qū)域模型的快速車道線檢測算法，該方法具體步驟如下：

1) 在采集圖像中根據(jù)結構化高速公路特點，建立車道線興趣區(qū)域模型，在根本上減少數(shù)據(jù)處理量，從而提高車道線檢測效率的目的。

2) 采用Sobelx邊緣檢測算子，對輸入圖像進行車道線雙邊緣檢測，在不影響車道線邊緣的檢測同時，有效地抑制了非車道線的邊緣干擾。

3) 在檢測出的車道線邊緣基礎上采用改進的Hough變換方法，對車道線的雙邊緣進行擬合，提取出可能車道線。

4) 將檢測出的車道線通過逆透視變換到世界坐標系中，基于車道線的雙邊緣應滿足在世界坐標系中相互平行的約束特點，消除偽車道線，最終完成車道線的準確檢測。整個車道線檢測算法流程圖如圖1所示。

圖1 算法流程

2 圖像處理

高速公路是一個具有規(guī)范化道路標識線與邊界的結構化道路。其中道路邊界標明了道路區(qū)域，車道線將道路區(qū)域劃分成不同的車道，道路邊界和車道線共同約定了車輛的駕駛區(qū)域，為實現(xiàn)基于視覺的智能車載視頻取證設備在對車輛違章行為的判定，提供了準則。

現(xiàn)實的公路情況復雜多變，但可以憑借先驗性知識約束道路模型，這樣能極大地優(yōu)化問題。首先，圖像處理是一個大數(shù)據(jù)任務，而車載檢測系統(tǒng)要在很短的時間內(nèi)處理大量的數(shù)據(jù)，因此減少數(shù)據(jù)處理量是提高系統(tǒng)的效率的重要方法，感興趣域的選擇可以有效地減少處理的數(shù)據(jù)量。其次，實際公路并不都平坦，大部分道路會存在一定的坡度，在有限的視野范圍內(nèi)，結構化道路的路面可以近似平坦，簡化了世界坐標與攝像機坐標系的對應關系?；谶@兩個先驗知識約束，可以有效地減少系統(tǒng)運算量，提高設備的識別效率。

2.1 感興趣區(qū)域

通過對車載攝像機采集到的車道圖像分析發(fā)現(xiàn)，采集圖中有包括車道兩旁的房屋、樹木、前方的天空等數(shù)據(jù)信息，這些信息基本不包含有車道信息。如果對采集圖像直接進行處理，將增加檢測算法的復雜性同時降低車道檢測的效率，而且這些無關的信息也可能干擾車道線的準確提取。因此，有必要在進行車道線的檢測前，提取有效的感興趣的車道區(qū)域，過濾掉干擾信息。在結構化的高速公路上，車道線信息主要分布在圖像的下半部分[8]，因此，本文感興趣區(qū)域設置為如圖2所示的0～H/2。感興趣區(qū)域不僅有效的將數(shù)據(jù)處理量減少50%，同時能夠排除前方天空和道路兩旁樹木房屋的干擾。

圖2 車道感興趣區(qū)域

2.2 逆透視變換

攝像機成像過程可以看作是小孔成像，圖像采集是世界坐標系W映射到圖像坐標系I的透視投影變換過程，如圖3所示。經(jīng)過透視變換，粗細均勻、平行的車道線在遠方逐漸變細并且相交于消失點。為利于對車道線的檢測和多車道的分割，需要對采集圖進行逆透視變換。

圖3 逆透視變換關系示意圖

由于結構化的高速公路上，采集圖像視野范圍有限，且處理的感興趣區(qū)域有限，可以認為道路平坦。因此透視變換映射過程可以簡化，設(,)x y為圖像坐標系I中的點，(,)X Y為世界坐標系W中的點，則透視映射可表示為：

式中，有：

H為透視變換矩陣，該變換包含8個參數(shù)。求解變換矩陣中的參數(shù)，需要世界坐標系和圖像坐標系對應的4組圖像坐標點。為優(yōu)化求解過程，通常采用如圖4所示的黑白相間棋盤格，手動標定4組坐標點對，即可求解出逆透視變換矩陣H。

逆透視變換還原了物體的真實世界特征，建立圖像二維圖像坐標系與三維世界坐標系之間的映射關系的過程?？陀^世界中，所有平行線投影到圖像平面后會相交于消失點。因而，根據(jù)消失點的定義可知，圖像中所經(jīng)過消失點的直線在世界坐標系中相互平行的直線，據(jù)此特性可以通過消失點和檢測的車道線，完成對結構化道路的車道分割。

圖4 逆透視標定

3 車道線檢測

本文的方法檢測使用的圖像都采集于道路結構化的高速公路或類似道路上，結構化的高速公路車道線有4個優(yōu)點：路面平坦、左右車道線近似平行、道路平面與車道線的顏色對比度高、彎道曲率半徑不低于650(感興趣區(qū)域車道線可以近似為平行直線)[9]。

由于結構化的道路車道線具有對比度高的明顯特征，因此基于邊緣檢測的方法可以很容易提取到車道線的邊緣特征。在道路出現(xiàn)陰影、車道線受損的情況下或者車道線連續(xù)性差的情況下，也可以基于逆透視變換的方法和Hough直線檢測方法很好地擬合出車道線。因此，基于邊緣特征的車道線檢測方法可有效地克服車道線殘缺、路面陰影等外界環(huán)境的影響，在該環(huán)境下具有很好的魯棒性。

3.1 預處理與去噪

彩色采集圖像包含有大量的視覺信息，由于結構化的道路圖像中車道線與路面的對比度高，在灰度圖像中已經(jīng)可以容易提取到完整地提取車道線，為加快檢測速度，本文轉(zhuǎn)換到灰度圖像進行處理，有效地降低數(shù)據(jù)處理量提高車道線檢測效率。

目前圖像噪聲處理方法主要分為空間域和頻率域兩大類。頻率域的去噪方法根據(jù)圖像的頻率特性，將圖像變換到頻率域，通過構造濾波器濾除噪聲頻率，再將去噪圖像轉(zhuǎn)換回到空間域。空間域的去噪方法是根據(jù)像素點及鄰域的像素點的關系進行噪聲消除。由于智能車載設備系統(tǒng)對檢測算法實時性要求較高，且采集圖像質(zhì)量穩(wěn)定，本文采用基于中值濾波的空間域去噪方法。該方法對于脈沖噪聲抑制效果明顯，相對于高斯模糊的去噪方法可以更好地保存車道線邊緣信息。

3.2 經(jīng)典車道線檢測方法

由文獻[10]提出的Hough變換是一種常用的模型識別方法，常用于直線[11]、圓[12]等某些特定的形狀的檢測。因為Hough變換有很好的抗干擾能力，由于陰影、噪聲、遮擋等原因而出現(xiàn)車道線殘缺、間隙，可以通過Hough變換參數(shù)來擬合缺失的車道線，極大地提高了車道線檢測的魯棒性，在車道線檢測方面得到廣泛的應用。Hough變換原理找到了圖像空間和參數(shù)空間包含的對應關系，其極坐標表示為：

式中，ρ表示是原點到直線的垂直距離；θ表示直線與X軸之間的夾角。而在車道線檢測時，車道邊緣點共線，那么在相應的參數(shù)空間中應該是一組交于同一點(ρ,θ)的直線。經(jīng)典Hough變換車道線檢測基本步驟如下：

1) 遍歷圖像所有邊緣像素點，對邊緣像素點采用式(5)求取極徑ρ。

2) 對每一個(ρ,θ)單元投票累加，累加器A(ρ,θ) =A(ρ,θ)+1。

3) 設閾值，將閾值與累加值比較，小于閾值則置零。

4) 繼續(xù)查找，高于閾值的暫存，再置零，重復步驟3)。

5) 直到所有累加值為零，得票超過閾值的累加單元即為檢測車道線。

ρ∈ [ 0,r]，r表示為圖像對角線長度，θ∈ [ 0,180)。從上述算法描述中可知，該算法的檢測準確性與速度主要受以下因素影響：1) 行駛車輛、樹木、陰影、減速帶等非車道線邊緣信息干擾車道線檢測準確性。2) 邊緣點的數(shù)量與極角變化步長直接影響基于Hough變換的車道線檢測速度。

3.3 車道線檢測

針對經(jīng)典的Hough變換在車道線檢測方面存在的問題，本文從以下兩個方面提出了改進方法：1) 改變邊緣檢測算法，減少行駛車輛樹木、陰影、減速帶等環(huán)境中，非車道線邊緣點信息。2) 建立車道線檢測興趣區(qū)域模型，減少Hough變換過程中邊緣點掃描數(shù)量，提高直線檢測速度。

3.3.1 車道線邊緣提取

目前在車道線邊緣檢測中常采用基于Canny算子邊緣提取的方法。Canny邊緣提取方法能獲得較完整的車道邊緣，但同時該方法也完整提取出行駛車輛樹木、陰影、減速帶等干擾物體的邊緣信息，這些邊緣信息不僅降低車道線檢測效率同時干擾車道線準確識別。高速公路車道線以直線為主，且路面與車道線的對比度高，且在彎道部分曲率半徑不低于650，車輛前方的車道線都可以近似為直線，因此，本文提出采用基于Sobelx算子的車道線邊緣提取方法。

通過分析車輛巡檢過程中采集到的路面的圖像，可以發(fā)現(xiàn)采集圖中車道線方向與車輛行駛方向一致，而環(huán)境中的干擾邊緣方向具有隨機性，檢測到與行駛方向垂直的線條都是非車道線；其次，由于車道線與環(huán)境的對比度高。因此本文提出采用式(6)的Sobelx邊緣檢測算子，即：

圖5 邊緣檢測效果對比

從圖5不同邊緣檢測方法效果可以看出，Canny邊緣檢測方法能檢出較完整的車道線邊緣，但同時也檢出非常多的干擾邊緣。與標準的Sobel和Canny邊緣檢測方法相比較，本文采用的Sobelx邊緣檢測方法在基本不影響車道線邊緣檢測的情況下，能夠明顯地減少行駛車輛、減速帶、陰影等干擾邊緣的檢出，并且使檢出的干擾物體邊緣大多呈現(xiàn)不連續(xù)。

3.3.2 改進的車道線檢測

針對本文應用場景提出的前面提出改進的車道線邊緣提取方法，一方面減少非車道邊緣信息對車道線檢出，降低對車道線檢測的干擾；另一方面，通過減少非車道線的邊緣信息點達到提高Hough變換效率。前面已經(jīng)分析過與通常情況下車道線有關的信息都集中在如圖2所示的0～ /2H感興趣區(qū)域。進一步分析采集的車道線圖像，可以發(fā)現(xiàn)在結構化道路中，車道線基本都分布于圖像左右兩邊，且左右車道線都分別在這兩個區(qū)域不會出現(xiàn)大的偏移現(xiàn)象。因此，本文建立如圖6興趣區(qū)域的車道線檢測模型，該模型通過感興趣區(qū)域減少車道線檢測搜索空間范圍，而且根據(jù)結構化道路特點進細化成左右車道線，進一步優(yōu)化Hough變換車道線檢測范圍，提高車道線檢測效率。

圖6 車道線檢測模型

基于以上車道線模型，本文提出基于此模型的改進Hough變換的車道線檢測方法：

1) 根據(jù)上面建立的車道線模型，將待檢測的緣點劃分成左右兩個邊緣點集UL和UR。分別將其作為待檢測點集U。

2) 遍歷邊緣點集合U，若U=?，檢測結束。否則，進行Hough變換，設置累加器A(ρ,θ)=A(ρ,θ) + 1。

3) 設閾值T，若A(ρ,θ)≤T，重復步驟2)。若A(ρ,θ)＞T，則可以檢測到當前搜索空間中的一條車道線L。

4) 將集合U中直線L上的邊緣點移除，重置累加器，重復步驟2)。

圖7 車道線檢測

通過上述的Hough車道線檢測方法，在本文提出的車道線模型中，每個候選車道線區(qū)域可能檢測出多條車道線，如圖7所示。經(jīng)過Hough直線檢測過后，可以看到對于每個車道線都檢測出一個直線對。由于客觀世界中的所有平行線投影到圖像平面后，會相交于消失點，因而檢測出的車道線直線在世界坐標系中是相互平行的直線。根據(jù)此原理通過前面所求的逆透視變換矩陣H，將檢測到的車道線轉(zhuǎn)換到世界坐標系中，根據(jù)車道線雙邊緣在世界坐標系中具有相互平行的約束性特點，就可以實現(xiàn)準確的車道線檢測，同時能夠消除干擾邊緣與偽車道線，完成車道線的精確定位。

4 實驗結果與分析

為驗證本文提出的車道線檢測算法的有效性與魯棒性，選取來自KITTI數(shù)據(jù)中的高速公路數(shù)據(jù)集，作為本文車道線檢測的測試數(shù)據(jù)，該數(shù)據(jù)集中包括高速公路中可能出現(xiàn)的各種各樣的道路情況，如樹木陰影、應急車道、車輛干擾等情況。在測試數(shù)據(jù)集KITTI中高速公路環(huán)境下，圖8顯示采用本文提出的車道線檢測方法下的車道標注。表1顯示在相同一個的智能車載視頻取證設備中的實驗結果對比，本文的算法平均每幀檢測耗時僅為12.9 ms，成功車道檢測的準確率達到99.36%，由此可知，本文的方法在效率和準確率都得到了明顯的提升。

表1 算法性能對比

圖8 車道線檢測

5 結束語

基于模型的車道路線檢測方法中，車道模型的選擇和檢測方法高效的關鍵需要很好的平衡算法復雜性和實時性之間的關系。本文提出了一種基于結構化道路模型的快速穩(wěn)定的車道線檢測方法。首先，基于結構化道路的特點建立車道線的感興趣區(qū)域；然后，通過Sobelx方法檢測道路邊緣；最后，通過改進的Hough方法進行車道線檢車，并使用逆透視變換進行車道線標定與偽車道線的判定。實驗結果表明，本文提出的算法模型簡單、算法高效、檢測精度高，且對噪聲等干擾具有很好的魯棒性。

[1]MA Chao, XIE Mei. A method for lane detection based oncolor clustering[C]//Third International Conference on Knowledge Discovery and Data Mining. Phutet： IEEE Computer Society, 2010： 200-203.

[2]DONALD J B, Mc FRANZ J. Application of the hough transform to lane detection in motorway driving scenarios[C]//Proceedings of the Irish Signals and Systems Conference. Ireland： [s.n.], 2001.

[3]許華榮, 王曉棟, 方遒. 基于B樣條曲線模型的結構化道路檢測算法[J]. 自動化學報, 2011, 37(3)： 270-275.XU Hua-rong, WANG Xiao-dong, FANG Qiu. Structure road detection algorithm based on B-spline curve model[J].Acta Automatica Sinica, 2011, 37(3)： 270-275.

[4]LIM K H, SENG K P, ANG L M. River flow lane detection and kalman filtering-based b-spline lane tracking[J].International Journal of Vehicular Technology, 2012, (2012)：465819.

[5]WANG Y, TEOH E K, SHEN D G. Lane detection and tracking using B-Snake[J]. Image & Vision Computing,2004, 22(4)： 269-280.

[6]梁廣民. 一種新的自動駕駛軌跡規(guī)劃方法[J]. 電子科技大學學報, 2017, 46(4)： 600-606.LIANG Guang-min. Novel trajectory planning method for autonomous driving[J]. Journal of University of Electronic Science and Technology of China, 2017, 46(4)： 600-606.

[7]JANAI J, GüNEY F, BEHL A, et al. Computer vision for autonomous vehicles： Problems, datasets and state-ofthe-art[EB/OL]. [2016-09-11]. http：//arxiv.org/abs/1704.05519.

[8]PERRONNIN F, MENSINK T, VERBEEK J. Image classification with the fisher vector： Theory and practice[J].International Journal of Computer Vision, 2013, 105(3)：222-245.

[9]劉華軍. 面向智能車輛的道路環(huán)境理解技術研究[D]. 南京： 南京理工大學, 2006.LIU Hua-jun, Researeh on road scene interpretation techniques for intelligent vehicles[D]. Nanjing： Nanjing Universisy of Seience and Technology, 2006.

[10]HOUGH V, PAUL C. Method and means for recognizing complex patterns： United States, US3069654[P]. 1962.

[11]陳勇, 劉亨立. 新型的無人機自主著陸地標設計與研究[J]. 電子科技大學學報, 2016, 46(6)： 934-938.CHEN Yong, LIU Heng-li. Novel landmark design of autonomous landing in unmanned aerial vehicle[J]. Journal of University of Electronic Science and Technology of China, 2016, 46(6)： 934-938.

[12]DAVIES E R. A modified hough scheme for general circle location[J]. Pattern Recognition Letters, 1988, 7(1)： 37-43.