蔡英鳳 高 力 孫曉強(qiáng) 陳 龍 王 海

江蘇大學(xué)汽車工程研究院，鎮(zhèn)江，212000

0 引言

目前，無(wú)人駕駛技術(shù)吸引了人們極大的興趣。根據(jù)車道線對(duì)車輛定位是無(wú)人駕駛技術(shù)的基本功能。從車道線的位置可以推測(cè)出車輛自身的位置、航向等信息。陳無(wú)畏等［1］提出一種基于邊緣點(diǎn)投影的車道線快速識(shí)別算法，在目標(biāo)搜索區(qū)域內(nèi)，用邊緣信息提取車道特征。何鵬等［2］通過(guò)背景減除和二值化方法得到車道線的特征點(diǎn)，使用Hough變換和Catmull-Rom樣條曲線確定近場(chǎng)和遠(yuǎn)場(chǎng)的車道線。王楠［3］利用白色在YCbCr彩色空間的Y分量和黃色在Cb分量的屬性區(qū)分黃色和白色車道線，但是沒(méi)有給出區(qū)分虛線和實(shí)線的方法。NIU等［4］使用逆透視映射來(lái)生成道路圖像的俯視圖，使用簡(jiǎn)化的Hough變換檢測(cè)得到車道線。王海等［5］提出基于方向可變Haar特征和雙曲線模型的分布式車道線檢測(cè)方法，采用方向可變Haar特征提取邊緣特征點(diǎn)并擬合車道線模型。由于車道線在時(shí)空中是連續(xù)的，故有些算法用上一幀的檢測(cè)結(jié)果約束下一幀的搜索范圍和參數(shù)空間。李超等［6］在用Hough變換求解車道線參數(shù)后，利用幀間關(guān)聯(lián)的算法對(duì)當(dāng)前幀車道線模型進(jìn)行約束，從而減少了圖像數(shù)據(jù)的運(yùn)算量。由于實(shí)際環(huán)境中的不確定性，如來(lái)自汽車和樹(shù)木的陰影，照明條件的變化，破舊的車道標(biāo)線和其他標(biāo)志（指向箭頭、警告字、斑馬線等），對(duì)現(xiàn)有的識(shí)別算法造成了很大的干擾，因此，基于局部對(duì)比的車道線識(shí)別算法存在很大的局限性，車道線識(shí)別依然是一個(gè)充滿挑戰(zhàn)的課題，需要設(shè)計(jì)一種綜合考慮周圍環(huán)境的車道線識(shí)別算法。

基于邊緣特征的車道線提取算法利用閾值區(qū)分車道線和其他物體，有一個(gè)明顯的缺點(diǎn)在于對(duì)噪聲敏感（即在不同環(huán)境下需要選用不同的閾值），當(dāng)光照充分時(shí)需要高閾值，當(dāng)存在陰影時(shí)需要選擇低閾值，因此，閾值的選擇需要采用其他算法，如大津閾值法［7］等。此外，另一個(gè)問(wèn)題在于閾值局限于較小的范圍，特征點(diǎn)選取僅通過(guò)比較相鄰2個(gè)像素點(diǎn)的灰度值得到，而不考慮鄰近像素點(diǎn)的相似性。為解決上述問(wèn)題，LóPEZ等［8］使用了“脊度量”的新特征提取算法進(jìn)行車道線識(shí)別，且取得了較好的效果。該算法首先對(duì)圖像進(jìn)行預(yù)處理，然后計(jì)算脊度量提取特征點(diǎn)，最后擬合車道線并用隨機(jī)抽樣一致（random sample consensus，RANSAC）算法進(jìn)行檢驗(yàn)。但該算法存在以下缺點(diǎn)：①噪聲過(guò)濾機(jī)制不健全；②在脊度量篩選過(guò)程中使用固定的閾值，無(wú)法適用于復(fù)雜的場(chǎng)景；③無(wú)法區(qū)分車道線中的虛線和實(shí)線。

為解決上述問(wèn)題，本文在基于脊度量特征的車道線識(shí)別的傳統(tǒng)算法基礎(chǔ)上提出了一種基于自適應(yīng)閾值的噪聲過(guò)濾方法，該方法可有效地提高識(shí)別速度和識(shí)別效率，在檢測(cè)出車道線的前提下，增加了線形判斷，以區(qū)分虛線和實(shí)線。

1 脊度量計(jì)算

在城市等道路工況下，車道線邊緣部分由于磨損，往往出現(xiàn)相對(duì)暗淡、對(duì)比度變差的情況，這使得傳統(tǒng)基于梯度突變的各類邊緣提取算子失效。而車道線中間區(qū)域白色部分往往保存較好，從形態(tài)學(xué)模型上來(lái)看，將每行車道線最白的部分連接起來(lái)就形成了“脊”。求解脊度需要比較該像素點(diǎn)和周圍像素點(diǎn)的灰度值，因此脊是一個(gè)全局算子，不易受到局部污染的影響，所以脊度特征提取算法比邊緣檢測(cè)算法更具魯棒性。

脊度沒(méi)有嚴(yán)謹(jǐn)?shù)臄?shù)學(xué)定義，本文采用文獻(xiàn)［8］的定義。對(duì)原圖進(jìn)行灰度化處理，再用高斯濾波器進(jìn)行卷積，得到

其中，Lσd(x)為卷積后的圖像；L(x)為原始的灰度圖像；Gσd(x)為各向異性高斯濾波器，其協(xié)方差矩陣=diag(σdx,σdy)，其中σdy為固定值，σdx為變化值，隨著車道線的寬度變化而改變，具體變化取決于相機(jī)的焦距和俯仰角。

計(jì)算每個(gè)像素點(diǎn)沿第u行和第v列方向的梯度向量：

通過(guò)計(jì)算梯度向量的點(diǎn)乘，得到二階偏導(dǎo)矢函數(shù)sσd(x)，其作用類似于Hessian矩陣，表達(dá)式為

計(jì)算 sσd(x)與另一個(gè)高斯濾波器 Gσi(x)的卷積，得到結(jié)構(gòu)張量場(chǎng) Sσdσi(x)：

其中，Gσi(x)表示相機(jī)標(biāo)定的修正，與相機(jī)安裝位置有關(guān)，默認(rèn)為1。

將Sσdσi(x)較大的特征值對(duì)應(yīng)的特征向量定義為并將投影在 wσd(x)上得到

定義一個(gè)新向量 w?σdσi(x)：

圖1中，針對(duì)方框內(nèi)的區(qū)域（圖1b）計(jì)算脊度量，可以得到圖1c中的結(jié)果，可以看出，脊度量在Z軸方向相對(duì)于路面其他區(qū)域有明顯突變，可以通過(guò)閾值提取。有關(guān)脊度量算法的詳細(xì)解釋和參數(shù)設(shè)置，可以參考文獻(xiàn)［7］。

2 噪聲濾波機(jī)制

通過(guò)計(jì)算可知，車道線軸線方向的脊度量數(shù)值明顯大于其他區(qū)域的脊度量數(shù)值，因此可以通過(guò)閾值法提取。整個(gè)圖像尺寸為480像素×720像素?？紤]到圖片上部區(qū)域?yàn)樘炜蘸瓦h(yuǎn)景，因此興趣區(qū)域選擇下部區(qū)域，大小為255像素×720像素，見(jiàn)圖1a。理論上，車道線短于對(duì)角線長(zhǎng)度，即不大于750像素。極端情況下，車道兩邊均為雙白線，車道線的有效像素點(diǎn)也少于750×4=3 000個(gè)。通過(guò)直方圖（圖2）可以看到脊度量的分布，像素對(duì)應(yīng)的脊度量大致范圍為［-2，2］，因此，可以認(rèn)為累加到3 000個(gè)像素點(diǎn)的區(qū)間所對(duì)應(yīng)的最小值即為脊度量的閾值。將像素對(duì)應(yīng)的脊度量按照數(shù)值從大到小排列，選取脊度量的前3 000個(gè)像素點(diǎn)進(jìn)行分析。

圖1 脊度量數(shù)值計(jì)算Fig.1 Calculation of ridge value

圖2 脊度量直方圖Fig.2 Ridge histogram

車道線特征點(diǎn)的提取見(jiàn)圖3。提取閾值后得到圖3c，從圖中可以明顯看出車道線，但由于陰影和路面不規(guī)則，在車道上依然存在各種噪聲像素點(diǎn)，這會(huì)對(duì)Hough變換造成很大干擾。通過(guò)聚類可以剔除絕大多數(shù)無(wú)用的特征點(diǎn)，見(jiàn)圖3d。按照道路的規(guī)定，虛線長(zhǎng)度不少于3 m，結(jié)合攝像頭的標(biāo)定，遠(yuǎn)處的虛線在圖像中占5個(gè)像素點(diǎn)，因此，設(shè)置連續(xù)的閾值為5，即剔除連續(xù)不超過(guò)5個(gè)像素點(diǎn)的特征點(diǎn)。

圖3 車道線特征點(diǎn)提取Fig.3 Feature point extraction of lane line

3 模型擬合

3.1 直線模型擬合

車道線的模型主要有直線、雙曲線、拋物線等，各有優(yōu)勢(shì)，不存在絕對(duì)的優(yōu)劣區(qū)別。考慮到車道線的曲率，可以將近處的車道線近似為直線。綜上，本文采用直線車道線進(jìn)行研究。直線模型的優(yōu)勢(shì)在于模型簡(jiǎn)單，近視場(chǎng)干擾少，識(shí)別準(zhǔn)確率高。

常用的直線擬合算法通過(guò)Hough變換實(shí)現(xiàn)。Hough變換是從二維空間到參數(shù)空間的一種映射，對(duì)于直線變換，這種映射表現(xiàn)為從二維空間中的某點(diǎn)到參數(shù)空間中的某條曲線的對(duì)應(yīng)關(guān)系。由數(shù)學(xué)對(duì)偶性原理可知，二維空間中點(diǎn)的共線性對(duì)應(yīng)于參數(shù)空間中曲線的共點(diǎn)性，以此為依據(jù)來(lái)提取直線的相關(guān)參數(shù)，其映射關(guān)系表達(dá)式如下：

式中，（x，y）表示圖像中的像素點(diǎn)位置；ρ為經(jīng)過(guò)像素點(diǎn)（x，y）的直線距原點(diǎn)的法線距離；θ為該法線與軸的夾角。

經(jīng)過(guò)Hough變換得到圖片中所有的直線，見(jiàn)圖4，具體做法可參考文獻(xiàn)［9］。在此基礎(chǔ)上，通過(guò)消失點(diǎn)的算法可以過(guò)濾其他直線得到本車道兩側(cè)的車道線。

圖4 用Hough變換獲取車道線Fig.4 Lane line from Hough transform

3.2 虛線識(shí)別

主要的車道線線形有虛線和實(shí)線，但大多數(shù)識(shí)別算法不區(qū)分兩者。在道路環(huán)境感知中，虛線和實(shí)線有非常重要的作用，區(qū)分兩者有利于車輛進(jìn)一步推斷自身所在環(huán)境，如在車道保持算法中對(duì)虛線和實(shí)線的偏離預(yù)警應(yīng)有不同的策略，避免過(guò)于嚴(yán)苛的報(bào)警而成為駕駛員的負(fù)擔(dān)。本文提出一種利用特征點(diǎn)距離方差區(qū)分實(shí)線和虛線的算法。本文算法基于兩個(gè)假設(shè)：①虛線是間斷的，在較小的區(qū)域內(nèi)會(huì)觀測(cè)不到車道線；②在距離本車較近區(qū)域內(nèi)，不存在或極少有其他車輛等障礙物的遮蔽干擾。

算法流程如下：①識(shí)別車道線；②選取圖像中350～400行內(nèi)的車道線特征點(diǎn)放入集合S中；③計(jì)算S中一段像素點(diǎn)的行方向距離方差；④對(duì)比連續(xù)10幀的方差，若方差平均值小于閾值，則認(rèn)為是虛線；若方差平均值大于閾值，則認(rèn)為是實(shí)線。

圖5為連續(xù)的10幀圖片，可以看出，左側(cè)車道線因連續(xù)而一直可見(jiàn)，右側(cè)車道線則間斷可見(jiàn)。由此可以認(rèn)為，右車道是虛線，而左車道是實(shí)線。

圖5 連續(xù)的局部車道線Fig.5 Continuous local lane line

表1給出了對(duì)應(yīng)圖5中局部車道線內(nèi)特征點(diǎn)的行方向坐標(biāo)方差。因左車道線是實(shí)線，故坐標(biāo)方差值穩(wěn)定；而右車道是虛線，所以坐標(biāo)方差值波動(dòng)較大。圖6通過(guò)折線圖更直觀地反映了這一趨勢(shì)。

表1 特征點(diǎn)行方向坐標(biāo)方差Tab.1 Variance of feature points in row direction

圖6 坐標(biāo)方差折線圖Fig.6 Coordinate variance line diagram

4 實(shí)驗(yàn)設(shè)計(jì)

為驗(yàn)證該算法的實(shí)時(shí)性和有效性，使用MATLAB編程進(jìn)行了大量實(shí)驗(yàn)。測(cè)試環(huán)境為Intel i5處理器（2.60 GHz）的Windows7操作系統(tǒng)。實(shí)驗(yàn)環(huán)節(jié)采集由不同工況下的道路圖片組成的測(cè)試集，用以檢驗(yàn)車道標(biāo)記線的識(shí)別效果。

4.1 噪聲濾波

本節(jié)用多個(gè)圖片集對(duì)比了傳統(tǒng)的噪聲過(guò)濾算法和本文提出的過(guò)濾算法，見(jiàn)圖7。每組圖片集選擇相同數(shù)量的圖片進(jìn)行定量比較。第一列為攝像頭采集的原圖，第二列為傳統(tǒng)算法的處理效果，第三列為本文算法的處理效果。圖7a所示為一個(gè)簡(jiǎn)單的場(chǎng)景，兩種算法的識(shí)別結(jié)果類似。圖7b所示為有地標(biāo)干擾的情況，兩種算法均能識(shí)別白色長(zhǎng)條狀物體，區(qū)別不明顯。圖7c所示為在黃昏場(chǎng)景下的對(duì)比，車道線和路面對(duì)比度相對(duì)白天的對(duì)比度較低，傳統(tǒng)算法的閾值固定，故剔除了大量有效特征點(diǎn)。圖7d所示為雨天情況，地面存在大量水漬，車道線被雨水淹沒(méi)，兩種濾波均存在被干擾的情況，但改進(jìn)后的方法更多地保留了正確的特征點(diǎn)。

從定性對(duì)比結(jié)果中可以發(fā)現(xiàn)，本文算法在普通場(chǎng)景下與傳統(tǒng)算法的處理效果類似，但是在有陰影、字符等干擾的情況下，本文所提方法能有效地去除誤導(dǎo)信息，保留有效的車道線。

圖7 濾波效果對(duì)比Fig.7 Comparion of the filtering effect

4.2 虛線識(shí)別效果

本實(shí)驗(yàn)中，選擇一組車輛在三車道中變換車道的圖片集，檢驗(yàn)算法對(duì)車道線線形的識(shí)別效果。車輛從最右側(cè)車道變換到中間車道，換道前后，左側(cè)車道線由實(shí)線變成虛線，而右側(cè)車道線始終為虛線。檢測(cè)效果見(jiàn)圖8，其中1表示左車道線為實(shí)線，0.5表示左車道線為虛線，-1表示右車道線為虛線。在幀數(shù)為923～997范圍內(nèi),由于換道使得車道線連續(xù)檢測(cè)失敗，從而導(dǎo)致無(wú)法檢測(cè)出虛線和實(shí)線，因此，左右車道線的線形檢測(cè)結(jié)果均為0。實(shí)驗(yàn)結(jié)果表明，在車道線檢測(cè)無(wú)誤的情況下，該算法均能區(qū)分線形。通過(guò)線形檢測(cè)，可以知道兩側(cè)車道是否可用，可供下一步換道決策作參考。

圖8 虛、實(shí)車道線識(shí)別結(jié)果Fig.8 Recognition result of virtual and real lane line

4.3 現(xiàn)實(shí)環(huán)境測(cè)試

為檢測(cè)本文算法的效果，采集由多種工況下的道路圖片組成的測(cè)試集。測(cè)試圖片分為普通工況和復(fù)雜工況。圖片集場(chǎng)景和工況情況見(jiàn)表2。

測(cè)試圖片檢測(cè)效果見(jiàn)圖9，其中每組圖片的左側(cè)為攝像頭采集的原圖，右側(cè)為脊度量算法的檢測(cè)結(jié)果。圖9a顯示了晴天工況下車道線清晰完整且遠(yuǎn)處的車輛不受影響的場(chǎng)景。這種情況下的誤檢率極低，且與真實(shí)車道線貼合效果好。圖9b顯示了晴天工況下車道線邊緣出現(xiàn)其他車輛干擾的場(chǎng)景。通過(guò)噪聲濾波方法可以排除車輛的邊緣特征干擾，保留車道線的邊緣特征。圖9c顯示了校園內(nèi)車道線受損的場(chǎng)景。在這種情況下，基于邊緣點(diǎn)灰度対比的算法可能遇到失敗，但通過(guò)脊度量算法依然能找到正確的特征點(diǎn)。圖9d顯示了在雨天工況下天空灰暗，地面積水，車道線特征變得模糊的場(chǎng)景。此時(shí)通過(guò)脊度量算法擴(kuò)大了特征點(diǎn)選取的對(duì)比區(qū)域，提高了檢測(cè)結(jié)果的正確率。圖9e顯示了夜晚工況下僅有自身車燈提供照明的場(chǎng)景。通過(guò)脊度量算法綜合區(qū)域內(nèi)灰度值變化的情況，選擇變化趨勢(shì)最集中的像素點(diǎn)作為特征點(diǎn)，可以有效減少車道線邊緣對(duì)比不明顯帶來(lái)的干擾。

表2 測(cè)試圖片集Tab.2 Test picture sets

圖9 5組不同場(chǎng)景的檢測(cè)結(jié)果Fig.9 Results of 5 groups of different scenarios

在車道線識(shí)別程序的質(zhì)量評(píng)價(jià)中，實(shí)時(shí)性和識(shí)別率是最重要的指標(biāo)。通過(guò)人工觀測(cè)手動(dòng)選出檢測(cè)錯(cuò)誤的幀數(shù)。各種工況下檢驗(yàn)的正確率見(jiàn)表3。

表3 檢驗(yàn)正確率Tab.3 Accuracy of test

由表3可知：在普通工況即晴天工況下的正確率為99.18%；在復(fù)雜工況即雨天工況下的正確率為97.19%，受損路面工況下的正確率為94.72%，夜晚工況下的正確率為97.62%。

5 結(jié)論

傳統(tǒng)算法提出使用脊度量來(lái)檢測(cè)車道線，通過(guò)這種新的特征提取方法以及綜合區(qū)域內(nèi)灰度值變化的趨勢(shì)來(lái)選擇特征點(diǎn)，可以在復(fù)雜的情況下更準(zhǔn)確地提取車道線。本文在傳統(tǒng)算法的基礎(chǔ)上展開(kāi)了進(jìn)一步深入研究：

（1）針對(duì)傳統(tǒng)算法中特征點(diǎn)篩選存在的缺陷，改進(jìn)了特征點(diǎn)篩選方法，簡(jiǎn)化了算法的難度并提高了算法的通用性。

（2）針對(duì)傳統(tǒng)算法中識(shí)別車道線線型單一的問(wèn)題，提出了一種識(shí)別虛線和實(shí)線的方法。通過(guò)本文的優(yōu)化，該算法可更好地感知周圍環(huán)境。