王玉萍 張晨晨

【摘 要】隨著無人駕駛汽車技術(shù)和機(jī)器視覺研究的不斷升溫，車道線識別與跟蹤算法逐漸被人們重視。文章通過定義熱點區(qū)域并融合其他檢測算法提出一種車道線識別與跟蹤方法。經(jīng)過驗證，該方法能夠在復(fù)雜環(huán)境下準(zhǔn)確地提取出車道線，并預(yù)測出消失點，具有較強(qiáng)的實時性、準(zhǔn)確性和魯棒性，對無人駕駛技術(shù)具有一定輔助作用。

【關(guān)鍵詞】車道線識別與跟蹤；Canny邊緣檢測；Hough檢測器；熱點區(qū)域

【中圖分類號】TP391 【文獻(xiàn)標(biāo)識碼】A 【文章編號】1674-0688（2018）02-0197-02

隨著近年計算機(jī)視覺和深度學(xué)習(xí)算法的快速發(fā)展，越來越多學(xué)者將視覺傳感器融合進(jìn)無人駕駛技術(shù)。車道線作為車輛行駛道路上較為重要的信息也迎來了研究熱潮。本文提出了一種有效的車道線識別與跟蹤算法，以提高車道線識別的效率及準(zhǔn)確率。

1 車道線識別與跟蹤算法思路

車道線識別與跟蹤算法屬于典型的機(jī)器視覺應(yīng)用：通過視覺傳感器獲取每一幀圖像進(jìn)行智能分析，判斷出車輛是否偏移路線，算法主要思路如下。

Step1：圖像預(yù)處理。獲取視覺傳感器傳遞的一幀圖像進(jìn)行中值濾波，選擇適當(dāng)?shù)倪吘墮z測算法將圖像邊緣信息進(jìn)行細(xì)化，然后對其檢測結(jié)果進(jìn)行熱點區(qū)域分割。

Step2： 車道線檢測。選擇檢測器進(jìn)行直線檢測，圖像經(jīng)過預(yù)處理之后，車道線區(qū)域?qū)容^突出，利用檢測器在進(jìn)行車道線檢測的同時會自動過濾掉無效信息，保留與真實車道線最接近的兩條直線。

Step3：車道線跟蹤。檢測消失點，延長兩條直線交于一點，交點轉(zhuǎn)化到二維平面的消失點。

Step4：偏移預(yù)警。通過偏移度對車輛進(jìn)行監(jiān)控以達(dá)到輔助駕駛的目的[1]。

2 車道線識別與跟蹤算法實現(xiàn)

2.1 圖像預(yù)處理

圖像預(yù)處理決定車道線檢測的效果，主要研究內(nèi)容分為中值濾波、邊緣檢測和興趣區(qū)域選定三部分。

（1） 中值濾波。中值濾波能夠很好地剔除干擾像素，并且保護(hù)邊緣信息。通常由一個奇數(shù)大小的尺寸窗口在圖像矩陣上進(jìn)行滑動操作，將排序過后的像素中值作為當(dāng)前窗口中心位置的像素值。

中值濾波的效果如圖1所示。

（2） 邊緣檢測。使用Canny算子對濾波后的圖像進(jìn)行邊緣檢測。

標(biāo)定邊界的真正位置需要存儲梯度方向，會存儲梯度的強(qiáng)度信息和梯度的方向信息，公式如下：

對梯度幅值進(jìn)行非極大值抑制。求出的幅值圖像中可能存在多個較大幅值臨近的情況，進(jìn)行非極大值抑制找出局部最大值，剔除大部分非邊緣像素點。對每一個像素點做處理：根據(jù)該像素點的梯度方向，確定需進(jìn)行比較的臨近像素點位置。

應(yīng)用雙闕值技術(shù)。設(shè)定一個上界和闕值下界，圖像中的像素點如果大于闕值上界則認(rèn)為必然是邊界，小于闕值下界則認(rèn)為必然不是邊界。

使用Canny算子對圖像進(jìn)行邊緣檢測之后的車道線會更加突出，便于下一步直線檢測[3]。效果如圖2所示。

（3） 熱點區(qū)域分割。只關(guān)注熱點區(qū)域不僅能提高識別算法效率，而且還減少了部分干擾像素，從而提高識別的精準(zhǔn)度。實驗中采用的方法為：將數(shù)字圖像中非熱點區(qū)域像素賦值為0，其余區(qū)域保留原值。對圖像進(jìn)行分割應(yīng)放在圖像預(yù)處理的最后一步，否則其分割的邊緣像素會對直線檢測的準(zhǔn)確率造成影響。在圖像進(jìn)行像素剔除的效果如圖3所示。

2.2 車道線檢測

車道線檢測直接影響著車身偏移的測定，主要研究內(nèi)容分為檢測直線和擬合車道線兩部分?；舴蜃儞Q檢測直線可有效降低噪聲干擾，中值算法擬合車道線可明顯提高車道線檢測的效率，使算法準(zhǔn)確率和效率得到進(jìn)一步提高?；舴蜃儞Q通常會檢測到重合在車道線邊緣的直線。具體方法為：將檢測結(jié)果分別裝入兩個容器中并求中值，當(dāng)直線數(shù)目為奇數(shù)，真實車道線為重合直線的其中一條；當(dāng)直線數(shù)目為偶數(shù)，真實車道線為中間兩條直線的平均數(shù)值；對于偏離真實車道線的直線直接舍棄。經(jīng)過實驗表明，在多種路面下都能表現(xiàn)出較好的檢測效果，如圖4所示。

2.3 車道線跟蹤

在集合映射概念中，空間內(nèi)所有平行直線都會相交與無窮遠(yuǎn)點，這個無窮遠(yuǎn)點稱為消失點。在實際道路中，有很多平行直線，如道路護(hù)欄、車道線、邊界等。這些平行線延伸至遠(yuǎn)方形成消失點。在車道線檢測中，對兩條車道線進(jìn)行擬合出大概確定消失點的位置。根據(jù)視覺傳感器與消失點形成的直線與兩條車道線之間的距離之比，來判斷偏移角度是否在一個合理的范圍之內(nèi)，從而達(dá)到識別車道線來進(jìn)行輔助駕駛的目的。

3 實驗與仿真驗證

為驗證車道線識別與跟蹤算法的效果，選取了3張不同時間段的圖片進(jìn)行測試，在多種不同的道路情況下，車道線的識別效果非常好。尤其對于直線道路或者彎曲幅度不大的車道線識別的錯誤率幾乎為零，如圖5所示。對算法執(zhí)行時間進(jìn)行評計，由于對不必要像素的剔除減少了矩陣計算，提高的算法的執(zhí)行效率。算法與未進(jìn)行熱點區(qū)域定義前效率對比如圖6所示。

4 結(jié)論

定義熱點區(qū)域?qū)Σ槐匾膮^(qū)域進(jìn)行剔除，采用取中值的辦法來確定車道線位置，最終預(yù)測消失點，能夠提高車道線檢測與追蹤算法的效率和準(zhǔn)確率，具有一定的可行性。經(jīng)過反復(fù)驗證，該方法能夠?qū)嚨谰€進(jìn)行較好識別，具有較高的抗干擾能力，對智能駕駛技術(shù)具有一定的應(yīng)用價值。

參 考 文 獻(xiàn)

[1]Kenue K S Lanelok.An Alogorithm for Extending the Lane Sensing Operating Range to 100 Feet[J].Mobile Robots V，1990：222-233.

[2]Beauvais M，Lakshmanan S，CLARK：A Heteroge-

neous Sensor Fusion Method for Finding Lanes and Obstacles[J].Image and Vision Computing，

2000，18（5）：397-413

[3]Wang Yue，Shen Dinggang，Teoh E K.Lane Det-

ection Using Spline Model[J]. Pattern Recgnition Letters，1000，21：677-689.

[4]王玉萍，付曉豹.最小二乘圓心模糊集合貼近度蛙跳聚類算法[J].科技通報，1001-7119（2014）08-0191-03.