龔天洋，陳 梅，王文揚，戎 輝

（1.吉林大學(xué) a.汽車學(xué)院；b.交通學(xué)院，吉林 長春 130012；2.中國汽車技術(shù)研究中心有限公司，天津 300162）

大霧天氣駕駛會造成駕駛員獲取道路信息失敗，心理緊張，駕駛員負荷加重，更容易疲勞，導(dǎo)致事故的發(fā)生。氣象能見度定義為在標(biāo)準(zhǔn)視力的人眼在當(dāng)時天氣條件下，能夠從天空背景看到和辨識出的黑體目標(biāo)物的最大水平距離。目前，能見度檢測方法主要分為基于能見度儀的檢測方法、基于雙目攝相機標(biāo)定的檢測方法、基于建立對比度模型的檢測方法等。其中，基于能見度儀的檢測方法存在價格十分昂貴等問題，要保證公路上的交通安全，尤其在團霧檢測時，需要密集布置監(jiān)測設(shè)備，從而成本居高不下，同時實時性、便攜性不佳?；陔p目攝相機標(biāo)定的檢測方法，由于需要標(biāo)定模板、測量攝像機安裝角度等受實際條件的限制，難以適用實時操作?；诮Ρ榷饶Ｐ偷臋z測方法，會產(chǎn)生較大誤差，而且測量結(jié)果容易受到遠方障礙物的不利影響。

南京大學(xué)陳釗正［1］等人提出了一種基于小波變換的視頻能見度檢測算法。山東大學(xué)劉建磊和劉曉亮［2］提出利用拐點線進行大霧能見度監(jiān)測。北京工業(yè)大學(xué)的宋洪軍［3］提出一種基于車道線檢測與圖像拐點的道路能見度估計方法。西安理工大學(xué)趙瑞［4］提出一種利用圖像暗通道先驗理論來估計能見度方法。長安大學(xué)許倩［5］提出了通過攝像機標(biāo)定的高速公路能見度估計方法，研究對象是在高速公路環(huán)境下的監(jiān)控圖像。

隨著處理器技術(shù)以及傳感器技術(shù)的不斷進步，越來越多的安全系統(tǒng)不斷應(yīng)用到車輛領(lǐng)域中，雖然當(dāng)前有很多能見度檢測方法，但是基于道路監(jiān)控視頻較多，針對實際道路平面的研究較少，利用車載相機實時檢測道路能見度更少。本文提出的能見度檢測方法具有簡單、處理速度快的優(yōu)點，僅使用一臺攝像機來實時獲得道路圖像進行能見度檢測。測量過程不會對駕駛?cè)说恼ｑ{駛行為造成干擾，并且傳感器也適用于低能見度環(huán)境的特點。

1 能見度檢測算法概述

本文提出的能見度檢測算法是在車道線識別的基礎(chǔ)上，因此車道線的準(zhǔn)確識別對于道路能見度值的計算具有重要意義?；谲嚨谰€檢測獲取道路能見度方法流程圖如圖1所示。首先對原始圖像進行圖像預(yù)處理，突出車道特征，在原始圖像中利用Hough變換獲得檢測到的直線參數(shù)，進行車道標(biāo)線識別，利用區(qū)域生長法獲得霧天道路與天空的分界線，基于透視投影變換估計道路與天空的分界線，結(jié)合車道線模型，估計能見度。本文提出的能見度檢測方法可以作為智能駕駛輔助系統(tǒng)的重要部分。

圖1 基于車道線檢測獲取道路能見度方法流程圖

2 圖像預(yù)處理

圖像的閾值化處理是為了更加突出圖像的邊緣，目前有很多圖像分割算法，但并不適用于所有的圖像，需要根據(jù)具體圖像特點，采用最佳方法，滿足分割需要。霧天道路圖像的特征包括道路、天空等，天空主體特征明顯，在圖像的上部，較暗的道路特征在圖像的下部，整幅圖像光線不均勻，近處圖像較清晰，越遠離攝像機圖像越模糊，圖像整體亮度受外界光照變化影響較大。因為車道線特征集中在圖像的下部，圖像整體灰度不均勻等因素，使得特征在灰度直方圖上的分布不能很明確地表現(xiàn)出來，因此全局閾值并不滿足要求。

通過動態(tài)閾值的方法提取車道線特征，利用二維高斯函數(shù)對原圖像進行平滑處理，得到圖像B之后，將平滑處理后的圖像作為閾值面對圖像進行二值化處理。

其中，G（x，y）=1，上式中二維高斯函數(shù)由公式（1）表示，圖像B由公式 （2）表示，處理過程中只要對σ進行加減，就可以調(diào)整閾值面的平滑程度，所以選擇合適的閾值面就變得非常容易。圖2為CCD采集的道路圖像及其預(yù)處理后的結(jié)果，由圖2可以看出采用動態(tài)閾值的方法是非常有效的。

3 車道線檢測及消失點計算

基于視覺的車道線檢測方法主要分為兩類：基于模型的方法和基于特征的方法?；谀Ｐ偷姆椒ū粡V泛用來解決車道線檢測問題，其常用的幾何模型有直線、拋物線、雙曲線、樣條曲線及回旋曲線等。復(fù)雜的車道線模型 （曲線或樣條曲線）雖然能實現(xiàn)對車道較精確的擬合結(jié)果，但它們對噪聲異常敏感。直線模型能很好地擬合實際車道線，并且能有效抑制圖像中噪聲的干擾。

圖2 CCD采集的道路圖像及其預(yù)處理后的結(jié)果

目前有很多學(xué)者對車道線檢測相關(guān)方面做了研究，McCall［6］等總結(jié)了過去幾十年來提出的各種車道線檢測算法，主張依據(jù)系統(tǒng)的具體目標(biāo)及不同的應(yīng)用環(huán)境，對檢測算法的各個環(huán)節(jié)進行針對性設(shè)計，并提出了一種基于轉(zhuǎn)向濾波器的車道線檢測方法。Son等人提出了光照變化條件下的車道檢測系統(tǒng)［7］。Moghadam等人提出了在非結(jié)構(gòu)化道路上的快速消失點檢測方法［8］。Yang等人提出了一種可應(yīng)用在不同類型道路上的快速消失點檢測方法［9］。Yoo等人提出了一種基于消失點估計的車道檢測方法［10］。Cheng等人提出了一種基于顏色信息的車道線檢測方法［11］。Liu等人提出了一種基于RANSAC算法的車道線檢測方法，并且基于卡爾曼濾波精確高效的追蹤車道線［12］。Cui等人提出了一種在城市道路環(huán)境下多車道線檢測和追蹤方法［13］。Cheng等人提出了一種應(yīng)用于結(jié)構(gòu)和非結(jié)構(gòu)化道路的多層車道檢測系統(tǒng)［14］。Narote等人對當(dāng)前先進的車道檢測和偏離預(yù)警系統(tǒng)進行了詳細總結(jié)［15］。Yi等人提出了一種基于改進的hough變換的車道檢測和偏離預(yù)警方法［16］。Gaikwad和Lokhande提出了一種基于歐式距離的車道偏離預(yù)警方法［17］。

Hough變換于1962年由Paul Hough提出，它所實現(xiàn)的是一種從圖像空間到參數(shù)空間的映射關(guān)系。由于道路直線模型，具有簡單、計算量小，且不易受其他干擾因素影響的優(yōu)點，因此，本文利用hough變換提取二維圖像坐標(biāo)系車道線參數(shù)，實現(xiàn)車道線的檢測。原始圖像中，左右車道線模型如公式 （3）所示。

式中：kl，bl——左車道線的斜率和截距；kr，br——右車道線的斜率和截距，因此，車道線的檢測識別問題將轉(zhuǎn)化為左右車道線參數(shù)的獲取。

Hough直線檢測器使用的是極坐標(biāo)系表示，其方程可以用公式 （4）表示，每一對 （ρi，θi）對應(yīng)一條直線，為了獲得笛卡爾坐標(biāo)系的坐標(biāo)參數(shù)需要做相應(yīng)的變換。

設(shè)兩車道線的交點為 （x，y），根據(jù)公式 （3）得出，x=由于x是直線上的一點，將x代入到直線模型，得出，即得到兩車道線的交點，經(jīng)過hough變換，可以獲得車道線參數(shù)，可求出交點坐標(biāo)。圖3為路圖像左右車道線及消失點檢測。

圖3 路圖像左右車道線及消失點檢測

由于霧天水滴飄在空中光線變得模糊，主要集中在圖像中最暗的道路區(qū)域，使天空部分在圖像中下降，變成道路區(qū)域的一部分，因此霧天道路能見度估計即天空和路面的分割問題。如果是無霧條件，天空和路面的分割線與車道線消失點高度相同，在霧天，天空和路面的分割線比車道線的消失點高度低。

為了檢驗本方法的有效性，由于霧天圖像較難獲取，本文采用合成圖像庫進行驗證。圖4表示的是使用區(qū)域生長法獲得的圖像天空與道路的分界點。

圖4 使用區(qū)域生長法獲得的圖像天空與道路的分界點

4 能見度值計算

提取出檢測到的車道標(biāo)識線參數(shù)后，經(jīng)過公式 （3）的計算，獲得了兩直線的交點，即得到消失點的坐標(biāo) （Insertpoint.x，Insertpoint.y），原始圖像坐標(biāo)系左右車道線模型如圖5所示。由于逆投影變換圖像中的點與道路圖像中的點具有一一映射關(guān)系，為了獲得消失點的實際坐標(biāo)，需要根據(jù)一定的先驗知識，通過坐標(biāo)轉(zhuǎn)換獲得二維圖像坐標(biāo)系消失點在實際車道中的位置信息。

圖5 原始圖像坐標(biāo)系左右車道線模型

假設(shè)車輛行駛的道路為一個平面，攝像機的光軸與地面平行，世界坐標(biāo)系與圖像坐標(biāo)系的相應(yīng)坐標(biāo)軸是平行的，f與Z軸在一條直線上，世界坐標(biāo)系的一點 （XW，YW，ZW）與圖像坐標(biāo)系的一點 （u0，v0）具有一一映射關(guān)系。考慮到霧天主要影響的天空在圖像中的高度，由于X軸對于霧的影響無關(guān)，因此選擇Y軸表示能見度值。為了獲得深度信息，即圖像映射該點到3D世界中Z軸的坐標(biāo)值，需要得到相對天空高度v和消失點的高度v0，通過計算相機的標(biāo)定參數(shù)，深度距離可以用公式 （5）表示。

5 試驗結(jié)果

為了方便驗證，本文部分圖片庫采用合成圖像，圖6的能見度檢測結(jié)果使用霧天FRIDA圖片庫［18］（http：／／www.lcpc.fr／en／produits／fog／），原始圖片大小為480×640，拍攝的相機安裝高度為1.38 m。

圖6 合成圖像的消失點以及天空道路分界線檢測結(jié)果

由于霧天圖像不必要擁有高分辨率，因此，為了減少整個算法處理時間，圖像被歸一化大小為320×240像素，實驗平臺為：AMD Athlon處理器，4 GB DDR3 RAM，Windows XP操作系統(tǒng)，vc++6.0測試環(huán)境。為了驗證該能見度檢測算法的可行性，對大量霧天圖像進行測試。通過實驗結(jié)果得出，可以實現(xiàn)實時輸出當(dāng)前環(huán)境下的能見度值，且該能見度檢測算法耗時在16 ms左右。

圖6中以消失點的橫坐標(biāo)保持不變，（a）得到消失點的坐標(biāo)為 （160，129），天空道路分界線的坐標(biāo)為 （160，140），能見度736 m。（b）得到消失點的坐標(biāo)為 （161，118），天空道路分界線的坐標(biāo)為 （161，132），能見度578 m。（c）得到消失點的坐標(biāo)為 （159，128），天空道路分界線的坐標(biāo)為（161，132），能見度1 025 m。

6 總結(jié)

為了提高駕駛安全性，本文提出了一種在結(jié)構(gòu)化道路中基于車道線檢測獲取道路能見度方法，試驗結(jié)果表明提出的能見度檢測方法適用于霧天環(huán)境，實現(xiàn)了實時識別車道線以及能見度值的獲取。該能見度方法具有成本低、處理速度快的優(yōu)點，在智能駕駛系統(tǒng)中具有重要的參考意義，同時該能見度檢測方法也可作為霧天圖像恢復(fù)效果評價指標(biāo)。未來該方法可以利用更多的視頻序列進行測試，以證明該方法在真實情況下的執(zhí)行結(jié)果，一旦在大量不同環(huán)境下被證明有效，該方法可嵌入到實車實時系統(tǒng)下工作。