駱濟(jì)煥，蘭鳳崇，陳吉清

（華南理工大學(xué) 機(jī)械與汽車工程學(xué)院 廣東省汽車工程重點(diǎn)實(shí)驗(yàn)室,廣州 510640）

車道線檢測(cè)技術(shù)實(shí)現(xiàn)的精準(zhǔn)程度在汽車駕駛輔助系統(tǒng)中尤其重要，直接決定了預(yù)警系統(tǒng)的及時(shí)性和準(zhǔn)確性。智能輔助駕駛汽車在環(huán)境感知方面主要采用攝像頭、激光、雷達(dá)等傳感器以及GPS定位導(dǎo)航系統(tǒng)進(jìn)行切換和結(jié)合的方案[1]?；趩文恳曈X的車道線檢測(cè)技術(shù)不僅實(shí)用性好并且成本低，在智能交通、智能駕駛輔助系統(tǒng)、機(jī)器人等領(lǐng)域都有著廣泛的應(yīng)用前景[2]。

智能輔助駕駛中車道線檢測(cè)方法主要是使用單目視覺實(shí)時(shí)獲取前方道路的信息并對(duì)其進(jìn)行處理和檢測(cè)[3]。近年來，較多的研究人員采用Hough變換[4]、神經(jīng)網(wǎng)絡(luò)[5]和基于變形模版[6]等方法來識(shí)別車道線。但在實(shí)際駕駛中，它們都不同程度地受到了魯棒性和抗干擾能力不足的制約。傳統(tǒng)的Hough變換算法指的是通過識(shí)別圖像中最符合車道特征的直線[7]，從而對(duì)其進(jìn)行標(biāo)定。此算法的優(yōu)點(diǎn)在于能夠較好地檢測(cè)出車道線的邊界點(diǎn)，但也存在計(jì)算量大、檢測(cè)精度不夠高、多峰值檢測(cè)、受噪聲干擾嚴(yán)重等問題。對(duì)此，很多學(xué)者提出了改進(jìn)的方法[8-10]，F(xiàn)ARDI等[11]提出了使用Hough變換從圖像中分布的邊緣點(diǎn)提取直線等。可是這些方法旨在減少計(jì)算量，并沒有考慮在Hough變換前，對(duì)要變換的目標(biāo)進(jìn)行適當(dāng)?shù)那疤幚恚⑵渌惴ńY(jié)合起來改進(jìn)Hough變換法，以便解決其問題。

因此，通過道路圖像前處理算法先對(duì)目標(biāo)進(jìn)行預(yù)處理來解決檢測(cè)速度慢和受噪聲干擾等問題，并結(jié)合TCR算法來縮小檢測(cè)范圍，從而改進(jìn)Hough變換法，避免多峰值檢測(cè)并提高車道線的檢測(cè)精度。最后結(jié)合自主搭建的汽車試驗(yàn)平臺(tái)和軟件平臺(tái)，在直道和彎道行駛情況下進(jìn)行車道線檢測(cè)試驗(yàn)，驗(yàn)證本文的車道線檢測(cè)算法在弱光照和強(qiáng)光照條件下也具有較強(qiáng)的魯棒性和實(shí)用性。

1 道路圖像前處理算法

在城市道路中，通過單目視覺采集到的視頻會(huì)受到背景環(huán)境（包括路邊樹木、建筑物和前方車輛等）和太陽光等因素的影響。對(duì)視頻中的道路圖像進(jìn)行前處理，可以去除圖像中的雜質(zhì)，更好地提取出車道線。本研究提出的實(shí)用性較好的道路圖像前處理算法流程如圖1所示。

圖1 道路圖像前處理算法流程

1.1 彩色圖像灰度化

彩色圖像灰度化對(duì)彩色圖像進(jìn)行降維處理即M*N*3變?yōu)镸*N，加快后續(xù)算法處理速度和效率。綜合考慮算法的實(shí)用性和合理性，選取加權(quán)平均法。根據(jù)圖像的特征，將彩色道路圖像轉(zhuǎn)化前紅（R）、綠（G）、藍(lán)（B）三種顏色按照其權(quán)重關(guān)系ωG＞ωR＞ωB來計(jì)算轉(zhuǎn)化后的值。

式中：R (i,j) ，G (i,j) ，B(i,j)分別為像素點(diǎn)對(duì)應(yīng)R，G，B的數(shù)值大小。

圖2為直道行駛和彎道行駛的加權(quán)平均法灰度化的效果圖?？芍?，對(duì)圖像進(jìn)行降維處理的同時(shí)也完好地保留了車道線的輪廓，符合車道線檢測(cè)的要求。

圖2 彩色道路圖像灰度化

1.2 改進(jìn)的中值濾波

為了有效地避免道路圖像中雜質(zhì)的干擾，并且盡可能多地保留需要提取的車道線輪廓，采取中值濾波[12]來濾除噪聲，其在消除噪聲方面有特別好的效果，特別是消除城市環(huán)境下最容易出現(xiàn)的椒鹽噪聲。假設(shè)在某鄰域內(nèi)有一組像素序列按大小x1＜x2＜x3＜···＜xn進(jìn)行排列，則該像素序列的中值y為：

為了避免窗口大小對(duì)濾波效果的直接影響，優(yōu)先選取3×3的濾波窗口對(duì)灰度化道路圖像進(jìn)行改進(jìn)的中值濾波處理，步驟如下：

（1）假設(shè)3×3的窗口沿著列方向進(jìn)行濾波，最左側(cè)一列像素的灰度值分別為y01、y02、y03，即將進(jìn)入的一列像素的灰度值分別為yn1、yn2、yn3。

（2）判斷等式y(tǒng)01=yn1&&y02=yn2&&y03=yn3是否成立。等式成立則輸出原中值，等式不成立則取新值。

（3）對(duì)新的3×3窗口里的像素系列重新進(jìn)行排列，由式（2）得到新的中值yn。

（4）按照上述步驟將3×3窗口移遍整個(gè)圖像，若是噪聲則取中值y，若是信號(hào)則不進(jìn)行處理。

1.3 結(jié)合OTSU法的車道線邊緣提取

傳統(tǒng)的Canny算法是人為選取高閾值和低閾值，從而會(huì)使邊緣和偽邊緣之間的識(shí)別存在矛盾，不同道路圖像之間也不具有自適應(yīng)性，滿足不了復(fù)雜的道路情況。為了解決這一矛盾，結(jié)合最大類間方差法[13]（OTSU法）來得到最優(yōu)閾值，從而自適應(yīng)地提取出圖像的高低閾值。為了準(zhǔn)確分割背景環(huán)境和車道線，應(yīng)用OTSU法來獲取圖像的最優(yōu)閾值，提取出二值化的車道線。假設(shè)分割閾值T把圖像的灰度值分成兩組C0和C1，P(i)為i點(diǎn)灰度值大小，C0和C1出現(xiàn)的總概率為ω0和ω1，則：

設(shè)μ0和μ1分別是兩組灰度值相對(duì)應(yīng)的平均值，圖像全部像素點(diǎn)的平均值μ1為：

組間方差為：

不同的分割閾值T會(huì)產(chǎn)生不同的組間方差，OTSU法最終選取的分割閾值是能夠使組間方差達(dá)到最大值的Tmax。按照下式對(duì)圖像進(jìn)行二值處理。

OTSU法進(jìn)一步減少了背景環(huán)境區(qū)域干擾和噪聲信號(hào)，使車道線和背景區(qū)域分離開，為車道線的邊緣提取提供支持，效果如圖3所示。

圖3 OTSU分割法

在數(shù)字圖像領(lǐng)域，對(duì)于車道線檢測(cè)而言，其顏色值與周圍路面環(huán)境信息相差較大，其邊界點(diǎn)可以利用邊緣檢測(cè)來獲取。目前邊緣檢測(cè)算子有Roberts算子、Prewitt算子、Sobel算子和Canny算法等[14]。將OTSU法和目前使用最廣泛并且理論最為完善的Canny邊緣檢測(cè)算法結(jié)合起來，使OTSU法確定的最優(yōu)閾值等于傳統(tǒng)Canny算法中的高閾值。綜合考慮不同車道線的閾值大小，令高閾值等于低閾值的2倍，從而求出低閾值[15]。處理效果如圖4所示。

圖4 Canny算子邊緣提取

由圖可知，道路圖像前處理算法突出了車道線信息，使處理后的圖像或者視頻能夠更好地輔助后續(xù)車道線檢測(cè)算法的實(shí)現(xiàn)。

2 結(jié)合TCR的改進(jìn)Hough變換算法

為了在車道線檢測(cè)時(shí)對(duì)目標(biāo)范圍進(jìn)行約束，提高檢測(cè)精度和準(zhǔn)度，采用了TCR算法。先通過目標(biāo)區(qū)域劃分和極角極徑約束縮小車道線檢測(cè)范圍，然后分別運(yùn)用算子[1 0 -1]和[ -1 0 1]對(duì)車道左右雙線進(jìn)行邊緣疊加處理，改進(jìn)Hough變換算法在直道和彎道行駛下的車道線檢測(cè)精度，最后在新的TCR下進(jìn)行車道線跟蹤，從而得到一套魯棒性較強(qiáng)的車道線檢測(cè)算法。

2.1 車道線目標(biāo)區(qū)域劃分

汽車正常行駛條件下，車載攝像頭獲取的前方道路視頻中，車道線信息的道路區(qū)域一般位于下半部分，位于上半部分的天空區(qū)域則無需進(jìn)行處理。根據(jù)車載攝像頭安裝的位置和角度，近似地把車道線和天空的分界線定為圖像總行數(shù)Height的2/3處（從上往下），并且考慮較小的估計(jì)誤差增量ε，則天空區(qū)域和目標(biāo)區(qū)域的分割線高度為：

對(duì)于本研究的240×360的圖像而言，確定這360列中標(biāo)記的最大行數(shù)為80，其中ε可取1到5，將最后得到的行數(shù)80+ε標(biāo)記為目標(biāo)區(qū)域的上界。劃分目標(biāo)區(qū)域上界后，避免了背景環(huán)境的干擾并提高了檢測(cè)的準(zhǔn)確度。

圖5 劃分目標(biāo)區(qū)域

2.2 檢測(cè)范圍約束

Hough變換是將圖像空間變換到參數(shù)空間，通過尋找峰值來實(shí)現(xiàn)目標(biāo)檢測(cè)，在車道線邊緣點(diǎn)檢測(cè)上應(yīng)用廣泛[16]。設(shè)直線l的極坐標(biāo)方程為：

式中：ρ為原點(diǎn)到直線l的距離，最大值為對(duì)角線長度；θ為直線l的法線與x軸正方向的夾角，取值范圍為 [-90°，+90°]。

實(shí)際情況下，左右車道線分別分布在道路圖像的兩邊。通過對(duì)采集到的大量道路圖像樣本進(jìn)行計(jì)算分析，得到左、右車道線的目標(biāo)約束范圍，則左、右車道線極角θ1，θr的約束范圍和極徑ρ1，ρr的約束范圍分別為：

圖6中的圖像坐標(biāo)系取圖像左上角為坐標(biāo)原點(diǎn)o，i軸為圖像的角度增加方向，j軸為圖像位移增加方向。

圖6 極角極徑法示意圖

在滿足TCR的目標(biāo)區(qū)域劃分和極角極徑法約束的條件下檢測(cè)車道線，有效地避免了噪聲點(diǎn)、路邊樹木和建筑等障礙物的干擾，減少了Hough變換要處理的區(qū)域并提高了系統(tǒng)的檢測(cè)速度。改進(jìn)后的Hough變換檢測(cè)區(qū)域?yàn)橹本€a和直線b圍成的區(qū)域加上直線c和直線d圍成的區(qū)域之和，再減去上方的三角形重疊區(qū)域S，如圖7所示。

圖7 TCR下的Hough變換檢測(cè)區(qū)域

2.3 車道左右雙線疊加處理

車輛在道路上正常行駛時(shí)，一般位于道路的正中間，而車道線則位于車輛的兩側(cè)。對(duì)車道線進(jìn)行邊緣檢測(cè)后，1條車道線會(huì)有左右兩條邊界線，兩條車道線則意味著有4條邊界線，分別為L1、L2、L3、L4，如圖7所示。對(duì)道路圖像進(jìn)行整體檢測(cè)，檢測(cè)出來的車道線就有=6種情況。在實(shí)際中，只需要把左右車道線的內(nèi)側(cè)邊緣L2和L3檢測(cè)出來。

為了準(zhǔn)確地檢測(cè)出車道線，以中軸為基準(zhǔn)，把檢測(cè)區(qū)域分為左右兩部分，分別進(jìn)行邊緣處理。在左區(qū)域，運(yùn)用掩模算子[1 0 -1]對(duì)左邊的兩條車道線進(jìn)行濾波疊加處理，最終得到邊界線L2。同理，運(yùn)用算子[-1 0 1]對(duì)右區(qū)域進(jìn)行車道線邊緣疊加處理，得到邊界線L3。

2.4 基于新TCR的車道線檢測(cè)與跟蹤

由于車載攝像頭采集道路圖像的速度較快，相鄰兩幀圖像的車道線位置偏差不大，所以車道邊緣點(diǎn)的位置具有一定的可預(yù)測(cè)性。通過分析采集到大量道路圖像，連續(xù)兩幀道路圖像中車道線的傾斜角度變化在± 5°內(nèi)，截距變化在± 15個(gè)像素內(nèi)。因此，本研究以檢測(cè)到的車道線參數(shù)為基礎(chǔ)，建立下一幀道路圖像的新檢測(cè)范圍TCR，如圖8所示。

圖8 新的TCR區(qū)域

式中：kl，kr分別為上一幀左右車道線的斜率；bl，br分別為上一幀左右車道線的截距；Δb，Δk分別為兩幀圖像車道線參數(shù)的變化量；kl-up，kl-down，bl-up，bl-down分別為當(dāng)前幀左車道線TCR的斜率和截距；kr-up，kl-down，br-up，br-down分別為當(dāng)前幀右車道線TCR的斜率和截距。

在進(jìn)行車道線跟蹤檢測(cè)時(shí)，在新TCR下將常坐標(biāo)系下的(k,b)參數(shù)轉(zhuǎn)換為極坐標(biāo)系下的(ρ,θ)參數(shù)，然后在新TCR內(nèi)進(jìn)行疊加處理，最后進(jìn)行Hough變換，進(jìn)一步減少了非車道線邊緣點(diǎn)的干擾，提高了車道檢測(cè)的實(shí)時(shí)性。采用基于新TCR下的Hough變換后車道線參數(shù)波動(dòng)減少，增加了直線檢測(cè)的穩(wěn)定性，提高了檢測(cè)精度。

3 車道線檢測(cè)試驗(yàn)

在自主搭建的汽車試驗(yàn)平臺(tái)上，完成了視頻的錄制并對(duì)有代表性的視頻進(jìn)行了仿真測(cè)試和結(jié)果分析，進(jìn)一步驗(yàn)證本文研究的車道線檢測(cè)算法的魯棒性。車道線檢測(cè)總流程如圖9所示。

3.1 試驗(yàn)設(shè)計(jì)方案

自主搭建的汽車試驗(yàn)平臺(tái)使用了廣汽本田的一款1.5 L自動(dòng)豪華版（2008款）飛度汽車。針對(duì)車載攝像頭的安裝要求，試驗(yàn)選取的單目視覺硬件是銳爾威視-USB攝像頭。銳爾威視-USB攝像頭通過USB數(shù)據(jù)線與檢測(cè)計(jì)算機(jī)相連接，如圖10所示。

圖9 車道線檢測(cè)流程圖

圖10 單目視覺車載系統(tǒng)

該攝像頭體積小，安裝在車內(nèi)頂部的正中間位置，不會(huì)影響駕駛員的視線。為了使其固定方便且抗震性好，采取了相應(yīng)的固定措施。攝像頭的角度0 ～45°任意可調(diào)，可以適應(yīng)不同測(cè)試環(huán)境。為了更好地符合實(shí)際行駛情況并擴(kuò)大前方視野的范圍，令攝像頭的中心光軸與水平線成α的俯角，α取15°～ 30°。

在軟件平臺(tái)方面，應(yīng)用了Matlab 2016軟件，為試驗(yàn)提供仿真分析。軟件平臺(tái)對(duì)車載攝像頭采集到的每一幀視頻信息進(jìn)行處理和識(shí)別，提取并標(biāo)記出車道線位置輪廓信息，可以在結(jié)果顯示欄內(nèi)很直觀地看到仿真處理后的效果。

在試驗(yàn)中，先利用USB攝像頭對(duì)視頻進(jìn)行采集（攝像頭設(shè)置的分辨率為640×480，每秒25幀），然后傳輸?shù)诫娔X進(jìn)行保存，最后通過電腦對(duì)視頻進(jìn)行試驗(yàn)分析，算法主要分為道路圖像前處理和車道線檢測(cè)兩個(gè)模塊。

3.2 車道線檢測(cè)偏離和修正

直接對(duì)道路圖像進(jìn)行整體檢測(cè)，車道線的檢測(cè)標(biāo)識(shí)會(huì)偏出了行駛車道的范圍，如圖11a所示。因?yàn)閷?duì)道路圖像進(jìn)行整體檢測(cè)，檢測(cè)出來的車道線有=6種不同的效果，圖11a顯示了其中1種不合理的檢測(cè)情況。直接對(duì)車道線進(jìn)行整體檢測(cè)，不僅增加了算法的隨機(jī)性，而且檢測(cè)的精準(zhǔn)度也不高。為了準(zhǔn)確地檢測(cè)出車道線，采用基于TCR的Hough變換法對(duì)車道線進(jìn)行檢測(cè)，效果如圖11b所示。

圖11 車道線檢測(cè)偏離和修正（直道情況）

改進(jìn)的Hough變換檢測(cè)車道線，不僅修正了偏差即提高了檢測(cè)精度，而且增加了算法的嚴(yán)謹(jǐn)性，避免了誤檢或者檢測(cè)失敗的情況。彎道對(duì)比效果如圖12所示。

圖12 車道線檢測(cè)偏離和修正（彎道情況）

3.3 車道線仿真結(jié)果分析

為了使車道線檢測(cè)算法更好地滿足復(fù)雜多變的道路環(huán)境，試驗(yàn)特意選取了一段具有代表性的視頻，視頻中的道路情況包括上坡直道行駛、上坡彎道行駛、車輛前方和道路附近均有行人等。為了檢驗(yàn)仿真測(cè)試的準(zhǔn)確率，分別對(duì)直道行駛和彎道行駛情況進(jìn)行5個(gè)周期的概率統(tǒng)計(jì)，每個(gè)周期有200幅圖像，一共1 000幅圖像。當(dāng)檢測(cè)的車道線與實(shí)際車道線之間的傾斜角度變化在±2°內(nèi)并且間距變化在±2個(gè)像素內(nèi)，稱為檢測(cè)成功，否則稱為失??；當(dāng)檢測(cè)不出車道線時(shí)，稱為漏檢，結(jié)果見表1和表2。

表1 直道行駛檢測(cè)情況

表2 彎道行駛檢測(cè)情況

在直道和彎道行駛時(shí)，車道線檢測(cè)試驗(yàn)仿真效果如圖13和圖14所示。

圖13 直道行駛時(shí)車道線檢測(cè)仿真效果圖

圖14 彎道行駛時(shí)車道線檢測(cè)仿真效果圖

最后還對(duì)廣州市區(qū)一段復(fù)雜路況的視頻進(jìn)行了弱光照條件和強(qiáng)光照條件下的對(duì)比仿真試驗(yàn)，如圖15所示。

在相對(duì)復(fù)雜的道路條件下，算法準(zhǔn)確地檢測(cè)出了車道線，直道行駛情況檢測(cè)的平均準(zhǔn)確率為93.8%，彎道行駛情況檢測(cè)的平均準(zhǔn)確率為91.6%。廣州市區(qū)復(fù)雜路況下的仿真試驗(yàn)進(jìn)一步驗(yàn)證了算法能排除弱光照和強(qiáng)光照的干擾，證明了其具有較強(qiáng)的魯棒性。

圖15 弱光條件和強(qiáng)光條件下車道線檢測(cè)情況

4 結(jié)論

將道路圖像前處理算法和TCR結(jié)合，改進(jìn)了Hough變換車道線檢測(cè)法，提高了單目視覺下車道線檢測(cè)算法的魯棒性，具體結(jié)論如下。

（1）針對(duì)Hough變換中檢測(cè)速度慢和受噪聲干擾嚴(yán)重的問題，設(shè)計(jì)出了一套較好的道路圖像前處理算法，算法通過結(jié)合加權(quán)平均法和改進(jìn)的3×3中值濾波來去除噪聲的干擾，接著基于OTSU法確定最優(yōu)閾值來進(jìn)行二值化處理，進(jìn)而運(yùn)用Canny算子來提取車道線的邊緣。

（2）在單目視覺下，結(jié)合道路圖像前處理算法和TCR，通過目標(biāo)區(qū)域劃分和極角極徑法較大程度地縮小車道線檢測(cè)區(qū)域。運(yùn)用算子[1 0 -1]和[-1 0 1]對(duì)左、右車道線分別進(jìn)行邊緣疊加處理，并在新的TCR下進(jìn)行車道線跟蹤。改進(jìn)的Hough變換法，避免了多峰值檢測(cè)并提高了車道線檢測(cè)精度，能夠在直道及彎道行駛時(shí)有效地檢測(cè)和跟蹤車道線。

（3）結(jié)合自主搭建的汽車試驗(yàn)平臺(tái)和軟件平臺(tái)，對(duì)有代表性的視頻進(jìn)行直道行駛和彎道行駛情況下的檢測(cè)試驗(yàn)，其平均準(zhǔn)確率分別為93.8%和91.6%。通過分析車道線檢測(cè)遇到的偏離問題，結(jié)合本研究提出的車道線檢測(cè)算法，解決了車道線檢測(cè)偏離問題，并且驗(yàn)證了本研究提出的算法也能排除弱光照和強(qiáng)光照的干擾，對(duì)改進(jìn)在單目視覺下的車道線檢測(cè)算法具有一定的實(shí)用價(jià)值。