何建輝 潘陳兵

摘 要：針對目前車道預(yù)警系統(tǒng)中運(yùn)用神經(jīng)網(wǎng)絡(luò)算法進(jìn)行車道線識別導(dǎo)致硬件成本上漲的問題，本文通過運(yùn)用車道線感興趣區(qū)域提取、圖像灰度化和中值濾波操作一系列圖像預(yù)處理技術(shù)，以及運(yùn)用Canny邊緣檢測算法和Hough變換實(shí)現(xiàn)車道線識別，從而降低硬件成本。根據(jù)識別的結(jié)果，本文設(shè)計(jì)了基于車輛橫向位置和偏航角度的預(yù)警模型。最終的實(shí)驗(yàn)結(jié)果表明，本文設(shè)計(jì)的車道偏離預(yù)警系統(tǒng)具有實(shí)時(shí)性良好、準(zhǔn)確度高、預(yù)警及時(shí)的特點(diǎn)。

關(guān)鍵詞：視覺;圖像預(yù)處理;車道線識別;車道偏離預(yù)警

1 引言

隨著科技發(fā)展及國家政策支持，新能源汽車保有量不斷上升，同時(shí)帶來的交通事故、人員傷亡和財(cái)產(chǎn)損失也不斷增加。根據(jù)交通事故的統(tǒng)計(jì)結(jié)果分析，超過90%的交通事故是由于駕駛員的錯(cuò)誤判斷和決策造成的[1]。因此，對于新能源汽車的車道偏離預(yù)警系統(tǒng)（Lane Departure Warning System，LDWS）的研究對提高新能源汽車的安全性及未來無人駕駛技術(shù)的發(fā)展具有重要意義。

從目前的研究現(xiàn)狀來看，車道偏離預(yù)警系統(tǒng)已取得較大地突破，并在部分高檔車型上得到了應(yīng)用。車道偏離預(yù)警系統(tǒng)需要解決兩大關(guān)鍵技術(shù)，一是車道線識別，二是車道偏離判斷。在車道線識別方面，神經(jīng)網(wǎng)絡(luò)算法得到廣泛地應(yīng)用[2]，但是由于神經(jīng)網(wǎng)絡(luò)算法計(jì)算復(fù)雜加上車道偏離預(yù)警系統(tǒng)采集數(shù)據(jù)量大導(dǎo)致系統(tǒng)整體計(jì)算量偏大[3]，為了滿足實(shí)時(shí)性要求，必須運(yùn)用計(jì)算能力較強(qiáng)的硬件[4]，從而導(dǎo)致車道偏離預(yù)警系統(tǒng)成本過高。在車道偏離預(yù)警方面，各種預(yù)警模型已相對成熟，常見的預(yù)警模型有CCP模型，即基于車輛預(yù)計(jì)橫跨車道模型[5-7];FOD模型，即基于未來偏離量模型[8];TLC模型，即基于車輛預(yù)計(jì)橫跨車道模型[9-13]等幾種。

本文針對在車道線識別方面存在的缺陷，首先設(shè)計(jì)了一套適合車道線識別的圖像預(yù)處理方法，其中包括車道線感興趣區(qū)域提取即車道線ROI提取、圖像灰度化操作和中值濾波操作。通過中值濾波操作可以有效地降低圖像噪聲對車道線識別地影響;通過車道線ROI提取和圖像灰度化操作能夠有效地提高車道線識別的速度。其次，本文運(yùn)用Canny邊緣檢測算法實(shí)現(xiàn)車道線邊緣檢測。最后，運(yùn)用Hough變換對車道線進(jìn)行擬合。在完成擬合之后，本文運(yùn)用車輛橫向位置偏移量及偏航角度相結(jié)合的方式進(jìn)行車道偏離判斷。

經(jīng)過實(shí)驗(yàn)研究發(fā)現(xiàn)，本文設(shè)計(jì)的車道線偏離預(yù)警系統(tǒng)在保證實(shí)時(shí)性的前提下具有較高的準(zhǔn)確度。

2 車道線識別

能夠準(zhǔn)確快速地識別車道線時(shí)車道偏離預(yù)警系統(tǒng)的關(guān)鍵技術(shù)之一，也是判斷車道偏離預(yù)警系統(tǒng)的重要指標(biāo)之一。目前流行的神經(jīng)網(wǎng)絡(luò)算法雖然在準(zhǔn)確率方面處于領(lǐng)先地位，但是在硬件成本方面卻處于明顯的劣勢，而且由于車道線識別不同于其他的交通元素的識別，車道線識別具有目標(biāo)特征明顯、位置固定、種類少的特點(diǎn)，因此通過對圖像進(jìn)行合理的預(yù)處理以及運(yùn)用合理的圖像邊緣檢測算法能夠達(dá)到較高的識別準(zhǔn)確度。

2.1 圖像預(yù)處理

由于車輛在實(shí)際行駛過程中，交通情況復(fù)雜，對于車道線的識別存在諸多干擾因素，如道路兩側(cè)綠化對車道線的干擾、光線變化、前方車輛干擾等[14]。另外，攝像頭采集的圖像數(shù)據(jù)較大，其中包含信息量較大，直接進(jìn)行車道線識別會對實(shí)時(shí)性產(chǎn)生較大影響，同時(shí)也增加了硬件成本。因此，本文在車道線識別之前進(jìn)行了一系列圖像預(yù)處理，即圖像增強(qiáng)。根據(jù)車道線識別的要求，本文運(yùn)用的圖像預(yù)處理方法有車道線感興趣區(qū)域提取即車道線ROI提取、圖像灰度化操作和中值濾波。

（1）車道線ROI提取

針對本文所研究的車道偏離預(yù)警系統(tǒng)攝像頭采集到的圖像信息中的天空、大叔、道路周圍的高層建筑等處于圖像上半部分的元素對于車道線識別而言均為無用元素，因此在車道線ROI提取的過程中可以將這些元素忽略。通過車道線ROI提取可以有效減小原始圖像大小，提高識別速度和準(zhǔn)確度。車道線ROI提取效果如圖1（b）所示，圖1（a）為原始圖像。

（2）圖像灰度化

由于攝像頭采集的圖像為彩色圖像，即一個(gè)像素需要R、G、B三種信號表示，若直接將彩色圖像進(jìn)行識別會增加計(jì)算量從而增大硬件的負(fù)擔(dān)，對實(shí)時(shí)性產(chǎn)生較大的影響，并且車道線不同于其他交通元素，車道線與道路區(qū)分明顯，因此通過圖像灰度化操作可以有效地降低原始圖像的數(shù)據(jù)量。

（3）中值濾波

中值濾波是一種非線性的平滑技術(shù)，是空間濾波算法的一種[15]。中值濾波可以有效地去除圖像中的椒鹽噪聲，該算法核心思想是用某領(lǐng)域內(nèi)全部像素的中間值代替該領(lǐng)域內(nèi)全部像素值[16]，數(shù)學(xué)表達(dá)式為：

經(jīng)過這一系列圖像預(yù)處理操作可以得到待檢測圖像，如圖2所示，其中圖2（a）為原始圖像，圖2（b）為待檢測圖像。

2.2 車道線邊緣檢測

根據(jù)車道線的特點(diǎn)，本文運(yùn)用梯度變化進(jìn)行車道線邊緣檢測，常用的利用梯度變化的邊緣檢測算法有Sobel算法、Robort算法和Canny邊緣檢測算法[17]，本文采用的是Canny邊緣檢測算法。與其他邊緣檢測算法相比，Canny邊緣檢測算法具有準(zhǔn)確度高、有效地消除假邊緣、效果明顯地特點(diǎn)。Canny邊緣檢測算法的核心思想是計(jì)算每一點(diǎn)是不是最大值來判斷像素點(diǎn)是否為邊緣點(diǎn)，設(shè)中心邊緣點(diǎn)為，二維高斯函數(shù)為：

通過Canny邊緣檢測算法，得到車道線邊緣檢測效果如圖3所示。其中，圖3（a）為待檢測圖像，圖3（b）為邊緣檢測效果圖。

2.3 車道線擬合

完成上述車道線邊緣檢測后，需要運(yùn)用一條直線來擬合車道線，常用的直線擬合方法有最小二乘法和Hough變換[18]。與最小二乘法相比，Hough變換具有魯棒性強(qiáng)、容錯(cuò)性強(qiáng)的特點(diǎn)，因此，本文采用Hough變換實(shí)現(xiàn)擬合。Hough變換的核心思想是坐標(biāo)系的變換，即將圖像的坐標(biāo)空間變換為參數(shù)空間，在參數(shù)空間進(jìn)行匹配計(jì)算，最終實(shí)現(xiàn)直線擬合。

[12]Van W W，Brookhuis K A，De W D.A comparison of different ?ways to approximate time-to-line crossing（TLC） during car driving[J]. Accident Analysis & Prevention， 2000， 32（1）： 47-56.

[13]Mammar S，Glaser S， Netto M.Time to line crossing for lane departure avoidance： a theoretical study and an experimental setting[J]. IEEE Transactions on Intelligent Transportation Systems， 2006， 7（2）： 226-241.

[14]Wei-wei Zhang，Xiao-lin Song，Gui-xiang Zhang.Real-time lane departure warning system based on principal component analysis of grayscale distribution and risk evaluation model[J]. Journal of Central South University，2014，21（4）

[15]劉國宏，郭文明.改進(jìn)的中值濾波去噪算法應(yīng)用分析[J].計(jì)算機(jī)工程與應(yīng)用，2010（10）：187-189.

[16]巫肇彬.基于機(jī)器視覺的車道偏離預(yù)警系統(tǒng)的研究[D].燕山大學(xué)，2017.

[17]韋煒.常用圖像邊緣檢測方法及Matlab研究[J].現(xiàn)代電子技術(shù)， 2011（04）： 91-94.

[18]Zhang X，Shi Z.Study on lane boundary detection in night scene[C]//Intelligent Vehicles Symposium.IEEE Xplore， 2009：538-541.

[19]張翀，范新南.基于直線模型的車道線實(shí)時(shí)檢測方法[J].計(jì)算機(jī)工程與設(shè)計(jì)，2012， 33（01）：295-299.

[20]KOBAYAKAWA Michihiro，KURITA Takio，SEKITA Iwao，UMEYAMA Shinji.Line detection using Hough transform based on linearity of local region[J].ITE Technical Report，1994，18（80）.

[21]錢怡.基于Hough變換的車道線檢測[J].山東工業(yè)技術(shù)，2017（10）：272-273.