李軍， 鐘鵬

(重慶交通大學(xué) 機(jī)電與車輛工程學(xué)院， 重慶 400074)

車道線檢測經(jīng)過多年的研究發(fā)展，主要分為基于特征、基于模型和基于機(jī)器學(xué)習(xí)的3種檢測方法[1]，基于模型檢測方法的效果主要取決于模型的選取.儲開斌等[2]雖提出一直有效的邊緣噪聲消除方案，但最后使用的是直線擬合車道線，此方法在測試曲率較大的道路時，效果較差.洪偉等[3]使用拋物線模型的隨機(jī)抽樣一致(RANSAC)算法擬合提取車道線，該方法雖在曲率較大的彎道有較好的結(jié)果，但在彎道末端依然未能擬合，并且計算量很大.由于RANSAC算法的檢測性能并不穩(wěn)定，所以Moon等[4]提出一種使用和聲搜索(HS)算法估算消失點的新方法，相較于RANSAC算法，該方法可穩(wěn)定估計消失點.近年來，機(jī)器學(xué)習(xí)的高準(zhǔn)確性和高適應(yīng)性使它成為近年的研究熱潮，劉彬等[5]對Enet網(wǎng)絡(luò)進(jìn)行改進(jìn)優(yōu)化，對車道線進(jìn)行像素級的語義分割，檢測準(zhǔn)確率較高.除使用Enet網(wǎng)絡(luò)以外，崔文靚等[6]根據(jù)車道線固有特點，將YOLOv3結(jié)構(gòu)進(jìn)行改良完善，檢測的平均準(zhǔn)確率可達(dá)95%.田錦等[7]基于改進(jìn)的MaskR-CNN模型對道路圖像進(jìn)行分割，結(jié)合直線和多項式進(jìn)行擬合，生成優(yōu)化的車道線參數(shù)方程，可提高檢測速度和檢測精度.基于模型的檢測方法雖然在特定的道路環(huán)境下準(zhǔn)確度很高，但選取和建立能夠適應(yīng)復(fù)雜多變道路的車道線模型難度很大.

基于機(jī)器學(xué)習(xí)的方法雖然檢測精度高、適應(yīng)性好，但其計算復(fù)雜且依賴大量的已標(biāo)定樣本數(shù)據(jù)；而且用于訓(xùn)練的數(shù)據(jù)集中還需要包含待檢測數(shù)據(jù)的樣本，計算成本也較高，難以滿足快速處理和實時性[8].基于上述原因，本文基于開源計算機(jī)視覺庫(OpenCV)，提出一種更加便捷的輕量級車道線檢測方法.

1 車道線檢測步驟

車道線檢測步驟，如圖1所示.對輸入圖像進(jìn)行灰度化處理、雙邊濾波和Canny邊緣檢測，使用速度更快的漸進(jìn)概率Hough變換(PPHT)檢測車道線.

圖1 車道線檢測步驟

2 灰度化處理

目前，灰度化處理常用的方法有以下3種[9]，對應(yīng)的公式如下：

1) 最大值法

Gray(i，j)=max(R(i，j)，G(i，j)，B(i，j))，

(1)

2) 平均值法

Gray(i，j)=[B(i，j)+G(i，j)+R(i，j)]/3，

(2)

3) 加權(quán)平均法

Gray(i，j)=0.299×R(i，j)+0.587×G(i，j)+0.114×B(i，j).

(3)

式(1)，(2)只是簡單地取最大值或平均值，無法最大限度地保留原有值，進(jìn)而影響后續(xù)的梯度計算和邊緣提??；而式(3)符合人眼觀察特性，故有利于后續(xù)的操作.灰度化處理后的圖像，如圖2所示.

圖2 灰度化處理后圖像

3 雙邊濾波

車道線檢測的濾波應(yīng)是在達(dá)到濾除噪聲的基礎(chǔ)上，為了增加邊緣檢測的準(zhǔn)確性，盡力保留圖像邊緣信息.雙邊濾波是一種綜合考慮濾波器內(nèi)圖像空域信息和像素灰度值相似性的濾波算法，在保留區(qū)域信息的基礎(chǔ)上實現(xiàn)對噪聲的去除.雙邊濾波對高頻率的波動信息起到平滑作用，同時，保留大幅值變化的信號波動，進(jìn)而保留圖像邊緣信息[10].

雙邊濾波器與其他濾波器的不同之處在于，其他濾波器大多只計算圖像的值域信息，而雙邊濾波器還計算圖像的空域信息，使濾波器對邊緣附近的像素進(jìn)行濾波時，距離邊緣較遠(yuǎn)的像素值不會對邊緣上的像素值影響太多，從而保留邊緣的清晰性.

雙邊濾波原理的數(shù)學(xué)表達(dá)式為

(4)

式(4)中：ω(i，j，k，l)為加權(quán)系數(shù).

空域濾波器和值域濾波器的乘積決定加權(quán)系數(shù)取值，空域濾波器表示形式為

(5)

值域濾波器表示形式為

(6)

兩者相乘后，加權(quán)系數(shù)為

(7)

4 Canny邊緣檢測

Canny算法能夠在準(zhǔn)確提取圖像邊緣的前提下，不受噪聲的影響，且能夠識別圖像中的弱邊緣和強(qiáng)邊緣[11-13].對于車道線略微殘損的道路，相較于其他算法，Canny算法魯棒性較強(qiáng)，并綜合強(qiáng)弱邊緣的位置關(guān)系，給出圖像整體的邊緣信息.該方法的檢測過程有以下5個步驟.

3) 使用非極大值抑制的方法，比較當(dāng)前像素的梯度強(qiáng)度與沿正、負(fù)方向上的兩個像素，當(dāng)當(dāng)前像素梯度強(qiáng)度均大于其余兩個像素梯度強(qiáng)度時，該像素點為邊緣點；反之，該像素點被抑制.

4) 檢測強(qiáng)邊緣和弱邊緣.設(shè)置兩個一大一小閾值，將檢測到的邊緣點的梯度值與雙閾值進(jìn)行比較，若邊緣點梯度值小于較小閾值，則消除該點；若邊緣點梯度值大于較小閾值，小于較大閾值，則確定為弱邊緣；若邊緣點梯度值大于較大閾值，則確定為強(qiáng)邊緣.

5) 清除單獨的弱邊緣.在步驟4中確定的弱邊緣點的8鄰域范圍中尋找強(qiáng)邊緣，若存在，則保留；若不存在，則去除該弱邊緣.最后，輸出結(jié)果.

Canny邊緣檢測圖，如圖3所示.

圖3 Canny邊緣檢測圖

5 PPHT檢測車道線

Hough變換雖然不易受噪聲的影響，但計算復(fù)雜、峰值不易確定[14-15].為此，使用計算時間更少的PPHT檢測車道線.

漸進(jìn)概率Hough變換的步驟如下：1) 隨機(jī)獲取邊緣圖像上的前景點，映射到極坐標(biāo)系畫曲線；2) 當(dāng)極坐標(biāo)系里面的交點達(dá)到最小投票數(shù)時，找出該點對應(yīng)x-y坐標(biāo)系的直線L；3) 搜索邊緣圖像上前景點，將直線L上的點(點與點之間距離要小于maxLineGap)連成線段，然后，全部刪除這些點，并且記錄該線段的參數(shù)(起始點和終止點)，線段長度要滿足最小長度；4) 重復(fù)步驟1，2，3.

漸進(jìn)概率Hough變換除了計算一條獨立直線的方向外，還計算它的延長線，并且它沒有對平面中的每一個可能點進(jìn)行累積，而是只累積其中的一小部分.所以，相較于標(biāo)準(zhǔn)Hough變換的累積平面中每一個點的時間，漸進(jìn)概率Hough變換的速度更快.在Microsoft Visual Studio 2017的編譯環(huán)境下，利用OpenCV，在California Institute of Technology SURF project數(shù)據(jù)集上進(jìn)行測試，測試的PC設(shè)備為intel i5-4200H CPU 2.8 GHz.經(jīng)過漸進(jìn)概率Hough變換檢測后的車道線檢測圖，如圖4所示.

(a) 在不同車道時的檢測圖 (b) 陰影路面檢測圖

6 結(jié)束語

OpenCV庫有大量的可用于視覺處理的函數(shù)，可減少開發(fā)過程的周期時間.但同時應(yīng)當(dāng)看到，雖然在濾波和車道線檢測兩個部分各使用一些改進(jìn)優(yōu)化方法，能夠達(dá)到預(yù)期檢測車道線的目標(biāo)，卻仍然難以避免誤檢和漏檢.后續(xù)為解決誤檢和漏檢的問題，可在漸進(jìn)概率Hough變換檢測后，基于車道線的寬度特征匹配對檢測出的線段進(jìn)行篩選過濾，去除車道線以外的直線.