王 敬

(福建師范大學閩南科技學院，福建 泉州 362332)

1 引言

據(jù)相關統(tǒng)計，有半數(shù)交通事故都與車道偏離存在關聯(lián)，為解決此類問題給人們帶來的困擾，需在駕車行駛前了解車道偏離情況。為此，如何有效識別車道線圖像成為相關研究的重點課題[1]。

文獻[2]中李超等人提出的根據(jù)道路特征獲取圖像，對圖像進行灰度化處理，并對圖像進行去噪處理。再根據(jù)自適應閾值邊緣提取檢測算法，對圖像邊緣進行劃分，完成檢測。但該算法處理時間較長并且魯棒性較低。文獻[3]中提出的基于改進簡單圖像統(tǒng)計(SIS)閾值算法，在圖像預處理階段進行二值化；采用直線段檢測(LSD)算法檢測平行線。利用車道線連續(xù)性和車道間距確定車道線感興趣區(qū)，確定車道線位置。但該方法的識別率較低，在車流量大且交通路線繁瑣的環(huán)境下識別結(jié)果不盡如人意。文獻[4]中提出了一種能夠根據(jù)實時視頻流提取車道線的算法。采取的是對圖像進行分塊處理，從而縮短了數(shù)據(jù)處理時間。再對圖像進行灰度處理、雙邊濾波濾除高頻噪聲，最后用最大類間差分(OTSU)方法得到二值圖像。但這種方法不能實現(xiàn)精確的圖像識別，達不到預想的效果。

現(xiàn)階段多數(shù)識別方法計算繁瑣，消耗時間長，不能滿足生活的實際需求。對此提出一種新的識別方法，在直線模型基礎上對圖像加以改進，隨后使用新sobel算子實行邊緣檢測[5]。并且根據(jù)自適應雙閾值技術(shù)加強圖像呈現(xiàn)效果，利用Hough變換方法，通過極角約束來確定車道線的具體位置。降低了在圖像范圍內(nèi)被選中的設定點數(shù)，通過降低設定范圍使車道線圖像識別的時效性和準確性有所提升。

2 車道線圖像預處理

為了能夠得到車道線實時視頻圖像，需要在車上安裝CCD，但有許多其它信息干擾和噪音妨礙。為了解決這些問題，需要在直線模型基礎上加強原始圖像呈現(xiàn)效果。過程中主要用到邊緣檢測和二值化，提高壓縮圖像所占的內(nèi)存，計算效率也明顯提升。

2.1 車道線圖片逆透視轉(zhuǎn)變

在進行視頻圖像采集的時候，由于攝像頭的位置并不固定，拍攝的視頻圖像存在較大誤差，導致后續(xù)識別過程中浪費大量時間。因此將其換為俯視圖像，逆透視變換[6]如下式(1)所示

(1)

(2)

令a33=1，只需要知道未轉(zhuǎn)變的4個點在坐標軸上的位置和轉(zhuǎn)變后的4個點在坐標軸上的位置，將這8個坐標的x、y、X和Y代入式(2)即可求解出逆透視變換的矩陣。

在車道上應用四點標定的方法，解出變換矩陣，然后把原圖像相對應的每個點帶入式(1)中，計算完成后再按原位置放到新的圖像中。如果有的點沒有與新圖像相對應，這種情況為“空洞”，解決這種問題可用臨近插值法，如圖1是改變前的圖像，圖2是改變后的圖像。該方法彌補了拍攝的圖像與實際圖像有差異的缺點。

圖1 主視圖

圖2 俯視圖

將圖中的每個點逐一改變，會消耗較多的時間。所以在實際操作當中，只需找到兩個點，即每條車道線上的起點和終點，再將起點和終點連接上，最終得到逆透視后的車道線。不僅能節(jié)省時間，且得到的結(jié)果較為精確。

2.2 最近車道線邊緣檢測

如果想要用邊緣檢測的方法來對圖像進行前期的處理，要先挑選適合的邊緣檢測算子。經(jīng)典方法對圖像預處理通常使用Sobel算子進行邊緣檢測，把X設為水平梯度算子，Y設為垂直方向梯度算子，得出的方式如下所示

(3)

(4)

利用式(3)和(4)對圖像進行卷積，然后計算水平Gx和垂直Gy的梯度，對此可以算出車道距離邊緣的大小Gm，公式如下：

(5)

根據(jù)式(4)得出的圖像邊緣大小，每個方向都具有同樣的性質(zhì)，所有的邊緣都會在邊緣圖像中顯示出來。為了提高識別的實時性，應盡可能的顯示出距離最近的邊緣，控制其余方向的邊緣。針對車道圖像，如果遇到車道線向左、右方向偏離的現(xiàn)象，則會采用重新改造過的Sobel算子來增加對偏離邊緣的影響，重新改造Sobel算子，公式如下

(6)

(7)

應用重新改造后的Sobel算子，可以增強偏離邊緣圖像特征，而其它冗余邊緣會被自動忽略，從而減少干擾向量，提升識別精準度。

2.3 圖像二值化處理

基于邊緣檢測，還需采用二值化處理方法對圖像進行相關比對?，F(xiàn)階段，多數(shù)方法都使用了自適應閾值選擇計算的方法，通過圖像灰度值來進行分割[7]，為了避免不同強度的光照對識別的影響，運用自適應雙閾值的方式來增強圖像呈現(xiàn)效果。

在圖像的中下部截取倆鄰近的矩形，規(guī)格為10×10，這樣可以確保顯示出的數(shù)據(jù)是路面的平均灰度值。在求出這兩個矩形所在位置的灰度值，分別記為V1和V2，V1和V2中相對小的值被稱之為自適應閾值[8]，公式如下

(8)

在式(6)中Torigin代表未被處理圖像的閾值；Ttreat代表邊緣增加后圖像的閾值；Ctreat代表計算Ttreat的加權(quán)系數(shù)；Corigin代表計算Torigin的加權(quán)系數(shù)。圖3(b)～(e)是對未被處理的圖像(a)是通過Sobel、Robert、Canny與LOG方式改進圖像清晰度，用自適應閾值的方式增強圖片呈現(xiàn)效果；圖(f)是對未處理圖像用重新改造后的Sobel算子改進圖像清晰度后，通過自適應雙閾值法加強圖片呈現(xiàn)效果。由此可以看出圖(f)少了許多噪音和其它方面的干擾，車道線也變得更清晰，對比圖(b)～(e)更有實時性。

圖3 車道圖像對比

3 基于改進Hough變換的車道線實時視頻圖像識別

車道線在圖像坐標系中的定位，是由車內(nèi)攝像頭的位置和拍攝到的視頻畫面決定的，圖像規(guī)格為640×480。如圖4，車道線最后漸漸消失的點在圖像的上半部，為坐標軸的1/3處。經(jīng)過計算得出左車道線在坐標軸上的角度α為45°，右車道線在坐標系上的角度β為135°。

圖4 車道線角度

車輛在崎嶇的道路上行駛，車身抖動導致攝像機在拍攝圖像時與實際路況有差異，坐標軸上的定位不準確。當車輛在上坡時，消失點會在圖像的最頂端，角度為56.3°；當車輛在下坡時，消失點會在圖像的中間位置，這時的角度為36.9°。得出結(jié)論：左側(cè)車道線識別的角度在40～60°之間，右側(cè)車道線識別的角度在130～150°之間，把攝像機安裝在摩托車把手的1/3處，系統(tǒng)的橫縱安裝位置分別如圖5和圖6所示。

圖5 橫軸攝像機位置

圖6 縱軸攝像機位置

圖7中，由于上半部分的車道受到天氣、路面等因素的干擾，對識別的準確率產(chǎn)生影響，所以在對車道進行識別時將選擇圖像的后半部分，具體分為6個步驟：

圖7 坐標與角度值

1)確定圖像的像素矩陣，橫向為m，縱向為n，系統(tǒng)會自動把圖片左上角的坐標定為(0，0)，然后加強原圖像呈現(xiàn)效果；

2)從圖像橫向中間位置開始向下掃描，當像素值為255時會出現(xiàn)一個小白點，此時開始計數(shù)。在掃描到m行之前，要把小白點的坐標保存到密封器中。

3)將在平面坐標系中識別的“點”替換到極坐標上，算出小白點在通過某一個位置上的密度，分析車道線的位置以及密封器中小白點的峰值坐標。若在40～60°之間，且白點的數(shù)量超出30，則在左側(cè)畫出一條車道線：若在130～150°之間，且白點的數(shù)量超出30，則在右側(cè)畫出一條車道線。

4)根據(jù)圖6，經(jīng)對車道線傾斜度的分析，左下方位置起始點為(a，b)、角度α1，右下方起始點為(c，d)、角度α2，消失點為(x，y)。

5)當沒有識別出車道線時：

第一，α1、α2分別等于0時，識別不出相對應的左右車道線。當可以操控車輛行駛時，若只顯示出一條車道線，則讓車輛的中間位置和車道線有一定的距離；若沒有檢測出車道線，則停止車輛前行。

第二，當角度在40°到60°之間時，或者角度在130°到150°之間時，依據(jù)步驟3)識別出直線，確定點坐標為(a，b)和(c，d)以及角度α1、α2。

y=k1(x-a)+b

(9)

y=k2(x-c)+d

(10)

由式(9)和(10)可以得出

(11)

y=k1(x-a)+b

(12)

根據(jù)上式分析得出車道線彎曲的方向。

由于現(xiàn)實中的道路比較復雜，所以較難實現(xiàn)對所有車道線進行精準識別。普通攝像機會在一秒鐘拍攝大概25張圖片。但在車道偏離預警系統(tǒng)中，對實時性的要求較高，需要對每張視頻圖像進行處理。每兩張圖片之間的拍攝間隔時間只有0.04秒，即使車輛行駛的速度快，行駛時拍攝到的圖片距離也非常短。所以兩張圖片上的車道線位置并不會有太大差別。

通過對大量圖片的車道線位置進行識別，可知，車道線的角度和距離與上一張圖片相比，分別相差3°和20個像素點。所以只需前一張車道線在圖片中的位置，可以判斷出下一張圖片中車道線的大概位置，這樣可以節(jié)省很多處理時間。在計算過程中，把方程式、偏移度和距離保留下來。當計算下一張圖片時，會優(yōu)先使用上一張車道線位置范圍進行車道線識別，并根據(jù)前后兩張圖片車道線的交接點距離為15個像素點，分析出車道線是否為直線，由此提高圖像識別的實時性及準確性。綜合上述分析，完成對車道偏離預警中車道線實時視頻圖像識別研究。

4 仿真結(jié)果與實驗分析

為檢驗識別方法的可行性，同時也為了以后的改進能夠更加完善，在系統(tǒng)Matlab R2016a中采用工具箱編輯對圖片進行處理，并用GUI檢測計算方式的魯棒性。除此之外，還會對路面進行實地考察和測量，對計算結(jié)果的準確性進行驗證。

4.1 車道線視頻圖像識別效果對比分析

在車輛拍攝的實時視頻中挑選出一段圖像，分別運用此次提出方法、文獻[3]提出的基于改進簡單圖像統(tǒng)計(SIS)閾值算法的車道線識別算法和文獻[4]提出的基于改進簡單圖像統(tǒng)計(SIS)閾值算法的車道線識別算法進行對比檢驗。對比效果如圖8所示，其中a為原圖像，b為文獻[3]方法，c為文獻[4]方法，d為此次提出方法。

圖8 不同方法下車道線識別效果對比

對比圖中的車道線識別效果可看出，文獻[3]方法識別的圖像像素低、噪點多，與原圖車道線對比差距大。文獻[4]方法識別的圖像比較清晰，噪點少，與原圖車道線差距較小，但效果仍不理想。本文方法識別的圖像清晰，基本無噪點，呈現(xiàn)的車道線基本與原圖一致，效果十分理想。

為驗證此次提出方法的實用性，測試其是否能增強圖像呈現(xiàn)效果，對圖像進行二值化處理。處理結(jié)果通過灰度直方圖來呈現(xiàn)。所謂灰度直方圖灰度直方圖是將數(shù)字圖像中所有像素，按照灰度值的大小，統(tǒng)計其出現(xiàn)的頻率，呈現(xiàn)出圖像中某種灰度出現(xiàn)的頻率。未處理圖像的灰度直方圖如圖9所示，通過提出方法處理的圖像灰度直方圖如圖10所示。

圖9 處理前

圖10 處理后

分析上圖數(shù)據(jù)可知，處理前圖像直方圖窄而集中于灰度級的中部，說明圖像對比度較低，圖片質(zhì)量不佳。而處理后的圖像直方圖成分覆蓋的灰度級較寬，且像素的分布比較均勻，說明圖像對比度較高，圖片質(zhì)量好。綜上所述，提出的方法能夠有效的增強圖像呈現(xiàn)效果。

4.2 時效性分析

當車輛行駛的速度較快時，如果時效性沒有達到要求，基于車道線實時視頻圖像識別的車道偏離預警系統(tǒng)很可能會延后提示，容易發(fā)生事故。所以時效性對于識別方法是至關重要的，如果對每一張圖片都進行識別，平均每張圖片的識別時間只有40ms。那么對90秒視頻進行識別實驗，并逐個記下時間來驗證時效性，最終結(jié)果如表1所示，最長的時間段為35ms，沒有超出預測時間，而達到了時效性的條件。

表1 各階段需要時間

4.3 精度分析

在計算車身的偏移和距離上，所要求的準確率非常高。如果準確率達不到要求，便會影響駕駛員做出正確的判斷。對此進行了多次實際操作實驗，分析實驗結(jié)果，角度的偏移主要是由于道路的曲折程度引起，但誤差不超過1度。距離的長短主要是路面高低起伏導致的，對識別的影響不超過0.09米，說明達到了精確度要求。

5 結(jié)論

圖像進行預處理能夠讓車道線變得更加清晰，使用改造后的Sobel算子檢測距離最近的車道線。通過自適應閾值的方式增強圖像的呈現(xiàn)效果，這樣能有效提高時間效率。利用改進后的Hough變換識別視頻圖像車道線，讓其精確坐落在有固定長度車道標識線的中心點，使所提方法不論在何種條件下，都能夠精準識別出視頻圖像車道線，而且時間短，時效性高，誤差小。