沈業(yè)輝,楊 振,溫秀平,金承珂

（1．南京工程學(xué)院 自動(dòng)化學(xué)院，江蘇 南京 211167；2．南京工程學(xué)院 工業(yè)中心、創(chuàng)新創(chuàng)業(yè)學(xué)院，江蘇 南京 211167）

1 引言

近年來(lái)，學(xué)者們對(duì)無(wú)人駕駛汽車的研究呈爆炸式增長(zhǎng)[1-7]。盡管許多無(wú)人駕駛汽車已經(jīng)實(shí)驗(yàn)多時(shí)，可出現(xiàn)故障的新聞仍然屢見不鮮，于是人們將目光聚集到了自動(dòng)駕駛技術(shù)等級(jí)更低的輔助駕駛系統(tǒng)中。實(shí)現(xiàn)車道線檢測(cè)是輔助駕駛系統(tǒng)的重要前提，實(shí)時(shí)準(zhǔn)確地實(shí)現(xiàn)車道線檢測(cè)才可以為駕駛員在車道偏離和車道變換時(shí)提出預(yù)警。

在車道線檢測(cè)與識(shí)別方面，周宇宏等人提出了基于Haar級(jí)聯(lián)分類器的車道線檢測(cè)算法，利用AdaBoost分類器得到車道線位置，再對(duì)找到的車道線進(jìn)行擬合，魯棒性強(qiáng)，但是依賴樣本的制作[8]。王文豪等人提出了一種基于OpenCV實(shí)現(xiàn)的車道線檢測(cè)方法，實(shí)現(xiàn)簡(jiǎn)單但是可移植性較低，實(shí)用性不理想[9]。吳宗勝等人提出基于卷積神經(jīng)網(wǎng)絡(luò)的方式實(shí)現(xiàn)圖像分割的方式識(shí)別道路場(chǎng)景，準(zhǔn)確率高但是需要大量數(shù)據(jù)集，不具有一定的泛用性[10]。吳驊躍等人提出通過(guò)計(jì)算圖像RGB 熵的方式實(shí)現(xiàn)圖像分割識(shí)別車道線，對(duì)于車道線模糊的道路有著更好的效果，但是準(zhǔn)確率較低[11]。

本文首先對(duì)輸入圖像進(jìn)行畸變校正，以消除圖像畸變對(duì)車道線檢測(cè)的影響，其次對(duì)圖像進(jìn)行灰度化和高斯模糊化，再基于上一幀車道線檢測(cè)區(qū)域與感興趣區(qū)域(The Region of Interest，ROI)的關(guān)系選取當(dāng)前幀的ROI，然后基于改進(jìn)麻雀搜索算法實(shí)現(xiàn)邊緣檢測(cè)，最后使用Hough 變換提取車道線。具體流程如圖1所示。

圖1 車道線檢測(cè)流程圖

本文的創(chuàng)新如下：(1)基于上一幀車道線檢測(cè)區(qū)域與ROI的關(guān)系選取當(dāng)前幀的ROI，極大的減少了計(jì)算量，縮短了車道線檢測(cè)和識(shí)別時(shí)間；(2)本文采用基于改進(jìn)麻雀搜索算法實(shí)現(xiàn)邊緣檢測(cè)，解決了Canny 邊緣檢測(cè)易把噪聲誤判為邊緣的問(wèn)題；(3)本文所提出的車道線檢測(cè)與識(shí)別方法提高車道線檢測(cè)識(shí)別率。

2 畸變校正

因?yàn)楣鈱W(xué)透鏡會(huì)發(fā)生透視失真，所以輔助駕駛系統(tǒng)中車載攝像頭拍攝的圖像會(huì)不可避免的發(fā)生畸變[12]。這種畸變較難察覺(jué)，且會(huì)對(duì)后續(xù)操作和車道線檢測(cè)的精度造成影響，因此在進(jìn)行車道線檢測(cè)之前需要對(duì)圖像進(jìn)行畸變校正。

2.1 畸變校正模型的建立

在車載攝像頭拍攝的過(guò)程中主要產(chǎn)生的畸變是徑向畸變和切向畸變[13]，其數(shù)學(xué)表達(dá)式如下所示：

(1)徑向畸變：

(2)切向畸變：

綜合以上兩式，可以得出畸變校正公式：

其中x0，y0是未發(fā)生畸變情況下點(diǎn)在圖像坐標(biāo)系上經(jīng)過(guò)歸一化的位置，x1，y1是發(fā)生畸變后點(diǎn)在圖像坐標(biāo)上經(jīng)過(guò)歸一化的位置，，k1、k2、k3為徑向畸變系數(shù)，p1、p2為切向畸變系數(shù)。

2.2 畸變校正模型的求解

由式(3)可知，只要求得k1、k2、k3、p1、p2等畸變系數(shù)的值，就可以完成畸變校正，本文借鑒文獻(xiàn)[14]的方法對(duì)畸變系數(shù)進(jìn)行求解。首先，將各點(diǎn)從圖像坐標(biāo)系轉(zhuǎn)換至像素坐標(biāo)系。其轉(zhuǎn)換過(guò)程如下：

其中dx和dy分別是各個(gè)像素點(diǎn)在圖像坐標(biāo)系中x軸方向和y軸方向上的物理尺寸，m和n是圖像坐標(biāo)系中的原點(diǎn)轉(zhuǎn)換至像素坐標(biāo)系時(shí)的坐標(biāo)。

由上式(4)可以得出畸變前后的像素坐標(biāo)：

畸變前的像素坐標(biāo)(m0，n0)：

畸變后的像素坐標(biāo)(m1，n1)：

綜合式(5)-(8)，可將式(3)轉(zhuǎn)化為以下式子：

本文采用文獻(xiàn)[14]中的處理方法，通過(guò)拍攝多組不同角度和不同位置的單平面棋盤格的圖片來(lái)進(jìn)行相機(jī)標(biāo)定的，故上式中的m1、m0、n1、n0可以通過(guò)棋盤的角點(diǎn)來(lái)獲得，假設(shè)拍攝了a 幅圖片，每幅圖片上的棋盤有b個(gè)角點(diǎn)，就可以得到ab個(gè)約束方程，接著使用最小二乘法求得k1、k2、k3、p1、p2等畸變系數(shù)的值，從而完成車道線圖像畸變的校正，其效果如圖2所示。

圖2 畸變校正前后對(duì)比圖

3 圖像預(yù)處理

3.1 圖像灰度化

一般來(lái)說(shuō)，車載攝像頭拍攝的圖像是彩色圖像，但是彩色圖像的每個(gè)像素由R、G、B 三個(gè)通道組成，且每個(gè)通道都有255 個(gè)可以選擇的值，這極大的增加了圖像處理的計(jì)算量，故首先需要將車載攝像頭拍攝的圖像轉(zhuǎn)換為單通道的灰度圖像，本文采取加權(quán)平均法對(duì)車載攝像頭拍攝的圖像進(jìn)行灰度化處理，其轉(zhuǎn)換公式如下：

式中，R(x，y)是(x，y)位置的像素點(diǎn)R通道的取值，G(x，y)是(x，y)位置的像素點(diǎn)G通道的取值，B(x，y)是(x，y)位置的像素點(diǎn)B通道的取值，Gray(x，y)是(x，y)位置的像素點(diǎn)經(jīng)過(guò)灰度化處理后的灰度值。灰度化的效果如圖3所示。

圖3 圖像灰度化

3.2 高斯模糊

在車載攝像頭拍攝的圖像中，常會(huì)產(chǎn)生圖像噪聲。噪聲的存在會(huì)影響圖像質(zhì)量，對(duì)圖像處理的后續(xù)操作帶來(lái)困難，因此需要去除圖像噪聲。考慮到高斯函數(shù)的旋轉(zhuǎn)對(duì)稱性，使用它進(jìn)行濾波時(shí)，不會(huì)偏袒任一方向，能很好的保留圖像細(xì)節(jié)，不會(huì)對(duì)后續(xù)的邊緣檢測(cè)造成干擾，故本文選用高斯模糊來(lái)去除噪聲。由于輸入圖像是二維圖像，故選用二維高斯函數(shù)進(jìn)行濾波，其公式如下：

式中，σ是高斯函數(shù)的方差，(x，y)是中心像素的位置。本文通過(guò)二維高斯函數(shù)求取中心像素周圍8 個(gè)像素的權(quán)重，經(jīng)過(guò)加權(quán)平均后輸出中心點(diǎn)的像素。高斯模糊的效果如圖4所示。

圖4 高斯模糊

3.3 ROI選取

車載攝像頭拍攝的圖像中，只有一部分是車道，那些非車道的圖像信息無(wú)需進(jìn)行處理，為了減少圖像處理的計(jì)算量，故需要選取感興趣區(qū)域(ROI)，只對(duì)ROI 進(jìn)行圖像處理。本文采取以下方案進(jìn)行ROI選?。阂话銇?lái)說(shuō)，車道線處于圖像下半部分，對(duì)于第一幀圖片，選取圖像的下半部分為ROI區(qū)域，對(duì)于第二幀以后的圖片，均以上一幀圖片檢測(cè)出的車道線區(qū)域作為參考選取ROI，若檢測(cè)出的車道線區(qū)域超出上一幀圖片的ROI，下一幀圖片的ROI 進(jìn)行該方向的適當(dāng)擴(kuò)大，若檢測(cè)出的車道線區(qū)域未超出上一幀圖片的ROI，下一幀圖片的ROI進(jìn)行該方向的適當(dāng)減小，其工作流程圖如圖5所示。

圖5 ROI選取流程圖

4 基于改進(jìn)麻雀搜索算法的邊緣檢測(cè)

車道線檢測(cè)的前提是檢測(cè)出車道線的邊緣，目前最常用的是基于Canny 算子的邊緣檢測(cè)方法，但是該方法存在易把噪聲誤判為邊緣的問(wèn)題，且需人工選擇閾值[15]。而本文采用的麻雀搜索算法是受到麻雀覓食并在覓食過(guò)程中逃避危險(xiǎn)啟發(fā)而提出的智能優(yōu)化算法[16]，其局部搜索能力極強(qiáng)，并且收斂速度很快?；诖颂攸c(diǎn)，本文對(duì)麻雀搜索算法進(jìn)行了改進(jìn)，使其能夠很好應(yīng)用于邊緣檢測(cè)?；诟倪M(jìn)麻雀搜索算法的邊緣檢測(cè)主要步驟如下：

(1)輸入經(jīng)過(guò)預(yù)處理的圖像，每個(gè)像素點(diǎn)視為一個(gè)麻雀可以覓食的位置。

(2)初始化麻雀位置：將n 只麻雀隨機(jī)分布至圖像的像素點(diǎn)。

(3)在每代麻雀中選取固定比例的麻雀作為發(fā)現(xiàn)者，發(fā)現(xiàn)者為整個(gè)麻雀種族的覓食提供方向，其位置更新公式如下：

式中，H(x，y)表示(x，y)位置的像素的灰度值，顯然在邊緣區(qū)域的像素灰度值變化大，具有更好的適應(yīng)度。當(dāng)C(x，y)＜ST時(shí)，未達(dá)到警戒閾值，即該麻雀不在邊緣區(qū)域，此時(shí)可以進(jìn)行廣泛搜索，當(dāng)C(x，y)≥ST時(shí)，達(dá)到警戒閾值，即該麻雀在邊緣區(qū)域，此時(shí)只能按標(biāo)準(zhǔn)正態(tài)分布隨機(jī)進(jìn)行小范圍移動(dòng)。

(4)在每代麻雀中除了被選為發(fā)現(xiàn)者的麻雀外均視為跟隨者，跟隨者跟隨發(fā)現(xiàn)者進(jìn)行覓食，其位置更新公式如下：

(5)有一部分麻雀能夠意識(shí)到危險(xiǎn)存在，當(dāng)意識(shí)到危險(xiǎn)后，這部分麻雀會(huì)調(diào)整位置，其位置更新公式如下：

(6)繼續(xù)迭代，直至達(dá)到設(shè)定的最大迭代次數(shù)。在邊緣檢測(cè)中，輸出的圖像為二值化圖像，將圖像有麻雀停留的位置像素值設(shè)為1，沒(méi)有麻雀停留的位置像素值設(shè)為0，最后將圖像輸出，輸出圖像的效果如圖6所示。

圖6 邊緣檢測(cè)前后對(duì)比圖

5 Hough變換

上一步的邊緣檢測(cè)已經(jīng)檢測(cè)出了車道線的邊緣，但是除了車道線的邊緣，還檢測(cè)出了一些干擾因素，故還需要對(duì)邊緣檢測(cè)后的圖像進(jìn)行進(jìn)一步操作，找到車道線。在大部分情況下，車道線是直線，針對(duì)這個(gè)特征，本文選用Hough 變換的方式提取車道線[17-18]。

輸入圖像是二維圖像，其坐標(biāo)是笛卡爾坐標(biāo)，在笛卡爾坐標(biāo)系中，直線的函數(shù)表達(dá)式是y=kx+b，轉(zhuǎn)換到Hough坐標(biāo)系后的函數(shù)表達(dá)式是b=-xk+y。如圖7所示，笛卡爾坐標(biāo)系中的一條直線上的點(diǎn)轉(zhuǎn)換到Hough 空間后交于一個(gè)點(diǎn)：

圖7 笛卡爾坐標(biāo)系Hough變換示意圖

但是當(dāng)k=∞時(shí)，直線在笛卡爾坐標(biāo)系中不方便表示，故需要先將笛卡爾坐標(biāo)系轉(zhuǎn)換為極坐標(biāo)系xcosθ+ysinθ=ρ，再將笛卡爾坐標(biāo)系轉(zhuǎn)換到Hough 坐標(biāo)系，其轉(zhuǎn)換后的函數(shù)表達(dá)式是：ρ=cosθx+sinθy。如圖8所示，極坐標(biāo)系中的一條直線上轉(zhuǎn)換到Hough空間后交于一點(diǎn)：

圖8 極坐標(biāo)系Hough變換示意圖

因此，經(jīng)過(guò)Hough變換可以很好地?cái)M合出車道線，實(shí)現(xiàn)車道線檢測(cè)的效果如圖9所示。

圖9 車道線檢測(cè)效果圖

6 實(shí)驗(yàn)與分析

為了驗(yàn)證本文提出的基于改進(jìn)麻雀搜索算法的車道線檢測(cè)與識(shí)別方法的效果，本文對(duì)3組實(shí)際車輛在道路上行駛時(shí)拍攝的視頻在同一臺(tái)計(jì)算機(jī)上進(jìn)行車道線檢測(cè)，其結(jié)果如表1所示。

表1 本文方法檢測(cè)結(jié)果

針對(duì)3 組同樣視頻在同一臺(tái)計(jì)算機(jī)上使用傳統(tǒng)的基于canny 算子的邊緣檢測(cè)方法和基于均值漂移的圖像分割方法進(jìn)行車道線檢測(cè)，其結(jié)果如表2和表3所示。

表2 基于canny算子邊緣檢測(cè)方法檢測(cè)結(jié)果

表3 基于均值漂移的圖像分割方法檢測(cè)結(jié)果

表1、表2和表3中視頻1 是白天在高速公路行駛視頻，視頻2 是陰天在高速公路行駛視頻，視頻3 是強(qiáng)光下在高速公路行駛視頻。由表1、表2和表3的仿真結(jié)果可以看出，在相同幀數(shù)下，本文所提出的基于改進(jìn)麻雀搜索算法的車道線檢測(cè)與識(shí)別方法具有更高的檢測(cè)識(shí)別率

綜上，實(shí)驗(yàn)結(jié)果表明，本文提出的基于改進(jìn)麻雀搜索算法的車道線檢測(cè)與識(shí)別方法無(wú)論在正常天氣還是在陰天和強(qiáng)光的條件下，都可以較為準(zhǔn)確的實(shí)現(xiàn)車道線檢測(cè)，平均檢測(cè)正確率為95．33%，并且在陰天和強(qiáng)光的條件下，檢測(cè)正確率也能保持在94．35%以上，具有良好的魯棒性。與傳統(tǒng)的基于canny 算子的邊緣檢測(cè)方法和基于均值漂移的車道線檢測(cè)方法相比在準(zhǔn)確率上均有明顯提升。

7 結(jié)束語(yǔ)

本文針對(duì)陰天、強(qiáng)光等復(fù)雜天氣情況下車道線檢測(cè)準(zhǔn)確率低問(wèn)題，提出一種基于改進(jìn)麻雀搜索算法的車道線檢測(cè)與識(shí)別方法?；谏弦粠能嚨谰€檢測(cè)情況實(shí)現(xiàn)感興趣區(qū)域(ROI)選取，極大的減少了計(jì)算量，縮短了車道線檢測(cè)和識(shí)別時(shí)間。同時(shí)，采用改進(jìn)麻雀搜索算法實(shí)現(xiàn)邊緣檢測(cè)，解決了傳統(tǒng)方法中Canny 邊緣檢測(cè)易把噪聲誤判為邊緣的問(wèn)題。經(jīng)實(shí)驗(yàn)驗(yàn)證，該方法與傳統(tǒng)方法相比，在車道檢測(cè)識(shí)別正確率上表現(xiàn)出明顯優(yōu)勢(shì)。