范躍文

（北京市政路橋銳誠科技有限公司，北京 100068）

0 引言

目前，國內(nèi)外的許多學(xué)者已經(jīng)提出了相當(dāng)多的基于視覺的車道線檢測算法，而基于視覺的車道線檢測算法需要滿足實時性、準(zhǔn)確性以及適用性等要求，因此通常采用不同的模型和合適的邊緣檢測技術(shù)來檢測車道線，其中有直線、曲 線以及分段切換模型等道路模型以及最小二乘法擬合、Hough變換、改進(jìn)cany 算子以及基于小波變換的邊緣提取等邊緣檢測技術(shù)，但是這些單一的算法都會因攝像頭、光線等因素造成的影響而產(chǎn)生非常大的誤差，對車道線檢測的魯棒性和準(zhǔn)確性都有一定程度的影響，并且Hough 變換計算量很大，因此會有一定的延遲，這是在利用Hough 變換來檢測車道線算法的一個難題?；诖耍撐脑O(shè)計了一種結(jié)合圖像預(yù)處理和改進(jìn)Hough 變換的算法。在遇到強(qiáng)光照、弱光照以及有樹蔭等陰影遮擋的情況。該算法能夠成功檢測到車道線并且實時性很好、準(zhǔn)確性很高。首先，該文所設(shè)計的算法將根據(jù)顏色空間分布情況，設(shè)置 ROI 區(qū)域，以減少計算量。其次，進(jìn)行灰度拉伸等操作，盡量去除光照以及陰影等干擾。再次，進(jìn)行 Hough 變換檢測出車道線。最后，進(jìn)行判別。

1 根據(jù)情況的復(fù)雜性給圖像分類

該算法根據(jù)車載攝像頭所采集的圖像中的信息，在保證光照魯棒性的基礎(chǔ)上對圖像進(jìn)行分類。通常來說，光照強(qiáng)度較強(qiáng)的圖像，其灰度值變化是比較快的，并且車道線與其他圖像信息之間的對比度也比較大，如圖1（a）所示，因此圖像中往往會出現(xiàn)全白的路面，這會導(dǎo)致圖像中有用的信息（例如車道線）沒有辦法檢測出來。為了解決這一類問題，該算法將會對光照強(qiáng)度較強(qiáng)的圖像進(jìn)行對比度的均值化處理，并通過灰度值均值化處理成功采集到圖像中的有用信息。

而光照強(qiáng)度較弱的圖像，尤其是在夜晚采集的圖像，如圖1（b）所示，其灰度值變化是比較慢且平緩的，即一張圖像中的灰度值不會發(fā)生太劇烈的變化，并且圖像中的車道線與其他景物的對比度非常小，車道線與其他景物容易發(fā)生混淆，導(dǎo)致車道線不能被成功檢測出來。對于這一類圖像中，該算法將會采用增大對比度、進(jìn)行灰度值拉伸等操作來恢復(fù)有用信息即車道線在圖像中的顯示，從而成功檢測出車道線。

對于有陰影遮擋的車道線的圖像，如圖1（c）所示，其同一條車道線的灰度值是不相等的，并且樹蔭等陰影也會有其邊界線，因此在車道線檢測過程中，不僅需要檢測的車道線會被檢測出來，不需要檢測的陰影邊界線也會被檢測出來，或者處于陰影中的車道線因為灰度值和對比度的影響而無法被檢測出來。在這一類圖像中，該算法將會對圖像進(jìn)行掃描，對有陰影的圖像進(jìn)行二值化處理，然后進(jìn)行灰度值拉伸操作，去除陰影對圖像的影響，最后再進(jìn)行車道線的檢測。

該文是通過計算整體圖像的灰度均值來對圖像進(jìn)行分類的。對整體圖像的灰度均值的計算如公式（1）所示。

式中：P 為像素均值；N 為像素總數(shù)目；p（i）為每個像素的數(shù)值。

根據(jù)計算可知，圖1（a）的像素均值P=155，圖1（b）的像素均值P=60，圖1（c）的像素均值P=140。圖像的像素均值能夠很好地反映所采集圖像的光照強(qiáng)度，因此可根據(jù)圖像的像素均值對圖像進(jìn)行分類，即分為白天及夜晚所采集的圖像，并在后續(xù)中對二者進(jìn)行不同的處理。

在對圖像進(jìn)行了光照強(qiáng)度的分類之后，再對圖像進(jìn)行有、無陰影遮擋車道線的分類。針對這個問題，該文所采取的方法是先對圖像進(jìn)行顏色空間的識別和處理，繼而進(jìn)行分類。

分析表1得，采用簡單的工序模具結(jié)構(gòu)零件，但生產(chǎn)效率低不能滿足該工件大量生產(chǎn)的要求。復(fù)合模采用單一模具中實現(xiàn)多步?jīng)_壓工序，所以沖壓模具的結(jié)構(gòu)與單工序的模具相對復(fù)雜，各個零件的行動準(zhǔn)確可靠，互相不干涉。產(chǎn)量、精度高，零件較為平整。級進(jìn)模也需要模具，產(chǎn)量高，但模具結(jié)構(gòu)復(fù)雜，送料不方便，工件尺寸偏大。通過對對上述三種方案的比較，用復(fù)合模具相對適合。

2 圖像預(yù)處理

為了降低圖像中的噪聲，消除其他景物對車道線檢測的影響，并減少Hough 變換的計算量，該文將對圖像進(jìn)行預(yù)處理。

2.1 根據(jù)顏色分布確定車道線所在位置并設(shè)置ROI區(qū)域

因為在后續(xù)的處理中均會把BGR 顏色空間的圖像轉(zhuǎn)換為Gray 顏色空間的圖像進(jìn)行處理，所以需要先解決陰影對車道線檢測造成的影響。

在圖像處理的過程中，因為車道線總是在圖像的下半部分，上半部分的天空及樹葉等其他顏色會干擾圖像的處理，所以設(shè)置圖像的下半部分為感興趣區(qū)域（ROI），僅對此區(qū)域進(jìn)行顏色空間上的處理，并劃分車道線檢測區(qū)域。

該文采集的所有圖像均為BGR 三通道顏色空間的圖像，因此將藍(lán)色分量值的大小作為區(qū)分車道線與陰影的根據(jù)。

圖1 不同情況下所采集到的圖像

方法主要是對圖像進(jìn)行掃描，記錄圖像每一行各個像素的藍(lán)色分量值，通過藍(lán)色分量值的大、小來判斷該像素是否位于車道線內(nèi)。為了降低噪聲的影響并減少檢測誤差，在掃描圖像的過程中采取每采集5 個像素點的藍(lán)色分量值即進(jìn)行均值化處理的方式，對采集到的藍(lán)色分量值進(jìn)行平滑處理，如公式（2）所示。

式中：B（x）為平滑處理后的藍(lán)色分量值；b（x）為平滑處理前的藍(lán)色分量值；x 為圖像中每一個點的橫坐標(biāo)值。

2.2 對光照強(qiáng)度不同的圖像進(jìn)行灰度處理

對于光照強(qiáng)度較大的圖像，其所存在的問題是車道線與背景的對比度較大，像素灰度值普遍較高，容易導(dǎo)致圖像中出現(xiàn)全白的路面。因此需要對光照強(qiáng)度較大的圖像進(jìn)行灰度均衡化處理。

灰度均衡化實際采用的是直方圖均衡化處理，其核心思想是把原始圖像的灰度直方圖從比較集中的某個區(qū)域變成在全部灰度范圍內(nèi)的均勻分布。直方圖均衡化通常用來增加圖像的局部對比度，因此這種方法能夠在圖像背景太強(qiáng)的時候，使目標(biāo)區(qū)域即車道線從背景中脫離出來。

對于灰度級從[0，L-1]的圖像，則是統(tǒng)計各個灰度級的累計分布概率，灰度值k（0

經(jīng)過灰度值均衡化操作之后，圖像的灰度值范圍有一定浮動的空間，更加有利于后面灰度化、閾值化和二值化的處理。強(qiáng)光照圖像經(jīng)過灰度值均衡化操作后的效果如圖2 所示。

對于光照強(qiáng)度較小的圖像，其所存在的問題是車道線與背景的對比度很小，很難將車道線與背景物體區(qū)分開。并且由于夜晚的圖像光照不足，灰度值普遍偏低，因此需要將弱光照圖像進(jìn)行灰度拉伸處理。

圖2 強(qiáng)光照圖像灰度均衡化處理效果

灰度拉伸是通過擴(kuò)展圖像灰度級動態(tài)范圍來實現(xiàn)的，它可以擴(kuò)展對應(yīng)的全部灰度范圍，能夠?qū)D像的ROI 區(qū)域進(jìn)行增強(qiáng)，而對圖像的非ROI 區(qū)域進(jìn)行抑制。實現(xiàn)灰度拉伸通常采用的3 段線性變換函數(shù)f（x）如公式（4）～公式（6）所示。

經(jīng)過灰度拉伸后，圖像中的車道線與背景路面的對比度增大，二者變得更容易區(qū)分，在后續(xù)的閾值化、二值化等一系列操作中效果明顯。弱光照的圖像經(jīng)過灰度拉伸處理后的效果如圖3 所示。

圖3 弱光照圖像灰度拉伸化處理效果

2.3 對圖像進(jìn)行閾值化處理

2.1 節(jié)和2.2 節(jié)的操作已經(jīng)將車道線的特征進(jìn)行了加強(qiáng)，并過濾了圖像噪聲，去除了陰影遮擋對車道線檢測的影響。但是圖像中仍然存在一些依靠灰度處理難以去除的影響，例如太過明亮的燈光、路面反射的強(qiáng)光等，還需要對圖像進(jìn)行邊緣的增強(qiáng)。

對于強(qiáng)光照造成的灰度處理無法解決的問題，該文采取閾值化處理的方法。閾值化操作主要是對圖像中的像素做出取舍，將高于閾值的像素舍棄掉，將低于閾值的像素留下。在上述問題（太過明亮的燈光、路面反射的強(qiáng)光等）中，閾值化操作能夠濾去高曝光度的影響，即將像素值太大以至于不可能出現(xiàn)車道線的區(qū)域舍棄掉，加快后續(xù)檢測速度。處理結(jié)果如圖4 所示。

3 進(jìn)行Hough 變換檢測車道線

第2 節(jié)的圖像預(yù)處理操作的目的是為了盡量減少Hough變換的計算量以及背景物體對Hough 變換造成的影響。接下來該文將對預(yù)處理后的圖像進(jìn)行Hough 變換，以檢測出車道線并得到最后結(jié)果。Hough 變換是圖像處理中的一種特征提取技術(shù)，是在一個參數(shù)空間中通過計算累計結(jié)果的局部最大值得到一個符合特定形狀的集合，并將其作為Hough 變換的結(jié)果。這種方法的特點是對數(shù)據(jù)的敏感度不足。

圖4 閾值化處理效果

Hough 變換的基本思想是點—線的對偶性，即圖像空間里共線的點對應(yīng)參數(shù)空間里相交的直線，反過來，參數(shù)空間相交于同一點的所有直線在圖像空間里都有共線的點與之對應(yīng)。而為了解決垂直直線斜率無限大的問題，一般在極坐標(biāo)方程中進(jìn)行Hough 變換，如公式（7）所示。

式中：ρ 為極徑；α 為極角，其范圍為0°～180°；x 為像素點相對圖像原點的行坐標(biāo)；y 為像素點相對圖像原點的列坐標(biāo)。

Hough 變換的具體實現(xiàn)步驟如下：1） 建立一個參數(shù)空間（ρ，α）的二維的數(shù)組，該數(shù)組相當(dāng)于一個累加器。2） 順序搜索圖像中所有目標(biāo)像素，并根據(jù)公式（4）～公式（6）在參數(shù)空間中找到每一個目標(biāo)像素的對應(yīng)位置，然后在累加器的對應(yīng)位置加1。3） 求出參數(shù)空間（累加器）中的最大值，設(shè)其位置為（ρ＇，α＇）。4） 通過參數(shù)空間位置（ρ＇，α＇），根據(jù)公式（4）～公式（6）找到圖像空間中相對應(yīng)的直線參數(shù)。

根據(jù)對Hough 變換的原理和具體步驟的描述可知，如果直接對原圖像進(jìn)行Hough 變換，將會耗費(fèi)大量的時間來計算車道線以外的干擾景物，實時性較差。因此該文中的算法才選擇對圖像進(jìn)行預(yù)處理，加強(qiáng)車道線，去除干擾，減少干擾物對車道線的影響，從而提高Hough 變換的實時性。

4 試驗結(jié)果

首先，對采集到的圖像進(jìn)行掃描，在顏色空間上根據(jù)藍(lán)色分量值來判別車道線是否可能存在，進(jìn)而設(shè)定車道線所在區(qū)域，并去除陰影遮擋車道線所帶來的影響。其次，計算圖像的像素均值，根據(jù)像素均值判斷采集圖像的時間是白天還是夜晚，對于白天采集到的圖像對比度太大，路面出現(xiàn)全白無法識別車道線的情況，則進(jìn)行灰度均衡化，以增強(qiáng)車道線；對于夜晚采集到的圖像對比度太小，車道線與背景容易混淆的情況，則進(jìn)行灰度拉伸化處理，以增強(qiáng)車道線與背景的對比度。再次，對經(jīng)過灰度化處理的圖像進(jìn)行閾值化處理，留下需要的車道線信息，以加快Hough 變換的計算時間。最后，進(jìn)行Hough 變換得到效果圖。

該文所提出的算法是基于VS2012 環(huán)境和OpenCV 圖像處理庫實現(xiàn)的，并且該文對算法進(jìn)行了大量的試驗。采用該文中檢測車道線的算法，車道線檢測在實時性和準(zhǔn)確度方面都有了較大的改善。傳統(tǒng)Hough 變換的平均執(zhí)行時間約為13ms，采用該文中先對圖像進(jìn)行預(yù)處理再進(jìn)行Hough 變換的算法，其執(zhí)行時間約為8ms。

對采集到的圖像中選取的樣本車道線檢測效果如圖5所示。

圖5 車道線檢測效果圖

5 結(jié)語

該文提出了一種基于Hough 變換的在復(fù)雜情況（如白天光照很強(qiáng)，夜晚光照很弱，有陰影遮擋車道線等情況）下進(jìn)行車道線檢測的方法。首先，對圖像進(jìn)行顏色空間上的選擇，去除陰影造成的影響。其次，通過灰度變化加強(qiáng)車道線，并減弱背景對車道線檢測的影響。最后，利用Hough 變換檢測車道線。該算法極大減少了傳統(tǒng)Hough 變換檢測車道線的時間，增加了車道線檢測的穩(wěn)定性。試驗證明，該算法在不同情況下均有較好的檢測效果。