吳 琳，邵士媛，李 袁，劉春霞

(鄭州鐵路職業(yè)技術(shù)學(xué)院，河南 鄭州 451460)

隨著智能交通技術(shù)的發(fā)展，行車安全和自動化越來越受到人們的關(guān)注。高級汽車輔助駕駛系統(tǒng)(Advanced Driver Assistance System，ADAS)和全自動無人駕駛車輛(Autonomous Vehicle， AV)已經(jīng)成為汽車行業(yè)的發(fā)展趨勢，不斷有相關(guān)產(chǎn)品出現(xiàn)在市場上。這些系統(tǒng)依靠多種傳感器的數(shù)據(jù)集成與分析構(gòu)成路況感知系統(tǒng)，為車輛提供有關(guān)車道、交通路口、交通標(biāo)志、交通信號、行人及其他車輛的準(zhǔn)確信息，從而幫助車輛智能控制系統(tǒng)做出正確決策，有效減少事故發(fā)生率。車道檢測和識別是路況感知系統(tǒng)的一個關(guān)鍵環(huán)節(jié)，其識別速度和準(zhǔn)確性決定了車道保持、車道線偏離預(yù)警等車輛智能駕駛功能的實現(xiàn)效果[1]。依據(jù)國內(nèi)外的研究現(xiàn)狀，車道線檢測主要有兩類方法[2]：一是利用圖像處理方法提取對應(yīng)車道線的像素，再利用直線或曲線擬合獲得車道線的幾何信息，這類方法的代表是Aly提出的基于圖像逆透視映射和隨機抽樣一致的貝塞爾樣條擬合車道線識別方法；二是利用深度學(xué)習(xí)進行的，此類方法利用大量的圖像數(shù)據(jù)構(gòu)成訓(xùn)練樣本集和測試樣本集來訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)模型。Gopalan 等人利用像素分級特征建立模型，并利用提升算法選取適用于車道線檢測的特征。Li等人提出了一種能夠提取車道幾何結(jié)構(gòu)信息的多任務(wù)深度卷積網(wǎng)絡(luò)，并同時使用遞歸神經(jīng)網(wǎng)絡(luò)檢測車道。這兩類方法能夠處理絕大多數(shù)復(fù)雜車道情況下的車道線檢測，但是算法較為復(fù)雜，不利于在嵌入式平臺上實現(xiàn)實時運算。本研究采用第一類方法，提出一種基于圖像處理和幾何分析的快速車道線檢測算法。

1 基于單應(yīng)性變換的車道線識別方法

利用先驗感興趣區(qū)域、顏色信息、梯度信息對車道線像素進行篩選，然后通過單應(yīng)性變換和直方圖分析在路面俯視圖中提取屬于車道線的像素，并利用二次曲線擬合提取車道線信息，其算法流程如圖1所示。

圖1 車道線檢測算法

1.1 感興趣區(qū)域和圖片預(yù)處理

根據(jù)道路圖像特征，選定圖像中下方的梯形區(qū)域作為感興趣區(qū)域，即只分析該區(qū)域內(nèi)可能存在的車道標(biāo)志線,并且對圖像進行平滑濾波，在去除噪聲的同時也兼顧了計算速度。

1.2 車道線像素選取

在對圖像進行預(yù)處理后利用顏色分割和梯度計算提取圖像中可能的車道線像素,由于車道線標(biāo)志通常為白色或黃色，因此利用顏色信息對圖像進行篩選。由于像素顏色信息由紅、綠、藍三通道(R,G,B)組成,則白色像素符合公式

(1)

而黃色像素符合公式

(2)

由于車道線通常會帶來像素灰度值沿水平方向的變化，因此利用Sobel算子[3]計算出圖像各像素處沿水平方向的梯度幅值，并且選取較大幅值像素作為候選車道線像素。車道線候選像素的提取結(jié)果一般如圖2所示。

圖2 當(dāng)前車道標(biāo)志線候選像素

1.3 單應(yīng)性變換和直方圖分析

單應(yīng)性變換是從一個投影平面到另一個投影平面的可逆性變換。假設(shè)道路是一平面，則可利用相機的外部參數(shù)(例如相機相對于路面的高度和角度)推導(dǎo)出相機投影平面到道路俯視平面的變換關(guān)系[3],從而將道路信息從照相機視角轉(zhuǎn)化為俯視視角。

俯視圖消除了照相機投影引起的透視形變，因此可以更加方便提取車道線信息。由于車道線在俯視圖中呈豎直方向，將俯視圖中的像素灰度值沿豎直方向累加，則對俯視圖中每一水平位置可形成如圖3所示的直方圖，直方圖中的兩個峰值則對應(yīng)于左右車道線。

圖3 灰度直方圖

1.4 二次曲線分析

將俯視圖沿豎直方向等分為9個窗口，并將窗口設(shè)置在直方圖中對應(yīng)于左右車道線的兩個峰值處。在每一窗口中計算出候選像素分布的中心值，然后對窗口的中心位置進行二次曲線擬合。在得到車道線的二次曲線方程后可根據(jù)二次曲線計算得出車道線曲率。若假設(shè)相機圖像中心對應(yīng)于車輛中心，還可由此估計車輛中心與車道中心的偏移距離。

2 實驗結(jié)果

為驗證算法的實時性和有效性，使用Python編程進行試驗。試驗平臺硬件環(huán)境為Inteli5-3450 CPU，主頻為3.1 GHz，內(nèi)存8 G RAM。試驗結(jié)果表明，本算法的運算速度可以達到30幀/秒，滿足實時運算要求。

利用該算法對行車圖像進行檢測，并估計車道的曲率半徑和車輛中心相對于車道中心的偏移，如圖4所示。當(dāng)車道為直線時， 曲率半徑應(yīng)趨近于無窮大；當(dāng)車道為曲線時，曲率半徑較小。圖4(a)顯示了直線路段和非常大的曲率半徑估計值；圖4(b)則為曲線路段，所估計的曲率半徑遠小于直線路段。

(a)

(b)

3 結(jié)語

本研究提出了一種基于顏色信息、梯度計算、單應(yīng)性變換、直方圖分析和曲線擬合的車道線檢測方法。該方法簡單實時，對直線車道線可進行高準(zhǔn)確度提取，復(fù)雜路況(如陽光照射下路面上的陰影)對顏色分割和梯度計算影響較大。今后將進一步提高算法在復(fù)雜路況下的準(zhǔn)確度和魯棒性，如結(jié)合傳統(tǒng)圖像處理技術(shù)和深度學(xué)習(xí)方法對算法進行改進。