徐嘉雯，何 超，魏明洋，張慧蒙，羅 鑫，劉學淵

（西南林業(yè)大學機械與交通學院，昆明 650224）

0 引言

隨著全球智能網聯(lián)汽車行業(yè)的快速發(fā)展，如何進一步實現(xiàn)汽車的智能化受到人們的廣泛關注。研究表明[1]，大部分交通事故都是由于駕駛員注意力不集中或疲勞駕駛造成的，而先進駕駛輔助系統(tǒng)（Advanced Driving Assistance System，ADAS）可以在事故發(fā)生前采取必要的舉措，從而減少事故和駕駛員的工作量[2]。車道偏離報警系統(tǒng)（Lane Departure Warning System，LDWS）[3]和車道 保 持 輔 助 系 統(tǒng)（Lane Keeping Assist Systems，LKAS）[4]等內容是ADAS 的基本內容。因而，車道偏離報警系統(tǒng)和自動駕駛技術的應用是提高道路安全的重要創(chuàng)新技術，可以有效減少發(fā)生交通事故的概率[5]。隨著對LDWS 的深入研究，輔助駕駛功能也在不斷完善和發(fā)展。其中，車道檢測是先進駕駛輔助系統(tǒng)的基礎，道路場景中車道線的正確檢測對自動駕駛的應用也具有重要影響[6-8]。從現(xiàn)有技術水平來看，影響基于視覺的LDWS可靠性的最重要因素是車道線檢測算法。因此，對于車道線的檢測仍有很多研究需要繼續(xù)[9]。

目前，根據(jù)研究者們所提出的車道線檢測方法，主要可以分為基于特征、模型和語義分割的方法[10-12]。針對基于特征和模型的方法，張勉等[13]通過統(tǒng)計得到車道線方向角的均值和方差，用以確定方向可調濾波器的方向和概率霍夫變換的極角范圍，有效地抑制了干擾、減小了搜索范圍、提高了檢測速度。Shen 等[14]提出了一種針對復雜環(huán)境的車道線快速提取的方法，通過感興趣區(qū)域（Region of Interest，ROI）的動態(tài)調整以及改進的firefly 邊緣檢測算法，使其在復雜場景下具有較高的檢測效果。Hajjouji等[15]設計了一種適用于直線車道線檢測的霍夫變換（Hough Transform，HT）硬件結構，優(yōu)化了HT的結構和計算復雜度，減少了累加器的尺寸,使得檢測速度有所提升。Gong 等[16]提出了一種通用的快速車道線提取方法，通過提出的雙閾值算法進行ROI 區(qū)域的提取，并運用卡爾曼濾波快速預測后續(xù)圖像序列的最佳閾值，從而實現(xiàn)了車道線的實時校正。Kumar 等[17]針對在光線陰暗場景檢測算法魯棒性低的問題，利用Kalman濾波跟蹤檢測車道線，然后通過B樣條曲線對車道線進行擬合，具有較好的擬合效果。而基于語義分割的檢測方法通過大量數(shù)據(jù)集對模型進行訓練，使模型具有較強的特征提取能力，然而，隨著模型的不斷迭代，整個網絡模型變得越來越復雜，也需要強大的計算能力來支持。

目前，在一些場景中仍存在著車道線檢測精度不足，道路場景中的車道線無法快速準確提取的情況，因此需要不斷改進算法，在降低開發(fā)成本的同時提高算法的性能。而基于特征和模型的方法最為簡單，直接提取圖像特征，并進行車道線擬合，具有計算量小、效率高等特點，且在實時準確性方面具有優(yōu)勢，但其場景適應性差。鑒于上述原因，本文基于PyCharm 軟件，針對多種場景的變換提出了一種更加快速便捷的車道線檢測方法，具體檢測算法的流程如圖1所示。

圖1 車道線檢測流程

1 道路圖像預處理

為減少數(shù)據(jù)運算，首先需要將采集到的視頻中的單幀圖像灰度化，把原圖的R、G、B 三個通道轉為單個通道，最終得到灰度圖。

通常有平均值法、最大值法、加權平均法3 種處理方法, 而加權平均法能夠得出最能反映人眼特征的灰度值，灰度圖的亮度Gray(x,y)公式如下：

式中：(x,y)為像素點坐標；R(x,y)、G(x,y)和B(x,y)分別為像素點在紅、綠和藍通道中的灰度值。

本文采用式（1）方法對圖像進行灰度化處理，結果如圖2所示。

圖2 灰度圖

2 車道線特征提取

2.1 Canny邊緣檢測

為使車道線邊緣提取的效果更好，本文采用Canny檢測算法尋找像素點局部最大值，也就是尋找圖像中灰度變化量最大的位置。具體Canny 邊緣檢測算法主要可分為以下幾個步驟。

（1）采用高斯濾波來平滑尖銳的噪聲點，防止噪聲點影響后續(xù)Hough變換直線的判斷。

為達到模糊圖像從而實現(xiàn)去噪的目的，用到的二維高斯函數(shù)的計算公式為：

式中：G(a,b)為點像素的灰度值；(a,b)為像素點坐標；σ為標準差。

本文在此采用（5×5）的高斯卷積模板并利用cv2.GaussianBlur（）函數(shù)對灰度圖進行處理。

（2）計算梯度，找尋圖像的強度梯度。

主要是計算各梯度方向上的一階導數(shù)（垂直、水平和兩對角方向）。此步驟可使用Sobel 算子計算水平和豎直方向的圖像梯度（Ga和Gb），并進一步求得邊緣的梯度（G）和方向（θ），公式如下：

（3）使用非極大值抑制的方法將模糊的邊緣變得清晰，從而消除邊緣誤檢。

基本原理：比較像素點沿梯度方向的梯度強度變化量，把同一梯度方向上梯度值為極大值的像素點看作邊緣點。

（4）利用雙閾值的方法來劃分出可能的邊緣點。

盡管找出了可能是圖像邊緣的像素點，但是仍無法判定具體多大的像素梯度屬于真正的邊緣點，所以Canny使用了雙閾值來進行劃分，即梯度值大于高閾值的像素點被認為是強邊緣，去除小于低閾值的像素點，并且在雙閾值之間的弱邊緣只有連接強邊緣時才是真正的邊緣點。

傳統(tǒng)Canny 算子人為設定高、低閾值，耗時較長，難以滿足車輛的實時性要求。在此，本文為更好地體現(xiàn)圖像邊緣特征，設計了兩種方法。

方法一是制定一個窗口，給定高低閾值一個范圍，調節(jié)閾值大小，從而能夠更好地找到圖像特征提取的最佳閾值范圍，如圖3（a）所示。為了檢測車道線的邊緣，需要降低高閾值。經過反復實驗后，確定高低閾值為50～200以內的變化量是合適的。

圖3 自適應高、低閾值的設定

方法二即采用cv2.adaptiveThreshold（）函數(shù)對高斯濾波后的圖像進行自適應閾值分割，最大灰度值設為255，自適應方法選擇cv2.ADAPTIVE＿THRESH＿GUASSIAN＿C，二值化方法選擇cv2.THRESH＿BINARY，分割計算的區(qū)域大小為15，被減常數(shù)為3。由此得到如圖3（b）所示的閾值分割結果圖。

綜上，本文在此將函數(shù)中的高、低閾值參數(shù)分別設置為200 和50，運用cv2.Canny（）函數(shù)實現(xiàn)對灰度圖像的邊緣檢測，如圖4所示。

圖4 Canny邊緣檢測效果圖

2.2 ROI區(qū)域提取

藍天、欄桿、遠處建筑物等這些干擾因素都會影響車道線檢測的速度和精度。所以，為提高檢測效率和減少檢測時間，本文對圖像進行邊緣檢測后，通過繪制掩碼圖（mask），并與檢測到的邊緣圖結合，進而提取到更為精準的車道線特征，保證了算法的魯棒性和實時性。

在此本文自適應地選取掩碼區(qū)域的方法，可以調整不同場景下感興趣區(qū)域（ROI）的形狀，用較少的像素點準確地提取出車道線區(qū)域，掩碼區(qū)域可以是矩形、三角形、梯形及不規(guī)則的多邊形。本文在此提取梯形的掩碼區(qū)域，最終得到的ROI區(qū)域效果如圖5所示。

圖5 ROI區(qū)域的提取效果圖

3 車道線檢測

3.1 霍夫變換

霍夫變換通常可用于檢測曲線、圓、直線等，其中最廣泛的應用是檢測圖片中的直線。

本文選用概率霍夫變換函數(shù)cv2.HoughLinesP（）進行車道線檢測。為了能更加清楚地檢測直線，主要有如下改進。

（1）設置最短長度閾值（minLineLength）。如果檢測到的直線段小于minLineLength，則抑制這條直線。

（2）設置最大允許像素間距（maxLineGap）。只有當直線像素間的間距小于maxLineGap 才會被當作車道線信息。

最終采用概率霍夫變換得出的效果圖如圖6（a）所示。為體現(xiàn)概率霍夫變換相較標準霍夫變換的優(yōu)點，本文在此分別運用兩種霍夫變換進行檢測，對比如圖6所示。由圖可得，標準霍夫變換會檢測到更多的直線，而概率霍夫變換檢測的車道線更為精確，從而提高了檢測的精度。

圖6 兩種霍夫變換的對比

3.2 離群值過濾

完成初步的Hough 變換后，圖像中依然存在許多噪點，為了進一步消除噪點，就需要進行離群值過濾，具體步驟主要有以下幾點：（1）計算Hough 變換后的所有直線的斜率；（2）通過斜率值的正負進行分類，將直線分為左右車道線；（3）計算同一類直線的斜率均值；（4）再將直線斜率與均值進行對比，如若相差過大，超過了設定的閾值s，就判定這樣的直線為噪點，刪除該直線，直到所有的直線與均值的差距都小于設定的閾值停止迭代。

通過這樣的離群值過濾可以更加有效地消除圖像中一些無關信息的影響。本文在此設定閾值s=0.2，最終左車道線從28 條直線過濾為25 條；右車道線從20 條直線過濾為19條。

3.3 最小二乘法擬合直線

由于霍夫變換會檢測出多條直線段，仍無法準確確定該條直線的具體位置，因此需要將同一類型的線段擬合成一條線段，用來唯一確定這條直線。所以，本文采用最小二乘法來對車道線擬合，具體求解步驟如下。

假設直線模型的表達式為：

在此，最小二乘法就是求解Q的最小值，因為Q最小，對應θ值最優(yōu)，所以將上式看成一個Q關于變量θ的函數(shù)，問題轉成一個求極小值問題，即對θ1和θ2分別求偏導，化簡后得到：

求解出多項式系數(shù)后，即可根據(jù)直線表達式得到直線的兩個端點坐標，從而用來唯一確定這條直線。并將最終直道車道線位置使用cv2.line（）函數(shù)繪制到原圖中，檢測效果如圖7 所示。圖中，黃線繪制的是左車道線，綠線繪制的是右車道線，擬合效果良好，證實了利用最小二乘法可使車道線擬合具有較高的精度和實時性。

圖7 車道線擬合效果圖

4 實驗結果與分析

本文采用PyCharm 軟件進行仿真實驗，調用OpenCV庫中的相關函數(shù)進行車道線的特征提取，從而驗證本算法的檢測準確性。實驗測試集主要從車載采集到的北京某段高速公路上的視頻中篩選出不同路況條件下的圖像，約為1 697 幀，圖片大小為992×362，且測試場景主要包括正常光照、路面干擾和弱光環(huán)境3 種情況，并以30 ms/幀進行視頻播放。本文采用實驗設備配置：CPU 為i5-4600U@2.10GHz，RAM 為16 GB，并對提出的算法進行驗證，最終不同場景下的車道線信息如圖8所示。

圖8 各場景下的車道線檢測結果

本文在此對不同場景下的車道線檢測情況分別進行統(tǒng)計，測出其平均每幀圖像的檢測時長，并計算出準確率，從而能夠更有力地驗證本文檢測車道線算法的準確性和實時性，具體數(shù)據(jù)如表1所示。

表1 車道線檢測情況統(tǒng)計

為體現(xiàn)本文算法的優(yōu)越性，在此分別舉例出兩篇文獻中檢測算法的平均準確率和檢測時長進行對比分析，如表2 所示。由表可知，本文算法處理一幀圖像所用平均時長為13.9 ms，對比25.6 ms、22.9 ms、19.0 ms 可看出檢測速度有了明顯提升，能夠滿足車道偏離報警系統(tǒng)實時性的需求。再者，本算法進行車道線檢測的平均準確率為97.6%，和94.9%、97.1%、96.3%對比也有了明顯提高，具有很好的檢測效果。由此可得，本文算法對比其他文獻中的方法，平均準確率更高，檢測所耗時長較短，更能體現(xiàn)車道線檢測任務中的準確性和實時性要求，具有一定的應用價值。

表2 車道線檢測的準確率和檢測時長

5 結束語

（1）本文在圖像邊緣特征提取時，選用Canny 算法對道路邊緣進行檢測，提出自適應選取高、低閾值的方法，解決了傳統(tǒng)Canny算子設定雙閾值的復雜性問題。

（2）本文采用漸進式概率霍夫變換（PPHT），從而排除了更多的干擾信息，正確判別了方向，使檢測到的直線段更為精確。

（3）本文使用傳統(tǒng)的圖像處理方法進行特征提取，從而能夠更加快速實時地檢測出車道線，平均每幀圖像檢測時長達到13.9 ms/幀，節(jié)省了時間，提高了檢測效率，具有一定的應用價值。

（4）通過實驗驗證了各場景下的車道線檢測效果，結果表明，該算法平均準確率高達97.6%，能正確檢測出不同條件下的車道線，具有很好的魯棒性和實時準確性。