黃艷國(guó) 鐘勇 饒澤浩

（江西理工大學(xué)，贛州 341000）

主題詞：最大類間方差法 整體嵌套邊緣檢測(cè) 車道線檢測(cè) 滑動(dòng)窗口法 車道偏離預(yù)警

1 前言

車道偏離預(yù)警系統(tǒng)（Lane Departure Warning System，LDWS）[1]作為高級(jí)輔助駕駛系統(tǒng)（Advanced Driving Assistance System，ADAS）[2]的重要組成部分，通過(guò)環(huán)境感知傳感器探測(cè)車輛與車道線的位置關(guān)系，可在車輛即將越過(guò)車道線時(shí)對(duì)駕駛員進(jìn)行提示，有效提升駕駛安全性。

目前，商用LDWS 主要基于視覺(jué)感知開發(fā)，其通過(guò)對(duì)攝像頭采集的圖像進(jìn)行處理分析，能夠達(dá)到比普通雷達(dá)更高的精確度，同時(shí)具有性價(jià)比高、結(jié)構(gòu)簡(jiǎn)單等特點(diǎn)[3]，受到了廣大專家學(xué)者的關(guān)注。

在基于視覺(jué)的車道偏離預(yù)警研究中，許小偉等人[4]使用頂帽算法結(jié)合最大類間方差法（OTSU算法）對(duì)車道線進(jìn)行分割，并使用最小絕對(duì)值收斂和選擇算子（Least Absolute Shrinkage and Selection Operator，LASSO）多項(xiàng)式擬合車道曲線，最后根據(jù)車輛行駛時(shí)的虛擬車道線角度來(lái)判斷車輛的偏離狀況，該方法有效解決了復(fù)雜道路環(huán)境下的車道線分割問(wèn)題，并縮短了預(yù)警時(shí)間。Teo等人[5]通過(guò)伽博（Gabor）濾波器抑制道路陰影并增強(qiáng)車道線標(biāo)記，而后使用坎尼（Canny）算子結(jié)合自適應(yīng)閾值調(diào)整對(duì)車道線進(jìn)行自適應(yīng)邊緣檢測(cè)，使用概率霍夫變換篩選出候選車道，最后根據(jù)歐幾里得距離與車道偏離角來(lái)判斷車輛的偏離狀況。該方法計(jì)算復(fù)雜度低、實(shí)時(shí)性好，具有較高的成本效益。李福俊等人[6]通過(guò)改進(jìn)的霍夫變換識(shí)別車道線后，使用四點(diǎn)標(biāo)定法對(duì)車道線進(jìn)行校正，最后在鳥瞰圖的基礎(chǔ)上計(jì)算車身偏離量，該方法耗時(shí)較短，具有良好的魯棒性與實(shí)時(shí)性。以上研究在圖像預(yù)處理階段多使用傳統(tǒng)的索貝爾（Sobel）、Canny以及普雷維特（Prewitt）等邊緣檢測(cè)算子[7-8]，此類邊緣檢測(cè)算法極度依賴特定的閾值參數(shù)，通常是人為設(shè)置的經(jīng)驗(yàn)值，容易受到環(huán)境干擾。同時(shí)，霍夫變換的局限性使其在擬合彎道時(shí)的精確度不高，從而降低了車輛偏離預(yù)警系統(tǒng)的整體準(zhǔn)確率。

為了解決以上問(wèn)題，本文在圖像預(yù)處理階段使用遺傳退火算法求解出OTSU最優(yōu)閾值實(shí)現(xiàn)對(duì)車道線的二值分割，同時(shí)使用整體嵌套邊緣檢測(cè)（Holistically-nested Edge Detection，HED）模型進(jìn)行車道邊緣提取，結(jié)合滑動(dòng)窗口法與二階多項(xiàng)式進(jìn)行車道擬合，最終利用車輛與車道相對(duì)位置信息進(jìn)行偏離預(yù)警決策，以達(dá)到提升系統(tǒng)整體預(yù)警準(zhǔn)確度的目的。

2 圖像預(yù)處理

2.1 改進(jìn)的OTSU二值化方法

OTSU算法計(jì)算簡(jiǎn)單，不受圖像亮度和對(duì)比度影響，廣泛用于圖像分割中的閾值選取。在車道線檢測(cè)中，車道線與道路背景的差別較大，類間函數(shù)不易出現(xiàn)多峰現(xiàn)象，能較好地發(fā)揮OTSU算法優(yōu)勢(shì)[9]。

傳統(tǒng)方法求解OTSU最佳閾值時(shí)，常采用遍歷法使得類間方差最大來(lái)獲取最佳閾值，但方法計(jì)算量較大，迭代次數(shù)多或直接使用固定閾值[10]。為了加快算法速度，本文使用改進(jìn)遺傳退火算法[11]優(yōu)化OTSU 算法的閾值計(jì)算，其中遺傳算法對(duì)迭代過(guò)程進(jìn)行優(yōu)化，為防止其陷入局部最優(yōu)解，結(jié)合模擬退火算法允許在獲得最優(yōu)閾值時(shí)有小范圍的波動(dòng)，達(dá)到快速收斂的目的。

2.1.1 OTSU閾值分割原理

假設(shè)原始圖像中像素總數(shù)為K，對(duì)應(yīng)灰度級(jí)為i的像素點(diǎn)數(shù)量為ki，灰度級(jí)數(shù)量為L(zhǎng)，i的取值范圍為[0,L-1]，由此可得灰度級(jí)為i的像素點(diǎn)出現(xiàn)的概率為：

通過(guò)最優(yōu)閾值t將像素點(diǎn)分割成前、后景，其中灰度值為[0,t]的部分被分割成前景Q0，灰度值為(t,L-1]的像素點(diǎn)被分割成后景Q1，同時(shí)，前景類概率ω0與后景類概率ω1分別為：

圖像平均灰度級(jí)μt、前景平均灰度值μ0、后景平均灰度值μ1分別為：

由此可得Q0與Q1間的類間方差σ2為：

求得使類間方差最大的像素值t即為最優(yōu)閾值，據(jù)此便可對(duì)原始圖像進(jìn)行二值分割處理。

2.1.2 遺傳退火算法求解最優(yōu)閾值

為加快OTSU算法求解最優(yōu)閾值的速度，使用遺傳退火算法對(duì)迭代過(guò)程進(jìn)行優(yōu)化。隨機(jī)生成初始種群，通過(guò)選擇、交叉、變異等操作生成新一代種群，并將適應(yīng)度函數(shù)設(shè)置為前、后景類間方差，每次迭代后得到適應(yīng)度更高的種群。為防止陷入局部最優(yōu)解，在每次迭代后允許最優(yōu)個(gè)體A以一定的概率波動(dòng)，由此生成新個(gè)體B，再分別計(jì)算個(gè)體A、B的適應(yīng)度σ(A)、σ(B)，若σ(B)≥σ(A)，則使用新個(gè)體B替換A成為最優(yōu)個(gè)體，反之，則按概率C=Eu(σ(A)-σ(B))/c（Eu為歐拉數(shù)，c為當(dāng)前溫度）接受B個(gè)體為最優(yōu)解。其中模擬退火算法的主要流程如圖1 所示。

圖1 遺傳退火求解OTSU最優(yōu)閾值流程

引入模擬退火算法后，在一定程度上增加了運(yùn)算成本，為此，在數(shù)組運(yùn)算時(shí)采用Numpy索引切片運(yùn)算來(lái)替代常規(guī)的for循環(huán)，并將原始圖像的長(zhǎng)度、寬度各縮短到原來(lái)的1/4，以此加快閾值計(jì)算速度。算法得到的最優(yōu)解即為最優(yōu)閾值，將其解碼成十進(jìn)制數(shù)便可得到最終結(jié)果。

2.1.3 改進(jìn)OTSU算法車道線分割

在進(jìn)行二值分割操作前，需要將原始圖像轉(zhuǎn)換成灰度圖像。常規(guī)灰度化采用加權(quán)平均的方式在RGB格式下提取，存在無(wú)法凸顯原車道線主體的情況[12]。在HLS圖像格式下拆分出S 通道灰度圖能更好地凸顯車道線特征，上述2種灰度圖像提取效果如圖2所示。

圖2 灰度化效果對(duì)比

相比常規(guī)方法，S通道灰度圖像中的車道線特征明顯、清晰，使用S通道進(jìn)行二值分割測(cè)試，種群的迭代情況如圖3所示。

圖3 種群迭代中最優(yōu)個(gè)體的適應(yīng)度情況

初始種群最優(yōu)個(gè)體適應(yīng)度為2 189.618，迭代結(jié)束后最優(yōu)個(gè)體適應(yīng)度為2 195.977，其對(duì)應(yīng)灰度值119即為最優(yōu)閾值。根據(jù)遺傳退火算法所得最優(yōu)閾值對(duì)圖像進(jìn)行二值分割，得到最終的二值分割圖像如圖4所示。

圖4 OTSU二值分割效果對(duì)比

觀察圖4 可知，經(jīng)過(guò)遺傳退火算法優(yōu)化后，圖像閾值分割更加準(zhǔn)確。相對(duì)于傳統(tǒng)方法，圖像中的某些微小噪聲被過(guò)濾，能夠更加準(zhǔn)確地表征圖像中的車道線信息。同時(shí)，在處理速度方面，本文方法較傳統(tǒng)遍歷法提升5%，能夠有效節(jié)省整體車道檢測(cè)耗時(shí)。

2.2 邊緣檢測(cè)與感興趣區(qū)域提取

2.2.1 邊緣檢測(cè)

車道邊緣是車道檢測(cè)中的重要結(jié)構(gòu)特征，通常根據(jù)車道線與圖像背景的梯度差異進(jìn)行提取。傳統(tǒng)車道邊緣檢測(cè)多使用X方向的Sobel 算子或Canny 算子進(jìn)行提取，此類邊緣檢測(cè)算法極度依賴于幾個(gè)閾值參數(shù)。閾值參數(shù)通常取人為設(shè)置的經(jīng)驗(yàn)值，導(dǎo)致算法的魯棒性受到影響，在應(yīng)對(duì)復(fù)雜環(huán)境時(shí)存在邊緣檢測(cè)不理想的情況。

本文選擇使用HED網(wǎng)絡(luò)[13]來(lái)實(shí)現(xiàn)車道線邊緣提取，HED 模型由Xie 等人提出，其基于VGG16 骨干網(wǎng)絡(luò)，并且使用遷移學(xué)習(xí)初始化網(wǎng)絡(luò)權(quán)重，同時(shí)進(jìn)行多尺度特征融合，HED 的優(yōu)點(diǎn)在于減少了圖像中大部分不相關(guān)的信息，同時(shí)過(guò)濾了噪聲，從而縮短了檢測(cè)時(shí)間。通過(guò)OpenCV 調(diào)用HED 模型對(duì)二值化分割后的圖像進(jìn)行邊緣提取。分別使用HED方法與傳統(tǒng)邊緣檢測(cè)方法得到車道線邊緣特征，結(jié)果如圖5所示。

圖5 不同方法邊緣檢測(cè)效果對(duì)比

觀察圖5 可知，圖5b、圖5c 中車道邊緣特征模糊、車道線輪廓狹長(zhǎng)且不光滑，檢測(cè)效果不太理想。這是由于Sobel 算子計(jì)算方向單一，無(wú)法應(yīng)對(duì)車道背景存在復(fù)雜紋理的情況，直接應(yīng)用經(jīng)驗(yàn)閾值判斷造成了較多的噪聲誤判；Canny 算子基于梯度閾值的雙閾值方法難以在抑制噪聲的同時(shí)保護(hù)低強(qiáng)度邊緣，易將噪聲誤判為邊界，經(jīng)驗(yàn)閾值自適應(yīng)能力較差。而HED 模型基于神經(jīng)網(wǎng)絡(luò)對(duì)邊緣的高、低層特征的全面提取，使得所獲取的車道邊緣明亮、清晰且光滑，同時(shí)背景中噪聲較少。

2.2.2 感興趣區(qū)域提取

由于車載相機(jī)拍攝的圖像包含較多的背景冗余信息，如車道旁的樹木、路肩、天空等，去除后并不會(huì)影響檢測(cè)結(jié)果。同時(shí)，車載相機(jī)相對(duì)車輛位置固定，車道線集中出現(xiàn)在圖像的下半部分，故根據(jù)車道線在圖中的相對(duì)位置，設(shè)置感興趣區(qū)域的4 個(gè)頂點(diǎn)，從而將車道線區(qū)域切分出來(lái)，感興趣區(qū)域提取結(jié)果如圖6所示。

圖6 感興趣區(qū)域提取示意

由于攝像機(jī)的成像原理導(dǎo)致現(xiàn)實(shí)中平行的車道線在圖像中呈現(xiàn)遠(yuǎn)處相交的趨勢(shì)。使用逆透視變換[14]操作將感興趣區(qū)域轉(zhuǎn)換成鳥瞰圖的形式，使得車道線回歸平行的狀態(tài)，以提升車道擬合準(zhǔn)確率。圖7所示為逆透視變換后的感興趣區(qū)域鳥瞰圖，轉(zhuǎn)換后車道線相對(duì)平行，易于后續(xù)擬合。

圖7 鳥瞰圖轉(zhuǎn)換效果

3 車道線檢測(cè)

3.1 車道線起始定位

在對(duì)車道線進(jìn)行識(shí)別前需要確定左、右車道線在圖像中的起始位置，對(duì)圖像中的像素值進(jìn)行統(tǒng)計(jì)便可確定。例如，某鳥瞰圖的數(shù)組維度（分辨率）為(1 280,900)，將同一X軸上的像素值進(jìn)行累加，根據(jù)統(tǒng)計(jì)結(jié)果確定左、右車道線的起始點(diǎn)，如圖8所示。

圖8 車道起始位置定位效果

觀察圖8b 發(fā)現(xiàn)，左、右車道像素統(tǒng)計(jì)均出現(xiàn)2 個(gè)波峰中夾雜1個(gè)波谷的現(xiàn)象，這正對(duì)應(yīng)車道線中心像素值較低的位置，該波谷為原始圖像中左、右車道線的起始點(diǎn)位置像素坐標(biāo)(u0l,v0l)、(u0r,v0r)。

3.2 車道線檢測(cè)

滑動(dòng)窗口算法最早被應(yīng)用于網(wǎng)絡(luò)傳輸控制協(xié)議（Transmission Control Protocol，TCP）中，通過(guò)滑動(dòng)窗口控制流量來(lái)防止網(wǎng)絡(luò)擁堵，后被廣泛運(yùn)用于數(shù)據(jù)處理，并表現(xiàn)出了較好的算法穩(wěn)定性[15]。

在車道線的識(shí)別過(guò)程中，通過(guò)設(shè)置一定數(shù)量的窗口，按特定的規(guī)則進(jìn)行滑動(dòng)遍歷，并在滑動(dòng)過(guò)程中對(duì)窗口內(nèi)的車道像素進(jìn)行二階多項(xiàng)式擬合，直到窗口到達(dá)圖像邊界時(shí)結(jié)束搜尋?；瑒?dòng)窗口搜尋車道線的具體算法流程為：

a.初始化窗口參數(shù)，設(shè)置鳥瞰圖中點(diǎn)Mn、滑動(dòng)窗口數(shù)量D、滑動(dòng)窗口寬度W=4w-1，滑動(dòng)窗口高度H=h/D（其中w為車道寬度所占像素值、h為鳥瞰圖高度）、非零像素?cái)?shù)量最小值C、窗口內(nèi)像素總數(shù)量N、非零像素點(diǎn)集合(unz,vnz)、左車道線坐標(biāo)集合(ul,vl)、右車道線坐標(biāo)集合(ur,vr)，左、右車道初始搜尋位置分別為(u0l,v0l)、(u0r,v0r)。

b.初始化搜尋，若N≥C，則根據(jù)所得左車道初始位置設(shè)置窗口4個(gè)頂點(diǎn)ull=u0l-W/2、ulh=u0l+W/2、vlh=v0l+H/2、vll=v0l-H/2同理可得右側(cè)窗口起始位置，并對(duì)窗口進(jìn)行繪制。取出窗口內(nèi)的車道像素，將其添加到左右、車道線坐標(biāo)集合中。若10≤N

c.窗口搜尋循環(huán)結(jié)束后，分別取出左、右車道線像素點(diǎn)，對(duì)其中的像素點(diǎn)按v=au2+bu+c進(jìn)行二階多項(xiàng)式擬合。

d.循環(huán)步驟b、步驟c，若vlh=vrh=h（vrh為右車道線窗口縱坐標(biāo)）則表示窗口搜尋到圖像上邊緣，停止窗口搜索循環(huán)。

e.窗口搜尋結(jié)束后對(duì)擬合曲線進(jìn)行平滑優(yōu)化處理，將所有窗口中的n條曲線方程分別取出，并將前后相鄰的3組曲線重新組合成新分組數(shù)據(jù)，得到n/3組新數(shù)據(jù)，對(duì)新數(shù)據(jù)曲線方程進(jìn)行離散化處理以獲得較光滑的擬合曲線，以此降低算法對(duì)異常值的敏感性。當(dāng)前圖像檢測(cè)完成，算法結(jié)束。

使用滑動(dòng)窗口算法對(duì)窗口中的車道線進(jìn)行擬合測(cè)試，車道擬合效果如圖9所示，擬合曲線光滑、準(zhǔn)確。

圖9 車道擬合結(jié)果對(duì)比

4 車道偏離預(yù)警策略

4.1 急彎預(yù)警

為了提升駕駛安全性，根據(jù)車道檢測(cè)結(jié)果對(duì)車道曲率進(jìn)行分析，判斷駕駛員前方道路是否存在急彎，結(jié)合預(yù)警機(jī)制及時(shí)向駕駛員反饋。車輛在彎道中行駛時(shí)，左、右車道線可以視為如圖10所示的2個(gè)同心圓的一部分，根據(jù)該近似等效并結(jié)合車道線曲線方程可計(jì)算得到彎道半徑R。

圖10中，O為彎道同心圓原點(diǎn)，Rl、R、Rr分別為左側(cè)車道彎道曲率半徑、道路平均彎道曲率半徑、右側(cè)車道彎道曲率半徑，其中Rl、Rr可由R*的公式計(jì)算：

以上所得曲率半徑為像素空間值，需將其轉(zhuǎn)換成現(xiàn)實(shí)空間的值。轉(zhuǎn)換比例k需由實(shí)際測(cè)量獲得（本文取常見2～4級(jí)公路寬度3.5 m），得到每個(gè)像素點(diǎn)在實(shí)際空間中的長(zhǎng)度。根據(jù)我國(guó)高速公路彎道設(shè)計(jì)標(biāo)準(zhǔn)，當(dāng)車速大于80 km/h時(shí)，車道曲率半徑不得小于250 m，結(jié)合實(shí)際行駛條件可將預(yù)警閾值適當(dāng)提高，以達(dá)到提前預(yù)警的目的。

4.2 車道偏離預(yù)警決策

傳統(tǒng)霍夫變換彎道擬合效果不佳，同時(shí)此類偏離預(yù)警大都依靠檢測(cè)左、右車道線與X軸的夾角來(lái)判斷車輛的偏離情況，在車道線擬合不佳的情況下，此類偏離預(yù)警方法的準(zhǔn)確率將大打折扣。因此，本文通過(guò)計(jì)算左、右車道位置與車輛中心位置的相對(duì)距離來(lái)判斷車輛與車道的偏離情況，如圖11所示。

圖11 車輛中心位置與左、右車道位置關(guān)系

圖11中Pl、Pr分別表示左、右車道兩側(cè)位置，Pm表示車輛中心位置，wl、wr分別表示車輛與左、右車道的距離所占像素值。根據(jù)計(jì)算得到wl與wr來(lái)計(jì)算車輛距離車道中心位置距離，即車輛偏移量：

式中，W*為實(shí)際車道寬度。

當(dāng)wl≥wr時(shí)，車輛當(dāng)前向左偏移，否則車輛向右偏離，同時(shí)結(jié)合偏離報(bào)警閾值T進(jìn)行預(yù)警。

結(jié)合我國(guó)常見道路寬度以及家用車輛常見寬度可知，若車輛行駛在道路正中間，則車輛兩側(cè)距車道線約0.85～0.95 m，因此可根據(jù)用戶的不同駕駛習(xí)慣在0～0.95 m之間設(shè)置合適的偏離預(yù)警閾值。

5 試驗(yàn)測(cè)試與分析

試驗(yàn)平臺(tái)采用Intel Core i5-11260h 處理器，主頻2.6 GHz，內(nèi)存16.00 GB，Windows 10 操作系統(tǒng)。截取原始圖像的長(zhǎng)度的1/3，得到的測(cè)試圖像像素大小為1 280×240。

為了檢驗(yàn)算法有效性并進(jìn)行有效評(píng)估，采集3組不同天氣狀況下的車載視頻進(jìn)行測(cè)試，分別為：光照良好、車道清晰的高速公路以及城市快速路；光線昏暗環(huán)境、光影遮擋的城市路段；霧天視線受干擾環(huán)境下的城市路段。

5.1 車道線檢測(cè)測(cè)試

針對(duì)以上3種不同路況進(jìn)行算法有效性檢驗(yàn)，分別對(duì)原始圖像進(jìn)行改進(jìn)OTSU 二值化、HED 邊緣檢測(cè)、車道線擬合操作得到如圖12所示的不同路況下的車道檢測(cè)效果。

圖12 不同路況下的車道線檢測(cè)效果

觀察圖12 可知，本文改進(jìn)OTSU 算法在3 種不同的行車環(huán)境中都能夠?qū)崿F(xiàn)較準(zhǔn)確的車道線二值分割，車道線與道路背景劃分清晰，路面噪聲干擾較少。使用HED 模型豐富的分級(jí)特征實(shí)現(xiàn)邊緣檢測(cè)中的細(xì)節(jié)檢測(cè)，即使在陰天、霧天等存在光線遮擋的情況下也能準(zhǔn)確地檢測(cè)出車道線輪廓，使得車道擬合效果顯著提升。

5.2 車道曲率預(yù)警及偏離預(yù)警測(cè)試

基于車道線檢測(cè)所獲取的道路與車輛位置信息，結(jié)合偏離預(yù)警決策對(duì)算法的偏離預(yù)警能力進(jìn)行測(cè)試。測(cè)試過(guò)程中將彎道預(yù)警閾值設(shè)置為300 m、車道偏離預(yù)警閾值設(shè)置為0.65 m，并在以上不同行車環(huán)境中進(jìn)行測(cè)試，測(cè)試效果如圖13所示。

圖13 不同行車環(huán)境下的預(yù)警效果

觀察圖13可知，基于車道檢測(cè)所得的數(shù)據(jù)基礎(chǔ)，本文方法能夠在不同天氣狀況的行車環(huán)境中進(jìn)行準(zhǔn)確的車道偏離與急彎預(yù)警。為了進(jìn)一步觀察算法的性能表現(xiàn)，選擇在不同環(huán)境與行車速度下對(duì)算法的誤警率和實(shí)時(shí)性進(jìn)行測(cè)試，測(cè)試結(jié)果如表1所示。

表1 不同行車環(huán)境與速度下的算法性能表現(xiàn)

結(jié)果表明，當(dāng)車輛在城市道路中行駛速度小于30 km/h 或在[30,60) km/h 時(shí)，行車環(huán)境相對(duì)復(fù)雜，容易受到周圍車輛、非機(jī)動(dòng)車以及行人的干擾，導(dǎo)致檢測(cè)速度降低、誤警率升高，使得駕駛?cè)水a(chǎn)生抵觸心理。車輛在高速、高架、快速路等環(huán)境下以60～120 km/h 速度行駛時(shí)，行車環(huán)境相對(duì)良好，視野開闊且干擾因素較少，此時(shí)系統(tǒng)的預(yù)警率較高，容易被駕駛員接受。綜上，偏離預(yù)警系統(tǒng)宜在行車速度不低于60 km/h 時(shí)開啟，以獲得更好的用戶體驗(yàn)。

5.3 算法效率測(cè)試

為了進(jìn)一步檢驗(yàn)算法性能，在不同行車環(huán)境中對(duì)單張圖像的算法處理準(zhǔn)確率進(jìn)行測(cè)試，若當(dāng)前圖像車道檢測(cè)以及車道偏離預(yù)警結(jié)果均正確，則認(rèn)定當(dāng)前圖像處理正確，否則認(rèn)定為檢測(cè)錯(cuò)誤。根據(jù)道路環(huán)境對(duì)測(cè)試視頻進(jìn)行分類，并將其劃分為4種道路類型，即路況良好、標(biāo)志干擾、車輛干擾、路面顛簸，測(cè)試結(jié)果如表2所示。

表2 不同道路類型車道偏離預(yù)警準(zhǔn)確率

由表2可知，算法在道路狀況良好時(shí)能達(dá)到97.30%的偏離預(yù)警正確率，在道路存在標(biāo)識(shí)干擾以及路面顛簸的情況下依舊能保持94%以上的準(zhǔn)確率，但當(dāng)前方存在車道遮擋干擾時(shí)預(yù)警率有待提高。

為了比較本文方法與其他方法的差異，采用相同測(cè)試數(shù)據(jù)，與文獻(xiàn)[16]、文獻(xiàn)[17]、文獻(xiàn)[4]中的方法進(jìn)行測(cè)試對(duì)比，使用平均測(cè)試精度以及單幀圖像檢測(cè)耗時(shí)作為評(píng)價(jià)指標(biāo)，測(cè)試結(jié)果如表3所示。

表3 不同算法測(cè)試對(duì)比

由表3 可知，本文算法平均準(zhǔn)確率能夠達(dá)到95.92%，高于其他3 種算法。算法綜合檢測(cè)速度可達(dá)34 ms/幀，略慢于文獻(xiàn)[4]提出的算法，這是由于本文采用滑動(dòng)窗口法擬合車道增加了一定的數(shù)據(jù)計(jì)算量，導(dǎo)致檢測(cè)時(shí)間延長(zhǎng)。結(jié)合表2中的檢測(cè)速度可知，若車輛以60 km/h 或120 km/h 的速度行駛，每更新一次偏離信息車輛僅行駛0.58 m 或1.13 m，綜合以上數(shù)據(jù)，表明算法符合實(shí)時(shí)性要求。

6 結(jié)束語(yǔ)

本文通過(guò)使用遺傳退火算法優(yōu)化OTSU 閾值分割并結(jié)合HED 邊緣檢測(cè)模型來(lái)突顯車道線特征，在鳥瞰圖的基礎(chǔ)上使用滑動(dòng)窗口法進(jìn)行二階多項(xiàng)式擬合車道線，結(jié)合預(yù)警決策進(jìn)行預(yù)警。與傳統(tǒng)霍夫變換結(jié)合邊緣算子的方法相比，本文方法在彎道處的準(zhǔn)確率更高，有利于應(yīng)對(duì)更加復(fù)雜的道路狀況，同時(shí)具有更低的偏離量計(jì)算復(fù)雜度。但由于多窗口的車道線擬合步驟也導(dǎo)致了一定的計(jì)算量，使得算法的實(shí)時(shí)性有待提升，下一步將該缺陷進(jìn)行優(yōu)化以更好提升算法的整體性能。