李志遠(yuǎn)，王光輝

（湖北汽車工業(yè)學(xué)院汽車工程學(xué)院，湖北十堰 442002）

0 引 言

近年來，隨著汽車工業(yè)的進(jìn)步和無人駕駛技術(shù)的興起，各種級別的輔助駕駛技術(shù)[1-3]已經(jīng)在司機(jī)的日常駕駛中得以運(yùn)用。其中，車道線檢測作為輔助駕駛技術(shù)中最為基礎(chǔ)的一項(xiàng)技術(shù)，其主要目的是準(zhǔn)確地檢測和提取車道線的邊緣信息。能否實(shí)現(xiàn)車道線的精準(zhǔn)檢測對于實(shí)現(xiàn)安全、高效的自動駕駛至關(guān)重要，但這項(xiàng)技術(shù)在實(shí)際應(yīng)用中面臨著各種挑戰(zhàn)，如光照條件的變化，當(dāng)在強(qiáng)烈陽光照射下或者暗光環(huán)境中，車道線的邊緣信息可能會變得模糊不清，以及復(fù)雜道路環(huán)境的干擾，在擁擠的城市道路中，車道線可能被其他車輛或者行人遮擋，導(dǎo)致檢測結(jié)果不準(zhǔn)確。因此，汽車制造商正致力于攻克這些問題，以確保汽車能夠安全可靠地檢測出車道線。

常用來識別車道線的方法是利用車道線與道路路面及其周邊之間的灰度值差異，根據(jù)車道線明顯的灰度值得到車道線的信息[4]，但對環(huán)境適應(yīng)性較差。此領(lǐng)域的一些學(xué)者對車道線檢測提出了各自相應(yīng)的檢測算法和不同的解決方案，文獻(xiàn)[5]通過對攝像機(jī)進(jìn)行一系列的標(biāo)定，以此消除圖像的畸變，但其在ROI 區(qū)域的選取上不夠清晰明了，可能會對檢測結(jié)果造成誤檢。文獻(xiàn)[6]基于Hough 變換提取車道線，此算法對直線車道有不錯的效果，但可能會識別出一些與車道線無關(guān)的線段。文獻(xiàn)[7-8]研究車道線與道路路面之間的梯度差異，如Sobel[9]、Roberts[10]、Canny 等檢測算子，這種方法對于非連續(xù)的車道線可能無法有效的識別。文獻(xiàn)[11]利用了傳統(tǒng)圖像處理算法中的濾波算法，但在道路環(huán)境障礙物較多時(shí)容易導(dǎo)致誤檢，對外界的抗干擾能力比較差。

針對上述問題，本文提出一種基于霍夫變換改進(jìn)的Canny 算法，對輸入的結(jié)構(gòu)化道路圖像進(jìn)行預(yù)處理，其中包括灰度濾波等操作，并對預(yù)處理后的圖像進(jìn)行了不同算子的車道線圖像邊緣檢測對比實(shí)驗(yàn)，以得到較優(yōu)的檢測算子。本文使用ROI 感興趣區(qū)域選取和改進(jìn)霍夫變換對預(yù)處理之后的圖像進(jìn)行車道線擬合，為了確保檢測效果，通過調(diào)整不同的圖像平滑度，選取最佳的閾值作為邊緣檢測的標(biāo)準(zhǔn)。同時(shí)，根據(jù)大多數(shù)情況得到的車道線圖像，對車道線角度和識別區(qū)域進(jìn)行限制，用以提高車道線檢測的精確性。

1 傳統(tǒng)邊緣算子

1.1 Roberts 算子

在邊緣檢測中，傳統(tǒng)Roberts 算子是一種簡單而高效的算子，它采用2×2 模板，利用圖像中對角線方向相鄰像素差值近似梯度幅值來檢測目標(biāo)圖像邊緣。傳統(tǒng)Roberts 算子模板如圖1 所示。

圖1 Roberts 算子模板

式中：f′x(i,j)為x方向上的灰度變化；f′y(i,j)為y方向上的灰度變化。計(jì)算梯度幅值R(i,j)，同時(shí)適當(dāng)選取一定的閾值，如果計(jì)算的梯度幅值大于閾值則認(rèn)為其是邊緣點(diǎn)。

1.2 Sobel算子

Sobel 算子可以從水平和垂直的方向上依次檢查邊界，原理是使用像素值在上下、前后鄰點(diǎn)處的灰度加權(quán)算法，通過在邊界點(diǎn)處達(dá)到極值進(jìn)行邊界檢查。Sobel算子中有如下一些關(guān)鍵點(diǎn)：笛卡爾網(wǎng)格；距離反比的4 個(gè)方向?qū)μ荻燃訖?quán)；城市距離。

笛卡爾網(wǎng)格和城市距離如圖2 所示。

圖2 笛卡爾網(wǎng)格和城市距離

Sobel 算子采用的像素距離是城市距離，而不是歐氏距離或棋盤距離，其規(guī)定對角方向相鄰像素之間的距離值為2。接著選取4 個(gè)方向矢量分別為(a,i)、(b,h)、(c,g)、(f,d)，然后沿著這4 個(gè)方向求得梯度矢量和，得到像素e的平均梯度估計(jì)G為：

這里人為規(guī)定右上角為原點(diǎn)，以c點(diǎn)為例，由c到a為x軸的正方向，由a到g為y軸的正方向，因此，由c到g的單位向量就是[1,1]，同理得由a到i的單位向量為[-1,1]。計(jì)算4 個(gè)方向矢量并將其x方向和y方向分別相加，可得：

經(jīng)約分化簡后，將2 個(gè)方向字母的各自系數(shù)代入即可得到Sobel 算子水平和垂直梯度模板，分別如圖3所示。

圖3 Sobel算子

1.3 Canny 算子

Canny 邊緣檢測是高斯函數(shù)的一階導(dǎo)數(shù)，具有高精度和低誤檢率的特點(diǎn)。該算法的步驟如下：

1）使用高斯濾波器對目標(biāo)圖像進(jìn)行濾波平滑處理。σ為高斯函數(shù)的標(biāo)準(zhǔn)差，其大小的變化可以改變圖像的平滑程度。高斯函數(shù)如公式（6）所示：

高斯函數(shù)與目標(biāo)圖像的卷積公式為：

式中：R(x,y)為卷積運(yùn)算之后的圖像；f(x,y)為輸入圖像；“*”代表卷積運(yùn)算。

2）計(jì)算圖像中每個(gè)像素的梯度

接著計(jì)算圖像上(i,j)點(diǎn)上的邊緣強(qiáng)度M：

3）對梯度幅值進(jìn)行非極大值抑制，也就是在每個(gè)梯度方向上找到局部極大值點(diǎn)，并將其作為邊緣點(diǎn)。

4）雙閾值檢測。這里把邊緣點(diǎn)分為三種：強(qiáng)邊緣點(diǎn)、弱邊緣點(diǎn)和非邊緣點(diǎn)，同時(shí)根據(jù)高低閾值對它們進(jìn)行分類。非邊緣點(diǎn)將其刪除，強(qiáng)邊緣點(diǎn)作為真正的邊緣點(diǎn)，對于弱邊緣點(diǎn)需要再次判斷是否為真正的邊緣點(diǎn)。

2 車道線檢測流程

圖像預(yù)處理是圖像處理的一部分，包括灰度轉(zhuǎn)換、去噪濾波、邊緣檢測等[12-13]。后期的車道線檢測包括ROI 提取和Hough 變換等操作，其主要目的是鎖定目標(biāo)車道線所在的圖像區(qū)域，快速、高效地檢測出構(gòu)成車道線的小線段，建立車道線特征數(shù)據(jù)點(diǎn)集，擬合出車道線并顯示出來。

2.1 圖像預(yù)處理

一般來說采集到的原始彩色圖像一般包含R、G、B三個(gè)通道的深度信息，三個(gè)通道的取值均在0～255 之間。彩色圖片的信息含量過大，進(jìn)行圖片預(yù)處理時(shí)，只需要使用灰度圖像中的信息就已足夠，所以為了提高運(yùn)算效率，往往將R、G、B 三個(gè)通道組成的彩色圖像轉(zhuǎn)化為單通道的灰度圖像[14]。圖像的灰度化處理算法為：

圖4、圖5 分別為灰度圖和灰度圖像的直方圖，可以看到總體灰度分布較為均勻。在對圖像進(jìn)行灰度化后，得到了一張像素值在0～255 范圍內(nèi)的灰度圖，為了降低噪聲影響，得到相對清晰的車道線特征，接下來對灰度之后的圖像進(jìn)行降噪，除去無關(guān)噪聲，防止影響車道線的有效識別。對去噪之后的圖像進(jìn)行濾波處理，常用的濾波方法有均值濾波、高斯濾波等，本文采用均值濾波方法對目標(biāo)圖像進(jìn)行濾波處理。

圖4 灰度圖

圖5 灰度直方圖

在Matlab 平臺下編程實(shí)驗(yàn)。利用結(jié)構(gòu)化道路條件下車道線圖像作為原圖像，將預(yù)處理后的圖像作為輸入，并使用傳統(tǒng)邊緣處理算法進(jìn)行邊緣檢測實(shí)驗(yàn)，對檢測效果進(jìn)行分析。在同樣預(yù)處理的條件下，對比三種傳統(tǒng)算子的邊緣提取效果，如圖6 所示。由圖6 可以發(fā)現(xiàn)Canny 算子檢測的車道線圖像邊緣信息更加清晰完整，因此最終選取Canny 算子對車道邊緣提取算法進(jìn)行后續(xù)的車道線檢測。

圖6 傳統(tǒng)邊緣算子檢測比較

2.2 ROI 提取

ROI 是指目標(biāo)圖像中最能吸引興趣、最能表現(xiàn)圖像主要內(nèi)容的區(qū)域。在圖像中選擇所需要檢測的重點(diǎn)區(qū)域，使用ROI 圈定目標(biāo)，可以減少處理時(shí)間。在車道線檢測中ROI 區(qū)域選取可以快速確定車道線區(qū)域，為下一步檢測車道線提供基礎(chǔ)。

ROI 圖如圖7 所示。

圖7 ROI 圖

由于車載相機(jī)所采集的圖片存在行駛車輛、目標(biāo)車道線、路邊樹木、天空等各種影響判斷的因素，這會對接下來的擬合車道線帶來不必要的操作，因此需要通過設(shè)置ROI 區(qū)域?qū)z測區(qū)域進(jìn)行提取，避免因環(huán)境因素導(dǎo)致的誤檢及錯檢。

2.3 霍夫變換

車道線圖像經(jīng)過邊緣檢測及ROI 區(qū)域提取后，已經(jīng)能夠直觀地展現(xiàn)出車道線的邊緣特征，但是仍然需要對車道線邊緣進(jìn)行繪制，本文采用Hough 變換將檢測出來的邊緣特征進(jìn)行提取，繪制出直線、曲線車道線[15]。Hough 變換原理是將圖像映射至參數(shù)空間，在參數(shù)空間進(jìn)行選取，最后回到二維圖像中繪制所選取的圖像。

在笛卡爾坐標(biāo)系中，直線通?？梢员硎境蓎=kx+b，當(dāng)直線垂直于x軸時(shí)，k為無窮大，不利于后續(xù)的處理與計(jì)算。因此，要先把笛卡爾坐標(biāo)系進(jìn)一步轉(zhuǎn)換為極坐標(biāo)系，得到直線的極坐標(biāo)表達(dá)式為：

式中：ρ為極徑；θ為極角。這里將ρ和θ作為兩條軸以構(gòu)建霍夫空間，假如直線的ρ和θ為已知條件，則有極坐標(biāo)系中的一條直線與霍夫空間里的一個(gè)點(diǎn)相對應(yīng)。如果極坐標(biāo)系中有若干個(gè)點(diǎn)，那么每個(gè)點(diǎn)可以畫無數(shù)條直線，每條直線對應(yīng)一對ρ和θ，從而對應(yīng)霍夫空間里的一條曲線。如果要從極坐標(biāo)若干點(diǎn)中尋找一條直線使其盡可能包含最多的點(diǎn)，則可以在霍夫空間里尋找最多曲線相交的點(diǎn)。Hough 變換原理如圖8 所示。

圖8 Hough 變換原理圖

在實(shí)際應(yīng)用中為避免無關(guān)因素對道路擬合效果造成的干擾，根據(jù)大部分情況下得到的車道線圖像信息，選取進(jìn)一步對圖像進(jìn)行裁剪處理，僅保留輸入圖像下方1 3 區(qū)域，同時(shí)車道線擬合檢測角度限制在-60°～60°，對裁剪后的目標(biāo)道路信息進(jìn)行霍夫變換擬合。

本文利用結(jié)構(gòu)化道路下采集到的車道線圖像進(jìn)行模擬實(shí)驗(yàn)，利用Matlab R2022b 在CPU 為3.2 GHz，RAM為16.0 GB 的Windows 操作系統(tǒng)上進(jìn)行實(shí)驗(yàn)?zāi)M。實(shí)驗(yàn)結(jié)果如圖9 所示，最終識別檢測到的車道線信息用黑色實(shí)線擬合，通過最終擬合效果來看，目標(biāo)車道線被清晰識別出來，對后續(xù)的車道線檢測技術(shù)研究有一定參考價(jià)值。

圖9 擬合效果圖

3 結(jié) 語

本文基于圖像處理技術(shù)，首先對采集到的道路圖像進(jìn)行灰度化處理，同時(shí)為了減少噪聲對車道線識別的影響，對灰度化后的圖像進(jìn)行了濾波處理。使用不同傳統(tǒng)邊緣檢測算子分別對車道圖像進(jìn)行邊緣檢測，發(fā)現(xiàn)利用霍夫變換改進(jìn)的Canny 算子邊緣檢測方法在相同條件下具有較高的檢測精度，能夠清晰地檢測出車道線信息。然而，本文也存在一些不足之處，例如未考慮光照和地面干擾等因素的影響，雨天或雪天可能會影響車道線的識別效果。因此，需要進(jìn)一步改進(jìn)算法以提高算法的識別精度。

注：本文通訊作者為王光輝。