基于視覺傳感器的車道檢測算法*

陳功醇， 賈志絢

(1.太原科技大學 電子信息工程學院，山西 太原 030024；2.太原科技大學 交通與物流學院，山西 太原 030024)

0 引 言

車道檢測技術是汽車輔助駕駛領域的基礎性研究，它通過檢測道路的路面特征，使智能車輛也能像人一樣理解道路，還能推算出車體與道路邊沿的相對位置信息，必要時以振動語音等形式提醒駕駛者確保車輛的安全行駛。 目前，主流的檢測算法是通過視覺傳感器來對車道進行檢測，大致分為兩類，即基于模型和基于特征的。它們采用了不同的模型有直線模型、二次曲線模型、B樣條曲線模型等，而且使用了Hough變換、匹配模板、粒子濾波、形態學等各種檢測方法[1～4]。現實中視覺傳感器采集的道路圖像或多或少要受到光照污漬的影響，在對這一類型圖像進行車道檢測方法時，以上檢測方法容易出現誤判，主要原因是算法只檢測車道，而沒有把道路區域分割和車道檢測緊密聯合起來。車道呈白色或黃色，道路區域一般是灰色，雖然它們的灰度特性完全不同，但道路區域是車道的載體，它們在空間上是有聯系，比如：車道會經常出現在道路的邊界附近或者在道路區域左右兩邊的對稱位置上。

本文提出一種基于視覺傳感器的車道檢測算法。該算法把道路區域分割和車道提取結合起來，首先利用區域生長法分割道路邊界，同時使用索貝兒算子進行邊緣檢測，通過融合這2組數據，得到更準確的車道特征點集合，有效減少光照、污漬的干擾。

1 相關理論

1.1 光照污漬對直方圖的影響

理想道路圖像中路面區域面積較大，邊界灰度明顯。而實際中圖像極易受光照變化，污漬大小的影響，這種影響首先反映在灰度直方圖上，簡單來說，照明不均勻，污漬大小使得此處區域的灰度直方圖發生不同程度的右移、左移，于是整個圖像的直方圖呈現出“多峰”特征。假設實際物體的圖像為f(x，y)，用連續函數d(x，y)模擬污漬大小和光照變換造成的干擾，則看到的物體圖像為F(x，y)，如圖1，橫坐標灰度級范圍為0～255，如公式(1)

F(x,y)=f(x,y)+d(x,y).

(1)

圖1 圖像的灰度變化

對比圖1(a),(c)發現，靠近暗區域(對應灰度級為50左右的區域)的2個峰峰之間的距離在受到干擾之后改變不大，而且實際道路的灰度信息基本都集中在這2個峰谷對應的區域內，以此為依據，可以計算出路面區域中鄰域像素間的最大灰度差Tm。若使用OTSU法分割此類圖像，以圖(c)為例，則分割的閾值會在第三個峰值附近，必然出現過分割。觀察圖(c)發現，若閾值T取在第二個峰值附近比較好，令第一個峰值為Ts，OTSU法的閾值為T0，取T=T0-Ts<50。T和Tm都是后面區域生長準則中閾值選取的重要參考標準。

1.2 投影理論

根據投影理論，實際空間中相互平行的兩條直線在圖像中相交于一點，稱之為消失點。建立車載系統的坐標系，世界坐標系O-XYZ與圖像坐標系o-xy，S為像平面，f為攝像機的焦距，如圖2。

圖2 車載系統坐標系

假設攝像機的光軸與地面平行，則空間中的無窮遠處的一點P(X，Y，Z)與道路圖像中的p(x，y)必存在如下的對應關系，如式(2)

(2)

由此可知，消失點位于圖像坐標的原點O(0，0)，也就是說,路面區域均位于圖像的下半平面[5]。為此,還可以得到一個合理的假設，在距離車輛很近的正前方的一個小范圍內一定是路面。這條假設對于劃定道路區域，改進區域生長法有巨大的幫助，而且能減少處理圖像的計算量。

2 區域生長法分割道路區域

分割圖像，簡單來說就是要將人們關心的目標從圖像背景中分割出來，無論是基于邊緣的分割，還是基于區域的分割，它們或多或少運用了圖像的灰度信息、空間信息[6]。目前最常用的分割方法是最大類間方差法[7]，也叫OTSU 法，它利用圖像的灰度特性，以類間方差準則函數為條件將圖像分成背景和目標兩部分，用時最少，也很穩定。但它只反映圖像像素灰度級的分布大小，并沒有考慮像素與領域的空間信息。

2.1 區域生長法

區域生長法的基本思想是將具有相似性質的像素點集合起來構成區域，最早是由Levine等人提出來的。該方法通常是先對每個需要分割的區域找一個初始種子像素作為生長的起點，然后將種子像素周圍鄰域中與種子像素有相似性質的像素根據某種生長準則來判定，合并到種子像素所在的區域中，直到再沒有滿足條件的像素可被包括進來，這樣一個區域就長成了[8]。

由此可知，在用區域生長法分割道路圖像時，有以下3個問題是非常關鍵的。

1)選取能代表分割區域的種子點：對于有先驗知識的圖像可以利用先驗知識，如果沒有,則可以借助生長準則對像素進行相應的計算，但都需滿足以下3個條件：

a.在道路區域內，且距道路邊界有一定距離；

b.其灰度與周圍的灰度較為均勻；

c.其灰度應能反映道路區域的亮度分布。

2)選擇合適的生長準則：使用不同的生長準則會影響區域生長的過程，目前，區域生長法在處理道路圖像中大多采用灰度差準則。這里還采用了幾何準則。

3)閾值選取對生長出的區域有很大的影響：選取的值過小，生長出的區域面積就小，虛假邊緣就多；選取的值過大，容易淹沒短細的邊界，影響后面的邊緣檢測。

區域生長法分割道路區域主要利用了直方圖受光照污漬影響后的多峰特性和道路區域基本位于圖像下半平面等先驗知識。

2.2 選擇初始種子點

根據初始種子點要滿足的3個條件，具體選擇步驟是：

1)利用道路區域只存在于圖像的下半平面，把道路圖像從上到下，從左到右劃分為4個大小相等的區域，分別記作第Ⅰ、第Ⅱ、第Ⅲ、第Ⅳ象限。

2)接著在下半部分的2/5行寬處從左到右隨機的放置7個種子點(如圖3)，首先要使得種子點與其4鄰域的灰度差小于5(差別盡量不大)，而且第Ⅲ，Ⅳ象限中包含的種子點數都不少于3個。這些保證了可操作行和種子點的獨立性，能有效避免生長陷入局部極值。

圖3 劃分圖像

2.3 選擇區域生長準則

這里的區域生長準則包括灰度差準則和幾何準則。得到初始種子點后，首先用3×3卷積模板(即四鄰域法)處理道路灰度圖像，生成新的鄰域灰度圖像，計算原灰度圖像和種子點處的灰度值。通過判斷是否滿足生長準則，若滿足條件，繼續進行四鄰域生長；反之，則停止區域生長。生長準則如下：

1)原灰度圖像的灰度值與種子點處的灰度值之差在閾值Tm內，保證了生長區域的局部均勻性。

2)原灰度圖像的灰度值與新的鄰域灰度圖像的灰度值之差在閾值T內，保證了生長區域的整體均勻性。閾值T利用了OTSU法整體最優且用時少。

3)根據先驗知識，生長出的道路區域必須被嚴格限制在第Ⅲ，Ⅳ象限內。

3 數據融合

3.1 索貝兒邊緣檢測

直接使用區域生長法分割的道路邊界粗糙、模糊，而邊緣檢測可以確定車道的大致位置，通過融合這2組數據得到更準確的車道線特征點集合。這里采用改進后的Sobel算子對灰度圖像進行邊緣檢測來得到道路邊緣，通過數據融合把這一區域劃定為感興趣區域(ROI)。Sobel邊緣算子的優點是對噪聲不太敏感，由于車道邊緣位于圖像左右傾斜方向上，為了突出車道方向抑制其他方向的邊緣，采用的2個Sobel算子分別是45°方向的GL模板和145°方向的GR模板，如式(3)

(3)

3.2 融合數據

(4)

由于車道具有寬度，基本在10個像素大小左右。考慮到圖像中的車道線有些傾斜，取d0=8。

4 車道線提取

4.1 Hough變換提取直線

道路區域分割后二值圖像中的車道線特征已經很明顯。這里把車道線的檢測問題變成對直線檢測，采用概率型Hough變換(HT)提取車道線。它抗噪性能強，對直線斷裂、局部遮擋等缺陷不敏感，更適合用于檢測不連續的車道線。Hough變換是一種廣泛應用的直線提取方法，它基于圖像空間點向參數空間對應位置投票累加，然后搜索參數空間峰值來獲得直線方程[9]。若設一直線方程為

y=kx+b.

(5)

它在參數空間(ρ，θ)中可表示為

ρ=xcosθ+ysinθ,

(6)

式中ρ為直線到坐標系原點的法線距離，θ為直線法線與x軸的夾角。

圖像空間中的一條直線經Hough變換映射到參數空間中是一個點，而參數空間的一個點在圖像空間中就表示一條直線。如此一一對應，(x，y)平面上的任意一點對應于(ρ，θ)平面上的一條正弦曲線，(x，y)平面上的任意一條直線對應(ρ，θ)平面上的一個點。于是通過記錄(ρ，θ)平面所有曲線經過同一個點的疊加值，來尋找這個點所對應(x，y)平面的那條直線，如圖4。

圖4 Hough變換原理圖

4.2 直線模板匹配

為滿足直線模板和魯棒性要求，對圖像的第Ⅲ，Ⅳ象限內的ROI分別進行Hough變換。由于車道有寬度，所以,會檢測出4條直線，為了視覺效果，左右兩邊都只取一條內側直線。匹配直線模板的判別標準是，對左邊2條直線分別計算它們與坐標Y軸的交點，取值小的那條直線，對右邊2條直線分別計算它們與X軸的交點，取值小的那條直線。匹配后，2條內側道的直線被標記顯示出來。

5 實驗結果與分析

本實驗的仿真平臺是VC6.0，實驗用的計算機為P7570 CPU，2.26 GHz，2 GB內存，選用的圖像來自太原市環城高速平陽南段實地拍攝所得，道路圖像大小都為320×240。為突出該方法的優點，實驗中加入了OTSU法做對比，如圖5，圖6(d)所示，最終抽取了一共200幅受不同污漬光照影響的道路圖像進行仿真，每一幅圖像平均耗時50 ms，車道檢測準確率達到97 %，驗證了算法的可行性。圖5～圖6是2幅典型道路圖像的車道檢測過程，其中圖(a)～(c)，分別為原圖、區域生長法分割圖像、車道檢測，其中圖(c)的左右車道分別用不同顏色線標定。

圖5 有光照干擾時的車道檢測過程

圖6 有污漬干擾時的車道檢測過程

對比圖5～圖6的圖(d)，直接使用OTSU法分割受光照，污漬影響的道路圖像時，容易造成過分割，如車道灰度信息被覆蓋，或者出現新的偽車道信息，給車道線特征點的提取和直線檢測造成巨大困難。而利用邊緣算子和區域生長法檢測出的道路邊界，更好地濾去陰影、污漬等假邊界的干擾，同時得到更準確的車道邊緣，也降低了Hough變換檢測直線的誤差，增強了算法的魯棒性。

6 結 論

本文分析了光照、污漬等因素對道路圖像灰度直方圖的影響，得到道路區域中鄰域像素的最大灰度差，再根據投影原理，發現車道線的消失點位于圖像坐標的原點，確認路面區域均位于圖像的下半平面。基于這2個先驗知識，改進區域生長法接著分割道路區域，并結合邊緣檢測實現了車道線特征點集合的準確提取，然后利用Hough變換提取直線段來匹配直線模型，實現了車道檢測，最后對算法進行的仿真實驗驗證了其可行性。實驗結果表明：算法有效克服光照、污漬對道路圖像的干擾，提高了算法的魯棒性。

算法的不足之處是:當道路邊界模糊，車道被污漬嚴重損壞，路面與天空，樹木等背景灰度相似時，算法失效。由于實際背景的復雜性，應該考慮采用更廣泛的方法或其他傳感器進行車道檢測提高算法魯棒性，這是今后的研究重點。

參考文獻:

[1] Xu Huarong,Wang Xiaodong,Huang Hongwu,et al.A fast and stable lane detection method based on B-spline curve [C]∥Proc of IEEE Region 10 International Conference on Computer-Aided Industrial Design & Conceptual Design, 2009:1036-1040.

[2] Liu Guoliang,Markelic Worgotter F.Combining statistical Hough transform and particle filter for robust lane detection and tra-cking[C]∥Proc of IEEE Region 4 Conference on Intelligent Vehicles Symposium,2010:993-997.

[3] Herumuti D，Uchimura K，Koutaki G.Urban road extraction based on Hough transform and region growing[C]∥Proc of Korea-Japan Joint 19 Conference on Computer Vision, 2013:220-224.

[4] Qiu Chengqun.An edge detection method of lane lines based on mathematical morphology and Matlab[C]∥Proc of Cross Strait Quad-Regional Radio Science and Wireless Technology Confe-rence,2011:1266-1269.

[5] 楊建榮，曲仕茹.基于單目視覺的障礙物檢測方法研究[J].計算機仿真, 2009, 26(2):278-281.

[6] 何 俊，葛 紅，王玉峰.圖像分割算法研究綜述[J].計算機工程與科學, 2009, 31(12):58-61.

[7] 鄒小林，馮國燦.融合視覺模型和最大類間方差的閾值分割算法[J].計算機應用,2013, 33(3):670-674.

[8] 李夢亮，翁正新.基于改進區域生長法和霍夫變換的車道分割法[J].計算機應用與軟件，2012,28(12):246-249.

[9] 康文靜，丁雪梅，崔繼文，等.基于改進Hough變換的直線圖形快速提取算法[J].光電工程, 2007, 34(3):105-108.