基于CCD參數智能調節的車道線檢測*

葛平淑，郭 烈，杜元虎，王榮本

(1.大連民族學院機電信息工程學院，大連 116600;2.大連理工大學汽車工程學院，大連 116024;3.吉林大學交通學院，長春 130022)

前言

車道偏離預警系統是汽車安全輔助駕駛技術研究的重要組成部分，通過警告疲勞或注意力不集中的駕駛員，使其修正無意識的車道偏離，從而減少車輛偏離行駛車道事故的發生［1－3］。其中，如何快速、準確地提取出道路中車道標識線或道路邊界是影響該系統應用的關鍵［4］。由于車道偏離預警系統是針對高速公路而開發的，而車輛在高速公路運動的典型特點就是行駛速度快，光照不斷變化，采集到的圖像內容復雜，噪聲較多［5－6］。在這種情況下，系統的實時性與算法魯棒性的矛盾就成為制約車道偏離預警系統實用化的主要原因［7］。

針對上述問題，本文中建立相對簡單的直線道路模型，采用Hough變換算法對車道線進行檢測。Hough變換是一種魯棒性較強的直線提取方法，它對直線中的缺損部分、噪聲和其它共存的非直線結構不敏感，其缺點是計算量大，不利于系統的實時性［8］。因此，本文中提出一種基于CCD攝像機參數智能調節的車道線檢測算法，依據圖像特征區域進行CCD參數調節，從而減少路面上的噪聲和干擾，彌補后續Hough變換計算量大的不足。并在此基礎上提出基于改進Hough變換的車道線檢測算法。

1 基于圖像特征區域的CCD參數調節

車道偏離預警系統對CCD攝像機的圖像采集速度要求較高，滿足這項指標的CCD普遍采用了可編程增益、亮度和曝光時間(本文中統稱為CCD參數)控制技術。因此，可以通過編程控制來實時調節CCD的參數，有針對性地增強路面與車道線的對比度，有利于圖像分割，并減少圖像噪聲，提高車道線識別算法的可靠性和實時性。本文中采用BaslerA602f型CCD攝像機，利用IEEE1394視頻采集卡的驅動函數通過編程來實時設定CCD參數。

對于車道偏離預警系統而言，CCD內部參數設定的依據原理就是增強車道線與路面的對比度，主要通過確定圖像的特征區域和計算特征區域內的特征值來實現。

1.1 圖像特征區域的確定和特征值計算

將圖像劃分為如圖1所示的6個特征區域，A區為圖像上部中央1/4區域，該區域圖像的灰度均值μa和方差σa可表示天空的明暗情況［9］。

B區為圖像底部中央矩形區域，其寬度和高度分別為圖像寬度和高度的1/4，該區域圖像的灰度均值μb和方差σb可表示地面的明暗情況。

C、D、E、F區域主要包含車道標識線信息，這4個區域的灰度均值和方差可在一定程度上表示車道線周圍圖像的明暗情況。由于車輛的運動，車道線在圖像中的位置并不是固定不變的，因此，C、D、E、F區域(稱為車道線特征區域)也應該是不斷變化的。具體劃分則須根據車道線是處于檢測狀態還是跟蹤來確定。

當車道線處于檢測狀態時，并不知道車道線位置，也就不能確定車道線的特征區域，根據試驗數據可大體定義一個能夠包含車道線的特征區域。具體劃分為:圖1中的QS寬度為160像素，Q點與S點關于y軸對稱，PQ與x軸的夾角為45°，ST與 x軸的夾角為135°，MN與PQ平行，NL與ST平行;I、G、K和J分別為離圖像底線1/4高度線(與B區上邊界線同高)與PQ、MN、NL和ST的交點。因此檢測狀態下的特征區域在圖像中的位置是固定的，在此基礎上可進行特征區域內灰度均值和方差的計算。

當車道線處于跟蹤狀態時，通過建立動態梯形特征區域的車道標識線跟蹤來提高系統的實時性。由于投影變換影響，圖像底部與圖像中央部分的車道標識線偏離的距離會有所不同，因此利用6個特殊點來建立梯形動態特征區域，見圖2。O點為前一幀圖像中車道線的相交點，其坐標為(Ox，Oy);L點為左車道線的端點，坐標值為(Lx，Ly);R點為右車道線的端點，坐標值為(Rx，Ry)。

動態特征區域建立所需要的6個特殊點按下面方式確定:L1點為O點向左平移20個像素，即L1坐標為(Ox－20，Oy);R1點坐標為(Ox+20，Oy);L 點向左平移30個像素后的點L'與點L1所確定一條直線，該直線與圖像邊緣相交點為L2，L點向右平移30個像素后的點L″與R1點所確定的直線與圖像邊緣相交點為L3，同理可確定R點左右平移后所得到的與圖像邊緣相交的點R2和R3。由于車輛在車道中的位置不斷變化，因此跟蹤狀態下這6個特殊點也隨著車道線不斷變化，由它們所確定的特征區域也是動態的;但在一般情況下，圖2的動態特征區域會被包容在圖1中C、D、E、F區域內。

以A區為例說明特征值的計算。令w表示圖像寬度，h表示高度(本文中w=320像素，h=240像素)。A區圖像的灰度均值和方差計算式為

式中:(x，y)為圖像中坐標值;f(x，y)為像素點的灰度值。

1.2 CCD參數調節方法

基于圖像特征區域的CCD參數調節步驟如下。

(1)根據車道線是處于檢測還是跟蹤狀態，計算各特征區域的特征值，即灰度均值和方差。

(2)前期通過在各種不同光照條件下進行試驗，得出結論:當特征區域灰度均值在［60，110］之間時，車道線與路面對比明顯，分割效果好。因此，當步驟(1)計算出的灰度均值中有滿足在［60，110］之間的，則不調節攝像機內部參數，繼續以當前參數設置采集圖像;若灰度均值都小于60，則按一定的步長增加攝像機亮度、增益和曝光時間，直至灰度均值調至［60，110］范圍內;若都大于110，則減小攝像機參數，調至［60，110］內。

(3)保留當前參數設置，采集下一幀圖像。

1.3 試驗驗證

由于CCD參數調節是針對采集序列圖像而言的，因此在高速公路上對上述方法進行強光照射下的試驗。如圖3所示，左圖為強光照射下采集的基于CCD參數調節算法的圖像，右圖為分割效果圖。

從圖3可以看出，由于特征區域的確定和CCD參數調節算法，使得車道線與路面對比度增強，整個圖像分割得很干凈，噪聲影響小，這為后續車道線的識別奠定了有利基礎。

2 基于改進Hough變換的車道線檢測

2.1 Hough變換優缺點分析

由于高速公路圖像的復雜性，選用直線擬合等方法會造成很大誤差，而Hough變換具有對噪聲不敏感，能有效處理圖像中物體局部被遮擋和覆蓋的情況等優點［10］，這一優勢在車道線檢測時表現的尤為明顯。在高速公路上采集到的圖像中包含多條車道線，利用Hough變換提取當前車道線的具體實現過程如下。

(1)量化ρ和θ，在參數空間(ρ，θ)里建立一個二維累加數組，設數組為M(ρ，θ)，見圖4。其中，［ρmin，ρmax］和［θmin，θmax］分別為 ρ和 θ的取值范圍。

(2)初始化二維數組M(ρ，θ)，順序搜索圖像中所有白點，對二值化圖像中每一個白點，讓θ遍歷θ軸上所有可能值，根據式ρ=xcosθ+ysinθ計算其對應的ρ值。再根據θ和ρ的值對數組M進行累加:M(ρ，θ)=M(ρ，θ)+1。

(3)求出變換域中的最大值點并記錄。

(4)將最大值點及其附近的點清零。

(5)依次求出所有最大值點并記錄。

(6)根據一定約束求取當前車道線。

對上述基于Hough變換檢測車道線的步驟進行分析，可以發現如下結果。

(1)由于Hough變換中每一個白點都要參與空間轉換計算，使得算法計算量增大，耗用時間多，該問題可以通過CCD參數調節來解決。圖5對同一地點采集的圖像進行二值化。通過比較圖左側和右側的參數空間峰值分布可以發現，使用CCD參數調節算法后參與Hough變換的點明顯減少，尤其是右側圖像，能明顯降低噪聲點對Hough變換的影響，驗證了CCD參數調節算法的有效性。

(2)由于(ρ，θ)量化的問題，一條直線附近的峰值往往很大，找出最大峰值后，需要將峰值附近的值清零，再重新搜索下一條直線。但是往往不能很好地確定清零范圍，如果范圍確定小了，下一次搜索的直線通常還在已經檢測出的直線上，如果清零范圍確定大了，則會將周圍的待檢測的直線特征點清零，檢測不出直線。這種現象在同時存在多條相似直線并且距離較近時尤其明顯，如圖5中(a1)、(a2)和(b1)、(b2)所示。

2.2 改進的Hough變換檢測車道線算法

由于CCD參數調節能有效提高車道線與路面對比度，根據對基于Hough變換提取車道線優缺點的分析，本文中提出一種新的車道線識別方法，即首先進行車道線種子點的選取，再對各組種子點分別進行Hough變換。圖6為進行二值化和去孤濾波之后的道路圖像，分別代表3種典型情況，即正常、存在干擾和已經偏離車道線的情況。

2.2.1 車道線種子點的選取和歸類

通過分析圖6發現，在某一掃描行上，車道線具有兩個主要特征，即具有一定寬度和車道線兩側灰度值產生突變。將此特征作為提取車道線種子點的選取依據，具有此特征的視為車道線種子點。相鄰掃描行之間的種子點像素位置差值若小于一定閾值，則將其歸為同一種子點數組，否則歸為新的種子點數組。具體實現步驟如下。

(1)首先設定一個大小為m×n的二維數組SeedGroup，此數組表示種子點的橫坐標。其中m表示種子點組數，即最多車道線條數，這里最大設為4;n表示掃描行數，也表示種子點的縱坐標，車道線一般在圖像下半部分，因此將n設為圖像高度的一半，即n=120像素。將數組初始化為0。

(2)自下而上，自左向右進行掃描。當掃描到白點時，設其坐標為(xj，yj)，繼續掃描，并開始進行計數，直到掃描到像素值為0的點，設此時統計白點個數為s，取其中間像素為種子點:

因此，該種子點坐標為(xs，ys)，考慮到車道線有間斷線的情況，同一車道線上的種子點可能相隔多個掃描行，因此采用如下策略進行歸類:當yj＜30時，則對yj之前的所有車道線組數內的SeedGroup值與該種子點的橫坐標值進行比較，若小于一定的閾值(試驗中發現，該閾值設為20較合適)，則將該種子點歸類到此車道線數組下，若大于該閾值，表示出現了新的車道線，則將其歸類到新的車道線數組中;當yj＞30時，則對yj之前的前30行車道線數組內的SeedGroup值與該種子點的橫坐標值進行比較，歸類原理同上。

設該種子點所歸類的車道線數組為mi，則須保留車道線數組數據(SeedGroup，yj)。然后從所掃描到的0像素點開始，繼續向下掃描，直至完成當前行掃描。

(3)繼續向上掃描，直至完成所有種子點的選取和歸類。

按照上述步驟，本文以圖6中的各圖為例，圖7顯示了在處理圖6各圖過程中的非零種子點數據(SeedGroupi，yj)表格，其中 i∈(0，m)，j∈(0，n)，每個表格分別表示一組車道線數組下的數據，其中橫縱坐標分別表示圖像的橫縱坐標。

從圖7可以看出，本文中提出的種子點選取方法能準確地獲取車道中心線上的點，并正確歸類。

2.2.2 對各組種子點進行Hough變換

當完成所有種子點選取和歸類后，對各組車道線上的種子點進行Hough變換:

(1)將(ρ，θ)參數空間量化，建立一個二維累加數組;

(2)初始化二維數組，然后對種子點進行Hough變換，讓每個點遍歷θ軸上所有值，并計算其對應的ρ值，將其對應的數組元素值加1;

(3)比較數組元素值的大小，最大值所對應的(ρi，θj)就是所要求取得直線所對應的參數，這樣，只要求取出每車道線數組下的參數(ρi，θj)即可。

2.2.3 利用一定的約束提取當前車道線

由于圖像中可能存在多條車道線，因此，須利用一定的約束條件進行當前車道中車道線的提取。由于CCD模型投影變換的作用，車道線在圖像中消失于一點。圖8為多條車道線在圖像坐標中的角度關系示意圖。

從圖8看出，左側車道線的角度θl∈(π/2，π)，右側車道線的θr∈(0，π/2)，而且離開圖像中心線越遠，左側θl值越小，右側θr值越大。因此，可以按照這一規律進行當前車道線的提取。當利用改進的Hough變換求取出各組車道線的直線參數值后，分別求取(0，π/2)內的最小值和(π/2，π)內的最大值，然后再根據各(ρ，θ)值計算相應的斜率和截距，求取的直線即為當前車道線。圖9為最終提取的當前車道線結果。

3 試驗驗證

為驗證所提方法的有效性，將改進Hough變換提取車道線的算法與傳統Hough變換算法進行了對比試驗。圖10為高速公路試驗結果，其中左側圖為利用傳統Hough變換檢測車道線結果，右側圖為改進Hough變換檢測車道線結果。試驗結果表明:

(1)車輛在正常環境下行駛時，兩者都能準確識別出車道線，主要區別是處理時間的差異，處理同一幅靜態圖像，傳統Hough變換平均耗時為45ms，改進后的Hough變換平均處理時間為25ms，每幀跟蹤時間由原來的35ms縮短到10ms;

(2)在有公路邊沿等干擾時，傳統Hough會出現誤識別的情況，而改進后的Hough變換則能很好地識別出當前車道線;

(3)當車輛處在換道狀態時，傳統Hough變換會由于當前車道線識別有誤而出現漏警情況，而改進后的Hough變換由于利用角度約束能準確地識別出當前車道線，為正確預警提供了基礎。

4 結論

(1)提出的基于CCD參數智能調節算法，能夠較好地適應不同光照條件，增強車道線與路面對比度，減少路面噪聲，有利于后續車道線識別。

(2)在此基礎上，通過分析Hough變換優缺點，提出了改進的Hough變換識別車道線方法，并利用角度約束提取出當前車道線。通過對比表明，該方法能有效提高識別效率和準確性，從而有利于提高系統的預警準確率。

(3)大量道路試驗表明，所提出的方法對于白天各種光照條件有較好的適應性，系統具有良好的實時性和魯棒性。

［1］ 王榮本，余天洪，郭烈，等．基于機器視覺的車道偏離警告系統研究綜述［J］．汽車工程，2005，27(4):463 －466．

［2］ Minoiu Enache N，Netto M，Mammar S，et al．Driver Steering Assistance for Lane Departure Avoidance［J］．Control Engineering Practice，2009，17(6):642 －651．

［3］ Navarro J，Mars F，Forzy J F，et al．Objective and Subjective E-valuation of Motor Priming and Warning Systems Applied to Lateral Control Assistance［J］．Accident Analysis ＆ Prevention，2010，42(3):904－912．

［4］ 張潤生，黃小云，馬雷．復雜環境下車輛前方多車道識別方法［J］．農業機械學報，2010，42(5):24 －29．

［5］ 馬雷，于福瑩，李昊．基于灰度圖像的復雜環境下智能車輛道路識別［J］．汽車工程，2010，32(4):351 －355．

［6］ Wang Y F，Dahnoun N，Achim A．A Novel System for Robust Lane Detection and Tracking［J］．Signal Processing，2012，92(2):319－334．

［7］ 馬雷，臧俊杰，張潤生，等．基于DS證據理論的不同光照條件下道路邊界識別［J］．汽車工程，2011，33(8):707 －712．

［8］ 肖獻強，王其東，潘盛輝．基于視覺及TLC概念的車輛跑偏檢測方法研究［J］．汽車工程，2010，32(1):77 －80．

［9］ 葛平淑．車道偏離預警視覺系統算法改進研究［D］．長春:吉林大學，2008．

［10］ Shapiro V．Accuracy of the Straight Line Hough Transform:the Non-voting Approach［J］．Computer Vision and Image Understanding，2006，103(1):1－21．