基于小面模型的車道線提取方法

孫曉軍，李 華，焦金星

(1.軍事交通學院 研究生管理大隊，天津300161;2.軍事交通學院 軍用車輛系，天津300161)

(0，0，h)，默認攝像機偏離道路方向的偏航角γ 為0 弧度，圖像坐標系以圖像中心為坐標原點，反解式(1)可得

智能車輛要實現自主駕駛，首先必須感知車輛周圍的環境信息，其中最基本的就是獲取車輛前方的道路信息。目前，采用的方法主要有機器視覺技術、雷達技術、高精度數字地圖和衛星定位導航技術。人類在駕駛車輛時，駕駛員所獲取的信息有90%以上來自視覺，因而智能車輛多采用機器視覺對道路進行檢測以實現自主駕駛。

邊界線或邊緣表示圖像中一個區域過渡到另一個區域，通常是以圖像中某些特征不連續的行為作為表征的。道路圖像中對于車道線的提取屬于邊緣檢測的范疇，在出現車道線的地方其灰度值會發生突變，所以車道線提取可以歸結為對道路圖像中一些特定邊緣的檢測。采用的基于Hough 變換的車道線檢測方法［1-2］需要進行繁瑣的參數計算，而且累加器的選取對檢測效率的影響比較大。基于此，本文在對道路圖像進行逆透視變換和動態閾值分割的基礎上，利用2-D 小面模型快速搜索車道線區域，之后采用數學形態學的相關方法對車道線邊緣進行細化，最終篩選出準確的車道線。

1 道路圖像預處理

考慮車輛自主駕駛對車道線檢測的實時性要求，在應用算法檢測車道線之前，首先對車輛前方30 m×18 m(長×寬)區域的圖像進行處理，將其轉換為俯視圖，以消除透視干擾，之后通過動態閾值分割對車道線區域進行粗定位，為利用小面模型對車道線進行快速提取節省時間。

1.1 道路圖像投影變換

在滿足道路平坦假設的前提下，依據逆透視變換方法［3］，將道路圖像投影變換到世界坐標系下，以消除其透視效果，得到道路的俯視圖像。

定義攝像機的分辨率為m×n像素，視場角度為2α×2β 弧度，按照圖1 所示的攝像機位置參量，解算出世界坐標系下路面坐標(x，y，0)與圖像坐標系下圖像坐標(u＇，v＇)之間的關系，即

圖1 攝像機位置參量示意

假定攝像機在世界坐標系下的位置坐標為

(0，0，h)，默認攝像機偏離道路方向的偏航角γ 為0 弧度，圖像坐標系以圖像中心為坐標原點，反解式(1)可得

依據此逆透視變換理論對車載攝像機拍攝的前方道路圖像進行投影變換，得到的俯視圖像如圖2 所示。

圖2 道路圖像投影變換

1.2 局部閾值分割

閾值分割作為一種傳統的圖像分割方法，因其實現簡單、計算量小、性能穩定，而成為圖像分割最基本和應用最廣泛的分割技術。綜合考慮對車道線進行提取的準確性和可靠性等要求，本文選取局部閾值分割方法，可以比較容易地將車道線與路面分離開來。

定義g(x，y)為圖像中點(x，y)的灰度值，m(x，y)為該點局部鄰域的平均灰度值，d(x，y)為該鄰域內灰度值的標準差，A為該鄰域內的最小灰度值，α 為靈敏度因子，且α∈(-1，1)。令

則

對經過投影變換的道路圖像進行局部閾值分割，效果如圖3 所示。

2 車道線特征提取

利用小面模型進行邊緣檢測，需要先對原始圖像做正交多項式最佳曲面擬合，然后根據多項式的一、二、三階導數確定邊緣像素并進一步定位邊緣位置［4］。考慮到算法的復雜性及運算速度要滿足實時檢測的需求，本文在假設道路平坦的基礎上采用2-D 小面模型進行檢測。圖像上任一像素點(x，y)在5 像素×5 像素區域的三階小面模型可表示為

令x=ρcos α、y=ρsin α，則轉換成極坐標形式為

計算fα(ρ)的 前 三 階 導 數，由以下3 個條件判斷像素點(x，y)是否為邊緣像素:

滿足以上3 個條件即可認為像素點(x，y)是邊緣像素，其坐標位置為

提取車道線區域的實際效果如圖4 所示。

圖3 道路圖像閾值分割效果

圖4 提取的車道線區域

3 車道線邊緣細化和篩選

3.1 車道線邊緣細化

利用小面模型提取圖像邊緣容易造成邊緣點過多的情況。為了提取更為細膩的邊緣，采用數學形態學細化［5］的相關方法，對提取出的車道線區域先進行膨脹運算再進行腐蝕運算，以得到更為清晰的車道線區域。

3.1.1 膨脹運算

膨脹運算是將與目標區域接觸的背景點合并到該區域中，從而使目標邊界向外部擴張。膨脹運算可以填補目標區域中存在的某些孔洞，消除目標區域中的小顆粒噪聲。

在灰度圖像中，定義f(x，y)為輸入圖像，B(m，n)為結構元素，二者的取值范圍分別為D1、D2，則灰度膨脹可定義為

點(x，y)的膨脹運算涉及到它周圍點的灰度值及結構元素值，是對局部范圍內灰度圖像的點與結構元素中對應點的灰度值求和，并選取其中的最大值。對圖4 提取的車道線區域進行膨脹運算，其結果如圖5 所示。

3.1.2 腐蝕運算

腐蝕運算通過消除邊界點使邊界向內部收縮，可以用來消除細小且無意義的目標物。如果2個目標物之間有細小的連通，可以選取足夠大的結構元素，將這些細小的連通腐蝕掉。

在灰度圖像中，定義f(x，y)為輸入圖像，B(m，n)為結構元素，二者的取值范圍分別為D1、D2，則灰度腐蝕可定義為

點(x，y)的腐蝕運算就是在它的局部范圍內對灰度圖像的點與結構元素中對應點的灰度值求差，并選取其中的最小值。將經過膨脹運算的圖像再進行腐蝕運算，其結果如圖6 所示。

3.2 車道線篩選

圖5 膨脹運算結果

圖6 腐蝕運算結果

經過以上步驟可以得到較為精細的車道線區域，接下來要通過邏輯判斷分析得出真正屬于車道線的線條。該試驗在城市中典型的雙向6 車道條件下進行，設置最小車道線長度為15 像素(1 像素對應實際長度0.06 m)，車道最小寬度為48 像素，車 道 線 斜 率 范 圍 為［0. 3，1. 5］或［- 1. 5，-0.3］，經過篩選最終標示出車道線如圖7 所示。

圖7 最終車道線提取效果

4 試驗結果分析

在試驗過程中，通過記錄攝像機采集的圖像幀數和車道線檢測程序向決策程序發送的車道線識別結果的次數，可統計得到每條車道線的識別率及總體識別率。在車道線檢測過程中采用Hough 變換方法，雖然識別率和穩定性已滿足高速駕駛的要求，但是進一步提高檢測效率難度較大，同時會增加時間成本。本文基于小面模型的車道線提取方法，在保證穩定性的前提下簡化圖像處理部分，為其他相關部分程序的開發節省了時間。通過在同一路段分別使用Hough變換方法和小面模型方法來檢測車道線，統計得到車道線識別率見表1(車道保持狀態下，車輛處于第2 和第3 車道線之間)。

表1 車道線識別率統計 %

由于試驗過程中會從右側車道出現超車動作，此外第4 車道線靠近路沿，受雜物遮擋的情況較多，所以總體識別率左側高于右側;且采用小面模型方法，4 條車道線同時未識別的情況得到明顯減少，驗證了該方法的優越性。

5 結 論

本文在對道路圖像進行逆透視變換和動態閾值分割的基礎上，采用小面模型對車道線區域進行快速搜索，進而利用數學形態學中的膨脹運算和腐蝕運算對車道線邊緣進行細化，最終通過篩選獲得準確的車道線。試驗結果表明，該方法的車道線識別率較原方法有了明顯進步，總體可靠性也得到提高。

［1］ 魯曼.高速公路中車道檢測技術研究［D］. 長沙:中南大學，2010:37.

［2］ 周羅善.基于單目視覺的車道保持預警系統研究［D］. 上海:華東理工大學，2011(1):47-49.

［3］ 徐友春.基于機器視覺的汽車主動安全技術的研究［J］. 清華大學學報，2005(16):16-17.

［4］ 王凱，張定華，黃鶴齡，等.基于3-D Facet 模型的亞體素邊緣檢測算法研究［J］.機械科學與技術，2005，24(7):865-868.

［5］ 施啟樂，王從軍，黃樹槐. 數學形態學圖像細化算法在RE中的應用研究［J］.華中科技大學學報，2004，7(32):38.