基于車道線的前方車輛檢測方法研究

賈世杰，劉金環，于夢晗，祁曉婷

(大連交通大學 電氣信息學院，遼寧 大連 116028)*

0 引言

目前，隨著汽車的普及，汽車的安全輔助駕駛已經成為國內外研究的焦點.其中前方車輛的檢測是汽車智能輔助駕駛系統的一個關鍵部分［1］.通過視覺獲得前方車輛的信息是目前智能車輛研究的重點和熱點.基于視覺的前方車輛檢測方法很多，大部分方法都是在整幅圖像中進行車輛檢測，但在復雜場景中，背景會對車輛的檢測產生干擾.實際上，在檢測前方車輛的過程中，只需要檢測本車所在車道內行駛的前方車輛，而不用去檢測本車道以外的范圍，因此，可以通過檢測車道線來確定檢測車輛的搜索范圍，而不需要獲取整個圖片的所有信息，這樣不僅大大降低了運算量，縮短了檢測的時間，也排除了本車道以外的無關區域中的各種干擾信息對車輛檢測的不利影響，提高了檢測車輛的正確率.因此，本文提出了基于車道線的前方車輛檢測方法，在檢測出車道線的基礎上，利用車輛底部陰影特征來搜索前方車輛.本文算法整體流程圖如圖1所示.

圖1 算法流程圖

1 基于Hough變換的車道線檢測

目前，Hough變換是車道線檢測方法中應用最為廣泛的方法之一，其基本思想是點與線的對偶性［2］，即圖像空間中的每一個點對應于參數空間中的一條直線，同一條直線上的所有點所對應的參數空間中的直線相交于一點，從而將圖像中的直線變換到參數空間的聚集點.基于Hough變換的車道線檢測基本過程如下.

1.1 設置感興趣區域(ROI)

根據所采集的圖像觀察可知，圖像上邊1/3部分多為天空等無關信息，為了能減少運算量提高運行速度，本文只對圖像下面2/3部分進行計算，因此本文將圖像的下面2/3部分作為感興趣區域(ROI，Regin of Interesting)來提高系統的實時性.

1.2 圖像預處理

將RGB彩色圖像轉變為灰度圖像，然后進行邊緣檢測.Hough變換檢測的效果直接受邊緣檢測的準確性的影響.本文首先采用Otsu算法［3］進行分割，這樣可以根據灰度化后的圖像信息自適應的產生閾值對圖像進行二值化，將車道從背景中分離出來，避免了人為設定閾值的難題.然后采用Sobel算子進行邊緣檢測.Sobel算子計算量小，算法簡單，在邊緣增強效果、抑制噪聲能力方面都比較好，但提取的邊緣較粗.圖像預處理效果如圖2所示.

圖2 圖像預處理

1.3 檢測車道線

在基于車載系統的道路視頻圖像中，兩條車道線分別分布在圖像中心線的兩側，其角度在一定范圍內變化.因此建立車道線模型［4］如圖3所示.由于左右車道線的位置基本固定在一定的范圍內，θ1的取值范圍為30°～ 70°.對于模型 a，θ2的取值為 -20°～-70°;對于模型b，θ2的取值為110°～ 160°，可將 θ2的取值統一為110°～ 160°.這樣設置后Hough變換的計算量僅為之前的一半［5］，也減少了干擾的直線，提高了正確率.

圖3 車道直線的極坐標模型

Hough變換檢測車道線的具體步驟如下:

(1)搜索預處理后圖像空間中的白色像素;

(2)將檢測到的白色像素點(xi，yi)轉換到極坐標空間，坐標方程是ρ=xicosθ+yisinθ，采用左車道 θ∈ (30，70)，右車道 θ∈ (110，160)，其中ρ代表原點到直線的距離，θ代表直線與水平軸的夾角;

(3)在極坐標空間中，對(ρ，θ)單元進行投票累加，即 H(ρ，θ)=H(ρ，θ)+1 .找到 H(ρ，θ)的局部最大值，對滿足(ρ，θ)的邊緣點進行標注;

(4)最后，根據邊緣點在該方向上的稠密度來判斷該直線是否為真.

根據上述步驟可知，Hough變換就是將圖像預處理后的圖像中的邊緣點轉換到極坐標空間的累加陣列的多個單元中，然后計算各單元的累加值以獲得局部極值，從而檢測出車道線.

2 前方運動車輛的檢測

本車所在車道區域通過上面車道線的檢測已經確定，下面就在所確定的ROI即兩車道線內搜索前方車輛.通過觀察視頻圖像可以發現，在正常光照的白天中，在道路表面無遮擋物陰影的環境下，車輛底部會在道路上產生陰影，道路區域的灰度值要比車底陰影區域的灰度值高一些，因此在道路與陰影的交界處會產生階躍性邊緣，灰度會產生突變，其特征較為明顯［6］，將灰度化后的圖像進行Sobel邊緣檢測后，在車輛底部將有一條較為明顯的邊緣.針對這種情況，本文分為兩步進行車輛檢測，第一步是根據車輛底部陰影特征進行水平邊緣檢測，第二步是根據車輛的對稱性進一步確認車輛位置.

2.1 檢測水平邊緣

分別在灰度化后的圖像和邊緣檢測后的圖像的ROI內，從下到上，從左到右依次逐點掃描每一個像素.找到水平邊緣的起點位置Pstart(x，y)和終點位置Pend(x，y).邊緣點必須同時滿足這兩個條件，即在灰度化的圖像中灰度值小于100，在邊緣檢測后的圖像中大于50時，則判定該像素點是邊緣點.在逐點掃描過程中，水平邊緣不能斷，其線段長度達到一定長度時，方可假設它為車輛底部陰影.

2.2 基于對稱性的車輛驗證

確定車輛底部后，可根據車輛的對稱性進一步確定車輛的位置，從而提高車輛檢測的正確性.車輛的垂直邊緣具有嚴格的對稱性，且不易受外界環境影響，具有較強的穩定性和明顯性［8］.因此本文根據車輛的垂直邊緣的對稱性進一步驗證車輛.

采用Sobel垂直邊緣檢測得到垂直邊緣增強圖像，在此基礎上，計算垂直邊緣的對稱性測度.為減少運算量，本文將車輛假設矩形框，其列方向上垂直邊緣投影均值視為橫坐標的一維函數g(x):

式中:s(x，y)為邊緣檢測后像素點(x，y)處的垂直邊緣值，ystart和yend分別為車輛假設矩形局域的上、下邊界.

任意函數都可以寫成奇函數和偶函數之和的形式，并且其對稱的程度可以由二者權重的相對大小反映出來［9］.設對稱軸的水平位置為矩形區域的數直中軸xs=(xstart+xend)/2，矩形框的寬w=xend-xstart.建立以 xs為原點的新坐標系u(-w/2≤u≤w/2)，則x和u的變換關系為:

對于一定的w和xs，函數g(x)=g(xs=u)的奇函數分量和偶函數分量分別為:

奇函數分量 O(u，xs)的均值為零，偶函數E(u，xs)＞0，其均值大于0，因此要將偶分量進行歸一化處理，使其均值為零，可得:

因此，可得二者的能量函數分別為:

利用能量函數對矩形區域的對稱度測量為:

測度s的范圍為［-1，1］，當s=1表示目標完全對稱，s=-1時，表示目標完全不對稱，參數xs、w與測度是相互對應的.

由于在路面和背景中也有可能存在對稱性，只通過測量目標的垂直邊緣對稱性會產生一定的誤差.車輛的紋理相對于路面的紋理要復雜，可以根據這一特征用信息熵值的對稱性測度［10］來進一步驗證目標.

設灰度圖像中的灰度級為0-255，其信息熵的表達式為:

圖像區域的信息熵的值越大，表示信息量越豐富，對于本文所處理的灰度圖像來說，則說明區域紋理特征越明顯，車輛存在的可能性就越大.H(l)的可能取值為［0，5.545］，本文將閾值設置為3，即當H(l)大于等于3時，認為目標區域包含車輛.

3 基于卡爾曼濾波的前方車輛跟蹤

卡爾曼濾波即Kalman濾波，是一種遞推線性最小方差估計，它對環境的平穩性不做要求，只要確保其正交性原理成立，就能快速的遞推出最優解.目前，它是解決目標跟蹤問題最廣泛應用的方法之一.

本文采用卡爾曼濾波的方法對前方運動車輛進行跟蹤.Kalman濾波器根據當前所檢測目標的狀態值，利用遞推方法和狀態方程估計目標的下一狀態值，不僅縮小了目標的搜索范圍，提高了檢測的正確率，而且解決了目標短暫性消失的這一問題，也解決了對連續視頻幀中同一目標的重復檢測問題，提高了整個系統的效率.

4 實驗及結果分析

為了驗證算法的有效性，本文在配置了1.80 GHz CPU Intel(R)Core(TM)i7，8.0 GB 內存和windows 8操作系統的計算機上，采用VS2013平臺和開源計算機視覺庫OpenCV，實現了本文算法，并分別對晴天和陰天情況下的兩段交通視頻進行車輛檢測實驗，所處理視頻的分辨率為856×480，幀速為30幀/s.前方車輛檢測結果示例如圖4所示，視頻車輛檢測結果如表1.

圖4 前方車輛檢測結果示例

表1 視頻車輛檢測結果

實驗結果表明，本文的算法能夠比較穩定準確的檢測出車輛，通過Kalman濾波進行車輛跟蹤能夠顯著提高檢測速度.

5 結論

本文提出了一種基于車道線的車輛檢測跟蹤方法，利用改進的Hough變換檢測車道線，縮小了檢測車輛的區域.然后，采用基于梯度特征的車底部陰影檢測算法初步定位車輛，利用車輛的邊緣對稱性進一步驗證車輛的位置，提高了系統的健壯性.最后，使用Kalman濾波預測產生新的車輛區域，增強了系統的檢測效率.但當車道線檢測有誤時，會直接影響到檢測車輛的正確性，這是今后進一步要解決的問題.

［1］魯威威，肖志濤，雷美琳.基于單目視覺的前方車輛檢測與測距方法研究［J］.電視技術，2011，35(1):125-128.

［2］HOUGH P V C.Method and means for recognizing complex patterns:U.S.，3，069，654［P］.1962-12-18.

［3］吳一全，潘喆.2維最大類間平均離差閾值選取快速遞推算法［J］.中國圖象圖形學報，2009(3):471-476.

［4］李明，黃華，夏建剛.基于Hough變換的車道檢測改進算法研究［J］.計算機工程與設計，2012，33(4):1638-1642.

［5］JIA XIN.Study on lane recognition method of intelligent vehicle visual detection［D］.Changchun:Jilin University PhD Thesis，2008.

［6］RIEHARD B.Hitelligent vehicle applications world wide［J］.IEEE Intelligent Systems，2000，15(1):78-80.

［7］潘燕.基于車載攝像頭的前方運動車輛檢測與跟蹤方法研究［D］.安徽:合肥工業大學，2012.

［8］齊美彬，潘燕，張銀霞.基于車底陰影的前方運動車輛檢測［J］.電子測量與儀器學報，2012，26(1):54-59.

［9］施樹明，儲江偉，李斌，等.基于單目視覺的前方車輛探測方法［J］.農業機械學報，2004，35(4):5-8.

［10］史忠科，曹力.交通圖像檢測與分析［M］.北京:科學出版社，2007:212-215.

［13］張建明，張玲增，劉志強.一種結合多特征的前方車輛檢測與跟蹤方法［J］.計算機工程與應用，2011，47(5):220-223.

［14］林麗晨.基于車載攝像機高速公路車距測量系統的研究［D］.天津:天津大學，2005.