基于Hough變換的車道線檢測

錢怡

摘 要：車道偏離預警系統（LDWS）通過各種光學傳感器和計算機確定車輪在車道中的位置，通過車道線識別提取確定車輛是否發生偏離。車道偏離預警系統的研究發展趨勢主要體現在兩方面：基于機器視覺的車道線識別和車道偏離決策算法。本文研究的基于Hough變換的車道線檢測通過圖像預處理分析可行區域，利用Hough變換從中提取車道標識線和車道邊緣等信息，進行車道線檢測。對實際路面圖像的實驗結果表明，該算法在多種環境條件下，都能很好地識別車道，具有很強的魯棒性，進一步減小天氣和光強對車道偏離預警系統的影響。

關鍵詞：Hough；變換；車道線檢測

DOI：10.16640/j.cnki.37-1222/t.2017.10.235

1 引言

目前交通事故頻繁，很大一部分是由人為疏忽造成的。這種現狀促進了汽車主動安全電子的發展，形成一個獨立的體系。研究發現：大約 53%的單車偏離車道事故可以通過檢測車輛運行時的橫向位置的檢測系統得以預防，最大程度避免事故發生。基于機器視覺的車道線識別，即根據道路圖像，通過一定的計算機圖像和視覺技術的處理，從中提取車道標識線和車道邊緣的曲率等幾何信息。其關鍵解決和處理問題如下：道路表面的陰影（樹木、建筑物等陰影）、障礙物（如前方車輛、超車車輛等）遮擋了道路標志線、光照的變化影響等。Kluge K采用Hough 變換，將直線檢測問題，轉變為在參數空間尋找最大值的問題。也可以利用模板匹配法來進行車道標識線的識別和追蹤，因為它通過引入整體信息的方法，能夠有效避免因光照和障礙物遮擋引起的陰影影響。本文提出了一種基于Hough變換的車道線檢測方法，試驗證明，該方法能適應多種環境條件，克服不同天氣和光強對車道偏離預警系統產生的影響，具有較強的魯棒性，同時也提高了其處理速度。

2 圖像預處理

圖像處理是將圖像信號轉換成數字信號后，利用計算機對其進行處理的過程，在進行道路圖像處理的過程中，原始圖像會或多或少受到噪聲等影響，且考慮系統實時性的要求，所以，必須先對由攝像機采集到的原始圖像進行預處理。通過圖像預處理，消除圖像中無關的信息，恢復有用的真實信息，增強有關信息的可檢測性和最大限度地簡化數據，從而改進特征抽取、圖像分割、匹配和識別的可靠性。在本文的研究過程中，我們對道路圖像預處理主要服務于車道線的識別與提取，所進行的預處理包括道路圖像灰度化、中值濾波、類Haar特征獲得垂直邊緣。

2.1 圖像灰度化及閾值分割

車道線一般為黃色和白色，這兩種顏色相較于其他顏色在灰度圖像中具有更高灰度值。利用得到的灰度圖像，灰度值小于255的像素點劃分為路面，反之則劃分到標記區域。

2.2 道路圖像濾波

常用圖像濾波方法有均值濾波、中值濾波和自適應濾波，本文采用的中值濾波，相較于其他兩種，消除了孤立的噪聲點，避免了圖像產生較大模糊，圖像得到增強，效果較好，同時算法相對復雜，處理速度相對較快，實時性和綜合性最好。它是取一個領域模板M，將鄰域內的所有像素點進行排序，并求得灰度值的中間值代替原來所有像素灰度值。

2.3 基于類Haar特征的邊緣強化

本文采用類Haar垂直掩模，將白色區域灰度值之和減去灰色區域灰度值之和，再用積分圖法獲得垂直邊緣，相較于Sohel算法，類Haar特征算法獲得的邊緣強化更為連續、清晰。

3 Hough變換

3.1 Hough變換原理

Hough變換是利用點線對偶性，以一種投票機制檢測圖像中具有特定形狀的目標。首先通過特定解析表達式，統計參數空間正弦曲線交點的累積程度，找出其中的峰值即可確定圖像平面中直線參數，使點線面一一對應。其實質是建立圖像空間和參數空間的映射關系，通過兩者相互變換，把圖像全局區域內形狀檢測問題轉變為參數局部區域內峰值點尋找問題。Hough變換原理基本如圖所示，圖像平面上任意一條直線對應于參數平面上的一組正弦曲線的交點，

在實際應用中，我們首先需對參數空間進行量化，并設計一個累加器，初始化為零，當檢測到每個像素點對應的直線時，該條直線對應累加器數值加1，取變所有像素點，最后累加器中最大值所對應的直線即為原圖像空間的目標直線。

3.2 基于Hough變換的車道線檢測

基于Hough變換的算法流程如圖2所示。

4 多種工況試驗驗證

為了驗證本算法的效果，本文在Matlab 7.0平臺下完成在不同天氣和光照下對車道線的檢測。檢測效果如圖3所示。

實驗表明，基于Hough變換的車道線檢測能夠很好的適應各種天氣以及光照條件，具有很強的魯棒性和抗干擾性，但是在大雨條件下車道線識別算法仍存在不足。

5 結束語

本文設計了一種車道線檢測的算法，并闡述了其工作流程，通過道路圖像灰度化、中值濾波和類Haar特征獲得垂直邊緣對圖像進行預處理，在此基礎上進行基于Hough變換的車道線檢測。通過實驗表明，本算法具有足夠的圖像處理能力和準確的車道識別能力，能克服大多數因不同天氣和光強對車道線識別產生的影響，具有很強的魯棒性和準確性。但該算法仍存在不足之處，對于惡劣環境下車道線檢測模糊，這也是今后重要的研究方向。

參考文獻：

[1]魏凱，盛建平，熊凱.基于陰影特征的前向車輛檢測和測距方法研究[J].機械設計與制造，2013：130-135.

[2]劉富強，張姍姍，朱文紅等.一種基于視覺的車道線檢測與跟蹤算法[J].同濟大學學報：自然科學版，2010，38（02）：223-229，306.

[3]李旭，張為公.基于視覺的車道偏離預警系統的研究[J].儀器儀表學報，2008，29（07）：1554-1558

[4]陸豐俊.基于視覺的車輛車道偏離預警系統算法研究[D].湖北：華中科技大學，2006.

[5]余天洪.基于機器視覺的車道偏離預警系統研究[D].吉林：吉林大學，2006.

[6]高瑞勝.基于單目視覺的車道偏離預警系統的研究[D].杭州：杭州電子科技大學，2012.