基于改進最小二乘法車道線模型的車道標識線檢測識別

梁朱冬，陳洪洋

（長安大學 汽車學院，陜西 西安 710064）

基于改進最小二乘法車道線模型的車道標識線檢測識別

梁朱冬，陳洪洋

（長安大學 汽車學院，陜西 西安 710064）

車道標識線檢測識別是車輛主動安全系統的關鍵技術之一。為了滿足車道標識線檢測的實時性、魯棒性、準確性，在對采集圖像進行預處理后，再經過圖像信息提取，基于線性回歸與車道標識線寬度約束的道路模型，實現車道標識線的擬合。

車道標識線；圖像識別；線性回歸；道路模型

CLC NO.:U461.9 Document Code: A Article ID: 1671-7988 (2017)15-98-03

引言

隨著我國高速公路建設的快速發展，人們對于公路出行的需求愈來愈大，隨之而來，交通事故近年來也呈現不斷攀升的趨勢，道路交通安全事故已經成為人民公共財產安全的最嚴重問題之一。

預防交通事故發生的主動安全技術成為現代汽車技術的主要研究方向。這其中，車道標識線檢測識別是多種主動安全技術的必要前提。

本文在原有車道標識線識別技術的基礎上，充分考慮Hough變換算法的局限性，創新引入基于線性回歸與車道標識線寬度約束的道路模型，解決了最小二乘法在車道標識線檢測中的局限性，兼備計算量小，準確性優等特點，提高了車道標識線檢測中所強調的實時性。基于機器視覺技術的車道標識線檢測識別的主要流程如下圖1：

圖1 車道標識線檢測工作流程圖

1 圖像預處理

灰度化——為了提高圖像處理速度，簡化圖像處理算法，實現圖形處理實時性，需要對采集到的彩色圖像進行灰度化。此外，本文通過灰度圖像直方圖均衡化增強方法來增加圖片高亮度處對比度，以達到圖像灰度級分布均勻。

濾波去噪——由于天氣條件、行車環境、實驗設備等條件的影響，圖像在采集、傳輸過程中會產生熱噪聲、光電子噪聲、信道傳輸噪聲及量化噪聲等，會對圖像最后的成像質量產生影響。本文運用中值濾波算法實現道路圖像的濾波去噪。

2 車道線邊緣信息提取

常見的邊緣信息提取方法有基于Sobel算子、Prewitt算子、Canny算子等。以上算法在檢測過程中忽略了車道標識線的方向性，故此，本文提出一種將方向可調濾波器應用于車道線邊緣檢測的方法，用以改善車道標識線邊緣信息提取效果。

圖2 使用方向可調濾波器進行邊緣檢測處理結果

3 基于車速的動態感興趣區域劃分

在現實環境中，所采集的道路圖像中與車道標識線無關的信息占據了大部分空間，例如臨路建筑物、樹木、臨近車道、標識牌等。通過設置感興趣區域能夠減少此類無關信息的干擾，簡化計算，提高系統實時性。本文提出一種基于車速的動態感興趣區域提取方法。

式中，ν為當前車速，ν0為高速公路規定的最低行車速度，即60km/h。

圖3 動態感興趣區域建立

當CCD傳感器的安裝位置固定時，道路標識線在圖像中的位置也即確定，感興趣區域在水平方向上以左右車道線所在直線為中心，左右各平移20△ν個像素；垂直方向上，考慮到車道線基本處于圖像的下半區，上邊緣為距圖像底邊距離為整幅圖像的十二分之五，依此建立動態感興趣區域如圖3所示。

4 面向序列圖像的改進最優閾值分割

在采集的圖像中遠視點處，由于光影關系，車道標識線與路面灰度的對比度減弱，故本文提出一種面向序列圖像的改進最優閾值分割方法，以圖像的每一行作為處理基本單元進行最優閾值分割，能夠顯著消除噪聲干擾，車道標識線邊緣信息提取更準確。

5 圖像坐標系約束下道路方程求解

本文提出基于線性回歸與車道標識線寬度約束的道路模型，解決了最小二乘法在車道標識線檢測中的局限性，兼備計算量小，準確性優等特點，提高了車道標識線檢測中所強調的實時性。

5.1 基于多特征集合的車道標識線篩選

本文利用車道標識線固有的形態特征及邏輯關系對車道線特征區域進行車道標識線篩選，用以排除圖像上無關信息，提高車道標識線識別準確性。

以車道標識線多特征集合元素為基元，建立車道標識線的篩選判定公式如下，當且僅當J(lane(i))=1時，確定候選車道線為真正的車道標識線。

式中，D(lane(i))、W(lane(i))、H(lane(i))、L(lane(i))分別為第i條車道線同向性、車道線寬度、高度特征、長度標記。

5.2 基于線性回歸與車道標識線寬度約束的道路模型求解

5.2.1 車道線中線提取

車道線檢測的過程就是將離散的邊緣像素進行篩選，擬合成連續的線段。如圖3所示，由于車道線邊緣具有內側和外側，將內外邊緣連接起來就成圖示線段。進而將車道標識線細化，在保持車道標識線完整的同時，得到車道線的骨架。

圖4 車道線中線提取示意圖

5.2.2 基于線性回歸的道路方程求解

如圖5所示，在圖像坐標系下，對于若干車道線特征點(xi，yi)(i=1,2,…n)，假設車道線的直線模型方程如下：

其中，a為直線的斜率，b為直線的截距，利用最小二乘法只需要解方程組的兩個參數a、b，就可確定車道線方程。通過解算a、b的最佳估計值，使得噪聲產生的誤差平方和最小。

圖5 圖像坐標系的建立

道路直線模型方程的誤差函數：

若使誤差的平方和最小，那么a，b的偏導數須同時為0，即

得到一個關于a，b的方程組：

用矩陣的形式表示為：

求解上述矩陣方程可得到系數：

若道路模型為彎道曲線方程，同樣可以利用以上原理進行求解，設曲線方程為：

對各參數求偏導，最后取得方程組為：

采用上述公式可以擬合出道路曲線方程的參數。

6 車道標識線檢測離線實驗驗證

采用離線實驗方式來驗證本文提出的車道標識線檢測算法的準確性。實驗相應結果如下圖。

圖6 光照良好條件下的檢測結果

圖7 陰天弱光條件下的 檢測結果

圖8 強光條件下的檢測結果

圖9 小雨天氣條件下的檢測結果

7 結論

本系統能夠較好的實現車道標識線的檢測，通過大量實驗可以驗證此系統具體良好的魯棒性、實時性、可靠性。準確、高效的車道標識線檢測技術能夠為后續主動安全技術的開發提供保障。

[1] 畢雁冰. 高速汽車車道偏離預警系統可行區域感知算法研究[D].長春: 吉林大學, 2006.

[2] 于兵, 張為公, 龔宗洋. 基于機器視覺的車道偏離報警系統[J].東南大學學報(自然科學版), 2009, 39(5): 928-932.

[3] 劉媛. 基于機器視覺的車道偏離預警系統關鍵算法研究[D]. 長沙: 湖南大學, 2013.

[4] 郭磊, 李克強, 王建強, 等. 應用方向可調濾波器的車道線識別方法[J]. 機械工程學報, 2008, 44(8): 214-218.

[5] 吳晴, 田炳香, 鄭榜貴. 一種用于高速公路的快速有效的車道線識別算法[J]. 計算機測量與控制, 2008, 16(11): 1718-1723.

[6] 余厚云, 張為公. 基于動態感興趣區域的車道線識別與跟蹤[J].工業儀表與自動化裝置, 2009, (5): 103-106.

Lane mark recognition based on improved least squares lane mark model

Liang Zhudong, Chen Hongyang
( School of Automobile, Chang’an University, Shaanxi Xi’an 710064 )

Lane mark recognition is one of the key technology of vehicle active safety system. After the preprocessing of pictures, in order to satisfy the instantaneity, robustness and accuracy of lane mark recognition, this paper used the road model based on linear regression and the constrain of lane mark width.

Lane mark; image recognition; linear regression; road model

U461.9

A

1671-7988 (2017)15-98-03

梁朱冬，就讀于長安大學。

10.16638/j.cnki.1671-7988.2017.15.036