無人駕駛汽車中的車道線檢測研究

胡秀敏，何志琴

（貴州大學(xué)電氣工程學(xué)院，貴州 貴陽 550025）

0 引言

無人駕駛汽車集成了電子、機(jī)械、自動控制、計(jì)算機(jī)科學(xué)及人工智能等學(xué)科的先進(jìn)技術(shù)，能有效緩解交通擁堵、減少交通事故、降低汽車油耗，已成為各國學(xué)者及汽車企業(yè)的研究熱點(diǎn)[1-4]。本文采用圖像處理技術(shù)，研究無人駕駛中的車道線識別。

1 圖像預(yù)處理

圖像預(yù)處理是對圖像進(jìn)行相應(yīng)的處理，去除多 余的信息。便于后續(xù)的識別[5-8]。

1.1 圖像灰度化

本文通過CCD 攝像頭獲得車道線圖片，首先對其進(jìn)行灰度化處理。灰度化即灰度化處理就是將 一幅色彩圖像轉(zhuǎn)化為灰度圖像的過程。彩色圖像分為R，G，B 三個分量，分別顯示出紅綠藍(lán)等各種顏色，灰度化就是使彩色的R，G，B 分量相等的過程。灰度化方法有最大值法，平均值法，中值法。本文采用平均值法[9-12]。

1.2 圖像去噪

圖像去噪是數(shù)字圖像處理中的重要環(huán)節(jié)和步驟。去噪效果的好壞直接影響到后續(xù)的圖像處理工作如圖像分割、邊緣檢測等[13]。圖像信號在產(chǎn)生、傳輸過程中都可能會受到噪聲的污染。目前比較經(jīng)典的圖像去噪算法主要有以下三種：中值濾波、高斯濾波、均值濾波[4]。本文采用中值濾波。效果如圖1。

圖1 圖像去噪前后 Fig.1 before and after image denoising

2 形態(tài)學(xué)處理

2.1 腐蝕與膨脹

腐蝕的具體操作是：用一個結(jié)構(gòu)元素(一般是3×3 的大小)掃描圖像中的每一個像素，用結(jié)構(gòu)元素中的每一個像素與其覆蓋的像素做“與”操作，如果都為1，則該像素為1，否則為0[14]。膨脹的具體操作是：用一個結(jié)構(gòu)元素(一般是3×3 的大小)掃描圖像中的每一個像素，用結(jié)構(gòu)元素中的每一個像素與其覆蓋的像素做“與”操作，如果都為0，則該像素為0，否則為1[15]。

2.2 開運(yùn)算與閉運(yùn)算

開運(yùn)算是先腐蝕后膨脹的過程，可以消除圖像上細(xì)小的噪聲，并平滑物體邊界。閉運(yùn)算時先膨脹后腐蝕的過程，可以填充物體內(nèi)細(xì)小的空洞，并平滑物體邊界。

本文采用開運(yùn)算平滑物體邊界，具體效果如圖2。

圖2 形態(tài)學(xué)處理 Fig.2 Morphological processing

3 車道線檢測

3.1 OTSU 閾值分割

閾值分割法是圖像分割中的經(jīng)典方法，它利用圖像中要提取的目標(biāo)與背景在灰度上的差異，通過設(shè)置閾值來把像素級分成若干類，從而實(shí)現(xiàn)目標(biāo)與背景的分離。算法流程：通過判斷圖像中每一個像素點(diǎn)的特征屬性是否滿足閾值的要求，來確定圖像中的該像素點(diǎn)是屬于目標(biāo)區(qū)域還是背景區(qū)域，從而將一幅灰度圖像轉(zhuǎn)換成二值圖像。

用數(shù)學(xué)表達(dá)式來表示，則可設(shè)原始圖像f ( x, y )，T 為閾值，分割圖像時則滿足式（1）。

OTSU 是一種使用最大類間方差的自動確定閾值的方法。是一種基于全局的二值化算法，它是根據(jù)圖像的灰度特性,將圖像分為前景和背景兩個部分。當(dāng)取最佳閾值T1時，兩部分之間的差別應(yīng)該是最大的，在OTSU 算法中所采用的衡量差別的標(biāo)準(zhǔn)就是較為常見的最大類間方差。最大間類方差計(jì)算如下：

由式(2)~(3)可得：

前景點(diǎn)數(shù)占圖像比例為0v ，平均灰度為0u ；背景點(diǎn)數(shù)占圖像比例為1v ，平均灰度為1u ，圖像的總平均灰度為u，前景和背景圖象的方差g。分割效果如圖3。

圖3 閾值分割 Fig.3 Threshold segmentation

3.2 Sobel 算法

主要用于邊緣檢測，在技術(shù)上它是以離散型的差分算子，用來運(yùn)算圖像亮度函數(shù)的梯度的近似值， Sobel 算子是典型的基于一階導(dǎo)數(shù)的邊緣檢測算子，由于該算子中引入了類似局部平均的運(yùn)算，因此對噪聲具有平滑作用，能很好的消除噪聲的影響。Sobel 算子對于象素的位置的影響做了加權(quán)，與Prewitt 算子、Roberts 算子相比因此效果更好。

對數(shù)字圖像 ( , )f x y ，Prewitt 算子的定義如下：

則

Sobel 算法思想：Sobel 算子包含兩組3x3 的矩陣，分別為橫向及縱向模板，將之與圖像作平面卷積，即可分別得出橫向及縱向的亮度差分近似值。圖像的每一個像素的橫向及縱向梯度近似值可用如下式（8）（9）結(jié)合，來計(jì)算梯度的大小及方向。

在閾值分割后，使用sobel 算法及Prewitt 算子對圖像進(jìn)行檢測，檢測效果如圖4 所示。

圖4 檢測效果 Fig. 4 detection effect

可見，Sobel 算法效果優(yōu)于Prewitt 算子。

4 結(jié)語

本文針對無人駕駛汽車中的車道線檢測，設(shè)計(jì)了一種車道線識別方法。通過圖像預(yù)處理后，先對圖像進(jìn)行二值化分割，然后采用 Sobel 算法和Prewitt 算子進(jìn)行檢測，結(jié)果表明，Sobel 算法具有很好的檢測效果，能實(shí)現(xiàn)車道線的檢測。