基于OpenCV的車道線識別與跟蹤算法

王玉萍 張晨晨

【摘 要】隨著無人駕駛汽車技術和機器視覺研究的不斷升溫，車道線識別與跟蹤算法逐漸被人們重視。文章通過定義熱點區域并融合其他檢測算法提出一種車道線識別與跟蹤方法。經過驗證，該方法能夠在復雜環境下準確地提取出車道線，并預測出消失點，具有較強的實時性、準確性和魯棒性，對無人駕駛技術具有一定輔助作用。

【關鍵詞】車道線識別與跟蹤；Canny邊緣檢測；Hough檢測器；熱點區域

【中圖分類號】TP391 【文獻標識碼】A 【文章編號】1674-0688（2018）02-0197-02

隨著近年計算機視覺和深度學習算法的快速發展，越來越多學者將視覺傳感器融合進無人駕駛技術。車道線作為車輛行駛道路上較為重要的信息也迎來了研究熱潮。本文提出了一種有效的車道線識別與跟蹤算法，以提高車道線識別的效率及準確率。

1 車道線識別與跟蹤算法思路

車道線識別與跟蹤算法屬于典型的機器視覺應用：通過視覺傳感器獲取每一幀圖像進行智能分析，判斷出車輛是否偏移路線，算法主要思路如下。

Step1：圖像預處理。獲取視覺傳感器傳遞的一幀圖像進行中值濾波，選擇適當的邊緣檢測算法將圖像邊緣信息進行細化，然后對其檢測結果進行熱點區域分割。

Step2： 車道線檢測。選擇檢測器進行直線檢測，圖像經過預處理之后，車道線區域將會比較突出，利用檢測器在進行車道線檢測的同時會自動過濾掉無效信息，保留與真實車道線最接近的兩條直線。

Step3：車道線跟蹤。檢測消失點，延長兩條直線交于一點，交點轉化到二維平面的消失點。

Step4：偏移預警。通過偏移度對車輛進行監控以達到輔助駕駛的目的[1]。

2 車道線識別與跟蹤算法實現

2.1 圖像預處理

圖像預處理決定車道線檢測的效果，主要研究內容分為中值濾波、邊緣檢測和興趣區域選定三部分。

（1） 中值濾波。中值濾波能夠很好地剔除干擾像素，并且保護邊緣信息。通常由一個奇數大小的尺寸窗口在圖像矩陣上進行滑動操作，將排序過后的像素中值作為當前窗口中心位置的像素值。

中值濾波的效果如圖1所示。

（2） 邊緣檢測。使用Canny算子對濾波后的圖像進行邊緣檢測。

標定邊界的真正位置需要存儲梯度方向，會存儲梯度的強度信息和梯度的方向信息，公式如下：

對梯度幅值進行非極大值抑制。求出的幅值圖像中可能存在多個較大幅值臨近的情況，進行非極大值抑制找出局部最大值，剔除大部分非邊緣像素點。對每一個像素點做處理：根據該像素點的梯度方向，確定需進行比較的臨近像素點位置。

應用雙闕值技術。設定一個上界和闕值下界，圖像中的像素點如果大于闕值上界則認為必然是邊界，小于闕值下界則認為必然不是邊界。

使用Canny算子對圖像進行邊緣檢測之后的車道線會更加突出，便于下一步直線檢測[3]。效果如圖2所示。

（3） 熱點區域分割。只關注熱點區域不僅能提高識別算法效率，而且還減少了部分干擾像素，從而提高識別的精準度。實驗中采用的方法為：將數字圖像中非熱點區域像素賦值為0，其余區域保留原值。對圖像進行分割應放在圖像預處理的最后一步，否則其分割的邊緣像素會對直線檢測的準確率造成影響。在圖像進行像素剔除的效果如圖3所示。

2.2 車道線檢測

車道線檢測直接影響著車身偏移的測定，主要研究內容分為檢測直線和擬合車道線兩部分。霍夫變換檢測直線可有效降低噪聲干擾，中值算法擬合車道線可明顯提高車道線檢測的效率，使算法準確率和效率得到進一步提高。霍夫變換通常會檢測到重合在車道線邊緣的直線。具體方法為：將檢測結果分別裝入兩個容器中并求中值，當直線數目為奇數，真實車道線為重合直線的其中一條；當直線數目為偶數，真實車道線為中間兩條直線的平均數值；對于偏離真實車道線的直線直接舍棄。經過實驗表明，在多種路面下都能表現出較好的檢測效果，如圖4所示。

2.3 車道線跟蹤

在集合映射概念中，空間內所有平行直線都會相交與無窮遠點，這個無窮遠點稱為消失點。在實際道路中，有很多平行直線，如道路護欄、車道線、邊界等。這些平行線延伸至遠方形成消失點。在車道線檢測中，對兩條車道線進行擬合出大概確定消失點的位置。根據視覺傳感器與消失點形成的直線與兩條車道線之間的距離之比，來判斷偏移角度是否在一個合理的范圍之內，從而達到識別車道線來進行輔助駕駛的目的。

3 實驗與仿真驗證

為驗證車道線識別與跟蹤算法的效果，選取了3張不同時間段的圖片進行測試，在多種不同的道路情況下，車道線的識別效果非常好。尤其對于直線道路或者彎曲幅度不大的車道線識別的錯誤率幾乎為零，如圖5所示。對算法執行時間進行評計，由于對不必要像素的剔除減少了矩陣計算，提高的算法的執行效率。算法與未進行熱點區域定義前效率對比如圖6所示。

4 結論

定義熱點區域對不必要的區域進行剔除，采用取中值的辦法來確定車道線位置，最終預測消失點，能夠提高車道線檢測與追蹤算法的效率和準確率，具有一定的可行性。經過反復驗證，該方法能夠對車道線進行較好識別，具有較高的抗干擾能力，對智能駕駛技術具有一定的應用價值。

參 考 文 獻

[1]Kenue K S Lanelok.An Alogorithm for Extending the Lane Sensing Operating Range to 100 Feet[J].Mobile Robots V，1990：222-233.

[2]Beauvais M，Lakshmanan S，CLARK：A Heteroge-

neous Sensor Fusion Method for Finding Lanes and Obstacles[J].Image and Vision Computing，

2000，18（5）：397-413

[3]Wang Yue，Shen Dinggang，Teoh E K.Lane Det-

ection Using Spline Model[J]. Pattern Recgnition Letters，1000，21：677-689.

[4]王玉萍，付曉豹.最小二乘圓心模糊集合貼近度蛙跳聚類算法[J].科技通報，1001-7119（2014）08-0191-03.