基于反透視變換的車道線檢測(cè)算法?

劉 萍 孫耀航

（陸軍軍官學(xué)院計(jì)算中心 合肥 230031）

1 引言

隨著社會(huì)的進(jìn)步和發(fā)展，安全駕駛和汽車的簡(jiǎn)便操作越來(lái)越受到人們的重視。蘋果、谷歌和特斯拉等公司相繼推出了無(wú)人駕駛系統(tǒng)，國(guó)內(nèi)的廠商也對(duì)此領(lǐng)域產(chǎn)生了高度興趣?；谌斯ぶ悄芎痛髷?shù)據(jù)的無(wú)人駕駛技術(shù)，被認(rèn)為是消除交通安全問(wèn)題的最終方法。從美國(guó)DARPA挑戰(zhàn)賽［1］到中國(guó)未來(lái)智能車大賽，無(wú)人駕駛技術(shù)在全世界興起了一陣熱潮［1］。

對(duì)于無(wú)人駕駛系統(tǒng)來(lái)說(shuō)，車道線檢測(cè)是非常重要的技術(shù)。到現(xiàn)在為止，已經(jīng)有一些基于機(jī)器視覺的無(wú)人駕駛技術(shù)得到了應(yīng)用。其中，一部分算法直接檢測(cè)道路的邊緣，而另一些算法首先利用道路的部分參數(shù)（例如顏色信息）來(lái)確定道路邊緣［2～5］。算法應(yīng)用的技術(shù)也有很大差別（霍夫變換、模版匹配和神經(jīng)網(wǎng)絡(luò)等）?？偟膩?lái)說(shuō)，有兩類方法用于車道線檢測(cè)：基于特征的方法和基于模型的方法［6］?；谔卣鞯姆椒ㄍㄟ^(guò)探測(cè)數(shù)種低級(jí)特征的組合來(lái)確定車道的位置。這類方法要求車道線必須是粉刷清楚，不然就會(huì)失效［7～9］。顯然，基于特征的方法對(duì)于大城市主干道很有效率，但是對(duì)于次重要的路段，或者道路保養(yǎng)不及時(shí)的城市就容易失效。另外要注意的是，因?yàn)榛谔卣鞯姆椒▽?duì)于檢測(cè)的線的特征沒(méi)有細(xì)致的約束，所以很容易受到噪聲或者遮擋的影響。

本文提出了一種基于反透視變換的車道線檢測(cè)算法，將攝像頭拍攝的視頻圖像轉(zhuǎn)換為俯視圖，以檢測(cè)車道線。本方法可以利用現(xiàn)實(shí)道路的模型，例如車道長(zhǎng)度、路寬以及路況等。本算法的流程如圖1所示。

圖1 算法流程

2 最優(yōu)閾值法對(duì)圖像二值化

城市道路刷有白色、黃色的各種標(biāo)線，而車道的檢測(cè)也就轉(zhuǎn)化為對(duì)圖像中這些標(biāo)線的檢測(cè)。圖像分割是最常用的檢測(cè)標(biāo)線的方法，圖像分割也經(jīng)常用于在圖像中確定物體或者邊緣的位置。更準(zhǔn)確地說(shuō)，圖像分割是一個(gè)為圖像內(nèi)每個(gè)像素標(biāo)明一個(gè)標(biāo)簽的過(guò)程，而標(biāo)記了相同標(biāo)簽的像素有同樣的視覺特征。

圖像分割最簡(jiǎn)明的方法就是閾值法［10～11］。閾值法的原理是根據(jù)設(shè)定的閾值對(duì)灰度圖像進(jìn)行二值化，所以二值化的效果取決于閾值的選取方法。本文提出了一種基于全局的最優(yōu)閾值算法。在車道線檢測(cè)過(guò)程中，為了減小路緣和遠(yuǎn)處圖像不清晰的問(wèn)題，本算法將圖像中天空的部分裁剪掉，在裁剪后的圖像中，道路占圖像的絕大部分。考慮到車道分割對(duì)噪聲和速度的敏感性，本文采用了基于全局的最優(yōu)閾值法對(duì)圖像進(jìn)行二值化。

最優(yōu)閾值法的原則是通過(guò)研究圖片的漸變數(shù)據(jù)分布特征，確定作為閾值的灰度。嘉定一幅圖片的灰度被分為1～m，那么這幅圖片中灰度為m的像素?cái)?shù)為n，圖片的像素總數(shù)為

每個(gè)灰度值的像素出現(xiàn)的概率為

然后用一個(gè)證書K將像素分成C0和C1兩組：

C0組中像素出現(xiàn)的概率為

像素飽和均值為

C1組中像素出現(xiàn)的概率為

像素飽和度均值為

從1，2，…，m遍歷k的取值，找到使得方差最大的k值記為K。當(dāng)σ2（）k取最大值時(shí)的K為最優(yōu)閾值。

圖像二值化的結(jié)果如圖2所示，圖2（a）為OTSU算法二值化的圖片，圖2（b）為本文算法二值化的圖片，可以看出我們的算法明顯噪聲更小。是圖像總體飽和度的均值。則：

兩組像素的方差為

圖2 圖像二值化

3 反透視變換

通過(guò)對(duì)圖像進(jìn)行二值化，凸顯了車道線的邊緣特征。針對(duì)車道線在俯視視角相交，導(dǎo)致不能對(duì)車輛進(jìn)行正確導(dǎo)向的問(wèn)題，需要利用反透視變換對(duì)圖像視角進(jìn)行校正。

由圖3所示，由于視角問(wèn)題，車道兩邊平行的車道線在圖像中顯示為在末端相交的直線。在遠(yuǎn)處會(huì)丟失很多圖像信息。通過(guò)反透視變換，我們可以抓取道路特征，以標(biāo)明車道線等信息［12～14］。

圖3 車道線模型的投影

在照相機(jī)平面上，一個(gè)目標(biāo)可以被看成是中心投影到平面上的。中心投影法是一個(gè)比較簡(jiǎn)單的投影方法，可以產(chǎn)生接近實(shí)際視覺效果的圖像。根據(jù)中心投影法的原則我們得到：

（u，v）是圖像坐標(biāo)，Xw是參考坐標(biāo)，s是比例因子。假定道路是絕對(duì)水平的，s的值就是固定的，M是可以通過(guò)圖像校準(zhǔn)計(jì)算的轉(zhuǎn)換矩陣。因此，對(duì)反透視變換矩陣的計(jì)算，就轉(zhuǎn)換為對(duì)公式Ax=b的求解。這個(gè)公式可以由奇異值分解很方便地求解。

固有參數(shù)（例如道路長(zhǎng)度、中心和視角變換）以及變化參數(shù)（例如車的相對(duì)位置）在處理前就進(jìn)行了校準(zhǔn)［8］。圖4展示了反透視變換后的二值圖像。

圖4 反透視變換后的車道線檢測(cè)

4 K-均值聚類算法

在反透視變換之后，車道線圖像的視角呈垂直俯視。接下來(lái)，我們需要利用K-均值聚類算法對(duì)車道線進(jìn)行擬合。

K-均值聚類算法在數(shù)據(jù)挖掘領(lǐng)域有廣泛的應(yīng)用。雖然K-均值聚類算法的計(jì)算復(fù)雜度比較高，但是有幾種啟發(fā)式算法可以匯聚成此算法的最優(yōu)解［15～16］。

分配：將每個(gè)觀測(cè)值分配給均值最接近它的聚類。

即使某個(gè)觀測(cè)值滿足分配給多個(gè)聚類，每個(gè)Xp只能被分配給唯一的 S（t）。

當(dāng)分配結(jié)束之后，聚類的過(guò)程也就結(jié)束了。K-均值聚類算法的計(jì)算結(jié)果如圖5所示。

圖5 K-均值聚類算法及其車道線匹配

5 實(shí)驗(yàn)結(jié)果

我們將小型攝像頭裝在家用轎車車頂和保險(xiǎn)杠上進(jìn)行實(shí)驗(yàn)，實(shí)驗(yàn)圖像為實(shí)拍圖像。實(shí)驗(yàn)結(jié)果如以下所示。

1）圖6展示了崎嶇道路的車道線檢測(cè)。

圖6 崎嶇道路的車道檢測(cè)

2）圖7展示了對(duì)亮度明顯變化的車道線檢測(cè)。

圖7 亮度明顯變化的車道線檢測(cè)

6 結(jié)語(yǔ)

城市道路車道線檢測(cè)是無(wú)人駕駛領(lǐng)域一項(xiàng)關(guān)鍵的計(jì)數(shù)。本文提出了一種基于反透視變換的車道線檢測(cè)算法。本算法不僅能夠有效地檢測(cè)車道線，而且能夠克服道路中不清晰、遮擋和干擾的問(wèn)題。我們也給出了說(shuō)明本算法有效性的實(shí)驗(yàn)。未來(lái)我們的研究方向，則是希望能夠辨別各種不同的車道線，以便車輛能夠根據(jù)車道標(biāo)志的不同做出反應(yīng)。