車道偏離預警系統關鍵技術設計*

鄭歡歡， 張雅瓊， 白魚秀

(榆林學院 信息工程學院,陜西 榆林 719000)

0 引 言

車道偏離預警系統是一種安全輔助駕駛系統，在車輛駛出行駛車道時系統會給駕駛員發出一個預警，提醒駕駛員的偏離行為，從而減少交通意外[1]。

本文設計了基于改進Sobel算法和Hough變換識別車道線的實時車道偏離預警系統，經實驗測試系統性能良好。

1 車道偏離預警系統設計

車道偏離預警系統的功能是在駕駛員駛出當前行駛車道時，系統要對駕駛員發出報警信息以提醒駕駛員避免交通意外的發生。系統主要包括道路圖像邊緣檢測、車道線檢測和車道偏離預警決策。各模塊功能如下：道路圖像邊緣檢測主要根據道路圖像檢測車道邊緣信息，車道線檢測模塊將車道邊緣連接形成車道線，車道偏離預警決策模塊根據預警模型判斷是否要進行報警處理。系統模塊框圖如圖1所示。

圖1 系統模塊框圖

2 道路圖像邊緣檢測

2.1 道路圖像預處理

直接從攝像機獲取的道路圖像不僅包含較大的信息量，也包含很多復雜的噪聲干擾。如果不采取相應的處理，會嚴重影響邊緣信息的提取。因此，首先需要對圖像進行灰度化處理，盡量減少冗余數據信息，提高系統的實時性；其次，要對其進行濾波處理，盡可能地減少噪聲干擾，提高圖像質量。

2.2 基于改Sobel算法的道路圖像邊緣檢測

利用圖像邊緣[2]特性對圖像進行分割處理在實際中應用廣泛，常用的邊緣檢測方法包括Canny算子、Sobel算子、Robert算子、LOG算子等。其中，Sobel算子具有原理簡單，檢測效果較好，易于硬件實現的優點。由于車道偏離預警系統對實時性要求較高，本文選擇改進的Sobel算子[3]來完成邊緣檢測。

1)定義卷積模板：Sobel算子是基于一階微分算子的圖像梯度實現邊緣檢測的算法，采用水平(0°)和垂直(90°)2個方向模板與圖像進行卷積運算。模板內數值為權值，通過與圖像像素進行加權平均方法計算差分值,不僅能較好地獲取圖像梯度，而且對噪聲起到了一定程度的抑制作用。

僅考慮2個方向，不能準確地檢測出圖像梯度，檢測到的邊緣也較寬。因此，改進算法在滿足系統實時性要求的基礎上，增加了45°和135°方向上的梯度計算[4]。方向模板大小為3×3，各方向模板如圖2所示。

圖2 改進Sobel算法方向模板

2)梯度計算：設定f(x,y)為連續的數字圖像函數，將4個方向模板與圖像進行卷積運算，求出模板中心點對應的圖像像素點的4個方向梯度值分別為：G0(x,y)，G45(x,y)，G90(x,y)，G135(x,y)。用grad(x,y)表示梯度圖像：grad(x,y)=max[G0(x,y),G45(x,y),G90(x,y),G135(x,y)]。

3)邊緣細化：從梯度計算可以看出，Sobel算法的梯度圖像是通過一階微分計算得出的，所以在梯度圖像的邊緣會存在屋脊帶。本文采用非極大抑制處理，如式所示

(1)

式中g(x,y)為非極大值抑制處理后的新梯度；點z1，z2分別為經過預處理后的灰度圖像3×3領域內與點(x,y)在同一方向上的其余兩點。該算法在保留邊緣特征的同時，使邊緣達到一個像素的寬度。

4)自適應動態閾值：在不同環境獲取的道路圖像差別較大，如果使用統一的閾值進行處理得到的結果不夠精確。因此本文采用局部梯度圖像信息設置自適應的動態閾值[5]，其定義如下

t(x,y)=[sum(A)-min(A)-max(A)]/7

(2)

式中t(x,y)為局部自適應動態閾值，A為3×3灰度圖像窗口像素組成的矩陣。

梯度圖像二值化就是根據閾值將梯度圖像進行二值化處理[6]。當梯度值大于閾值，則該像素點認為是圖像邊緣點，像素值為255；當梯度值小于閾值，則該像素點認為是不是圖像的邊緣點，像素值為0。

3 道路圖像邊緣連接

邊緣檢測算法得到的是邊緣像素的集合。由于受外界因素的影響，比如噪聲、不均勻光照等，這些邊緣像素中存在一些虛假灰度像素值。因此，需要采用邊緣連接算法，將邊緣像素合成有意義的邊緣。本設計中邊緣連接采用的是Hough變換算法[7,8]。Hough變換是一種快速直線檢測算法，它能夠快速匹配模板，對于車道線檢測來說有較為理想的效果。

Hough變換的主要思想是利用點—線的對偶性，即圖像空間xoy中的直線xy對應在參數空間aob中相交的線。Hough變換的直線方程為：y=ax+b。其中，a為斜率，b為截距。為了解決垂直直線斜率無窮大的問題，一般采用極坐標形式：ρ=xcosθ+ysinθ。其中，θ是垂直于圖像中直線的直線角度，ρ是原點到直線交點間的距離。

將參數空間離散化成一個累加器矩陣，對于圖像上檢測出來的每個點(xi，yi)映射到(ρ，θ)對應的累加器中。如果累加器大于指定閾值，就認為存在一條直線邊，從而檢測出車道線。

4 車道偏離預警決策

檢測出車道線后要建立合適的車道偏離預警決策[9]，實現車道線的偏離報警。根據實際需求，本文采用車輛在當前車輛的橫向位置、車輛方向、轉向燈等信息相結合的預警準則[10]。

圖3為本文采用的預警臨界示意圖。圖中，最初報警線之間為安全區；臨界報警線與最初報警線之間是LED燈報警區，此時車輛向車道線偏離，相對應方向的LED燈變紅并閃爍；最遲報警線與臨界報警線之間為報警區，當車輛偏離正常行駛車道而行駛到此區域時，相應側的LED燈會變紅閃爍，蜂鳴器也會發出報警聲音，車載顯示器內的車道線變紅。

圖3 預警系統報警臨界設置示意

其中，b為車的寬度，θ0為設定的閾值，取值為1°,x0為車輛在車道中的橫向位置；報警臨界線距y軸的距離可以根據不同的車型來設置：

1)車型為小轎車：x1=w/2-0.2

2)車型為大轎車：x1=w/2+0.1

其中，w為車道寬度，m。

(3)

如果滿足式(3)，車輛向右偏離，觸發右LED燈報警，蜂鳴器不報警。其中kr1是最初報警線到y軸的距離與x0的比值

(4)

如果滿足式(4)，車輛向右偏離，觸發右LED燈報警且蜂鳴器不報警。其中，kr2為最遲報警線到y軸的距離與x0的比值

(5)

如果滿足式(5)，車輛向左偏離，觸發左LED燈報警且蜂鳴器不報警。其中，kr1為最初報警線到y軸的距離與x0的比值

(6)

如果滿足式(6)，車輛向左偏離，觸發左LED燈報警且蜂鳴器報警。其中，kr2為最遲報警線到y軸的距離與x0的比值。

如果滿足式(3)～式(6)所示的預警模型，如圖4所示，在模型建立后只需要求出道路寬度w、方向參數和橫向參數。直線MN表示車輛前方攝像機的有效視野中距車最近的部分，EF表示車輛的兩個前輪，MN與EF之間的距離為h，與y軸相交于M，再利用車道線檢測得到的車道參數：(k1，b1)和(kr，br)，且已知車載攝像機的安裝高度和選用攝像機焦距、靶面尺寸等參數，根據以上參數可以建立預警模型。

圖4 預警模型參數含義示意

5 實驗結果

在閱讀了大量國內外有關車道偏離預警系統關鍵算法的文獻后，確定了本文算法，采用基于VC++6.0實現對基于改進Sobel算法和Hough變換識別車道線及實時車道偏離預警系統實驗驗證。

首先將攝像機安裝在車輛前擋風玻璃中央位置，在不同的道路環境和光照條件下，獲取道路圖像視頻信息。采用VC6.0編程，以道路圖像信息作為實驗數據，在PC上實現對樣本圖像的顯示、車道線的識別；在PC上建立車道偏離預警決策仿真環境，對道路圖像視頻信息進行車道偏離預警決策仿真實驗測試。

圖5為對一車道圖像的車道線提取處理，其中，圖(a)為原圖，圖(b)為圖像預處理，圖(c)為邊緣檢測，圖(d)為邊緣連接。從實驗結果來看能夠較好地實現車道線的邊緣檢測，另外邊緣檢測使用的Sobel算子，作為一階邊緣檢測算子具有較好的實時性。在靠近左側車道和右側車道的樣本圖像中，通過車道偏離預警決策仿真環境中，能夠較快地發出偏離報警信息。

圖5 道路圖像車道線提取處理

6 結 論

本文設計了實時車道偏離預警系統，經過仿真實驗驗證系統不僅能夠快速且準確檢測出車道線的邊緣信息，而且能結合車輛本身的狀態信息來判斷當前車輛是否發生偏離，并判斷是否會進行報警。