基于視覺的車道偏離預警系統研究

何建輝 潘陳兵

摘 要：針對目前車道預警系統中運用神經網絡算法進行車道線識別導致硬件成本上漲的問題，本文通過運用車道線感興趣區域提取、圖像灰度化和中值濾波操作一系列圖像預處理技術，以及運用Canny邊緣檢測算法和Hough變換實現車道線識別，從而降低硬件成本。根據識別的結果，本文設計了基于車輛橫向位置和偏航角度的預警模型。最終的實驗結果表明，本文設計的車道偏離預警系統具有實時性良好、準確度高、預警及時的特點。

關鍵詞：視覺;圖像預處理;車道線識別;車道偏離預警

1 引言

隨著科技發展及國家政策支持，新能源汽車保有量不斷上升，同時帶來的交通事故、人員傷亡和財產損失也不斷增加。根據交通事故的統計結果分析，超過90%的交通事故是由于駕駛員的錯誤判斷和決策造成的[1]。因此，對于新能源汽車的車道偏離預警系統（Lane Departure Warning System，LDWS）的研究對提高新能源汽車的安全性及未來無人駕駛技術的發展具有重要意義。

從目前的研究現狀來看，車道偏離預警系統已取得較大地突破，并在部分高檔車型上得到了應用。車道偏離預警系統需要解決兩大關鍵技術，一是車道線識別，二是車道偏離判斷。在車道線識別方面，神經網絡算法得到廣泛地應用[2]，但是由于神經網絡算法計算復雜加上車道偏離預警系統采集數據量大導致系統整體計算量偏大[3]，為了滿足實時性要求，必須運用計算能力較強的硬件[4]，從而導致車道偏離預警系統成本過高。在車道偏離預警方面，各種預警模型已相對成熟，常見的預警模型有CCP模型，即基于車輛預計橫跨車道模型[5-7];FOD模型，即基于未來偏離量模型[8];TLC模型，即基于車輛預計橫跨車道模型[9-13]等幾種。

本文針對在車道線識別方面存在的缺陷，首先設計了一套適合車道線識別的圖像預處理方法，其中包括車道線感興趣區域提取即車道線ROI提取、圖像灰度化操作和中值濾波操作。通過中值濾波操作可以有效地降低圖像噪聲對車道線識別地影響;通過車道線ROI提取和圖像灰度化操作能夠有效地提高車道線識別的速度。其次，本文運用Canny邊緣檢測算法實現車道線邊緣檢測。最后，運用Hough變換對車道線進行擬合。在完成擬合之后，本文運用車輛橫向位置偏移量及偏航角度相結合的方式進行車道偏離判斷。

經過實驗研究發現，本文設計的車道線偏離預警系統在保證實時性的前提下具有較高的準確度。

2 車道線識別

能夠準確快速地識別車道線時車道偏離預警系統的關鍵技術之一，也是判斷車道偏離預警系統的重要指標之一。目前流行的神經網絡算法雖然在準確率方面處于領先地位，但是在硬件成本方面卻處于明顯的劣勢，而且由于車道線識別不同于其他的交通元素的識別，車道線識別具有目標特征明顯、位置固定、種類少的特點，因此通過對圖像進行合理的預處理以及運用合理的圖像邊緣檢測算法能夠達到較高的識別準確度。

2.1 圖像預處理

由于車輛在實際行駛過程中，交通情況復雜，對于車道線的識別存在諸多干擾因素，如道路兩側綠化對車道線的干擾、光線變化、前方車輛干擾等[14]。另外，攝像頭采集的圖像數據較大，其中包含信息量較大，直接進行車道線識別會對實時性產生較大影響，同時也增加了硬件成本。因此，本文在車道線識別之前進行了一系列圖像預處理，即圖像增強。根據車道線識別的要求，本文運用的圖像預處理方法有車道線感興趣區域提取即車道線ROI提取、圖像灰度化操作和中值濾波。

（1）車道線ROI提取

針對本文所研究的車道偏離預警系統攝像頭采集到的圖像信息中的天空、大叔、道路周圍的高層建筑等處于圖像上半部分的元素對于車道線識別而言均為無用元素，因此在車道線ROI提取的過程中可以將這些元素忽略。通過車道線ROI提取可以有效減小原始圖像大小，提高識別速度和準確度。車道線ROI提取效果如圖1（b）所示，圖1（a）為原始圖像。

（2）圖像灰度化

由于攝像頭采集的圖像為彩色圖像，即一個像素需要R、G、B三種信號表示，若直接將彩色圖像進行識別會增加計算量從而增大硬件的負擔，對實時性產生較大的影響，并且車道線不同于其他交通元素，車道線與道路區分明顯，因此通過圖像灰度化操作可以有效地降低原始圖像的數據量。

（3）中值濾波

中值濾波是一種非線性的平滑技術，是空間濾波算法的一種[15]。中值濾波可以有效地去除圖像中的椒鹽噪聲，該算法核心思想是用某領域內全部像素的中間值代替該領域內全部像素值[16]，數學表達式為：

經過這一系列圖像預處理操作可以得到待檢測圖像，如圖2所示，其中圖2（a）為原始圖像，圖2（b）為待檢測圖像。

2.2 車道線邊緣檢測

根據車道線的特點，本文運用梯度變化進行車道線邊緣檢測，常用的利用梯度變化的邊緣檢測算法有Sobel算法、Robort算法和Canny邊緣檢測算法[17]，本文采用的是Canny邊緣檢測算法。與其他邊緣檢測算法相比，Canny邊緣檢測算法具有準確度高、有效地消除假邊緣、效果明顯地特點。Canny邊緣檢測算法的核心思想是計算每一點是不是最大值來判斷像素點是否為邊緣點，設中心邊緣點為，二維高斯函數為：

通過Canny邊緣檢測算法，得到車道線邊緣檢測效果如圖3所示。其中，圖3（a）為待檢測圖像，圖3（b）為邊緣檢測效果圖。

2.3 車道線擬合

完成上述車道線邊緣檢測后，需要運用一條直線來擬合車道線，常用的直線擬合方法有最小二乘法和Hough變換[18]。與最小二乘法相比，Hough變換具有魯棒性強、容錯性強的特點，因此，本文采用Hough變換實現擬合。Hough變換的核心思想是坐標系的變換，即將圖像的坐標空間變換為參數空間，在參數空間進行匹配計算，最終實現直線擬合。

[12]Van W W，Brookhuis K A，De W D.A comparison of different ?ways to approximate time-to-line crossing（TLC） during car driving[J]. Accident Analysis & Prevention， 2000， 32（1）： 47-56.

[13]Mammar S，Glaser S， Netto M.Time to line crossing for lane departure avoidance： a theoretical study and an experimental setting[J]. IEEE Transactions on Intelligent Transportation Systems， 2006， 7（2）： 226-241.

[14]Wei-wei Zhang，Xiao-lin Song，Gui-xiang Zhang.Real-time lane departure warning system based on principal component analysis of grayscale distribution and risk evaluation model[J]. Journal of Central South University，2014，21（4）

[15]劉國宏，郭文明.改進的中值濾波去噪算法應用分析[J].計算機工程與應用，2010（10）：187-189.

[16]巫肇彬.基于機器視覺的車道偏離預警系統的研究[D].燕山大學，2017.

[17]韋煒.常用圖像邊緣檢測方法及Matlab研究[J].現代電子技術， 2011（04）： 91-94.

[18]Zhang X，Shi Z.Study on lane boundary detection in night scene[C]//Intelligent Vehicles Symposium.IEEE Xplore， 2009：538-541.

[19]張翀，范新南.基于直線模型的車道線實時檢測方法[J].計算機工程與設計，2012， 33（01）：295-299.

[20]KOBAYAKAWA Michihiro，KURITA Takio，SEKITA Iwao，UMEYAMA Shinji.Line detection using Hough transform based on linearity of local region[J].ITE Technical Report，1994，18（80）.

[21]錢怡.基于Hough變換的車道線檢測[J].山東工業技術，2017（10）：272-273.