基于計(jì)算機(jī)視覺的車道線檢測與識別

徐林

摘? 要：在我國進(jìn)入21世紀(jì)快速發(fā)展的新時(shí)期，市場經(jīng)濟(jì)在迅猛發(fā)展，社會在不斷進(jìn)步，該文基于計(jì)算機(jī)視覺基礎(chǔ)，設(shè)計(jì)了一種車道線的檢測與識別技術(shù)，通過汽車搭載的前置攝像頭獲取道路前方包含車道線等信息的實(shí)時(shí)畫面，并對畫面進(jìn)行預(yù)處理、形態(tài)學(xué)運(yùn)算、Canny邊緣檢測、累計(jì)概率Hough變換等一系列轉(zhuǎn)換，得到正確的車道線信息。實(shí)驗(yàn)結(jié)果表明，該方法可以有效快速地檢測和識別出正確車道線，滿足了汽車無人駕駛系統(tǒng)的響應(yīng)時(shí)間需求，在汽車無人駕駛的開發(fā)過程中有一定的現(xiàn)實(shí)研究意義。

關(guān)鍵詞：計(jì)算機(jī)視覺;車道線;檢測;識別

引言

經(jīng)過一個(gè)多世紀(jì)的發(fā)展，汽車以其特有的優(yōu)越性飛速發(fā)展，汽車保有量直線上升。但是，人們在享受汽車帶來便捷的同時(shí)，也面臨著嚴(yán)峻的交通問題。因此，智能車輛的研究如雨后春筍般在世界各國開展起來。基于機(jī)器視覺的車道線檢測識別是智能車輛輔助駕駛系統(tǒng)的關(guān)鍵技術(shù)之一。車道線檢測就是從攝像頭獲得的圖像中，將車道線與背景進(jìn)行分離，從而獲得車道線的走向等信息。目前國內(nèi)外已經(jīng)提出了許多車道線的檢測識別方法，早期的一些簡單算法主要利用車道線固定且顏色明顯（如黃色和白色）對車道線進(jìn)行識別，往往有很大的局限性;后來的復(fù)雜算法抗干擾能力強(qiáng)，但是處理速度及實(shí)時(shí)性較差。因此，如何準(zhǔn)確、快速地檢測識別出車道線已成為智能車輛輔助駕駛系統(tǒng)的一個(gè)重要問題。針對道路特點(diǎn)以及對車道線識別的準(zhǔn)確性和魯棒性等要求，本文主要對圖像分割（二值化）過程中的3種算法進(jìn)行對比，得出效果較好的最大類間方差的算法;在邊緣檢測過程中對Sobel算法進(jìn)行改進(jìn);在車道線識別的過程中應(yīng)用了霍夫變換，有效準(zhǔn)確地對車道線進(jìn)行識別。

1機(jī)器視覺和機(jī)器學(xué)習(xí)

視覺是我們獲取外界信息的首要途徑，占據(jù)了日常信息流的60%以上。對于智能車輛，需要環(huán)境感知來進(jìn)行下一步?jīng)Q策，機(jī)器視覺就是智能車的眼睛。機(jī)器視覺是人工智能的重要分支，目前機(jī)器視覺作為和圖像處理、計(jì)算機(jī)視覺都有所交叉的學(xué)科，在自動控制、信號處理、機(jī)器學(xué)習(xí)、人工智能、生物醫(yī)學(xué)等在內(nèi)的各個(gè)領(lǐng)域都得到了廣泛應(yīng)用。機(jī)器視覺技術(shù)是智能交通系統(tǒng)的重要環(huán)節(jié)。基于圖像識別技術(shù)，通過計(jì)算機(jī)視覺獲取海量數(shù)據(jù)，通過算法實(shí)現(xiàn)檢測、分類、識別等功能，去分析、辨識環(huán)境中的車輛、行人、標(biāo)志等目標(biāo)，獲取分類信息，使車輛可以自主分析道路狀況，是現(xiàn)階段機(jī)器視覺的重要研究方向。目標(biāo)檢測是計(jì)算機(jī)視覺、圖像處理和機(jī)器視覺中的經(jīng)典問題，車道線和交通標(biāo)志的檢測和識別是綜合機(jī)器視覺和機(jī)器學(xué)習(xí)的實(shí)際應(yīng)用，對算法的魯棒性和實(shí)時(shí)性都有很高的要求。傳統(tǒng)機(jī)器學(xué)習(xí)算法推動了目標(biāo)檢測的快速發(fā)展，但仍有諸多不足，需要人工設(shè)計(jì)特征，而且易受復(fù)雜背景和光照不足的影響。相較之下，深度學(xué)習(xí)利用深層次的神經(jīng)網(wǎng)絡(luò)自動且高質(zhì)量地提取目標(biāo)特征，使得深度學(xué)習(xí)在目標(biāo)檢測領(lǐng)域發(fā)展迅速。機(jī)器學(xué)習(xí)是人工智能的核心，通過獲取海量數(shù)據(jù)，使機(jī)器自主學(xué)習(xí)，實(shí)現(xiàn)目標(biāo)檢測、識別等功能。從網(wǎng)絡(luò)的復(fù)雜度來講，機(jī)器學(xué)習(xí)由淺層學(xué)習(xí)逐漸過渡到深度學(xué)習(xí)。淺層學(xué)習(xí)即網(wǎng)絡(luò)層數(shù)較少，當(dāng)樣本和計(jì)算單元有限時(shí)，淺層的網(wǎng)絡(luò)難以有效地?cái)M合復(fù)雜函數(shù)，不能完成復(fù)雜的分類或回歸問題。深度學(xué)習(xí)網(wǎng)絡(luò)的隱含層層數(shù)較多，網(wǎng)絡(luò)層次更深，特征表達(dá)能力更強(qiáng)，可以有效地?cái)M合復(fù)雜函數(shù)，在分類或回歸問題的表現(xiàn)和泛化能力較強(qiáng)。由于深度學(xué)習(xí)是對大量的訓(xùn)練數(shù)據(jù)自動地學(xué)習(xí)特征，更能夠刻畫數(shù)據(jù)的豐富內(nèi)在信息，因此在語音識別，圖像識別，自然語言處理領(lǐng)域應(yīng)用廣泛。

2計(jì)算機(jī)視覺的車道線檢測與識別

2.1ROI選取

首先，車載攝像機(jī)采集到的實(shí)時(shí)圖像中包含車輛、天空、樹木等干擾信息，消除這些干擾信息不僅可以增強(qiáng)目標(biāo)信息的可檢測性和最大限度地提高算法運(yùn)行效率，也為后續(xù)圖像處理的任務(wù)降低難度;其次，車道線檢測任務(wù)主要關(guān)注車輛前方2條車道寬度的區(qū)域。因此，由于車載相機(jī)一般固定于車輛前窗中間位置，考慮車輛上坡/下坡時(shí)的可視車道上下浮動的實(shí)際情況，在行車記錄儀采集的圖像中選取下2/3部分作為ROI。

2.2濾波

濾波技術(shù)能夠只針對圖像中的高頻分量進(jìn)行處理，而不影響其中低頻分量的信息部分。高頻分量在圖像中主要體現(xiàn)在圖像的邊角處等灰度值差值較大的部分，或者說是灰度值的變化速度較快的位置，可以使用圖像濾波技術(shù)，這樣既可以有效地降低圖像灰度值的落差，讓圖像變得平滑，又可以達(dá)到濾除圖像中噪聲信號的目的，最大程度保留車道線的輪廓信息，并削弱其他非車道線物體輪廓的影響。該文所用的高斯濾波，它是線性平滑濾波的一種技術(shù)手段，其主要目的就是去除高斯噪聲。高斯濾波就是把畫面進(jìn)行加權(quán)平均處理，即任何一個(gè)像素點(diǎn)的數(shù)值都是它自身大小與相鄰像素點(diǎn)的大小通過加權(quán)平均后得到，所以經(jīng)過高斯濾波后會得到更加精確的焦外成像效果，可以增強(qiáng)圖像效果，很大程度上區(qū)分車道線和非車道線。

2.3邊緣檢測

要想將車道線從圖像中識別出來，主要是依靠車道線的邊緣信息來提取。在數(shù)字圖像處理中，目標(biāo)邊緣是圖像最基本的特征之一，邊緣勾勒出了目標(biāo)的輪廓，集中了目標(biāo)的大部分信息。常見的邊緣信息提取主要采用的是基于灰度圖像梯度的方法。灰度值發(fā)生明顯變化的區(qū)域是灰度圖像的邊緣，具有方向和幅度兩個(gè)特性：平行于邊緣走向的像素灰度值變化平緩，而垂直于邊緣走向的像素灰度值變化劇烈。灰度圖像中局部區(qū)域的灰度值變化越劇烈，越容易提取邊緣信息。在本課題中，使用幾種不同的算子檢測圖像邊緣特征。

2.4數(shù)據(jù)采集

交通標(biāo)志處于自然場景下，算法進(jìn)行檢測識別時(shí)面臨巨大的挑戰(zhàn)，主要有以下幾點(diǎn)困難：（1）陰雨天或處于光線較差的隧道和停車場，難以提取明顯特征。（2）路面標(biāo)志周圍的環(huán)境比較復(fù)雜，周圍白色的物體可能會導(dǎo)致檢測算法的誤檢率升高。（3）路面標(biāo)志由于車輛碾壓，日久風(fēng)化等自然因素，易受到磨損，邊緣輪廓模糊難辨。（4）城市道路車輛擁擠，路面標(biāo)志易被車輪遮擋，可利用的形狀信息不完整。開啟車載行車記錄儀，針對廣州市普通城市街道和高速公路實(shí)時(shí)拍攝道路交通視頻信息。基于上述的環(huán)境干擾因素，實(shí)現(xiàn)路面標(biāo)志的識別仍面臨巨大困難。為了增強(qiáng)算法的魯棒性，采集場景包含了晴天、雨天、光線充足、光線昏暗、能見度低等不同環(huán)境條件以及旋轉(zhuǎn)、部分遮擋、運(yùn)動模糊等干擾因素。

2.5腐蝕

腐蝕和膨脹是相反的過程，腐蝕是求取圖像區(qū)域最小值。通過給定的圖形與設(shè)定的核進(jìn)行卷積運(yùn)算，將設(shè)定核所涉及區(qū)域內(nèi)的像素點(diǎn)的最小值賦給參考點(diǎn)給定的像素，求解局部最小值。在膨脹操作以后進(jìn)行腐蝕操作，可以將在膨脹操作中誤連通的非車道線很大程度的還原回去，防止非車道線對檢測的影響。

結(jié)語

本文對汽車智能輔助駕駛中的關(guān)鍵技術(shù)———車道線的檢測做了詳細(xì)研究，綜合車道線檢測中的關(guān)鍵問題，提出一種適應(yīng)性強(qiáng)、魯棒性好、實(shí)時(shí)性高的車道線檢測方法，為汽車智能輔助駕駛技術(shù)的發(fā)展提供了理論依據(jù)，具有重要的現(xiàn)實(shí)意義。

參考文獻(xiàn)

[1]? 許宏科，秦嚴(yán)嚴(yán).一種基于Hough變換的車道線檢測新方法[J].徐州工程學(xué)院學(xué)報(bào)，2013（4）：1-4.

[2]? 侯利龍.高速公路車道線檢測算法研究[D].鄭州：河南工業(yè)大學(xué)，2012.

[3]? 侯立龍，狄?guī)?直線模型下的高速公路車道線檢測方法研究[J].清遠(yuǎn)職業(yè)技術(shù)學(xué)院學(xué)報(bào)，2011（6）：73-76.

[4]? 張錚，倪紅霞，苑春苗，等.精通Matlab數(shù)字圖像處理與識別[M].北京：人民郵電出版社，2013.

[5]? 吳一全，潘喆.2維最大類間平均離差閾值選取快速遞推算法[J].中國圖象圖形學(xué)報(bào)，2009，14（3）：471-476.