夜間車道線檢測的研究

王正家　王若　吳順堯　何濤

摘 ?要： 夜間環境下的車道線檢測是汽車智能輔助安全駕駛系統在夜間正常工作的前提和基礎。由于夜間環境下存在圖像整體較暗、光照不均勻、車道線不易檢測的特點，使當前在日間環境下應用良好的算法難以適用。針對此問題，該文提出一種夜間車道線檢測的方法。通過從攝像機獲取的圖像中提取感興趣區域，采用雙邊濾波去除感興趣區域中的噪點，并使用暗光增強算法提高對比度，最后通過邊緣檢測算法提取出邊緣并應用霍夫變換得出直線。應用該文算法對夜間環境下的車道圖像進行測試，實驗結果表明，該文算法較常規的車道檢測算法更能準確地檢測出車道線。

關鍵詞： 車道線檢測; 圖像增強; 邊緣檢測; 霍夫變換; 非線性拉伸; 雙邊濾波

中圖分類號： TN911.23?34; TP391 ? ? ? ? ? ? ? ?文獻標識碼： A ? ? ? ? ? ? ? ? ? ? 文章編號： 1004?373X（2020）24?0026?04

Research on nighttime lane detection

WANG Zhengjia1，2， WANG Ruo1， WU Shunyao1， HE Tao1

（1. Key Laboratory of Modern Manufacturing Quality Engineering， Hubei University of Technology， Wuhan 430068， China;

2. State Key Laboratory of Digital Manufacturing Equipment and Tecchnology， Huazhong University of Science and Technology， Wuhan 430068， China）

Abstract： The lane line detection at night conditions is the premise and foundation for the intelligent auxiliary safe driving system to work normally at night. Due to the features of dark image， uneven illumination and difficult detection of lane lines in the nighttime environment， it is difficult to apply the algorithm that is well applied in the daytime environment. On this basis， a method of nighttime lane detection is proposed. The region of interest is extracted from the image acquired by the camera， and the noises in the region of interest are removed by means of the bilateral filtering， and the contrast is improved by means of the dark light enhancement algorithm. The edge is extracted by the edge detection algorithm， and the straight line is obtained by means of the Hough transform. The algorithm is applied to the lane image in night environment. The experimental results show that this algorithm can detect lane lines more accurately than the conventional lane detection algorithms.

Keywords： lane line detection; image enhancement; edge detection; Hough transform; nonlinear stretching; bilateral filtering

0 ?引 ?言

近年來，科學技術的不斷進步以及人工智能的高速發展，給汽車行業帶來了巨大的變革。汽車駕駛輔助系統能有效地增加舒適性和安全性，其中的關鍵技術——車道偏離分析及預警系統是以車道線檢測為前提的[1?2]。目前的研究大都基于常規光照條件（如白天）[3?7]，常規情況下光照分布均勻，車道線與路面之間的對比度明顯，因此利用索貝爾或者拉普拉斯等邊緣檢測算子檢測出車道線。在夜間只有車燈照射路面環境下獲取的圖像整體較暗、光照不均勻、對比度低、車道線不易檢測，針對這種情況，黨宏社等人利用Gabor模板變換分析得到尺度和方向的特征圖[8]，并進行融合得到圖像的紋理特征和方向索引值，利用索引值確定消失點，再根據消失點確定的區域進行曲線擬合。但由于使用不同的尺度模板進行變換分析，且還需要進行曲線擬合，這會導致計算量大。孫曉艷等人提出一種基于亮度累加直方圖的車輛檢測算法[9]，通過統計大量的尾燈亮度信息得到分割閾值，由該閾值確定最大類間方差法的初始閾值。該方法需要數百幀圖像一起計算，導致計算量過大。錢龍等人提出一種夜間車道線圖像的預處理方法[10]，文中使用全局灰度均值作為改進的局部直方圖分割的標準，導致改進的局部直方圖均衡化所選取的分界點閾值方法不合理，所以在灰度值差異大且數量比例嚴重不平衡情況下會造成車道線誤檢測。李亞娣等人提出夜間車道線識別方法[11]，對預處理后的圖像采用拉普拉斯算子進行邊緣增強，但拉普拉斯算子也會增強圖像中的噪聲。利用二階導數信息的算法是基于過零檢測，因此得到的邊緣點數比較少，會造成誤檢測從而不利于后續的處理和識別工作。針對上述問題，本文提出一種夜間車道線檢測的方法，從攝像機獲取的圖像進行感興趣區域提取，采用雙邊濾波算法對圖像進行預處理，然后使用一種非線性對比度拉伸方法增強圖像的對比度，最后用Scharr算子求取卷積核的邊緣檢測結果，讓其作為霍夫直線檢測算法的輸入數據，從而可以在夜間環境下準確地檢測出車道線。

1 ?圖像預處理

根據攝像頭安裝位置特點選取感興趣區域見圖1。圖中最頂部分是天空，最底部分是車頭，因此把整幅圖像從上到下分為四部分，排除最頂部天空和最底部車頭之外選取中間屬于車道線的兩部分。由于夜間環境下圖像整體較暗、光照不均勻等特點，所以在感興趣區域內需要進行圖像濾波處理，常用圖像濾波方法采用高斯濾波器進行去噪處理[9]，通過周圍的點按距離權重計算當前點的值，但只考慮了位置對中心像素的影響。所以，本文采用雙邊濾波器進行去噪處理。雙邊濾波器是一種非線性濾波器，可以達到保持邊緣、降噪平滑的效果。與其他濾波器原理一樣，雙邊濾波器采用加權平均的方法，用周邊像素亮度值的加權平均代表某個像素的強度，所用的加權平均基于高斯分布。其優點是，雙邊濾波的權重不僅考慮了像素的歐氏距離，還考慮了像素范圍域中的輻射差異，在計算中心像素的時候同時考慮這兩個權重。濾波效果見圖2、圖3。

2 ?對比度增強

由于夜間環境的光照不均勻導致采集的圖像質量差，因此需要使用圖像增強技術提高其質量。根據采集得原始圖像分析得知，灰度值小于50的像素點占整幅圖像的絕大部分。因此為了解決圖像中灰度等級范圍小，造成對比度低的問題，錢龍等人提出在夜間車道線圖像的預處理方法[10]中采用改進的直方圖均衡化算法的前提是灰度圖直方圖中必須有兩個明顯的波峰進行閾值處理才有明顯效果，而夜間環境下圖像的灰度圖直方圖并不會出現明顯的雙峰，這給直方圖技術帶來困難。

本文提出一種非線性對比度拉伸方法見式（1），拉伸方法曲線如圖4所示，目的在于擴大灰度等級從而提高對比度，使得圖像看起來更清晰，對比圖如圖5（原圖）、圖6（改進的直方圖均衡化方法）、圖7（非線性對比度拉伸方法）所示，對應的直方圖如圖8（原圖直方圖）、圖9（改進的直方圖均衡化方法直方圖）、圖10（非線性對比度拉伸方法直方圖）所示。

[fx= 255x] （1）

3 ?邊緣檢測

經過圖像預處理和對比度增強兩個步驟之后，把邊緣信息從光照不均勻的圖像中突顯出來。邊緣信息特征使灰度值劇烈變化，因此灰度值變化的程度可以用差分值體現。Sobel算子利用導數的近似值，而Scharr算子增加了權重，可以計算出比Sobel算子更小的梯度變化。因此選用Scharr算子分別求取x方向、y方向的一階差分值[Gx]，[Gy]，卷積矩陣見式（2），再根據式（3）便可以確定像素點的梯度G和方向Θ。雖然這樣可以準確無誤地計算出每個像素的梯度，但由于灰度變化區域都是較為集中，某些梯度值不夠大導致邊緣太粗，所以采用非極大值抑制方法濾除其他梯度值，僅僅讓局部最大的梯度值通過，這樣將有多個像素寬的邊緣變成單像素寬的邊緣。

[Gx=-303-10010-303， ?Gy=-3-10-30003103] （2）

[G=G2x+G2y， ?Θ=arctanGyGx] ?（3）

通過非極大值抑制后可以濾除絕大部分干擾點，但仍然有很多潛在的干擾點。因此，進一步設置一個雙閾值，即低閾值L和高閾值H。如果灰度值大于高閾值H，則認為是邊緣點，如果灰度值小于低閾值L，則認為不是邊緣點。但灰度值介于高閾值H和低閾值L之間，判斷的標準是如果這些可能的邊緣點與高閾值H過濾得到的邊緣點連接，則認為是邊緣點，否則不是邊緣點。實驗結果如圖11、圖12所示。最后，利用霍夫變換對直線進行檢測，使用OpenCV提供的HoughLinesP（）函數進行處理，結果如圖13、圖14所示。

4 ?實驗結果分析

為了驗證該算法在不同黑暗環境下適應性強、準確率高的特點，在不同黑暗環境下進行多次實驗，如圖15所示。圖15a）是原始圖片，圖15b）是改進的直方圖均衡化算法處理后的圖像，圖15c）是本文算法處理后的圖像。由圖15可以發現，針對不同的環境光，尤其是環境光較為均勻的環境下，本文算法檢測的準確率比改進的直方圖均衡化算法高;對于沒有路燈和微弱的車燈照明環境下，本文算法仍然可以較好地檢測出車道線，而改進的直方圖均衡化算法幾乎不能檢測出車道線;在僅僅有路燈環境下，本文算法幾乎可以完整地檢測出車道線，而改進的直方圖均衡化算法卻有較多的誤檢測。

5 ?結 ?論

本文針對于夜間環境下圖像整體較暗、光照不均勻、車道線不易檢測的問題，提出一種夜間車道線檢測的方法。首先，從攝像頭獲取的圖像中取感興趣區域，然后采用雙邊濾波去除感興趣區域中的噪點，再使用一種暗光增強算法提高對比度，最后通過邊緣檢測算法檢測提取出邊緣后，使用霍夫變換檢測出直線。經過多次實驗，結果表明本文算法可準確地檢測出車道線。

參考文獻

[1] LEE C， MOON J H. Robust lane detection and tracking for real?time application [J]. IEEE transactions on intelligent transportation systems， 2018（3）： 1?6.

[2] YANG Yangye， XIAO Lihao， HOU Jinchen. Lane detection method based on lane structural analysis and CNNS [J]. IET intelligent transport systems， 2018， 12（6）： 513?520.

[3] WANG Z X， WANG W. The research on edge detection algorithm of lane [J]. EURASIP journal on image and video processing， 2018（1）： 98.

[4] DE PAULA M B， JUNG C R. Automatic detection and classification of road lane markings using onboard vehicular cameras [J]. IEEE transactions on intelligent transportation systems， 2015， 16（6）： 1?10.

[5] XING Y， CHEN L， CHEN L， et al. Advances in vision?based lane detection： algorithms， integration， assessment， and perspectives on ACP?based parallel vision [J]. IEEE/CAA journal of automatica sinica， 2018， 5（3）： 645?661.

[6] 王松波.一種車道線檢測與跟蹤方法[J].計算機工程與應用，2011，47（3）：244?248.

[7] 王文豪，高利.一種基于OpenCV的車道線檢測方法[J].激光雜志，2019，40（1）：44?47.

[8] 黨宏社，郭楚佳.一種基于紋理特征的車道線檢測方法研究[J].重慶交通大學學報（自然科學版），2014（5）：116?119.

[9] 孫曉艷，王健，王建強，等.基于亮度累加直方圖的夜間車輛檢測算法[J].計算機工程，2013，39（6）：239?243.

[10] 錢龍，葛如海，王海.夜間車道線原圖像的預處理研究[J].科學技術與工程，2014，14（17）：290?294.

作者簡介：王正家（1970—），男，湖北通山人，博士，副教授，研究方向為電機智能控制、智能裝備與儀器。

王 ?若（1995—），男，安徽六安人，碩士研究生，研究方向為嵌入式系統。