邊緣檢測算法在車道線檢測中的效果對比

吳澤勇 袁靜

摘要：邊緣檢測是圖像處理和計算機視覺中的基本問題，邊緣檢測的目的是標識數字圖像中亮度變化明顯的點，圖像屬性中的顯著變化通常反映了屬性的重要事件和變化。車道線檢測的研究一直都是智能駕駛，路況識別中十分重要的部分。本文將不同的邊緣檢測算法與車道線檢測相結合，重點分析了不同邊緣檢測算子對車道線檢測的效果。同時對同一邊緣檢測算法中不同閾值對車道線檢測效果進行分析。

1 引 言

隨著汽車保有量不斷增加，城市交通也變得越來越擁擠，只能交通系統因為受到人們的廣泛關注。車道線檢測是智能交通領域的關鍵技術之一，它被廣泛地應用于輔助駕駛系統、車道偏離預警系統以及車輛防碰撞系統中，對于提高交通安全具有重要意義。因此本文對比了不同邊緣檢測算法在車道線檢測中的效果。

2 邊緣檢測的基本原理

圖像邊緣是圖像最基本的特征，所謂邊緣（Edge）是指圖像局部特性的不連續性。灰度或結構等信息的突變處稱之為邊緣。例如，灰度級的突變、顏色的突變、紋理結構的突變等。邊緣是一個區域的結束，也是另一個區域的開始，利用該特征可以分割圖像，將圖像中感興趣的部分同背景分隔開。

圖像的邊緣有方向和幅度兩種屬性，邊緣通常可以通過一階導數或二階導數得到。一階導數是以最大值作為對應的邊緣的位置，而二階導數則以過零點作為對應邊緣的位置。

2.1?Sobel 算子

在邊緣檢測中，常用的一種模板是 Sobel 算子[1]。與傳統的 Prewitt 算子相比，Sobel算子對不同位置的像素做了加權處理，這樣可以降低邊緣的模糊程度，因此Sobel 算子處理后的圖像邊緣檢測效果更好。

Sobel 算子的另一種形式是各向同性 Sobel（Isotropic Sobel）算子，也有兩個，一個是檢測水平邊緣的，另一個是檢測垂直邊緣的。各向同性 Sobel 算子和普通 Sobel 算子相比，它的位置加權系數更為準確，在檢測不同方向的邊沿時梯度的幅度一致。

由于 Sobel 算子是濾波算子的形式，用于提取邊緣，可以利用快速卷積函數，操作簡單效果顯著，因此得到廣泛應用。但是 Sobel 算子并沒有將圖片的主體與背景嚴格地區分開來，換言之，Sobel 算子沒有基于圖像灰度進行處理，由于 Sobel 算子沒有嚴格地模擬人的視覺生理特征，所以提取的圖像輪廓有時并不能令人滿意。

2.2?Scharr 算子

Scharr 算子在運算速度上和 Sobel 算子十分接近，而且精度比后者更高，可以將 Scharr 算子看做是 Sobel 算子的改進。

同 Sobel 算子相比，Scharr算子在其核結構較小時，有更高的精度，因此 Scharr 算子在檢測車道線邊緣時能檢測出更多細節，效果更好。但是精度提升的同時道路兩旁的樹木沒有很好的標識出來，并且道路旁的交通標志沒有被檢測出。

2.3?Laplacian 算子

Laplacian（拉普拉斯）算子是一種二階導數算子，其具有旋轉不變性，可以滿足不同方向的圖像邊緣銳化（邊緣檢測）的要求。

通常情況下，其算子的系數之和要為零。由于拉普拉斯是一種微分算子，它的應用可以增強圖像中灰度突變的區域，減弱灰度的緩慢變化區域。因此銳化處理可以選擇拉普拉斯算子對原圖像進行處理，產生描述灰度突變的圖像，再將拉普拉斯圖像與原始圖像疊加而產生銳化圖像。

2.4?Canny 算子檢測

通常情況下邊緣檢測的目的是在保留原有圖像屬性的情況下，顯著減少圖像的數據規模。目前有多種算法可以進行邊緣檢測，雖然Canny算法[2]年代久遠，但可以說它是邊緣檢測的一種標準算法，并且是一種被廣泛應用于邊緣檢測的標準算法，其目標是找到一個最優的邊緣檢測解或找尋一幅圖像中灰度強度變化最強的位置。最優邊緣檢測主要通過低錯誤率、高定位性和最小響應三個標準進行評價。Canny算子的簡要步驟如下：

（1）去噪聲：應用高斯濾波來平滑圖像，目的是去除噪聲

（2）梯度：找尋圖像的梯度

（3）非極大值抑制：應用非最大抑制技術來過濾掉非邊緣像素，將模糊的邊界變得清晰。該過程保留了每個像素點上梯度強度的極大值，過濾掉其他的值。

（4）應用雙閾值的方法來決定可能的（潛在的）邊界;

雙閾值對canny算子檢測效果有較大影響，因此我們分別采用閾值為32-128，68-164，128-200。

由實驗結果可知，不同閾值Canny算子[3]對車道線邊緣檢測效果有較大影響。在閾值范圍32-128 的Canny 算子能較好的檢測出車道線邊緣，但是車道線內部的裂痕也被檢測出，不利于機器學習判斷該車道線屬于何種類型，在閾值范圍為128-200 的Canny 算子中，車道線邊緣細節丟失，不能很好的識別車道線類別。但是在閾值范圍為68-164 的Canny 算子中車道線邊緣既能被清晰的標示出，同時車道線內部的裂痕也沒有被識別，識別效果顯著。

總結

本文將邊緣檢測算子引入到車道線邊緣檢測中，對比了各種邊緣檢測算法對車道線邊緣檢測的情況，同時對同一種邊緣檢測算法中閾值范圍做了詳細對比。實驗結果表明邊緣檢測算法在車道線識別中有較好的表現。Sobel算子能大致檢測出車道線邊緣所在位置，但是不能很好的將車道線邊緣檢測出，這是由于它內核精度不足所導致的。Scharr 算子可以看作是 擁有更高精度的Sobel 算子，在精度提升后，車道線邊緣檢測取得良好效果。但是部分車道線邊緣細節丟失，還不足以達到令人滿意的效果。

具有二階導數的Laplacian算子[4]在車道線邊緣檢測中的效果一般，但是它能很好的消除道路兩旁的樹木干擾。

同其他邊緣檢測算子相比Canny 算子在車道線邊緣檢測中表現最為亮眼，同時閾值范圍在68-164內的Canny算子既能清晰地將車道線與背景分隔開，同時又避免了車道線內部裂痕的干擾。因此特定閾值范圍的Canny算子在車道線邊緣檢測中有著十分出色的效果。但是如何在使用Canny算子檢測出車道線的同時消除圖片樹木，天空云彩等噪聲方面將有待于進一步的深入研究。

參考文獻（References）：

[1]Morris Muir Natalie. Sobel， D. & Alston， S. （2021） The Inclusive Classroom： a new approach to differentiation. London： Bloomsbury Education.[J]. British Journal of Special Education，2021，48（3）：

[2]位營杰，師紅宇.基于Canny算子的優化研究[J].國外電子測量技術，2021，40（08）：77-81.

[3]李靜，陳桂芬，丁小奇.基于改進Canny算法的圖像邊緣檢測方法研究[J].計算機仿真，2021，38（04）：371-375.

[4] 孫增國，韓崇昭.基于Laplacian算子的圖像增強[J].計算機應用研究，2007（01）：222-223+240.