基于機器視覺的車道線檢測算法研究

吳 華

（北京吉利學院汽車工程學院，中國 北京 102202）

0 引言

智能網聯汽車中車道線的正確檢測是實現自主導航的關鍵問題。 從近幾年的有關車道線檢測文獻看，車道線檢測算法可分為基于區域的、基于特征的和基于模型的3 種。 基于區域的算法包括特征提取、特征去相關、聚類和分割，將圖像分為車道線部分和非車道線部分， 胡勝在文獻 [1] 中提出利用SVM（Support Vector Machine，支持向量機）對圖像的方向梯度直方圖進行分類。宣寒宇等在文獻[2]中提出用聚類方法進行分類，但分類器所花時間較長，實時性不高。 基于特征[3-4]的算法是利用顏色、紋理和形狀等進行車道線提取，但這種算法易受光照不均勻、標志線磨損、路面有水漬、陰影的影響，魯棒性較差。另外，檢測過程需要處理的區域面積大，執行時間長，實時性不好。 基于模型[5-10]的算法先進行圖像預處理、特征提取、模型匹配，即選擇合適的道路模型，利用提取的圖像信息確定模型參數，擬合出車道線曲線，可以實現對非結構化道路的檢測。常用的車道線模型有直線模型、雙曲線模型、拋物線模型、三次B 樣條曲線模型等。 基于模型的算法魯棒性較高，但要注意算法的復雜性不能太高，否則會影響算法的實時性。

1 基于模型的車道線檢測算法比較

穆柯楠在文獻[11]中提出一種基于非均勻B-樣條曲線模型（Non Uniform B-Spline，NUBS）的車道線檢測算法。 在進行車道線檢測之前，對圖像進行中值濾波、 直方圖均衡、 確定感興趣區域 （Region of Interest，ROI），利用Canny 算子進行車道線邊緣檢測，算出每條邊緣的長度，然后對車道線邊緣圖像進行形態學處理、方向約束。確定車道線控制點，再進行車道線分類，確定是實車道線還是虛車道線，最后對車道線邊緣曲線重構、曲線估計、車道線跟蹤。

賈會群在文獻[12]中提出一種基于上凸曲線模型的車道線檢測算法。 首先，進行約束假設來簡化車道線模型，即假設車道線形狀符合某種函數曲線、道路特征一致、車道線連續。然后對圖像進行邊緣提取，將邊緣圖像分成兩部分（取圖像左側7/12，右側7/12），分別在左右兩個區域進行掃描，提取灰度值為1 的像素點，即車道線的候選點，最后利用Hough 變換、最小二乘法、RANSAC 算法等對候選點按照所選的曲線模型擬合，即確定模型的參數。 在已提出的基于模型的車道線檢測算法中，三次B 樣條曲線模型雖然魯棒性高，但算法較復雜，實時性較差。 另外，已提出的算法大多采用掃描法獲得車道線候選點， 該方法太費時間，實時性較差，而且當車道線曲率較大時，將圖像分為左右兩部分時，左側或右側圖像有時不能完全包含左、右車道線。文獻[12]提出的基于上凸曲線模型的車道線檢測算法，不須掃描得到車道線的候選點。 先提取車道線邊緣， 再運用BP 神經網絡對新的道路模型參數估計，擬合出上凸函數曲線，如圖1 所示，該曲線的最大值左邊為左車道線，右側為右車道線。 利用曲線的上凸性在最大值處將曲線分為左右兩部分，從而檢測出左、右車道線。為提高擬合的精度，利用最小二乘法對左、右車道線進行擬合。

文獻[12]利用具有方向性的線檢測器進行車道線邊緣檢測。 BP 神經網絡是一種按誤差逆傳播算法訓練權值的神經網絡。當數據流從輸出層輸出的結果不是所期望的結果時，就把輸出值與期望值的差反向傳播，更新權值直至誤差信號達到最小。利用BP 神經網絡進行曲線擬合，可以逼近任意曲線模型。

圖1 車道線模型

若已知左、右車道線的坐標（xi，yi）（i=0，1，2，…，n），滿足函數g（x）。

2 結語

綜上所述，基于區域和基于特征的車道線檢測算法的魯棒性不太好，特別當路面磨損較嚴重、光照不均勻或有陰影時，檢測的準確性降低，出現誤檢和漏檢的可能性較大。所以基于模型的車道線檢測算法要優于其他兩類算法。基于三次B 樣條曲線模型的算法雖然檢測的準確性較高、魯棒性也較好，但算法復雜度較高，實時性較差，不適合用于智能網聯汽車的車道線檢測系統。今后應提出一種基于動態閾值和動態ROI 的車道線檢測算法結合卡爾曼濾波對車道線位置進行實時跟蹤， 利用直線-雙曲線結合的車道線模型進行擬合，可提升算法的實時性和魯棒性。