一種移動車輛遮擋下的車道線檢測方法

趙 巖, 趙建國

(鄭州大學機械與動力工程學院， 鄭州 450052)

隨著汽車行業(yè)的快速發(fā)展，車輛的輔助駕駛技術在車輛的安全行駛方面扮演著日益重要的角色，而準確高效地檢測車道線是實現(xiàn)輔助駕駛技術的基礎。傳統(tǒng)的車道線檢測方法主要分為兩大類：基于特征和基于模型。Wang等[1]先采用CHEVP方法預測車道線消失點位置，接著確定B-Snake車道模型的起始位置，然后基于道路模型確定用于描述車道線的樣條曲線所需要的控制點，最后采用最小均方誤差法更新曲線控制點實現(xiàn)車道線的檢測。付利軍等[2]首先提取圖像的邊緣信息，將邊緣像素最多的行作為感興趣區(qū)域(region of interest，RoI)的分界線，然后選擇特定的梯度方向細化RoI以抑制非車道線邊緣等雜亂背景的影響，最后利用方向區(qū)間與閾值對Hough變換改進來檢測車道線，由于該方法基于邊緣像素數(shù)目確定RoI，當存在移動車輛等強干擾的情況下不能有效地確定RoI。姜立標等[3]設計了一種結合改進Hough變換和雙點去除R-最小二乘法檢測車道線，并運用卡爾曼濾波器跟蹤車道線。王智宇等[4]采用快速的積分圖法對圖像進行自適應二值化，接著進行Harris檢點檢測，最后運用改進了選擇初始點和刪除外點的RANSAC估計車道線參數(shù)。劉源等[5]提出了一種基于邊緣特征點聚類的車道線檢測方法，首先基于車道線邊緣的梯度分布和灰度分布提取邊緣特征點，然后根據(jù)車道線特征點的連續(xù)性和梯度方向的一致性進行特征點聚類得到離散區(qū)域，通過衡量各區(qū)域之間的相似度進行區(qū)域聚類，最后選擇最優(yōu)區(qū)域內的點進行擬合。

在實際的交通場景中，前車變道或者后車進行超車后返回本車道的情況時有發(fā)生，現(xiàn)有的基于機器視覺的車道線檢測算法容易受到移動車輛遮擋的影響，導致算法的準確率下降。為此，現(xiàn)提出基于車道線邊緣特征點篩選的車道線檢測算法。首先進行圖像預處理，包括劃分圖像感興趣區(qū)域、灰度化處理、中值濾波去除椒鹽噪聲，再運用canny算子提取邊緣圖像。然后查找邊緣圖像的輪廓，根據(jù)輪廓的角度特征和所包含的像素點數(shù)目進行初篩選，最后運用基于相對距離與梯度的雙閾值篩選法實現(xiàn)車道線邊緣特征點的精確提取并擬合車道線。

1 圖像預處理

為了減少視頻幀圖形中天空和建筑等背景信息對提取車道線的干擾，需要對圖像進行預處理，為后續(xù)的檢測過程做好鋪墊，進而提高檢測效率。

1.1 感興趣區(qū)域

在實際的交通場景中，尤其是周圍車輛比較多的情況下，能夠準確檢測當前車道線尤為重要。在進行感興趣區(qū)域劃分的過程中，應該去掉圖像周圍樹木、建筑以及天空等背景圖像。實驗中圖像由安裝在車輛正中間的攝像頭采集，而且當試驗車前方出現(xiàn)車輛變道時，前方車輛會逐漸闖入視野中間，在此過程中前方移動車輛會對車道線產生不同程度遮擋，從而產生強干擾，最終導致車道線檢測算法產生誤檢或者漏檢現(xiàn)象，因此本文算法更多地關注圖像中間區(qū)域。近景范圍內車道線近似為直線而且會相交在消失點，考慮到后續(xù)操作的計算量，將以視野中心點、左下點和右下點為頂點的三角形區(qū)域視為感興趣區(qū)域(RoI)，劃分結果如圖1所示。

圖1 感興趣區(qū)域Fig.1 Region of interest

1.2 道路圖像灰度化及去噪處理

在車輛行駛過程中，攝像頭采集到的RGB(red,green,blue)圖像為三通道彩色圖像，包含較多的色彩信息，由于更加關注圖像的邊緣信息，通過加權平均法對采集到的圖像進行灰度化，如圖2所示。由于瀝青路面在光照下容易產生椒鹽噪聲并且本文算法在提取車道線特征點時主要依靠圖像的邊緣信息，因此采用中值濾波進行去噪，在去噪的同時盡可能保留邊緣信息[6]，效果如圖3所示。

圖2 灰度圖Fig.2 Grayscale image

圖3 3×3中值濾波Fig.3 3×3 Median filtering

1.3 基于canny算子的圖像邊緣提取

當視野內存在車輛時，車輛本身的色彩信息會對基于顏色特征的車道線檢測算法產生強干擾，因此本文算法只提取車道線的邊緣信息，采用canny算子進行邊緣圖像提取以便獲取更好的邊緣圖像。

1.3.1 應用高斯濾波去除圖像噪聲

提取圖像邊緣時容易受到噪聲的干擾。為了更好地獲取邊緣圖像，采用一個環(huán)形二維高斯函數(shù)平滑圖像。令f(x,y)表示輸入圖像，G(x,y)為高斯函數(shù)，即

(1)

式(1)中：σ為x的方差。

進行卷積操作獲取平滑后的圖像fs(x,y)為

fs(x,y)=G(x,y)*f(x,y)

(2)

式(2)由一個5×5的高斯模板實現(xiàn)。

1.3.2 計算梯度幅值和方向

用M(x,y)表示梯度幅值圖像，計算公式為

(3)

式(3)中：gx和gy分別為圖像水平方向和垂直方向上的梯度的幅度。

用α(x,y)表示角度圖像，計算公式為

(4)

式(4)中：M(x,y)和α(x,y)是與計算出它們的圖像的尺寸相同的陣列。由于M(x,y)是由梯度產生的，所以它在局部最大值周圍通常包含更寬的范圍。

1.3.3 非極大值抑制

逐一訪問梯度幅值圖像中的像素，判斷像素點是否為其周圍像素點中具有相同梯度方向的最大值，比較過程如圖4所示。

陰影背景的點都是向上方向梯度的局部最大值，所以這些點將會被保留，其他點會被抑制，因此，每個梯度方向上的邊緣點只保留了一個，實現(xiàn)了對圖像M(x,y)邊緣的細化，細化后得到邊緣圖像gN(x,y)。

1.3.4 雙閾值確定邊緣

通過一個低閾值TL和一個高閾值TH對圖像gN(x,y)進行閾值處理，令TL∶TH=1∶2。創(chuàng)建兩幅空白圖像gNH(x,y)和gNL(x,y)，計算公式分別為

gNH(x,y)=gN(x,y)≥TH

(5)

gNL(x,y)=gN(x,y)≥TL

(6)

gNL(x,y)=gNL(x,y)-gNH(x,y)

(7)

閾值處理之后，gNH(x,y)中的非零像素通常比gNL(x,y)少，由式(7)從gNL(x,y)中刪除所有來自gNH(x,y)的非零像素，此時gNH(x,y)和gNL(x,y)中的非零像素可分別表示“強”“弱”邊緣像素，以gNH(x,y)中未被訪問的邊緣像素為基準，通過8連通性的連接方法將gNL(x,y)的像素與gNH(x,y)連接，保留所有能夠成功連接的像素，未能成功連接的像素置為零。最終邊緣檢測結果如圖5所示。

圖5 邊緣圖像Fig.5 Edge image

2 車道線邊緣特征點粗提取

當前方有車輛(尤其是白色車輛)進行變道操作時，車輛本身的色彩信息會對基于顏色特征檢測車道線的算法產生強干擾，導致算法出現(xiàn)漏檢或者誤檢，因此提出了一種基于輪廓篩選的方法對車道線進行實時檢測。

2.1 查找感興趣區(qū)域輪廓

輪廓可以視為一系列點的集合，在提取邊緣輪廓線的過程中，需要遍歷邊緣圖像中每個像素點，當讀取到每條邊緣線的首個像素點時，將它視為參考點，然后以參考點為中心，在其附近鄰域的3×3范圍內查找鄰接的像素點，如果存在鄰接像素點，則將它們放入同一個集合內，直到沒有鄰接像素為止，如果參考點有多個鄰接像素點，則每個參考點代表一個延伸方向，按每個方向查找鄰接像素點，直到找不到為止[7]，查找結果如圖6所示。

圖6 部分輪廓Fig.6 Partial outline

2.2 輪廓篩選

盡管使用canny算子提取輪廓的過程中對邊緣進行了連接，但仍會留下些許短邊緣，在查找輪廓的時候，也會將它們視為輪廓。通過查找輪廓的結果可知，得到的輪廓分為三種：非車道線輪廓、車道線輪廓以及混合輪廓(前方車輛的輪廓或者陰影邊緣與車道線粘連在一起)。

輪廓篩選的目的是去除非車道輪廓，保留車道輪廓與混合輪廓。首先基于輪廓所包含的像素數(shù)目對輪廓進行篩選，設置輪廓像素閾值為60個像素點，當輪廓所包含的像素數(shù)目小于閾值時則舍棄此輪廓，接著對輪廓的角度進行限制，為了獲取輪廓的角度，給每條輪廓構造最小外接矩形，將外接矩形的傾斜角度近似為輪廓角度。由于采集圖像時攝像頭安裝在車輛中間，因此車道線的輪廓的角度范圍可以確定在30°～55°[8]，對于混合輪廓，由于車輛的輪廓只會位于混合輪廓的中間或者一端，且劃定RoI的過程中也會分割掉部分車輛輪廓，因此混合輪廓的角度也可以由外接矩形的傾斜角近似，輪廓篩選結果如圖7所示。

圖7 輪廓篩選結果Fig.7 Contour screening results

3 車道線邊緣特征點精提取

為了從混合輪廓中提取出車道線邊緣特征點，提出了一種基于相對距離與距離梯度的雙重閾值篩選法[8]。通過輪廓最小外接矩形的寬高比判斷輪廓是混合輪廓還是車道線輪廓。如果輪廓是混合輪廓，那么提取輪廓內所有像素點的位置信息，以輪廓的傾斜方向為基準，計算每個像素點相對于其在基準方向上的投影點的歐式距離以及相鄰點的距離梯度，最后通過雙重閾值去除干擾像素點。

3.1 計算相對距離與距離梯度

假設f(x,y)表示一幅具有兩個連續(xù)變量s和t的連續(xù)圖像函數(shù)，將它取樣為一個二維陣列f(x,y)，包含M行和N列，如式(8)所示，其中(x,y)是離散坐標。圖像在任何坐標(x,y)處的值只記為f(x,y)，將f(x,y)的空間坐標映射到平面坐標系，實現(xiàn)像素點位置信息的提取，提取結果如圖8所示。

圖8 像素點位置信息Fig.8 Pixel position information

(8)

對于坐標分別為(x,y)，(s,t)和(v,w)的3個像素點p、q和z，如果

(1)D(p,q)≥0[D(p,q)=0,當且僅當p=q]。

(2)D(p,q)=D(q,p)。

(3)D(p,z)≤D(p,q)+D(q,z)。

那么D是距離函數(shù)或度量。p和q之間的歐幾里得(歐式)距離的定義為

(9)

考慮到算法的運算成本，采用如圖9所示二維矢量法計算式(9)。

圖9 二維矢量法Fig.9 Two dimensional vector method

由勾股定理得

(10)

(11)

(12)

(13)

像素點B的相對距離為

(14)

計算結果如圖10所示。

圖10 相對距離曲線Fig.10 Relative distance curve

為了進一步提取像素點的位置信息，定義相鄰兩個像素點的相對距離的差值為相對距離梯度，用Drg表示為

Drg(i)=Dr(i)-Dr(i-1)

(15)

式(15)中：i為像素點序號。計算結果如圖11所示。

圖11 相對距離梯度曲線Fig.11 Relative distance gradient curve

3.2 自適應雙重閾值篩選法提取邊緣特征點

由于移動車輛遮擋車道線是一個漸變的過程，混合輪廓內車道線邊緣像素的數(shù)目也會隨之改變，無法直接設置相對距離閾值進行特征點提取，因此提出相對距離與梯度相結合的雙重閾值篩選法進行特征點提取。相對于混合輪廓的傾斜方向，車道線邊緣像素點的Drg基本維持在較小值(存在少數(shù)Drg較大的車道線端部像素點)，而車輛形成的干擾部分的輪廓包含多數(shù)Drg較大的像素點，并且對于不同的車輛輪廓按照本文方法計算的Drg幅值基本一樣，因此對Drg進行閾值處理會大幅度提高閾值的自適應性。為了獲取合適的梯度閾值，將閾值區(qū)間[0,3]以0.1為間隔提取出來30個Drg閾值，以使車道線邊緣像素點占混合輪廓像素點比例最大的Drg為Drg閾值。通過對50幀圖像進行相對距離梯度篩選實驗后，最終確定Drg閾值Trg=0.5，此時車道線邊緣像素點所占比例均值為0.76。當車道線邊緣像素點所占比例最大時，Dr均值Dmean最靠近車道線，因此設置Dr閾值Tr=Dmean。Dmean的值由式(16)計算。

(16)

式(16)中:n為梯度篩選后的像素點數(shù)目。

具體篩選過程如下。

(1)由Drg≤Trg對混合邊緣的像素點進行篩選。

(2)計算篩選出來的像素點的相對距離均值。

(3)根據(jù)Tr(1-β)≤Dr≤Tr(1+β)對混合邊緣里的所有像素點進行篩選。

其中擴張系數(shù)β用來對Tr進行適當?shù)目s放以便保留更多的特征點，令擴張系數(shù)為0.002，同時剔除滿足步驟(1)的點，最終獲得車道線邊緣特征點。篩選結果如圖12所示。

圖12 特征點提取結果Fig.12 Feature point extraction results

4 實驗結果與分析

當有移動車輛(尤其是白色車輛)遮擋的情況下，傳統(tǒng)的基于灰度等特征的檢測算法容易出現(xiàn)誤檢或者漏檢的情況，如圖13所示，而本文算法能夠在車道線被大幅度地遮擋的情況下有效地檢測到車道線，如圖14所示。

圖13 傳統(tǒng)方法Fig.13 Traditional method

圖14 本文算法Fig.14 Algorithm in this paper

當車輛前方有車輛進行變道時，車輛對車道線的遮擋是一個漸變的過程，期間會對車道線產生不同程度的遮擋，為了進一步驗證本文算法的有效性，采集了一段具有1 320幀圖像的視頻段(其中包含三次前方車輛變道的過程)對本文算法和其他算法進行測試和比較，結果如表1所示。

表1 不同方法的檢測結果Table 1 Different test results

在雙虛線的路況中難免會出現(xiàn)兩側車道線同時短暫消失的情況，此時多數(shù)算法會采用跟蹤算法預測車道線，因為在預測的過程會存在誤差，所在統(tǒng)計上表數(shù)據(jù)的過程中，將跟蹤算法預測車道線的幀數(shù)視為漏檢幀數(shù)。由表1可知，本文算法能夠實現(xiàn)存在移動車輛遮擋情況下的實時檢測任務，準確率提高10%以上，檢測速度為7 ms/幀，滿足實時性要求。

5 結論

(1)提出了一種基于輪廓篩選的車道線檢測算法。首先利用canny算子提取邊緣圖像，查找圖像輪廓，然后根據(jù)輪廓角度等特征實現(xiàn)車道線的粗提取，接著利用基于相對距離梯度的自適應雙閾值篩選法進行車道線特征點的粗提取，最后對提取到的點進行擬合。

(2)實驗表明，該方法能夠在存在車輛變道的情況下準確檢測車道線，而且能滿足檢測任務的實時性需求。