基于機(jī)器視覺的車道線識(shí)別方法

胡澤軍，項(xiàng)新建，黃炳強(qiáng)，姚佳娜，王樂樂

（1.浙江科技學(xué)院機(jī)械與能源工程學(xué)院，浙江 杭州310000；2.浙江科技學(xué)院自動(dòng)化與電氣工程學(xué)院，浙江 杭州310000）

高級(jí)輔助駕駛系統(tǒng)正逐漸融入電動(dòng)汽車。輔助系統(tǒng)既能在危險(xiǎn)情況下提醒駕駛員，又能主動(dòng)介入駕駛過程對(duì)危險(xiǎn)駕駛行為進(jìn)行干預(yù)。在今后，智能駕駛輔助系統(tǒng)將變得更為智能，而車道線的提取為智能駕駛輔助系統(tǒng)重要組成部分之一。車道線精準(zhǔn)的檢測(cè)提取，為自動(dòng)巡航駕駛、車道保持、變道超車等技術(shù)提供重要的信息基礎(chǔ)，為駕駛員在行駛的過程中提供安全保證[1-3]。

實(shí)現(xiàn)非結(jié)構(gòu)性道路和結(jié)構(gòu)性道路的快速車道線檢測(cè)、跟蹤是該模塊的關(guān)鍵問題。YU等人[4]提出了一種多分辨率和多尺度霍夫變換（Houghtransform）車道邊界檢測(cè)，通過設(shè)定的車道線幾何特征的閾值，得到車道線的方法。LEE[5]提出了通過邊緣分布函數(shù)估計(jì)車道后續(xù)車道線方向變化，但是對(duì)于虛線和彎道檢測(cè)效果并不理想。KANG等人[6]在平坦路面基礎(chǔ)上，根據(jù)邊緣梯度變化方向以獲得車道線擬合的初始控制點(diǎn)，最后根據(jù)密度函數(shù)確定最佳位置。文中使用了基于梯度檢測(cè)的模型，后使用Gabor濾波器獲得最優(yōu)車道線。MECHAT等人[7]在文中使用了支持向量機(jī)分類篩選的方式對(duì)車道線區(qū)域進(jìn)行篩選，并利用曲線定義了車道模型。KORTLI等人[8]在道路圖像中建立感興趣區(qū)域（Region of Interest，ROI），使用高斯濾波進(jìn)行去噪，邊緣檢測(cè)進(jìn)行用邊緣加強(qiáng)，以獲得車道線邊界的提取方法。SHIN[9]在文中采用了粒子過濾器的車道線檢測(cè)方法，對(duì)其進(jìn)行了復(fù)雜的環(huán)境優(yōu)化，提高了多路況下車道線檢測(cè)的魯棒性。李茂月等人[10]在文中改進(jìn)劃分角度檢測(cè)算子，對(duì)視角變換后的車道線采用DBSCAN聚類及NURBS曲線進(jìn)行擬合，并利用隨機(jī)抽樣一致法優(yōu)化車道線模型以濾除誤匹配。姜立標(biāo)等人[11]針對(duì)傳統(tǒng)Hough變換和最小二乘法擬合提出改進(jìn)建議，并通過卡爾曼濾波跟蹤車道線，以提高其魯棒性。

由于實(shí)際道路中存在車道線破損、車輛遮擋等問題，導(dǎo)致前期使用傳統(tǒng)圖像算法進(jìn)行邊緣檢測(cè)提取關(guān)鍵信息的方式存在缺乏魯棒性、準(zhǔn)確率低等問題。后續(xù)筆者雖然引入了連續(xù)性判定和SVM等方式，增強(qiáng)了系統(tǒng)的魯棒性。但是對(duì)于結(jié)構(gòu)化道路、高動(dòng)態(tài)光線變化場(chǎng)景的影響，改善上述算法存在準(zhǔn)確率低等問題。鑒于此，本文提出了一種基于Hough直線檢測(cè)的車道線提取方法，利用SVM識(shí)別出車道線信息，通過添加控制點(diǎn)過程將車道線與HOG特征提取出來，從而實(shí)現(xiàn)車道線的擬合。

1 預(yù)處理

為了提高車道線檢測(cè)的精度與效率，需要對(duì)所采集的圖像進(jìn)行區(qū)域篩選，以消除圖像中干擾因素對(duì)車道線檢測(cè)的影響。通過對(duì)多數(shù)車載視頻序列中的上萬幀的序列圖像分析得出，圖片中將會(huì)包含部分天空區(qū)域。根據(jù)實(shí)際情況需求后續(xù)將該圖像區(qū)域納入非感興趣區(qū)域中。

1.1 車道線區(qū)域截取

對(duì)于所檢測(cè)的圖像，車道線主要存在于車輛前方矩形區(qū)域，劃分區(qū)域時(shí)需要去除圖片中的天空、建筑、樹等干擾因素。在行車過程中，拍攝圖像視角一般處于固定狀態(tài)，因此可采用靜態(tài)參數(shù)配合動(dòng)態(tài)規(guī)劃進(jìn)行區(qū)域劃分。預(yù)設(shè)條件步驟如下：①天空位于圖像上半部分區(qū)域，從上往下隔行掃略，獲得亮度與變化幅度；②根據(jù)天空像素變化的亮度與地面區(qū)域的亮度有明顯分界處；③根據(jù)亮度與梯度修正截取圖片；④固定此參數(shù)，為后續(xù)車載視頻提供截取ROI區(qū)域。

白天ROI區(qū)域選取如圖1所示。根據(jù)圖1灰度值變化曲線，假設(shè)一張圖像的長(zhǎng)和寬（H、W），白天天空與道路處于明顯的分界處，位于圖像上部分0.6H處，因?yàn)樵?.6H處產(chǎn)生變化，平均灰度值降低。根據(jù)上述篩選，將圖像最后截取為下半部分的0.4H范圍。除去這一區(qū)域內(nèi)干擾項(xiàng)的影響后，行車記錄儀由于其放置的不同，導(dǎo)致其在不同高度下將對(duì)應(yīng)不同的視角情況，而統(tǒng)計(jì)車道線和前車的位置，通常都位于視頻圖像的下半部分。而行駛中，車道線將會(huì)呈現(xiàn)梯形的圖像區(qū)域，最后在公路盡頭消失或者天空與道路分界消失。通過分析所拍攝的圖像，得出如下結(jié)論：在固定角度的情況下，若將相機(jī)放置在離地面較近的位置，則圖像獲得的感興趣區(qū)域較少，所收集的信息較少，因而需要放置到合適的高度，同時(shí)結(jié)合預(yù)先的車載相機(jī)的消光線，就可以有效地劃分出前車的位置范圍。前車的位置范圍即為圖1所示的ROI區(qū)域。

圖1 白天ROI區(qū)域選取

1.2 截取圖像預(yù)處理

圖像經(jīng)過截取后，對(duì)于車道線的提取并不需要彩色圖像信息。對(duì)三通道圖像進(jìn)行加權(quán)求和灰度化如下Gray（x，y）=[R（x，y）+G（x，y）+B（x，y）]/3。

得到灰度圖，減少了后續(xù)處理過程中的數(shù)據(jù)量，可適當(dāng)提高算法的處理效率。

對(duì)圖像進(jìn)行灰度化處理后，文中利用中值濾波去除椒鹽噪聲，改善圖像質(zhì)量，保留有用信息，提高后續(xù)檢測(cè)的準(zhǔn)確率。中值濾波采用公式：G3×3=Med{f（x，y），f（x-1，y-1），…，f（x+1，y+1）}。其中，G3×3為遍歷框大小，f（x，y）為圖像框內(nèi)像素點(diǎn)的像素值，求取其中3×3框內(nèi)的中位數(shù)賦值于整個(gè)框，能有效抑制圖像中椒鹽噪聲的影響。

1.3 圖像直線提取

對(duì)于經(jīng)過截取濾波的圖像，進(jìn)行邊緣檢測(cè)和Hough檢測(cè)后提取直線，如圖2所示。圖2中所檢索到的圖像，存在多檢、誤檢等直線。因此需對(duì)其進(jìn)行篩選，以得到車道線，下文將通過特征提取方式進(jìn)行優(yōu)化提取。

圖2 Hough檢測(cè)后車道線檢測(cè)圖

2 車道線提取

經(jīng)上述預(yù)處理后的圖像，通過圖像行向量亮度梯度的變化，確定了道路與天空界限閾值，從而提供了預(yù)篩選區(qū)域。

2.1 圖像遍歷

車道線檢測(cè)的圖像中，直線由兩端直線所確定，但是缺少中間控制點(diǎn)所擬合的直線會(huì)出現(xiàn)不貼合原車道線的圖像。故根據(jù)所提取的直線端點(diǎn)，進(jìn)行框選，框選步驟如下：①基于X軸坐標(biāo)，將坐標(biāo)進(jìn)行排序后，歸為n類，并設(shè)置條件|Xline1-Xline2|≤w/n，其中，Xline1為直線端點(diǎn)X軸坐標(biāo)值，w為所輸入圖像的寬度；②基于分類線，截取覆蓋同類線的最小矩形；③對(duì)矩形框中圖像進(jìn)行分割，對(duì)中間控制點(diǎn)進(jìn)行特征提取，進(jìn)行最小二乘擬合車道線。

經(jīng)過上述預(yù)處理后，并進(jìn)行分割遍歷，遍歷方式如圖3所示。

圖3 部分圖像遍歷效果

圖3中，該方法把行駛區(qū)域分成多個(gè)子圖象，將車道線提取問題轉(zhuǎn)化為圖像分類問題。子圖像中的車道線子圖像具有明顯的特征：為梯度變化連續(xù)的區(qū)域。因此可采用圖像分類法對(duì)其進(jìn)行篩選處理。

2.2 車道線類特征提取

通過圖像遍歷分割得到的圖像，先采用HOG（Histogram of Oriented Gradient）的方式對(duì)行圖像進(jìn)行特征提取，最后采用SVM對(duì)子圖像進(jìn)行分類。HOG特征提取的方式如下：①對(duì)圖像進(jìn)行歸一化處理，以減少不同光照下對(duì)樣本的影響。②利用核函數(shù)對(duì)圖像進(jìn)行卷積運(yùn)算，求得各個(gè)方向的梯度，gx=I（x+1，y）－I（x，y），gy=I（x，y+1）－I（x，y），其中，I（x，y）為圖像在該點(diǎn)的像素值。根據(jù)梯度值，可通過公式計(jì)算梯度的方向，為g（x，y）=（gx2+gy2）0.5，θ=arctan（gy/gx）。③通過計(jì)算得到各個(gè)方向的梯度值與角度值，對(duì)圖像進(jìn)行窗口滑動(dòng)，統(tǒng)計(jì)每一塊的方向梯度值，以此轉(zhuǎn)化為每張圖的特征。

根據(jù)預(yù)篩選的分割圖像進(jìn)行歸類，利用SVM進(jìn)行分類，得出二分類模型，以此對(duì)圖像上的車道線區(qū)域進(jìn)行劃分。經(jīng)過HOG特征提取后SVM分類準(zhǔn)確率可達(dá)到96.3%，可適用于分割圖像的分類。整圖測(cè)試過程，如圖4所示。

3 車道線擬合

根據(jù)得到的分類模型，對(duì)預(yù)篩選區(qū)域的圖像進(jìn)行劃分后所得到的子圖像進(jìn)行區(qū)分。所提取的車道線坐標(biāo)仍然是離散坐標(biāo)，對(duì)圖像進(jìn)最小二乘法擬合曲線步驟如下：①判斷是否Hough檢測(cè)到直線。如若沒有檢測(cè)到直線，進(jìn)行全局遍歷搜索車道線特征點(diǎn)，并執(zhí)行以下流程：通過HOG配合SVM分類器，進(jìn)行全圖遍歷搜索圖像；對(duì)疑似車道線特征區(qū)域進(jìn)行提取后，進(jìn)行歸類（判定條件3×3空間內(nèi)是否存在被判定為車道線的區(qū)域）；對(duì)判定為車道線區(qū)域利用圖像中心線判定左右后進(jìn)行坐標(biāo)擬合。②將提取的車道線端點(diǎn)進(jìn)行分類后，按所提取的圖像區(qū)域遍歷搜索圖中車道線特征區(qū)域，提取中心點(diǎn)坐標(biāo)值。③以提取出的坐標(biāo)值為依據(jù)，用最小二乘法擬合曲線。

經(jīng)過擬合后的車道線，如圖5所示。

圖4 SVM目標(biāo)檢測(cè)結(jié)果

圖5 擬合車道線過程圖

圖5中黑色為Hough檢測(cè)后，經(jīng)篩選得到的直線，經(jīng)過歸類。白色為提取中間車道線區(qū)域中心點(diǎn)，利用上述參數(shù)采用二次型函數(shù)進(jìn)行擬合車道線。

4 結(jié)論

經(jīng)過測(cè)試，通過配合Hough直線檢測(cè)提取出的直線，根據(jù)最小矩形所分割出的圖像區(qū)域并從中利用HOG特征配合SVM提取車道線控制點(diǎn)的過程。可以有效利用于結(jié)構(gòu)化車道線提取，即使對(duì)于未提取到Hough直線區(qū)域也可以利用HOG配合SVM進(jìn)行校準(zhǔn)，以防丟失車道線區(qū)域。但是對(duì)于更為復(fù)雜非結(jié)構(gòu)化的道路，需要更多樣本特征，用神經(jīng)網(wǎng)絡(luò)將會(huì)取得更好的精度，但是一定程度上會(huì)降低效率，因此本方法仍需不斷優(yōu)化，以應(yīng)用于更廣泛的場(chǎng)景中。