基于圖像處理的車道線識別技術研究

武日盛

山西職業技術學院 山西省太原市 237016

1 前言

在基于圖像處理的車道線識別技術研究中，需將車載視覺系統獲取的圖像分析出車道線，明確行車可以行駛的區域，確定行車和車道線之間的距離，從而監控車輛行駛情況，當智能汽車偏離正確位置時，能夠提醒司機糾正行車姿勢，降低交通事故發生的概率。本文在圖像處理的基礎上提出了一種基于霍夫變換的車道線識別算法。

2 車道線檢測與追蹤研究現狀

目前，國內外基于圖像處理的車道線識別技術研究正在如火如荼的展開，研究人員提出了很多識別算法比如基于單目視覺的車道線識別算法、基于透視逆變換（IPM）的方法和基于透視圖像的方法，其中基于透視圖像的方法包括基于特征的識別方法、基于模型的識別方法、基于視覺與其他傳感器融合的方法。車道線跟蹤算法包括基于感興趣區域的跟蹤方法、基于模型參數的跟蹤方法和基于特征的跟蹤方法，不同的算法都有各自的優缺點。車道線的磨損、復雜的天氣環境、行車道路周圍建筑和樹木的遮擋、道路上陰影、路邊警示標志等都會使得車道線識別工作受到干擾。本文設計的基于霍夫變換的車道線檢測算法可以有效避免以上干擾，提高車道線識別技術準確率以及對車道線進行精準追蹤。

3 圖像預處理

3.1 圖像預處理流程

在視覺系統收集道路圖像數據的過程中，很多干擾因素影響會圖像采集工作，為了提高車道線數據收集的準確率，因此需要對圖像數據進行預處理，優化車道線檢測結果的抗干擾能力和魯棒性。圖像預處理步驟為：輸入道路圖像、分割車道線顏色、將圖像灰度化、圖像濾波、圖像二值化、圖像邊緣檢測、道路感興趣區域提取、輸出處理后圖像。

3.2 分割車道線顏色

通過使用相應色彩空間技術來區別道路圖像的顏色，使車道線的顏色比其他部分更加明顯，分辨道路圖像中的白色車道線和黃色車道線，得到顏色突出的車道線。

3.3 圖像灰度化

圖像灰度化是指將彩色道路圖像變成灰色道路圖像，處理彩色道路圖像信息計算量大。在分析圖像的亮度和色度時，灰色圖像和彩色圖像能夠達到同樣的效果，灰色圖像的優點是圖像處理計算量小，能夠提高數據分析效率，通過使用灰色圖像能夠在保留車道線數據的前提下區別車道線和非車道線，圖像預處理中的圖像灰度化為后續的圖像識別和分析工作打下了基礎[2]。

3.4 圖像濾波

經過圖像灰度化處理的圖像仍在存在噪聲干擾，因此圖像濾波工作在圖像預處理中占有十分重要的地位。道路圖像的噪聲干擾分為兩類：平穩噪聲和非平穩噪聲。去噪方法有兩種：空間域和變換域。

3.5 圖像二值化

道路圖像經過圖像灰度化和濾波之后，車道線識別算法能夠分析出車道線的輪廓。因為經過圖像濾波之后，道路圖像的灰度化含有許多色級，為了能夠得到更清晰準確的車道線輪廓和車道線邊緣信息，需要將圖像二值化。將道路圖像二值化，能夠使圖像變化為只有黑白兩種顏色。這樣就能夠去除和車道線無關的信息，提高車道線識別的精準性。

3.6 圖像邊緣檢測

道路圖像經過灰度化，濾波和二值化處理之后，對車道線的形狀特點分析就是圖像邊緣檢測。圖像邊緣檢測方法有很多例如：基于一階微分的邊緣檢測方法、基于二階微分的邊緣檢測方法、小波變換和小波包的邊緣檢測法以及基于數學形態的邊緣檢測[3]等。

4 車道線檢測算法

4.1 車道線檢測流程

車道線檢測流程步驟如下：首先將道路圖像進行圖像預處理，使用Hough變換檢測車道線；其次使用滑動窗口搜索車道線基本信息；最后通過匹配模型和視覺系統抓取到的車道線基本信息，最終獲取車道線檢測結果。

4.2 Hough變換檢測車道線

Hough霍夫變換法基本原理：先將ioj坐標系轉換為xoy坐標系，圖像內的直線分別用截距b和斜率k來表示，即直線方程y=kx+b。設存在直線上的N個點，分別為：（x0，y0）（x1，y1）......（xn-1，yn-1），這些點對應的直線方程為：y0=kx0+b，y1=kx1+b......yn-1=kxn-1+b。用計數器num[k][b]存儲每一條直線的參數值，其中的最大值則為所求目標直線的最佳解。上述方法的實現過程中，難以確定k的取值范圍，k 值小時系統計算量大，k值大時會影響檢測的準確度，難以進行權衡。引入Hough霍夫變換理念，通過極坐標方程可以表示圖像空間中的任一直線：ρ=xcosθ+ysinθ，其中θ為直線與x軸的夾角，ρ為坐標原點到直線的距離。圖像坐標系上的任一點到Hough極坐標空間上表現為一條曲線，曲線的交點表示圖像坐標系上的待求直線。

結合以上所述設計基于Hough變換的車道線識別算法流程如下，首先將圖像預處理結果輸入，設定好ρ、θ的范圍，根據特征點的θ計算出ρ。確定閾值和極坐標參數，標定直線，最后輸出Hough霍夫變換后的圖像。基于霍夫變換的識別算法流程圖如圖1所示。

圖1 Hough 變換流程圖

目前國內外車道線檢測有很多種方法，不同的檢測方法都有各自的優缺點。例如中值截距法在進行車道線檢測的過程中準確度高，但計算量大，工作效率不高[4]。最小二乘法計算簡單便捷，但是抗干擾能力弱。Hough變換法將道路圖像轉化為極坐標形式，道路圖像中的干擾內容是非線性的，因此可以通過極坐標變換的方式去除干擾內容。Hough變換法使用峰值數據進行車道線檢測，能夠避免非車道線的干擾，Hough變換法比其他車道線檢測方法準確率更高。綜上所述，在實際行車道路中包含很多干擾因素，在進行圖像預處理工作之后仍存在很多噪聲干擾，通過使用抗干擾能力強的Hough變換法，能夠提高車道線檢測的工作效率和準確率。霍夫變換能夠在處理圖像數據的過程中分析出其特征，檢測出圖像中所包含的幾何形狀，將圖像的整體特征轉化為局部特征減少計算量。

4.3 滑動窗口搜索特征點

Hough霍夫能夠確定車道線在道路圖像中的位置，通過使用滑動窗口尋找道路車道線的特征點。車道線分為直線車道線和曲線車道線。對于直線車道線來說，車道線邊緣梯度方向角是一個常數。車道線為曲線時，車道線在轉完之后將進入直線車道線，梯度方向角變小，逐漸穩定在一個常數左右。無論車道線左轉彎還是右轉彎，都是一樣的結果。根據車道線梯度方向角特點使用滑動窗口檢測法搜索車道線。滑動窗口搜索車道線方法實現過程如下：首先選擇水平滑動窗口按照由下往上的方向對圖像的每行做掃描從而對每條車道線的特征點進行確定，其中車道線特征點的邊緣點必須為滑動窗口中梯度方向角和出現位置符合要求的邊緣點；其次記錄滑動窗口的坐標；最后將檢測信息與道路模型進行匹配。

4.4 道路類型與車道線檢測模型的選擇

道路一般分為結構化道路和非結構化道路。結構化道路指的是道路在建設過程中符合國家相關規定并且道路完好平整容易行駛，具有一定的特征，道路上的車道線標識完整容易辨別，道路周圍環境簡單沒有特別多的干擾物，城市道路就屬于結構化道路；非結構化道路指的是道路建設不符合國家相關規定，道路受到損壞行駛情況差，沒有相應的規則特征，車道線和道路邊界比較模糊甚至沒有車道線，周圍建筑物和植物等干擾因素多，在復雜的天氣狀況下受到的影響比較大，鄉村道路屬于非結構道路；車道線檢測模型有直線和曲線車道線[5]：直線車道線模型簡單，計算便捷，對于直線車道線能夠有很好的準確率，曲線模型則適合曲線車道線。在實際分析過程中，因為不同的道路圖像反映了不同的路況，所以為了簡化車道線檢測工作流程，應該做出一些假設簡化車道線模型。假設條件有以下幾個方面：首先假設道路圖像中包含的區域為感興趣區域，其次假設車道線形狀為相應的曲線形狀，最后根據道路圖像中體現出的特征將其歸類。

5 車道線跟蹤方法

車道線檢測過程中，路況不同實際道路顯示的圖像也不同。車道線如果出現磨損，比如有些車道線中間斷開，有些車道線被污漬蓋住，車道線無法準確辨別。為了能夠在這些情況下提高車道線的檢測準確率需要跟蹤車道線。在分析處理道路圖像時，因為圖像的連貫性所以可以通過圖像分析車道線上一幀的情況和下一幀的情況，達到車道線跟蹤的目的。車道線跟蹤方法有四種：第一特征點追蹤方法，這種方法的原理是分析出道路圖像的特征，比如車道線的邊緣，然后通過特征點預測下一幀車道線的位置，低速行駛道路比較適合這種跟蹤方法；第二區域匹配跟蹤方法，這種方法將道路圖像進行分割，將分割后圖像中的顏色和邊緣紋理等特征與模板對比分析，從而跟蹤車道線，這種方法需要有目標模型，在實際應用過程中受多種因素影響，使得車道線跟蹤準確率比較低；第三主動輪廓跟蹤法，將圖像分割問題轉換為求解能量泛函最小值問題，為圖像分割提供一種全新的思路。主動輪廓模型的主要原理通過構造能量泛函，在能量函數最小值驅動下，輪廓曲線逐漸向待檢測物體的邊緣逼近最終分割出目標，最大優點是在高噪聲的情況下也能得到連續、光滑的閉合分割邊界。按照能量函數構造方式的不同，可以將主動輪廓模型分為基于邊緣和基于區域兩類；第四貝葉斯跟蹤方法，這種方使用貝葉斯分離器得到道路圖像邊界。

6 車道線識別總體流程

本文在此總結車道線識別總體流程和相應方法。第一：將道路圖像輸入，然后分割道路圖像中的車道線顏色，使車道線顏色和其他部分相區別；第二：使用加權平均法將彩色道路圖像進行灰度化處理，使彩色道路圖像變為灰色道路圖像；第三：將灰度化處理后的圖像進行去噪，使圖像更清晰；第四：二值化道路圖像，突出車道線的邊緣和相關特征，檢測道路圖像邊緣得到有效信息和車道線邊緣輪廓；第五：選擇需要的感興趣區域，減少車道線檢測工作量；第六：使用Hough霍夫變換檢測車道線，通過滑動窗口尋找車道線特征點，最后將模型和特征點對比明確參數，得到車道線檢測結果；第七：使用車道線跟蹤方法識別出車道線，獲取跟蹤車道線結果。通過實際車輛行駛過程中的車載視覺系統能夠得到相應的道路圖像，按照以上方法對獲取的圖像進行分析處理，得到的結果能夠證明基于Hough變換的車道線識別算法準確率高，在現實生活中可行。車道線識別算法總體流程如圖2所示。

圖2 車道線識別算法總體流程圖

7 結語

自動駕駛技術是智能汽車領域的創新研究，車道偏離預警技術能夠保障自動駕駛行車安全，車道線檢測技術是車道偏離預警技術的基礎。本文分析了基于圖像處理的車道線檢測技術，減少車道線檢測誤差，從圖像預處理、道路模型、車道線跟蹤算法，設計出基于霍夫變化的車道線識別算法具體流程，經過驗證這種算法能夠在復雜的天氣、車道線缺失以及周圍環境干擾的條件下進行精準識別車道線，減少檢測誤差，促進了車道偏離預警技術的發展。