[摘 要]為了提高行駛過程中車道線檢測與車道線偏離預警的實時性與可靠性，提出一種基于改進的最小二乘法的車道線檢測方法。首先獲取感興趣的下半部分進行灰度變換；采用基于最大類間交叉熵的自適應閾值Canny算子進行邊緣檢測；其次利用改進的最小二乘法擬合車道線。實驗結果表明，基于改進的最小二乘法的車道線檢測方法對環(huán)境的適應性強，能夠在多種環(huán)境下快速地進行車道線提取，檢測結果清晰明了且精度較高，提高了車道線偏離預警的實時性與可靠性。

[關鍵詞]車道線檢測；最大類間交叉熵；Canny算子；最小二乘法

中圖分類號：TG333.2 文獻標識碼：A 文章編號：1009-914X（2016）16-0018-01

0 前言

隨著機動化進程的加快，機動車保有量迅速增長，與此同時，道路交通事故發(fā)生率卻高居不下，交通安全問題日益突出。經調查發(fā)現(xiàn)，注意力分散及不安全駕駛是導致交通事故的主要原因之一。目前，車輛安全輔助駕駛系統(tǒng)已成為當前交通領域的研究熱點[1]，車道線檢測技術作為主要研究內容之一，受到許多學者的關注。

目前，國內外關于車道線檢測的方法有很多，大致可分為兩類：基于特征的車道線檢測方法和基于模型的車道線檢測方法。

（1）基于特征的車道線檢測方法主要利用圖像特征（如邊緣，顏色，紋理方向），采用閾值分割、區(qū)域生長或圖像分類等技術對車道線進行提取，計算較為簡單。文獻[2]通過提取圖像邊緣并對圖像進行形態(tài)學運算，利用車道線的寬度特征將可能的車道線邊緣點構造成車道線。Hunjae Yoo等人采用梯度增強算法，通過轉換得到車道梯度最大的灰度圖像，該方法可適用各種照明和道路場景[3]。Hsu-Yung Cheng等人分析公路路面標志的顏色分布，對RGB圖像各個顏色通道進行線性操作，進而對車道線區(qū)域進行分割提取[4]。但基于特征的方法多適用于光照好且路面干凈的道路圖像，抗噪聲能力弱。

（2）基于模型的車道線檢測方法主要利用道路先驗知識，采用特點的曲線參數(shù)，將車道線檢測的過程簡化為計算模型參數(shù)的過程。文獻[5]提出基于路面的3D模型，并結合Hough變換與分段曲線擬合方法，提取車道線輪廓?；谀Ｐ偷姆椒芨鼮闇蚀_獲得道路描述對路面干擾具有很好的魯棒性，但模型的選擇和求解是關鍵問題。

上述車道線檢測方法中，各有各的適用性，并沒有很好的兼容性，且對于復雜及模糊車道線的檢測實時性要求不高。因此，本文提出一種基于改進的最小二乘法的道線檢測方法。

1 預處理

首先，通過安裝在車輛內的攝像機得到原始道路圖像，由于攝像機安裝角度問題，圖像中存在一定的干擾因素。為了提高處理效率，選取圖像的下半部分進行預處理，將原始圖像轉為灰度圖像，如圖1.1：

2 基于最大類間交叉熵的車道線提取自適應閾值Canny邊緣檢測

2.1 最大類間交叉熵的計算

將圖像分成目標和背景兩大類，假設目標和背景的灰度條件服從正態(tài)分布，先驗概率公式如下式所示：

式中表示k等于1，2時灰度m的概率密度；k=1，2時分別代表目標類和背景類；和分別為目標類的均值和方差，而和分別為背景類的均值和方差。

由貝葉斯概率公式可得到后驗概率的公式，又可以基于像素點的后驗概率的類間交叉熵公式可獲得類間差，最后通過計算得到最優(yōu)分割閾值。

2.2 自適應Canny算子

傳統(tǒng) Canny算法對高閾值和低閾值的選取是人為設定的，從而使得邊緣的連續(xù)性和偽邊緣之間存在著矛盾：對于一組固定的高低閾值，對某一幅圖像可能有很好的效果，但是對另外一幅圖像就可能產生不理想的結果。因此，它不具有自適應能力，自動化程度低?；谧畲箢愰g交叉熵的方法得到最優(yōu)閾值，令其等于傳統(tǒng)Canny算法中的高閾值，然后利用高閾值一般為低閾值2倍的關系求出低閾值。

3 改進的最小二乘法線性擬合

本文采用改進的最小二乘法擬合直線，最小二乘法的基本思想是使已知數(shù)據(jù)點到擬合函數(shù)的距離平方和最小，本文增加了數(shù)據(jù)相關系數(shù)r，r是衡量一組測量數(shù)據(jù)xi，yi線性相關程度的統(tǒng)計指標，從而去除誤差大的數(shù)據(jù)，保留有價值的數(shù)據(jù)，進行二次最小二乘擬合，并且得到的斜率a和截距b是唯一的，提高了擬合車道線的速率。

4 結語

本文提出一種基于改進的最小二乘法的車道線檢測方法，對于有干擾線或遮擋物、模糊的車道線圖像以及夜晚車道線圖像，可以快速準確地檢測到車道線，且檢測效果清晰明了，在一定程度上提高了車道線檢測的實時性和可靠性。相對于其他文獻中的方法，本文提出的方法適用于多種環(huán)境，具有良好的魯棒性。但本文檢測的車道線均為直線車道線，對于曲線車道線的檢測還存在著一定的不足，未來的研究以檢測曲線車道線為主，并融合直線車道線檢測技術，實現(xiàn)直線與曲線車道線檢測的一體化。

參考文獻：

[1] Guo Lei ，Wang Jianqiang，Li Keqiang.Lane Keeping System Based on THASV-II Plat form [A].ICVES 2006.IEEE International Conferenceon Vehicular Electronics and Safety [C].2006：305 308.

[2] Bertozzi M，Broggi A.GOLD：a parallel real- time stereovision system for generic obstacle and lane detection[J].IEEETransaction Image Processing，1998，7（1）：62.

[3] Yoo H，Yang U，Sohn K.Gradient-Enhancing Conversion for Illumination-Robust Lane Detection.IEEE Trans. Intell. Transp. Syst.， 2013， 14（3）：1083-1094

[4] Cheng H-Y，Jeng B-S，Tseng P-T，et al.Lane detection with moving vehicles in the traffic scenes. IEEE Trans. Intell. Transp. Syst.，2006，7 （4）：571-582

[5]劉富強，田敏，胡振程.智能汽車中基于視覺的道路檢測與跟蹤算法[J].同濟大學學報：自然科學版，2007，35（11）：1535.

作者簡介：

張婷婷 （1991—） 性別，女，浙江省嘉興市人，學歷 研究生在讀專業(yè)：計算機應用技術。