李讓軍，葉 冬

(鄭州科技學院 電氣工程學院，河南 鄭州 450064)

基于改進SUSAN算子的車道線檢測算法

李讓軍，葉 冬

(鄭州科技學院 電氣工程學院，河南 鄭州 450064)

為了準確識別道路的車道線，采用45° Sobel 邊緣算子對中值濾波后的道路圖像進行增強，進而采用SUSAN算子和Otsu 算法相結合的方法將圖像分割，利用分區(qū) Hough變換進行擬合，識別出車道線.實驗結果表明，采用改進的SUSAN算子分割后的道路圖像能夠準確提取車道線參數,擬合出車道線，去除噪聲，節(jié)省了后續(xù)Hough變換的時間，提高了算法的抗噪性能和實時性.

車道線檢測；SUSAN算子；Otsu算法；分區(qū)Hough變換

車道偏離預警系統(tǒng)可以對注意力不集中的駕駛員進行警告，修正車輛行進的路線，減少因車道偏離而發(fā)生事故的概率,是安全駕駛輔助系統(tǒng)的一部分.車道線檢測算法是預警系統(tǒng)的關鍵，能否準確識別道路圖像的車道線，關系著后續(xù)系統(tǒng)能否正確預警.

從目前的研究狀況來看，已有一些識別車道線的算法,如Sobel算子、Canny算子等,這些算法直接獲取車道線邊緣，但也會獲得噪聲物體的邊緣，存在干擾.SUSAN算子可以獲得比較準確的車道線邊緣[1]，但SUSAN算子的閾值是該算法的關鍵值，怎樣獲取合適的閾值是研究的重點.本研究根據道路圖像的特點，使用灰度的最大值與最小值和Otsu閾值相結合的方法確定SUSAN算子的閾值，有效地提高了SUSAN算子處理道路圖像的效果，能夠降低噪聲干擾、提高車道線識別的準確性.

1 道路圖像預處理

道路圖像在采集時，環(huán)境噪聲、車道線磨損等因素嚴重影響了有用信息的正確提取.因此，需要對道路圖像進行預處理，抑制環(huán)境噪聲，提高車道線顯示的質量.

圖1 道路圖像分區(qū)Fig.1 Zoning map of road image

2 邊緣增強算法

為了得到車道線特征突出的比較理想的二值圖像，需要對道路圖像進行邊緣增強.常用的邊緣增強算子有Robert算子、Prewitt算子和Sobel算子等，考慮到Sobel算子能夠抑制噪聲的產生且能最大限度地檢測出車道線的邊界特征，同時考慮到由于透視原因，現實中筆直的車道線在圖像中顯示為斜線，本研究使用45°的Sobel算子對道路圖像進行邊緣增強，算子的模板如公式(1)所示：

(1)

經過處理，獲得了車道線特征突出的圖像，如圖2所示.

圖2 邊緣增強后的車道線圖像Fig.2 Road image after edge enhancement

3 基于改進SUSAN算子的車道線圖像分割算法

3.1 SUSAN算子

SUSAN算子是一種基于局部灰度值特征進行邊緣檢測的分割方法，由英國牛津大學學者Smith和Brady[3]提出，該算法簡單有效，能較好地連接邊緣，可以去除圖像中的部分噪聲，對低層次圖像的處理有良好的適應性和可靠性.與傳統(tǒng)的全局閾值相比，該算法定位準確，具有較強的抗干擾能力，能夠檢測出可靠的目標.

用一個圓形模板掃描圖像，將模板中的每一個像素灰度值與模板中心的像素灰度值進行比較，如果差值小于設定的閾值t，則將該像素與中心像素歸為一類，稱為吸收核同值區(qū)(USAN，Univalve Segment Assimilating Nucleus).統(tǒng)計USAN區(qū)中像素的個數nUSAN并與設定的閾值TUSAN比較，判斷該中心像素是否屬于某個區(qū)域的邊緣點，從而實現對目標的檢測.本研究采用的SUSAN算子圓形模板半徑為3個像素，共有37個像素，用此模板掃描整個圖像.按照公式(2)和公式(3)即可求出圓形模板內USAN區(qū)的像素個數：

(2)

(3)

3.2 結合Otsu算法的改進SUSAN算子

Otsu提出的基于類間方差最大化的分割算法，一直被認為是分割閾值自動選取的最優(yōu)算法[4].一維Otsu算法以圖像的一維灰度直方圖為依據、目標和背景的類間方差為準則來選擇最佳的分割閾值，但不能反映圖像的局部空間信息，當道路圖像受環(huán)境噪聲干擾、光照不均勻等因素的影響時，僅用Otsu算法難以獲得滿意的分割效果.

采用SUSAN算子分割預處理后的道路圖像,步驟如下：

(2)使用一維Otsu算法計算圖2的閾值t2；

(3)獲取區(qū)分特征目標和背景的閾值t=max(t1，t2)；

(4)模板在圖像中移動，根據t和公式(1)、公式(2)統(tǒng)計某一點的USAN區(qū)中像素個數nUSAN；

(5)比較nUSAN和TUSAN，若nUSAN>TUSAN，說明該中心點為背景或目標，設為0；

(6)若nUSAN

(7)遍歷圖像，將梯度圖像分割，如圖3所示.

采用改進的SUSAN算子檢測出車道線邊緣特征點后，利用分區(qū)Hough變換擬合車道線.對比圖3可以看出，圖3(a)中車道線的直線特征非常明顯，容易識別,同時噪聲點的數目要遠低于圖3(b)，能夠節(jié)省Hough變換的時間，提高算法的準確性和實時性.

圖3 不同算法分割后的道路圖像Fig.3 Road images by using different segmentation algorithm

4 分區(qū)Hough變換擬合車道線

圖4 車道線擬合后的道路圖像Fig.4 Road image after the lines were identified

5 實驗結果

圖3(a)有4 207個特征點，Hough算法時間為0.687 611 s；圖3(b)有29 444個特征點，Hough算法時間為0.879 289 s；圖3(c)有5 115個特征點.因此，既考慮到了圖像整體的亮度，又考慮到了灰度圖像的亮度分布，分割后的道路圖像既能突出車道線特征，又降低了大量噪聲，能夠提高算法的實時性.

為了驗證本算法的效果，課題組在多種環(huán)境下進行了實驗，識別效果如圖5所示.

圖5 不同環(huán)境下車道線擬合后的道路圖像Fig.5 Road image after the lanes were identified in different environment

道路圖像比較復雜，對于車道線來說，光線弱、逆光等因素造成了圖像對比度降低，陰影、樹木、行人等環(huán)境噪聲會增加提取車道線參數的困難.從圖5中可以看出，使用本算法可以準確提取車道線參數，擬合出車道線，能夠有效減少特征點的數目和Hough算法擬合車道線的時間，節(jié)省了約6.57%的時間，如表1所示.

表1 用本算法和SUSAN算子分別進行圖像分割后的Hough變換時間對比Tab.1 Hough transform time after segmented by using the revised algorithm and SUSAN algorithm

6 結語

在分析道路圖像特征的基礎上，采用最大類間方差的方法計算SUSAN算子的灰度閾值，這種方法不僅可以提高SUSAN算子的自適應性，也能綜合考慮圖像的整體信息和局部信息，提高了算法的實用性.本方法具有一定的實時性和抗噪性，可以更快更準確地為車道偏離預警系統(tǒng)提供車道線參數，也適用于其他類似圖像的分割.

[1] 王榮本,余天洪,顧柏園,等.基于邊界的車道標識線識別和跟蹤方法研究[J].計算機工程,2006,32(18):195-196.

[2] 侯利龍.高速公路車道線檢測算法研究[D].鄭州：河南工業(yè)大學, 2012:9.

[3] SMITH S M，BRADY J M.SUSAN—a new approach to low level image processing[J].Journal of Computer Vision，1997，23(1):45-78.

[4] 梁光明,孫即祥,馬琦,等.Otsu算法在Canny算子中的應用[J].國防科技大學學報,2003,25(5):36-39.

[5] 趙志華,蔡健榮,趙杰文,等. SUSAN算子在蘋果圖像缺陷分割中的應用研究[J].計算機工程,2004,30(15):141-142.

[6] 章毓晉.圖像工程(上冊)——圖像處理和分析[M].北京:清華大學出版社,1999：187-190.

[7] 賈陽,王榮本,余天洪,等.基于熵最大化邊緣提取的直線型車道標識線識別及跟蹤方法[J].吉林大學學報(工學版),2005,35(4):420-425.

Lane detection method based on improved SUSAN operator

LI Rangjun, YE Dong

(InstituteofElectricEngineering,ZhengzhouInstituteofScienceandTechnology,Zhengzhou450064,China)

In order to identify the lane of the road image accurately, the road image which was filtered by median filter was enhanced by 45° Sobel algorithm. Then the image was segmented by using the method of combining the SUSAN operator and the Otsu algorithm. At last, the lanes were identified by zoning Hough transformation. The results show that the road image which was segmented by improved SUSAN operators can obtain the effective feature points, remove noise, and save time of Hough transformation, improve the anti-noise performance and real-time performance of algorithm.

lane detection; SUSAN operator; Otsu algorithm; zoning Hough transformation

2017-03-07

李讓軍(1988-)，女，河南滑縣人，助教，研究方向為圖像處理.

U495

A

1674-330X(2017)02-0051-04