王 珍 徐曉光

（安徽工程大學(xué)電氣工程學(xué)院 安徽蕪湖 241000）

智能交通系統(tǒng)ITS中最具有重要意義的就是實(shí)現(xiàn)無(wú)人駕駛，而無(wú)人駕駛最首要的任務(wù)就是準(zhǔn)確地識(shí)別出車道線并根據(jù)車道線的指示去行駛，國(guó)內(nèi)外研究無(wú)人駕駛汽車的學(xué)者和企業(yè)都是基于視覺(jué)傳感器的車道線識(shí)別方法來(lái)檢測(cè)車道線[1]，目前常用的方法主要是兩大類，一類是基于模型[2-3]，另一類是基于特征[3-4]的檢測(cè)方法。李明等人[2]提出一種直線-曲線模型，對(duì)直線部分采用霍夫變換檢測(cè)；在提取到的感興趣區(qū)域里利用多段直線近似等效成曲線的方法對(duì)彎道部分進(jìn)行擬合；劉振超[3]利用透視變換及其逆過(guò)程對(duì)圖像進(jìn)行處理，去除大量噪聲，用水平亮度微分對(duì)車道線進(jìn)行處理以獲得局部最亮的車道線，根據(jù)獲取的車道線而選出特征點(diǎn)，再用霍夫變換進(jìn)行擬合。黨宏社等人[4]利用Gabor模板獲得不同尺度和方向的特征圖，對(duì)特征圖進(jìn)行融合得到圖像的紋理特征，確定左右車道線相交的消失點(diǎn)，從而對(duì)車道線進(jìn)行定位進(jìn)而對(duì)直線擬合。王懷濤等人[5]根據(jù)黃色車道線的顏色特征檢測(cè)出黃色車道線像素點(diǎn)，然后檢測(cè)出采集的道路圖像的車道線邊緣的像素點(diǎn)，將這兩類像素進(jìn)行與運(yùn)算，在得到的效果圖上進(jìn)行霍夫變換，檢測(cè)出黃色車道線。無(wú)人駕駛汽車在行駛中，復(fù)雜多變的行車環(huán)境會(huì)影響汽車視覺(jué)系統(tǒng)對(duì)車道線及其他路況進(jìn)行采集的準(zhǔn)確性。針對(duì)以上問(wèn)題，本文提出一種新的道路圖像處理方法并采用最小二乘法結(jié)合拋物線模型檢測(cè)車道線彎道部分。該算法首先建立車道線檢測(cè)模型，該檢測(cè)模型是依據(jù)結(jié)構(gòu)化高速公路上道路平坦，車道線標(biāo)識(shí)明顯的特點(diǎn)進(jìn)行建立的；其次采用圖像預(yù)處理的方法最大程度地消除干擾信息并檢測(cè)車道線的邊緣特征；然后采用最小二乘法根據(jù)邊緣特征所構(gòu)成的點(diǎn)集進(jìn)行左右車道線彎道部分的檢測(cè)。

一、車道線檢測(cè)模型

無(wú)人駕駛汽車在高速公路的彎道部分駕駛時(shí)，由于彎道存在一定的盲區(qū)，并不能及時(shí)發(fā)現(xiàn)其他車輛等危險(xiǎn)信息，容易發(fā)生交通事故。所以若要保證自動(dòng)駕駛汽車能夠在高速公路上安全行駛，就要提高車道線檢測(cè)的準(zhǔn)確性[6]。本文根據(jù)高速公路上道路平坦結(jié)構(gòu)化程度高的特點(diǎn)提出一種新的方法：1.對(duì)采集的道路圖像進(jìn)行感興趣區(qū)域提取，在很大程度上能夠減少數(shù)據(jù)的處理量；2.在感興趣區(qū)域內(nèi)對(duì)圖像進(jìn)行圖像灰度化、平滑濾波等預(yù)處理，剔除對(duì)車道線檢測(cè)不利的冗余信息；3.圖像預(yù)處理之后，計(jì)算感興趣區(qū)域內(nèi)的所有連通區(qū)域的面積，并進(jìn)行排序，刪除小面積區(qū)域，選出面積最大的兩個(gè)連通區(qū)域，確定左右車道線區(qū)域；4.確定了車道線所在區(qū)域之后，提取梯度幅值作為車道線的邊緣像素點(diǎn)，利用逆透視變換將邊緣像素點(diǎn)轉(zhuǎn)換成世界坐標(biāo)系下的邊緣點(diǎn)集；5.采用最小二乘法結(jié)合拋物線模型對(duì)車道線點(diǎn)集中的點(diǎn)進(jìn)行擬合，并標(biāo)記出擬合的車道線。檢測(cè)的整體流程圖如圖1所示。

圖1 車道線檢測(cè)流程圖

二、圖像處理

在高速公路中，通過(guò)視覺(jué)傳感器采集到的視頻圖像會(huì)受道路兩邊的天空、建筑、樹木等復(fù)雜背景以及光照強(qiáng)度變化不均等因素的干擾[7]。對(duì)視頻圖像進(jìn)行有效地圖像預(yù)處理能夠在一定程度上去除對(duì)檢測(cè)車道線特征像素點(diǎn)不利的冗余信息，去除大量的噪聲，為車道線的后續(xù)檢測(cè)和標(biāo)記提供了保障。

（一）感興趣區(qū)域提取。對(duì)采集到的道路圖像進(jìn)行圖像預(yù)處理的方法有很多，其中感興趣區(qū)域(Region of interest,ROI)提取是比較常用的一方法。這種圖像處理方法在一定程度上表達(dá)了圖像中不同區(qū)域的重要程度，減少圖像的干擾信息并突出所需要處理的圖像內(nèi)容，減少了道路圖像數(shù)據(jù)的計(jì)算量。當(dāng)車載相機(jī)被固定后，一般不會(huì)進(jìn)行再次調(diào)整，因此采集到的視頻圖像的車道線的位置往往是固定的，基于此先驗(yàn)信息，定義道路圖像的感興趣區(qū)域可以大大減少圖像中對(duì)檢測(cè)車道線不利的例如房屋、天空和車輛等數(shù)據(jù)信息，降低圖像背景對(duì)檢測(cè)車道線的干擾，這從根本上減少了后續(xù)車道線算法處理所需要的時(shí)間，提高了算法效率[8]。采集到的道路圖像中的車道線位置基本上位于圖像的下半部分。如圖2所示，本文的所有的圖像的感興趣區(qū)域均設(shè)置在圖像的下半部分，圖2(a)為采集的初始道路圖像，圖2(b)為提取的感興趣區(qū)域圖像，由圖看出，這樣操作可將車道線信息完整的保留又盡可能地去除圖像對(duì)檢測(cè)無(wú)用的信息。

圖2 感興趣區(qū)域

（二）圖像灰度化。由于車載相機(jī)采集到的彩色圖像中含有大量對(duì)車道線檢測(cè)無(wú)用的視覺(jué)信息，且車道線自身與路面的灰度值相差較大，在灰度圖中即可方便地提取出車道線，因此，本文車道線的提取均在灰度圖像中進(jìn)行?；叶然幚淼姆椒ㄓ泻芏喾N，其中，最常用的是對(duì)R,G,B 三個(gè)分量進(jìn)行加權(quán)平均。加權(quán)分量法公式如式(1)所示?；叶然瘓D像如圖3所示。

圖3 圖像灰度化

（三）平滑濾波。車載相機(jī)在獲取道路圖像的過(guò)程中或多或少地會(huì)產(chǎn)生噪聲點(diǎn)，這對(duì)車道線的檢測(cè)是不利的。為了平滑圖像中的噪聲點(diǎn)，減少雜質(zhì)對(duì)算法的干擾，需要對(duì)灰度化處理后的圖像進(jìn)行濾除噪聲點(diǎn)。平滑濾波主要有基于頻率域和空間域兩大處理方法，基于頻率域和空間域的去噪方法雖都是去除圖像中的噪聲來(lái)平滑圖像，但兩者的處理方法不盡相同。頻率域是先把圖像轉(zhuǎn)換到頻率域中，利用濾波器消除噪聲，而空間域是直接利用圖像中像素點(diǎn)間的關(guān)系去除干擾。空間域?yàn)V波方法算法簡(jiǎn)單且實(shí)用性相對(duì)較強(qiáng)，本文針對(duì)空間域?yàn)V波中常見(jiàn)的兩種去噪方法即中值濾波和高斯濾波進(jìn)行介紹。中值濾波方法算法簡(jiǎn)單，空間復(fù)雜度低，在有效地消除椒鹽噪聲和尖銳噪聲的影響的同時(shí)又可以很好地保留道路圖像中的邊緣信息；高斯濾波尺度參數(shù)難以調(diào)整，算法相對(duì)來(lái)說(shuō)比較復(fù)雜，容易造成道路圖像失真。由于高速公路上的無(wú)人駕駛汽車對(duì)采集的圖像穩(wěn)定性要求較高，故本文采用基于中值濾波的去噪方法進(jìn)行去噪。

圖4 平滑濾波圖像

濾波圖像如圖4所示。圖4(a)為加入椒鹽噪聲圖像，圖4(b)為中值濾波后的圖像，圖4(c)為高斯濾波后的圖像，由(a)、(b)、(c)三張對(duì)比圖可以看出中值濾波的去噪效果最好，在去除噪聲的同時(shí)還清晰地保留了車道線的邊緣信息。

（四）車道線邊緣點(diǎn)提取。在對(duì)道路圖像進(jìn)行平滑濾波并進(jìn)行二值化操作之后，圖像中的絕大部分噪聲都被去除，且車道線邊緣信息被很好地保留，要對(duì)車道線邊緣點(diǎn)進(jìn)行提取。在對(duì)邊緣點(diǎn)進(jìn)行提取之前要先確定車道線對(duì)應(yīng)的區(qū)域，首先計(jì)算感興趣區(qū)域中所有連通區(qū)域的面積，并按從小到大的順序進(jìn)行排序，刪除連通區(qū)域面積小于X的連通區(qū)域，這里X的取值不一樣得到的結(jié)果也不相同，經(jīng)大量實(shí)驗(yàn)本文選取X=100。刪除小面積區(qū)域獲取的圖像如圖5所示。在此基礎(chǔ)上，選出面積最大的三個(gè)區(qū)域，其中兩個(gè)連通區(qū)域就是左右車道線所在的區(qū)域，這為車道線邊緣點(diǎn)提取打下了基礎(chǔ)，節(jié)省了搜索車道線邊緣點(diǎn)所需要的時(shí)間，提高了算法處理的速度。經(jīng)過(guò)圖像預(yù)處理之后，形成的兩條車道線邊緣更加明顯，由路面到車道線和車道線到路面會(huì)有灰度值的變化，即灰度值由低到高再由高到低。從灰度值的變化進(jìn)行相關(guān)處理可以獲取到梯度幅值。即對(duì)平滑處理之后的圖像進(jìn)行Sobel邊緣檢測(cè)，并將一個(gè)如圖6所示的3×3的相鄰像素與橫向Sobel算子進(jìn)行平面卷積操作[9]，其公式見(jiàn)式(2)所示。

圖5 刪除小面積區(qū)域圖

圖6 3×3相鄰像素圖

如圖7所示，掃描道路圖像，提取出邊緣點(diǎn)，步驟如下：從經(jīng)過(guò)預(yù)處理之后的道路圖像的最底端的中間部分向左右兩邊進(jìn)行逐行掃描，遍歷每一行像素點(diǎn)如果像素點(diǎn)的幅值大于邊緣閾值T_edge,且檢測(cè)到邊緣點(diǎn)之后有連續(xù)多個(gè)像素點(diǎn)的幅值均大于邊緣閾值T_edge，取其中最大的像素點(diǎn)作為邊緣點(diǎn)，記為POS，其他點(diǎn)為0。其中T_edge值由實(shí)驗(yàn)獲得，獲得車道線邊緣點(diǎn)。提取到的車道線邊緣點(diǎn)圖像如圖8所示。

圖7 車道線邊緣點(diǎn)圖

圖8 車道線邊緣點(diǎn)提取圖

（五）逆透視變換。車載相機(jī)采集到的道路圖像或多或少的都具有透視效果，即整個(gè)車道呈現(xiàn)近大遠(yuǎn)小的特性，實(shí)際拍到的梯形路面也因?yàn)橛型敢曅Ч跃匦蔚男螤畛上?。逆透視變換(Inverse Perspective Mapping,IPM)是透視變換的逆過(guò)程，其主要實(shí)現(xiàn)的是坐標(biāo)系之間點(diǎn)與點(diǎn)的轉(zhuǎn)換，要實(shí)現(xiàn)這一轉(zhuǎn)換需要借助車載相機(jī)的內(nèi)外參數(shù)以及逆透視變換公式。世界坐標(biāo)系、相機(jī)坐標(biāo)系以及圖像坐標(biāo)系之間變換的關(guān)系如圖9所示。

圖9 坐標(biāo)系變換圖

點(diǎn)與點(diǎn)之間的變換關(guān)系如式(3)所示。其中：M1M2是相機(jī)的內(nèi)部參數(shù)矩陣，由相機(jī)自身的內(nèi)部參數(shù)焦距和光學(xué)中心所決定；M3為相機(jī)的外部參數(shù)矩陣，其中f為相機(jī)坐標(biāo)系與平面坐標(biāo)系之間的位移，R為旋轉(zhuǎn)矩陣，t為世界坐標(biāo)系與相機(jī)坐標(biāo)系之間的位移；ZC為計(jì)算得出的系數(shù)。令M=M1M2M3,則有式(4)。

通過(guò)對(duì)車載相機(jī)進(jìn)行標(biāo)定以及對(duì)其擺放位置進(jìn)行測(cè)量即可得到相機(jī)的相關(guān)參數(shù)，從而獲得轉(zhuǎn)換矩陣M，繼而得到路面上點(diǎn)與圖像平面上點(diǎn)的對(duì)應(yīng)關(guān)系。

三、車道線檢測(cè)

本文進(jìn)行車道線彎道檢測(cè)所使用的單幀圖片均是取自結(jié)構(gòu)化的高速公路，高速公路上的道路標(biāo)識(shí)線清晰且與路面的灰度化區(qū)別較大，因此在圖像預(yù)處理去除大量冗余噪聲點(diǎn)后提取到車道線邊緣像素點(diǎn)，獲得像素點(diǎn)點(diǎn)集，再根據(jù)最小二乘法對(duì)點(diǎn)集中的點(diǎn)進(jìn)行擬合得到車道線彎道。

（一）最小二乘法。對(duì)于車道線擬合來(lái)說(shuō)，直線車道線比較容易擬合，而彎道車道線的擬合相對(duì)來(lái)說(shuō)難度較大。目前常用的彎道擬合方法有：隨機(jī)采樣一致RANSAC法，貝塞爾曲線擬合法，基于最小二乘法的多項(xiàng)式擬合[10]。最小二乘法相對(duì)于其他彎道擬合方法來(lái)說(shuō)，其優(yōu)點(diǎn)是計(jì)算量小，所有的數(shù)據(jù)只需要遍歷一次，缺點(diǎn)是抗干擾能力差。但由于車道線圖像處理階段已經(jīng)將大部分的噪聲濾除，檢測(cè)較為精確，避免了出現(xiàn)干擾很大的噪聲。故本文采用最小二乘法結(jié)合拋物線模型對(duì)車道線彎道進(jìn)行擬合。最小二乘法[11]又叫做最小平方法，最小二乘法的原理是通過(guò)求解實(shí)際數(shù)據(jù)與理論數(shù)據(jù)之間誤差的平方和，并使這個(gè)平方和達(dá)到最小的多項(xiàng)式的系數(shù)，獲取多項(xiàng)式的表達(dá)式，而這個(gè)多項(xiàng)式就是需要的最佳匹配函數(shù)。一般直線或者曲線不可能穿過(guò)所有的觀測(cè)點(diǎn)，但是存在一條直線或者曲線使得數(shù)據(jù)點(diǎn)的理論值與真實(shí)值之間誤差的平方和達(dá)到最小，需要求的就是這條直線或曲線[12]。

已知(xi,yi)(i=1,2,3,…,n)是二維坐標(biāo)系中的一組數(shù)據(jù)，對(duì)于曲線擬合，假設(shè)目標(biāo)函數(shù)為(5)式：

令yi=f(xi)，Ei表示在xi處由式(5)計(jì)算得到的理論值與實(shí)際值yi之間的誤差，則有式(6)：

令Ei的平方和達(dá)到最小即可獲得aj的最佳估計(jì)值，即有令(7)式達(dá)到最小，

若要使(7)式達(dá)到最小，即令(7)式對(duì)aj求偏導(dǎo)，令其等于零，見(jiàn)(8)式。

得到計(jì)算a0，a1，…，an的線性方程組，見(jiàn)(9)式：

由計(jì)算得出曲線系數(shù)a0，a1，…，an進(jìn)而得到擬合的曲線，擬合的多項(xiàng)式次數(shù)越高，擬合結(jié)果越精確，但隨之帶來(lái)的是計(jì)算量增加，故在實(shí)際應(yīng)用中要兼顧兩者。

（二）基于最小二乘法的車道線擬合。前面部分的圖像處理的一些操作已經(jīng)把大量的噪聲點(diǎn)去除并盡量多地提取出車道線邊緣信息，獲取車道線邊緣像素點(diǎn)集，將邊緣像素點(diǎn)集中的點(diǎn)進(jìn)行擬合。設(shè)車道線方程為(10)式：

對(duì)提取出的車道線邊緣點(diǎn)進(jìn)行逆透視變換使得其坐標(biāo)由圖像坐標(biāo)系中的點(diǎn)集O(Un,Vn)轉(zhuǎn)換成世界坐標(biāo)系下的點(diǎn)集P(Xn,Yn)，利用最小二乘法對(duì)點(diǎn)集中的點(diǎn)進(jìn)行擬合，擬合函數(shù)為式（10）所示的函數(shù)模型，擬合結(jié)果如圖10所示。

圖10 擬合結(jié)果

四、實(shí)驗(yàn)結(jié)果與分析

本文進(jìn)行車道線彎道檢測(cè)所選取的是來(lái)自KITTI 數(shù)據(jù)集中的高速公路數(shù)據(jù)集，為驗(yàn)證該算法能否準(zhǔn)確有效地檢測(cè)并標(biāo)記出車道線，利用Matlab2014b對(duì)視頻圖像中單幀圖像運(yùn)用文中的算法進(jìn)行處理并標(biāo)記車道線，彎道車道線檢測(cè)的效果圖如圖11所示，選取圖像處理結(jié)果中的其中4 幀進(jìn)行展示。從圖中可以看出本文所提出的彎道檢測(cè)算法可以很好地識(shí)別出彎道。在對(duì)擬合精度要求不是非常高的情況下，拋物線擬合足以實(shí)現(xiàn)彎道檢測(cè)的基本要求。

圖11 車道線彎道檢測(cè)圖

五、結(jié)語(yǔ)

為提高無(wú)人駕駛汽車的安全性和可靠性，本文針對(duì)高速公路上彎道部分相對(duì)直線部分難檢測(cè)提出一種新的車道線彎道檢測(cè)算法?；诟咚俟飞宪嚨谰€與路面灰度值相差較大的特點(diǎn)，在提取的感興趣區(qū)域圖像中對(duì)圖像進(jìn)行灰度化中值濾波去噪，邊緣檢測(cè)，提取梯度幅值點(diǎn)作為車道線擬合的像素點(diǎn)集，使用逆透視變換獲得車道坐標(biāo)系下的點(diǎn)，最后利用拋物線模型用最小二乘法進(jìn)行擬合。實(shí)驗(yàn)表明，提出的算法具有較高的準(zhǔn)確性和可靠性，具有廣泛的應(yīng)用前景和實(shí)用價(jià)值。