馬泉鈞 何自超 林邦演 曾文軒

摘 要：小車在平穩(wěn)路面行駛，同時前方無車輛障礙，基于此，本研究設(shè)計了長距離車道檢測系統(tǒng)。在識別車道線時，利用輸入的視頻進(jìn)行圖像預(yù)處理，提取感興趣區(qū)域，獲取車道線的最大區(qū)域，對其進(jìn)行透視變換和標(biāo)定，使用Sobel算子對其二值化，使用滑塊法擬合車道線并標(biāo)定，輸出檢測后的標(biāo)定視頻文件。該系統(tǒng)能有效檢測更遠(yuǎn)距離的車道線，可以應(yīng)用于快速行駛路段與有清晰車道線的高速公路。

關(guān)鍵詞：車道線檢測;邊緣檢測;智能交通;長距離檢測;透視變換

中圖分類號：TP391.41文獻(xiàn)標(biāo)識碼：A文章編號：1003-5168（2019）29-0111-03

Long Distance Lane Detection Based on Image Processing

MA Quanjun HE Zichao LIN Bangyan ZENG Wenxuan

（Guangzhou College of South China University of Technology，Guangzhou Guangdong 510800）

Abstract： The car is running on a smooth road with no vehicle obstacles in front. Based on this， this study designed a long-distance lane detection system. When the lane line is identified， the input video is used for image preprocessing， the region of interest is extracted， the maximum area of lane line is obtained， perspective transformation and calibration are carried out， binarization is conducted with Sobel operator， lane line is fitted and calibrated with slider method， and the calibration video file after detection is output. This system can effectively detect lane lines at longer distances and can be applied to fast-moving road sections and highways with clear lane lines.

Keywords： lane detection;edge detection;intelligent transportation;long-range detection;perspective transformation

近年來，人為因素導(dǎo)致車輛偏移車道而引起的交通事故屢見不鮮。中國的駕駛?cè)苏w年齡呈現(xiàn)上升的趨勢，作為汽車主動安全技術(shù)的一部分，車道線檢測對于車輛行駛安全有著重要的意義。長距離的車道線檢測主要運用于高速公路等汽車行駛時速高的路段，能更早地對偏移進(jìn)行檢測，保證在高速行駛且制動距離較遠(yuǎn)的情況下能提前檢測出偏移情況，增加駕駛員的反應(yīng)時間[1-3]。車道偏移預(yù)警系統(tǒng)可以在形成交通事故之前對行駛情況做出檢測，避免人為因素而導(dǎo)致車輛偏離，也可避免駕駛?cè)似诙鴮?dǎo)致的交通事故。

圖像預(yù)處理是車道線檢測中的重要一環(huán)，其目的是更加明確地區(qū)分車道線與背景[4]。在車道線的提取中，本方案對感興趣區(qū)域的區(qū)間進(jìn)行擴(kuò)大，可以處理更長的車道線。攝像頭提取的圖片并不是灰白圖，但可以通過設(shè)置一個閾值把車道線分離出來。本文通過攝像頭采集的圖片，分解出RGB單通道圖片，確定圖片的優(yōu)先像素，通過Sobel算子的應(yīng)用，對圖像進(jìn)行二值化及輪廓提取，篩選出車道線的輪廓。在車道線的檢測中，大多采用霍夫算法進(jìn)行車道線的提取，但是霍夫算法在提取曲線上顯得比較困難，本文運用了滑塊處理的方法，結(jié)合霍夫變換對直線進(jìn)行檢測。

1 研究思路

通過攝像頭采集的圖像信息，利用棋盤法標(biāo)定、校正圖片信息，對圖像進(jìn)行感興趣區(qū)域提取，對圖像進(jìn)行優(yōu)先像素處理，利用Sobel對圖像進(jìn)行灰度變換和邊緣檢測，再結(jié)合霍夫算法及滑塊法對檢測后的圖像進(jìn)行提取。最后利用最小二乘法篩選符合的車道信息進(jìn)行擬合標(biāo)定。本研究流程如圖1所示。

2 車道線檢測

2.1 圖像的感興區(qū)域提取

直接對拍攝視頻進(jìn)行車道線處理，會受到各種樹木、小車、天空等因素的影響，使得檢測結(jié)果達(dá)不到預(yù)期。試驗發(fā)現(xiàn)，在感興區(qū)域的提取中，可以對天空區(qū)域進(jìn)行截取，保留路面部分，從而檢測到更多的車道信息。本試驗的感興趣區(qū)域設(shè)置在汽車的行駛道路圖像中。

2.2 圖像灰度及二值化

圖片的處理中，最先開始的是對圖片的灰度化及二值化。圖片灰度化的對象是真彩圖片，其由3通道R/G/B組成，而灰度圖像由這三通道的顏色合成一通道的圖像，即一個像素代表計算機的8位，用數(shù)字0～255來代表。而二值是利用設(shè)定的閾值[T]，當(dāng)像素值[P]大于閾值[T]，則[P]=255，否則[P]=0。

2.3 優(yōu)先像素

在車道線的檢測中，黃色和白色是其優(yōu)先像素。車道線檢測大多采用直接轉(zhuǎn)換為灰度的方法，它無法對車道線進(jìn)行優(yōu)先處理，會損失掉部分的車道信息。提出優(yōu)先像素將提高檢測的穩(wěn)定性。

車道線一般為黃色和白色，對應(yīng)的[R]、[G]、[B]值有兩組，分別為{255/255/0}{255/255/255}，以白、黃像素RGB的相關(guān)性作為約束提取車道像素，分別對單通道R/G兩張圖像進(jìn)行處理。由于感興區(qū)域大多像素為背景像素，將感興區(qū)域的像素值由大到小進(jìn)行排列，只對像素值前50%的像素進(jìn)行處理，極大地增加了處理效率。

2.4 圖像的透視變換

在檢測車道線的過程中，由于視屏視角的偏差，車道線沿透視點收縮，因此對車道線進(jìn)行透視變換可以將車道線投影在平面上，獲得車道的俯視圖。其原理是利用原有的圖像對車道線進(jìn)行標(biāo)定后進(jìn)行映射變換，具體變換公式如下：

[XYZ=a11a12a13a21a22a23a31a32a33xy1]? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（1）

2.5 利用Sobel算子進(jìn)行邊緣檢測

Sobel算子是一種理想的差分算子，主要用于圖像的邊緣檢測，用來運算圖像的高亮度函數(shù)及灰度的近似值。Sobel的卷積因子如圖2所示。

利用卷積因子對圖像的每一個3×3像素進(jìn)行卷積運算，Sobel算子根據(jù)像素點上下、左右鄰點灰度加權(quán)差，在邊緣處達(dá)到極值這一現(xiàn)象檢測邊緣，對噪聲具有平滑作用，可以提供較為精確的邊緣方向信息。

2.6 霍夫變換及滑塊法檢測車道線

霍夫變換運用兩個坐標(biāo)空間之間的變換，將在一個空間中具有相同形狀的曲線或直線映射到另一個坐標(biāo)空間的一個點上形成峰值，從而把檢測任意形狀的問題轉(zhuǎn)化為統(tǒng)計峰值問題。其映射公式為：

[ρ=xcosθ+ysinθ]? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（2）

由于霍夫變換易受光等因素影響，結(jié)合滑塊法進(jìn)行檢測。遍歷圖像將不為0的元素存儲在數(shù)組中，確定基點坐標(biāo)，設(shè)置必要的初始化參數(shù)，包括滑塊的迭代個數(shù)，并依此計算窗高、初始基點坐標(biāo)、窗寬基數(shù)和建立存儲數(shù)組等，當(dāng)窗內(nèi)有效像素個數(shù)小于預(yù)設(shè)最小值時，以窗寬基數(shù)為單位遞增窗寬，直到滿足最小像素個數(shù)。以有效值的平均值作為下個滑塊的基點進(jìn)行迭代運算，結(jié)束后用最小二乘法擬合得到車道線。

3 試驗結(jié)果

為了驗證本研究的效果，采取使用行車記錄儀所拍攝的視頻（見圖3）作為原素材導(dǎo)入，利用Python編寫程序，對視頻文件進(jìn)行處理后，輸出處理后的視頻文件來完成試驗。

3.1 圖像感興趣區(qū)域的提取

對本文所用的素材進(jìn)行分析，需采用的像素區(qū)域為0～[H]/2，對原圖像提取效果如圖4所示。

3.2 圖像灰度化

本文采用的灰度化方式是優(yōu)先像素灰度化法，對黃白進(jìn)行優(yōu)先處理。處理效果如圖5所示。

3.3 透視變換

本文采用的是基于OpenCV的透視變換，對選取標(biāo)定好的車道線，設(shè)置變換區(qū)間：原圖像的四個角點為（180，720）、（675，388）、（690，388）和（1 170，720），變換后的四個角點為（320，720）、（320，0）、（960，0）和（960，720）。透視變換效果如圖6所示。

3.4 邊緣檢測

本文采用的是Sobel算子進(jìn)行邊緣檢測，效果如圖7所示。

3.5 車道線檢測并標(biāo)定

對邊緣檢測結(jié)果進(jìn)行霍夫運算及滑塊運算，用最小二乘法擬合曲線得到車道線，對車道線區(qū)域進(jìn)行綠色處理返回原圖像，得到車道線標(biāo)定圖，如圖8所示。

4 結(jié)論

本研究使用Sobel算子進(jìn)行圖像的邊緣處理，導(dǎo)致車道線邊緣標(biāo)定出現(xiàn)偏差，本文使用的滑塊加霍夫擬合曲線可以雙重保障車道線的完整性。在后續(xù)的工作中，人們要進(jìn)一步研究圖像的預(yù)處理，使得本系統(tǒng)更加完善，提高其精確度。

參考文獻(xiàn)：

[1]管欣，董因平，高振海.基于LMedSquare的車道曲線擬合算法[J].吉林大學(xué)學(xué)報（工學(xué)版），2004（2）：194-197.

[2]季聰.基于雙目視覺的智能車輛路徑識別方法研究[D].蘭州：蘭州交通大學(xué)，2013.

[3]馬雷，武波濤，王連東.彎曲道路識別方法與目標(biāo)函數(shù)選取的研究[J].汽車工程，2008（7）：561-565.

[4]袁啟平，宋金澤，吳濤.基于逆透視投影變換的圖像拼接方法[J].微計算機信息，2010（26）：208-209.