李 夢(mèng)

（安徽信息工程學(xué)院機(jī)械工程學(xué)院，安徽蕪湖241000）

隨著無(wú)人駕駛技術(shù)的不斷發(fā)展，車道線的檢測(cè)與跟蹤逐漸成為研究熱點(diǎn)，很多學(xué)者都提出了車道線識(shí)別與跟蹤算法。莊博陽(yáng)等［1］根據(jù)連續(xù)視頻幀之間的時(shí)間相關(guān)性，利用光流對(duì)車輛前方背景的相對(duì)移動(dòng)進(jìn)行了檢測(cè)，結(jié)果表明分辨率為（1 280×720）像素的圖像的處理速度為24.81幀/s。王其東等［2］基于近視野車道直線信息與雙曲線擬合方法，對(duì)彎道車道線進(jìn)行了識(shí)別和尋優(yōu)，實(shí)驗(yàn)結(jié)果表明：對(duì)分辨率為（640×480）像素的圖像中車道線的平均識(shí)別率達(dá)91%以上，雨霧天氣下車道線的識(shí)別率達(dá)84.5%以上。蔡英鳳等［3］通過(guò)計(jì)算興趣區(qū)域（region of interest，ROI）灰度各向結(jié)構(gòu)張量的旋度，選擇變化趨勢(shì)最大的像素點(diǎn)作為特征點(diǎn)，利用霍夫變換（Hough transform，HT）來(lái)識(shí)別車道線，識(shí)別準(zhǔn)確率達(dá)94.72%以上。段建民等［4］提出了一種基于改進(jìn)簡(jiǎn)單圖像統(tǒng)計(jì)閾值算法的車道線識(shí)別算法，利用興趣區(qū)域來(lái)確定車道線的相對(duì)位置，結(jié)果表明該方法對(duì)單車道的識(shí)別準(zhǔn)確率可達(dá)96.40%。王超等［5］利用霍夫變換和最小距離法求解預(yù)定區(qū)域內(nèi)的消失點(diǎn)，并建立了梯形興趣區(qū)域，通過(guò)垂直分割圖像和搜索車道線位置來(lái)進(jìn)行車道線識(shí)別，結(jié)果表明車道線的平均識(shí)別準(zhǔn)確率達(dá)94.70%以上。曹月花等［6］通過(guò)改進(jìn)SUSAN（smallest univalue segment assimilating nucleus，最小單值段同化核）算子對(duì)夜間昏暗道路進(jìn)行邊緣增強(qiáng)，以降低環(huán)境噪聲的干擾；同時(shí)利用反射模型消除道路積水中光反射的影響，以提高識(shí)別準(zhǔn)確率。陳無(wú)畏等［7］提出利用投票機(jī)制檢測(cè)兩側(cè)車道線遠(yuǎn)方匯聚消失點(diǎn)，根據(jù)梯度方向投影計(jì)數(shù)獲得車道線上的邊緣點(diǎn)，并對(duì)置信度高的2個(gè)點(diǎn)進(jìn)行直線擬合，實(shí)現(xiàn)車道線識(shí)別。Park等［8］提出了一種改進(jìn)貝葉斯過(guò)濾器，用于降低觀測(cè)數(shù)據(jù)的噪聲影響與自身測(cè)量誤差的不確定度，并利用數(shù)據(jù)協(xié)方差進(jìn)行實(shí)時(shí)修正，以過(guò)濾不確定度較高的數(shù)據(jù)，從而提高車道線的識(shí)別準(zhǔn)確率，同時(shí)通過(guò)對(duì)司機(jī)進(jìn)行提示預(yù)警來(lái)避免事故的發(fā)生，實(shí)驗(yàn)結(jié)果表明該方法可使車道線的識(shí)別準(zhǔn)確率提高25.3%。Chen等［9］利用高斯混合模型來(lái)解決車道場(chǎng)景中的遮擋問(wèn)題，并采用漸進(jìn)概率霍夫變換（progressive probabilistic Hough transform，PPHT）進(jìn)行線段檢測(cè)，結(jié)果表明該方法在單車道和多車道場(chǎng)景下均具有很高的識(shí)別準(zhǔn)確率，但對(duì)處理器硬件的要求很高，僅能處理離線視頻或離線圖片，無(wú)法實(shí)現(xiàn)實(shí)時(shí)在線處理，多用于交通智能監(jiān)控領(lǐng)域。Katru等［10］提出利用叉運(yùn)算符劃分圖像并進(jìn)行多線程并行處理，運(yùn)用霍夫變換和動(dòng)態(tài)閾值來(lái)檢測(cè)車道線以提高識(shí)別準(zhǔn)確率，并利用MATALB軟件對(duì)15張離線圖片進(jìn)行車道線識(shí)別，平均識(shí)別準(zhǔn)確率為97.56%，平均圖像處理時(shí)間為39.95 幀/s。Filonenko等［11］提出了基于并行處理的車道線識(shí)別系統(tǒng)，先采用基于距離-顏色擬合模型的邊緣特征處理方法來(lái)檢測(cè)車道標(biāo)記點(diǎn)，再利用范圍聚類演化與曲線擬合方法識(shí)別車道線，結(jié)果表明不同環(huán)境下車道線的平均識(shí)別準(zhǔn)確率為95.76%。Deusch等［12］提出了一種基于濾波器的多車道檢測(cè)方法，該方法考慮了車道之間的依賴關(guān)系，多應(yīng)用于農(nóng)村道路的車道線檢測(cè)。Bounini等［13］提出了一種計(jì)算機(jī)透視算法，通過(guò)霍夫變換、Canny邊緣檢測(cè)器、最小二乘技術(shù)和卡爾曼濾波器等實(shí)現(xiàn)車道的邊界檢測(cè)。王杰等［14］提出了一種基于雙邊濾波的圖像增強(qiáng)算法，解決了弱光環(huán)境下車道線不易檢測(cè)的問(wèn)題，利用MATLAB R2015b軟件仿真得到的結(jié)果表明，在凌晨與傍晚等光線較弱的條件下，車道線的識(shí)別準(zhǔn)確率為92.5%。魏玉東等［15］提出利用Gist-SVM（support vector machine，支持向量機(jī)）機(jī)器學(xué)習(xí)算法對(duì)直線形與彎曲形車道線進(jìn)行自動(dòng)檢測(cè)分類，對(duì)檢測(cè)到的直線車道線和彎曲車道線分別進(jìn)行霍夫變換和多數(shù)小線段直線擬合，并在MATLAB GUI界面上顯示分析結(jié)果；但是，由于該方法基于機(jī)器學(xué)習(xí)算法，使用時(shí)需要大量路面圖片樣本，而實(shí)際路面情況具有多樣性、隨機(jī)性與復(fù)雜性等特性，因此需不斷擴(kuò)大樣本的覆蓋面、種類及數(shù)量，以提高識(shí)別準(zhǔn)確率。

綜上所述，現(xiàn)有車道線識(shí)別方法主要分為2類：1）基于道路圖像特征（如邊緣、顏色等）進(jìn)行圖像分割與處理，實(shí)現(xiàn)車道線識(shí)別；2）基于道路模型，通過(guò)提取車道線像素、擬合車道線來(lái)完成車道線識(shí)別，其中擬合方法有直線擬合、二次曲線擬合和同心圓曲線擬合等。這2類車道線識(shí)別方法主要借助OpenCV、MATLAB、Halcon等軟件來(lái)構(gòu)建車道線識(shí)別模型，對(duì)導(dǎo)入的圖片或視頻文件進(jìn)行離線分析。這些方法雖具有較快的圖像處理速度，但無(wú)法實(shí)現(xiàn)車道線在線識(shí)別與顯示，也無(wú)法根據(jù)實(shí)時(shí)處理結(jié)果來(lái)獲取車輛行駛的偏離情況，從而無(wú)法進(jìn)行及時(shí)有效的偏離預(yù)警干預(yù)。另外，大部分車道線識(shí)別方法為了提高圖片處理速度，通過(guò)設(shè)定興趣區(qū)域來(lái)減少圖片處理運(yùn)行量。興趣區(qū)域的選擇取決于路面信息，對(duì)于離線圖片文件，可通過(guò)參數(shù)調(diào)試來(lái)獲得最佳區(qū)域坐標(biāo)；但是，對(duì)于路面情況變化較大的視頻文件或?qū)崟r(shí)采集的圖片文件，若仍然利用固定的參數(shù)值，則會(huì)影響動(dòng)態(tài)識(shí)別準(zhǔn)確率和車道線擬合結(jié)果。

基于此，筆者提出一種基于機(jī)器視覺(jué)的不設(shè)定興趣區(qū)域的車道線在線識(shí)別系統(tǒng)，并通過(guò)構(gòu)建車道線識(shí)別數(shù)學(xué)模型，對(duì)車輛行駛偏離超過(guò)安全范圍的情況進(jìn)行提示與預(yù)警，以同步實(shí)現(xiàn)車道線識(shí)別與偏離預(yù)警。

1 車道線在線識(shí)別系統(tǒng)總體設(shè)計(jì)

借助VBAI（Vision Builder for Automation Inspection）平臺(tái)搭建車道線在線識(shí)別系統(tǒng)，主要包括圖像預(yù)處理、車道線識(shí)別與偏離預(yù)警、LabVIEW平臺(tái)API（application programming interface，應(yīng)用程序接口）腳本調(diào)用三部分，其設(shè)計(jì)框圖如圖1所示。

車道線在線識(shí)別系統(tǒng)的工作流程為：首先，對(duì)實(shí)時(shí)采集的彩色道路圖像進(jìn)行灰度化、濾波、二值化處理，獲取利于后續(xù)車道線識(shí)別的低噪、高質(zhì)圖像；然后，構(gòu)建灰度值采集線，當(dāng)采集線穿過(guò)車道線時(shí)，灰度值發(fā)生突變，當(dāng)某點(diǎn)的灰度值超過(guò)設(shè)定閾值時(shí)，記該點(diǎn)為邊緣突變點(diǎn)，借助直線擬合算法對(duì)所有邊緣突變點(diǎn)進(jìn)行擬合，完成車道線識(shí)別，并在此基礎(chǔ)上，計(jì)算在車輛行駛過(guò)程中左、右車道線的遠(yuǎn)方消失交點(diǎn)坐標(biāo)和車輛偏離車道中心線的相對(duì)航偏角，針對(duì)相對(duì)航偏角超過(guò)安全閾值的不同情況，通過(guò)在人機(jī)交互界面上顯示不同顏色的提示框來(lái)進(jìn)行偏離提醒或預(yù)警；最后，利用LabVIEW平臺(tái)中的API腳本調(diào)用功能建立VI（virtual instrument，虛擬儀器）程序，載入與調(diào)用VBAI平臺(tái)中的圖像處理程序，完成對(duì)實(shí)時(shí)采集圖像的連續(xù)處理，以實(shí)現(xiàn)車道線在線識(shí)別。

圖1 車道線在線識(shí)別系統(tǒng)設(shè)計(jì)框圖Fig.1 Design block diagram of online lane line recognition system

2 圖像預(yù)處理

2.1 圖像灰度化

攝像頭采集的道路圖像為彩色圖像，若直接用于車道線識(shí)別，會(huì)增加整體計(jì)算時(shí)間和計(jì)算機(jī)內(nèi)存使用量，影響識(shí)別速度。因此，需先對(duì)原始彩色圖像進(jìn)行灰度化處理。

2.2 圖像濾波

灰度化處理后的圖像經(jīng)濾波降噪后才能進(jìn)行二值化處理。常見(jiàn)的線性濾波方法有線性梯度算子濾波、拉普拉斯算子濾波、平滑濾波和高斯算子濾波；常見(jiàn)的非線性濾波方法主要有差值濾波、Sobel算子濾波、Prewitt算子濾波和中值濾波等。根據(jù)本文所采集的道路圖像的特點(diǎn)，分別采用拉普拉斯算子濾波、Sobel算子濾波和高亮細(xì)節(jié)卷積濾波等方法對(duì)灰度圖進(jìn)行處理。圖2所示為攝像頭采集的原始道路圖像和利用不同方法濾波后的道路圖像。

由圖2可知，利用高亮細(xì)節(jié)卷積濾波方法對(duì)圖像進(jìn)行濾波后，車道線上的邊緣特征得到較好保留，周圍環(huán)境噪聲信息也被有效濾除，且無(wú)新的環(huán)境噪點(diǎn)，因此本文選擇高亮細(xì)節(jié)卷積濾波方法。

圖2 原始道路圖像和不同方法濾波后的道路圖像Fig.2 Original road image and filtered road images by different methods

2.3 圖像二值化

道路圖像經(jīng)灰度化與降噪處理后，其像素點(diǎn)的灰度值變換范圍為0～255。為提高車道線邊緣點(diǎn)的識(shí)別準(zhǔn)確率，對(duì)圖像進(jìn)行二值化處理：通過(guò)對(duì)比原始圖像上像素點(diǎn)的灰度值與設(shè)定的灰度閾值，將灰度值設(shè)置為0或255，即呈現(xiàn)為黑白圖像。二值化處理可有效地分割車道線與周圍環(huán)境，尤其是在車道線圖像與周圍路面圖像的灰度值接近的情況下，有效的二值化處理可提高車道線識(shí)別準(zhǔn)確率。假設(shè)經(jīng)灰度化和濾波處理后圖像中像素點(diǎn)的灰度值為f(x，y)，設(shè)定的灰度閾值為T(mén)，則最簡(jiǎn)單的圖像閾值分割方法可表示為：

式中：g(x，y)為二值化處理后圖像中像素點(diǎn)的灰度值。

由式（1）可知，若某像素點(diǎn)的灰度值大于等于設(shè)定的灰度閾值時(shí)，二值化處理后該點(diǎn)的灰度值為255，呈白色；若某像素點(diǎn)的灰度值小于設(shè)定的灰度閾值時(shí)，二值化處理后該點(diǎn)的灰度值為0，呈黑色。根據(jù)所設(shè)定的灰度閾值的不同，二值化處理后的圖像將呈現(xiàn)不同的效果。

圖3所示為采用不同灰度閾值時(shí)道路圖像的分割效果。通過(guò)對(duì)比發(fā)現(xiàn)，當(dāng)灰度閾值T=74時(shí)，左、右車道線附近仍保留了很多噪點(diǎn)；當(dāng)灰度閾值T=92時(shí)，車道線信息得到較好保留，周圍噪點(diǎn)也被有效抑制?；诖?，本文選擇灰度閾值T=92，對(duì)道路圖像進(jìn)行二值化處理，得到黑白道路圖像，如圖4所示。

圖3 采用不同灰度閾值時(shí)道路圖像的分割效果對(duì)比Fig.3 Comparison of segmentation effect of road images by using different gray thresholds

3 車道線識(shí)別與偏離預(yù)警

3.1 車道線識(shí)別

圖4 二值化處理后的道路圖像Fig.4 Road image after binary processing

本文設(shè)計(jì)的車道線識(shí)別過(guò)程為：首先，建立圖像坐標(biāo)系，以拍攝的道路圖像下邊緣中心為原點(diǎn)，構(gòu)建間隔相應(yīng)角度、方向向外輻射的灰度值采集線，當(dāng)灰度值采集線與車道線的交點(diǎn)的灰度值超過(guò)設(shè)定的灰度閾值時(shí)，記該點(diǎn)為邊緣突變點(diǎn)，如圖5所示；然后，利用直線擬合算法對(duì)所有邊緣突變點(diǎn)進(jìn)行擬合，得到擬合的車道線；最后，利用直線擬合得分（line fit score，LFS）方法找到精度等級(jí)最高的擬合車道線，完成車道線識(shí)別［16］。

圖5 車道線邊緣突變點(diǎn)檢測(cè)Fig.5 Detection of edge sudden change point of lane line

基于直線擬合算法和LFS方法的車道線擬合步驟如下：

1）根據(jù)像素半徑從由所有邊緣突變點(diǎn)組成的特征數(shù)據(jù)集中選擇數(shù)據(jù)子集。擬合前，隨機(jī)選擇2個(gè)像素點(diǎn)作一條直線，根據(jù)該直線附近像素點(diǎn)的分布情況，以包含直線兩側(cè)70%以上像素點(diǎn)作為覆蓋范圍，設(shè)定初始像素半徑。然后，根據(jù)設(shè)定的像素半徑，獲得有效像素點(diǎn)，組成數(shù)據(jù)子集，如圖6所示。

2）根據(jù)數(shù)據(jù)子集進(jìn)行直線擬合，并計(jì)算所有有效像素點(diǎn)到擬合直線的平均平方距離（mean square displacement，MSD），記作LMSD。LMSD用于衡量擬合直線的精度，LMSD越小表明擬合直線的精度越高。LMSD的計(jì)算式為：

圖6 擬合直線與數(shù)據(jù)子集Fig.6 Fitting line and data subset

式中：dk為有效像素點(diǎn)到擬合直線的距離；N為有效像素點(diǎn)個(gè)數(shù)。

在初始像素半徑的基礎(chǔ)上，增大像素半徑，獲得與之對(duì)應(yīng)的數(shù)據(jù)子集并計(jì)算LMSD。重復(fù)該步驟，選取LMSD較小的直線作為候選直線。

4）對(duì)候選直線進(jìn)行優(yōu)化，求解出直線擬合得分TLFS達(dá)到要求的直線，記為擬合車道線［17］。TLFS的計(jì)算式為：

式中：R為像素半徑。

利用上述方法得到最佳擬合車道線。圖7所示為某車道右側(cè)內(nèi)車道線識(shí)別結(jié)果。

圖7 某車道右側(cè)內(nèi)車道線識(shí)別結(jié)果Fig.7 Lane line recognition result of the right side of a certain lane

3.2 車道線偏離預(yù)警

完成內(nèi)側(cè)車道線識(shí)別后，通過(guò)建模計(jì)算出左、右內(nèi)側(cè)車道線遠(yuǎn)方消失交點(diǎn)的坐標(biāo)，并在此基礎(chǔ)上計(jì)算車輛與車道中心線的相對(duì)航偏角，即圖8中遠(yuǎn)方消失交點(diǎn)O'與坐標(biāo)系原點(diǎn)連線與x軸的夾角β。在車輛行駛過(guò)程中，當(dāng)車輛偏離車道中心線且靠近左側(cè)車道線時(shí)，相對(duì)航偏角大于90°，如圖8（a）所示，隨著偏離加劇，相對(duì)航偏角增大；當(dāng)車輛行駛偏離中心線且靠近右側(cè)車道線時(shí)，相對(duì)航偏角小于90°，如圖8（b）所示，隨著偏離加劇，相對(duì)航偏角減小。

圖8 車輛行駛偏離模型Fig.8 Vehicle driving deviation model

若車輛行駛時(shí)偏離車道中心線，當(dāng)檢測(cè)到在駕駛員非主動(dòng)變道行為下仍存在靠近一側(cè)車道線行駛的情況時(shí)，通過(guò)對(duì)比實(shí)測(cè)相對(duì)航偏角與設(shè)定的安全相對(duì)航偏角閾值，對(duì)車輛行駛安全進(jìn)行判斷：當(dāng)實(shí)測(cè)相對(duì)航偏角大于設(shè)定閾值時(shí)，表明行駛偏離嚴(yán)重，存在安全隱患，通過(guò)人機(jī)交互界面上不同顏色的提示框?qū)︸{駛員進(jìn)行提示或預(yù)警，以敦促駕駛員調(diào)整行駛方向，避免發(fā)生交通事故；當(dāng)車輛處于安全行駛范圍時(shí)，提示框中顯示左、右內(nèi)側(cè)車道線遠(yuǎn)方消失交點(diǎn)O'的坐標(biāo)與相對(duì)航偏角β，如圖9所示。

圖9 安全行駛時(shí)人機(jī)交互界面上提示框的顯示情況Fig.9 Display situation of prompt box on the human-computer interface during driving safely

4 LabVIEW平臺(tái)API腳本調(diào)用

為了實(shí)現(xiàn)對(duì)實(shí)時(shí)采集圖像的在線處理，通過(guò)LabVIEW平臺(tái)中的API腳本調(diào)用功能來(lái)調(diào)用VBAI平臺(tái)中的圖像處理程序，同時(shí)利用Development Toolkit工具包在while循環(huán)體中執(zhí)行相應(yīng)的腳本程序，完成圖像顯示、引擎運(yùn)行、檢測(cè)腳本啟用、Inspection檢測(cè)和退出等步驟，對(duì)車輛行駛過(guò)程中實(shí)時(shí)采集的道路圖像進(jìn)行處理。圖10所示為L(zhǎng)abVIEW平臺(tái)API腳本調(diào)用圖像處理程序界面，用戶可以通過(guò)圖像處理程序的連續(xù)運(yùn)行獲得車道線識(shí)別結(jié)果。

圖10 LabVIEW平臺(tái)API腳本調(diào)用圖像處理程序界面Fig.10 Interface of image processing program called by Lab-VIEW platform APIscript

5 車道線識(shí)別試驗(yàn)

為了驗(yàn)證所提出的車道線在線識(shí)別系統(tǒng)的準(zhǔn)確性與可靠性，進(jìn)行了實(shí)際的車道線識(shí)別試驗(yàn)。選擇在蕪湖市弋江區(qū)大工山路、吳霞山東路、九華南路與花津南路路段開(kāi)展試驗(yàn)，試驗(yàn)車輛為大眾新款捷達(dá)；計(jì)算機(jī)的硬件配置為Intel CORE i5處理器，主頻率為3.2 GHz，內(nèi)存為4 GB，系統(tǒng)為Windows10（32位）；視覺(jué)采集硬件為大恒HV1300FM 1394相機(jī)和3Mega Pixel鏡頭（焦距為5～55 mm，光圈為F1.4IR固定光圈），安裝在前擋風(fēng)玻璃車輛縱向中軸線處。根據(jù)中國(guó)道路標(biāo)準(zhǔn)，城市道路中機(jī)動(dòng)車道寬度為3.5～3.75 m，新款捷達(dá)車的寬度為1.706 m，半寬為0.853 m，建立車輛-城市道路示意圖，如圖11所示。

圖11 車輛-城市道路示意圖Fig.11 Schematic illustration of vehicle-city road

在進(jìn)行車道線識(shí)別試驗(yàn)之前，需先標(biāo)定車道中心線。根據(jù)前文理論分析可知，車輛行駛偏離車道中心線的程度由相對(duì)航偏角β來(lái)衡量：β＞90°表示車輛行駛左偏，β=90°表示車輛中軸線與車道中心線重合，β＜90°表示車輛行駛右偏?；诖?，對(duì)車道中心線進(jìn)行標(biāo)定，將車輛停在車道中心，使得車輛中軸線與車道中心線重合，通過(guò)測(cè)量獲得多組試驗(yàn)結(jié)果。實(shí)際測(cè)得的相對(duì)航偏角平均值為90.052°，誤差為0.052°，如圖12所示。然后，改變車輛的停放位置，再設(shè)計(jì)多組試驗(yàn)進(jìn)行對(duì)比，對(duì)車輛中軸線到車道中心線的距離進(jìn)行標(biāo)定測(cè)量，獲得車輛位于不同位置處時(shí)的相對(duì)航偏角，平均誤差為0.043°。

圖12 車道中心線標(biāo)定結(jié)果Fig.12 Lane centerline calibration results

利用設(shè)計(jì)的車道線在線識(shí)別系統(tǒng)進(jìn)行車道線識(shí)別試驗(yàn)，結(jié)果如表1所示。結(jié)果表明：該系統(tǒng)能夠有效識(shí)別出車道線以及左、右車道線遠(yuǎn)方消失交點(diǎn)，系統(tǒng)識(shí)別得到的相對(duì)航偏角與實(shí)際測(cè)得的相對(duì)航偏角的偏差為0.031°～0.056°；采用不同數(shù)量灰度值采集線進(jìn)行車道線識(shí)別時(shí)的識(shí)別準(zhǔn)確率是不同的。

根據(jù)試驗(yàn)結(jié)果，設(shè)定車輛輪廓外邊界到車道線一側(cè)的距離為30 cm作為預(yù)警距離：當(dāng)車輛行駛左偏且達(dá)到預(yù)警距離，即相對(duì)航偏角大于安全閾值114.5°時(shí)，發(fā)出左偏預(yù)警；當(dāng)車輛行駛右偏且達(dá)到預(yù)警距離，即相對(duì)航偏角小于安全閾值76.5°時(shí)，發(fā)出右偏預(yù)警。當(dāng)車輛左、右偏移達(dá)到預(yù)警距離閾值時(shí)，車道線在線識(shí)別系統(tǒng)人機(jī)交互界面中提示框呈紅色警示狀態(tài)。

表1 車道線識(shí)別試驗(yàn)結(jié)果Table 1 Lane line recognition test results

由于行車速度的不同和路面情況的復(fù)雜性，為了進(jìn)一步提高高速行駛狀態(tài)下車輛偏離安全預(yù)警的及時(shí)性，增設(shè)偏離距離40 cm為提醒閾值，當(dāng)車輛行駛偏離距離為30～40 cm時(shí)，系統(tǒng)進(jìn)行安全提醒，旨在為駕駛員爭(zhēng)取更多寶貴的反應(yīng)時(shí)間，保證行駛安全。通過(guò)車道線識(shí)別試驗(yàn)可得，當(dāng)車輛行駛偏離距離為40 cm時(shí)，對(duì)應(yīng)的相對(duì)航偏角為111.5°（左偏）與79.5°（右偏）。因此，當(dāng)相對(duì)航偏角為111.5°～114.5°時(shí)，系統(tǒng)發(fā)出左偏提醒；當(dāng)相對(duì)航偏角為76.5°～79.5°時(shí)，系統(tǒng)發(fā)出右偏提醒；當(dāng)相對(duì)航偏角為79.5°～111.5°時(shí)，為安全行駛范圍，系統(tǒng)不作提醒。車道線在線識(shí)別系統(tǒng)發(fā)出偏離提醒時(shí)，人機(jī)交互界面中提示框呈粉紅色提醒狀態(tài)。

為了驗(yàn)證所提出的車道線在線識(shí)別系統(tǒng)對(duì)不同環(huán)境的適應(yīng)性，在不同的道路環(huán)境下展開(kāi)大量車道線識(shí)別試驗(yàn)。圖13所示分別為夜晚、積水、彎道等非常規(guī)環(huán)境下的車道線識(shí)別結(jié)果。

在不同環(huán)境下完成多組車道線識(shí)別試驗(yàn)后，統(tǒng)計(jì)圖像處理速度和車輛行駛偏離預(yù)警準(zhǔn)確率，結(jié)果如表2所示。結(jié)果表明，所設(shè)計(jì)的車道線在線識(shí)別系統(tǒng)在不同環(huán)境下均具有較高的圖像處理速度與行駛偏離預(yù)警準(zhǔn)確率。

為進(jìn)一步驗(yàn)證本文車道線在線識(shí)別算法運(yùn)行結(jié)果的準(zhǔn)確性，與文獻(xiàn)［1，3-4，10］所得結(jié)果進(jìn)行對(duì)比，如表3和表4所示。

部分現(xiàn)有車道線識(shí)別方法采用設(shè)定興趣區(qū)域的算法來(lái)減少圖像處理運(yùn)行量和提高圖像處理速度，但由于被鎖定的興趣區(qū)域無(wú)法動(dòng)態(tài)適應(yīng)變化的路面，使得這些方法存在一定的識(shí)別誤差。通過(guò)對(duì)比設(shè)定興趣區(qū)域的車道線識(shí)別方法發(fā)現(xiàn)，識(shí)別誤差一般在圖像快速采集與處理過(guò)程中出現(xiàn)。而本文所提出的車道線在線識(shí)別方法不設(shè)定固定的興趣區(qū)域，能夠?qū)Σ杉膱D像進(jìn)行實(shí)時(shí)處理，確保了較高的識(shí)別準(zhǔn)確率與較強(qiáng)的環(huán)境適應(yīng)力。圖14所示為采用設(shè)定固定興趣區(qū)域的方法和本文方法的車道線識(shí)別結(jié)果比較。

圖13 不同環(huán)境下車道線識(shí)別結(jié)果Fig.13 Lane line recognition results under different circustances

表2 圖像處理速度和車輛行駛偏離預(yù)警準(zhǔn)確率Table 2 Image processing speed and vehicle deviation warning accuracy

表3 車道線識(shí)別準(zhǔn)確率對(duì)比Table 3 Comparison oflaneline recognition correct rate %

表4 圖像處理速度對(duì)比Table 4 Comparison of image processing speed

圖14 不同方法的車道線識(shí)別結(jié)果比較Fig.14 Comparison of lane line recognition results of different methods

此外，隨著人工智能技術(shù)在無(wú)人駕駛領(lǐng)域的應(yīng)用，常通過(guò)借助深度學(xué)習(xí)理論來(lái)搭建卷積神經(jīng)網(wǎng)絡(luò)的識(shí)別算法，以對(duì)樣本進(jìn)行訓(xùn)練。利用卷積網(wǎng)絡(luò)函數(shù)model.add（Conv2D，padding='valid'，strides，activation，name））、池化函數(shù) model.add（MaxPooling2D（pool_size=pool_size））、上采樣函數(shù)model.add（UpSampling2D（size=pool_size））和反卷積函數(shù)model.add（Conv2D Transpose，padding，stride，activation，name））等函數(shù)對(duì)離線視頻文件中的圖像進(jìn)行處理時(shí)，一般需要采用圖形處理器（graphics processing unit，GPU）來(lái)提高圖片處理速度。圖15（a）所示為采用GPU（英偉達(dá)GTX1050）和傳統(tǒng)車道線識(shí)別算法，利用深度學(xué)習(xí)理論，在TensorFlow終端輸出的車道線識(shí)別結(jié)果［18］，該方法對(duì)顯卡及圖像處理器配置的要求較高，且高速運(yùn)行時(shí)仍然存在一定的邊緣識(shí)別誤差；圖15（b）所示為采用一般中央處理器（central processing unit，CPU）和本文算法得到的車道線識(shí)別結(jié)果，該方法硬件成本較低，且識(shí)別準(zhǔn)確率較高。

圖15 采用不同圖像處理硬件時(shí)的車道線識(shí)別結(jié)果Fig.15 Recognition results of lane line by using different image processing hardware

6 結(jié)論

為更好地服務(wù)自動(dòng)駕駛車輛中的車道保持輔助系統(tǒng)，基于現(xiàn)有多種車道線識(shí)別方法，開(kāi)展了以下工作：

1）針對(duì)傳統(tǒng)車道線識(shí)別方法相對(duì)復(fù)雜且對(duì)硬件要求較高的問(wèn)題，提出了一種基于機(jī)器視覺(jué)的車道線在線識(shí)別系統(tǒng)，簡(jiǎn)化了識(shí)別難度且提高了識(shí)別準(zhǔn)確率。

2）針對(duì)傳統(tǒng)車道線識(shí)別方法只能對(duì)離線視頻或圖片進(jìn)行處理，無(wú)法展開(kāi)實(shí)時(shí)識(shí)別的問(wèn)題，借助Lab-VIEW平臺(tái)中的API腳本調(diào)用功能來(lái)調(diào)用VBAI平臺(tái)中的圖像處理程序，實(shí)現(xiàn)車道線在線識(shí)別。

3）針對(duì)傳統(tǒng)車道線識(shí)別方法無(wú)法進(jìn)行行駛偏離預(yù)警，功能較為單一的問(wèn)題，對(duì)左、右車道線遠(yuǎn)方消失交點(diǎn)坐標(biāo)與相對(duì)航偏角進(jìn)行實(shí)時(shí)測(cè)量并將其顯示在人機(jī)交互界面上，并根據(jù)偏離情況，利用不同顏色提示框進(jìn)行提醒與預(yù)警，優(yōu)化了系統(tǒng)的功能，提高了系統(tǒng)的復(fù)合性與實(shí)用性。