劉景鋒 李炎亮 江奎 郭雨婷

摘 要： 針對(duì)智能車輛在不同環(huán)境條件下識(shí)別道路車道線出現(xiàn)偏移的問(wèn)題，提出了一種基于改進(jìn)逆透視變換的車道線檢測(cè)算法。首先利用HSL和Lab融合模型提取車道線顏色特征，經(jīng)過(guò)二值化處理后利用透視變換將圖像轉(zhuǎn)換為鳥瞰圖，然后根據(jù)二值圖建立直方圖，進(jìn)行車道線位置的粗定位。最終通過(guò)滑動(dòng)窗口算法以及直線擬合等處理，實(shí)現(xiàn)對(duì)車道線的精準(zhǔn)識(shí)別。通過(guò)實(shí)驗(yàn)結(jié)果對(duì)比分析，提出的車道線檢測(cè)算法能夠解決車道線識(shí)別偏移問(wèn)題。

關(guān)鍵詞： 車道線檢測(cè); 逆透視變換; 滑動(dòng)窗口; 特征融合

文章編號(hào)： 2095-2163（2021）03-0109-04 中圖分類號(hào)：U461.99 文獻(xiàn)標(biāo)志碼：A

【Abstract】Aiming at the problem that smart vehicles recognize the deviation of road lane lines under different environmental conditions， a lane line detection algorithm based on improved inverse perspective transformation is proposed. First， the HSL and Lab fusion model is used to extract the color features of the lane line， and after the binarization process， the image is converted into a bird's-eye view using perspective transformation. Then a histogram is established based on the binary image to perform coarse positioning of the lane line position. Finally， through sliding window algorithm， straight line fitting and other processing， the accurate recognition of lane lines is realized. Through comparative analysis of experimental results， the proposed lane line detection algorithm can solve the problem of lane line recognition offset.

【Key words】 lane line detection; inverse perspective transformation; sliding window; model fusion

0 引 言

為提高智能車駕駛安全性，實(shí)現(xiàn)自適應(yīng)巡航、跟車行駛和車道保持等功能，實(shí)時(shí)精確的感知車道線信息是智能車自主安全行駛的基礎(chǔ)?；谝曈X(jué)算法是識(shí)別車道線常用的方法。

目前關(guān)于車道線識(shí)別的研究有很多。文獻(xiàn)[1]提出了一種可以適應(yīng)多路況的車道線識(shí)別方法，通過(guò)利用改進(jìn)的TLC預(yù)警模型，提高了檢測(cè)精度以及預(yù)警精度。劉萍等人[2]提出反透視變換算法解決道路遮擋干擾問(wèn)題。彭浪[3]提出基于目標(biāo)特征蒸餾的車道線檢測(cè)算法，通過(guò)蒸餾技術(shù)和添加的解碼器獲取更準(zhǔn)確的車道線信息。唐陽(yáng)山等人[4]基于Roberts算子提高對(duì)車道線圖像的精準(zhǔn)分割。蔣一國(guó)[5]提出了基于GAN的車道線檢測(cè)算法，利用pix2pix將車道線識(shí)別轉(zhuǎn)化為圖像的自動(dòng)生成任務(wù)，然后提取細(xì)節(jié)特征。謝昌剛等人[6]提出了車道線隔行檢測(cè)算法，通過(guò)動(dòng)態(tài)確定ROI區(qū)域，識(shí)別效率提高40%，精度高達(dá)88.57%。

綜上論述可知，本文提出一種基于逆透視變換的車道線檢測(cè)算法，解決了對(duì)光照變化以及陰影遮擋等環(huán)境干擾較為敏感而導(dǎo)致車道線識(shí)別不精確和魯棒性不足的問(wèn)題。

1 圖像預(yù)處理

對(duì)視覺(jué)采集的圖像采取加權(quán)平均、中值濾波和最大類間方差法分別進(jìn)行灰度化、平滑濾波和二值化處理[7-9]，結(jié)果如圖1所示。

2 透視變換

透視變換通過(guò)將攝像頭采集的圖像信息投影到新的平面，以獲取車道線特征，消除透視形變，用矩陣表示為：

其中，（X，Y，Z） 和（x，y，z）分別表示世界坐標(biāo)系和圖像坐標(biāo)系下的坐標(biāo)值。

視覺(jué)采集的車道線圖像是二維像素點(diǎn)，令Z軸數(shù)值為1。將（X，Y）與（x，y）帶入表達(dá)式中可得：

為驗(yàn)證對(duì)應(yīng)點(diǎn)選取的合理性和透視變換算法的有效性，利用Carsim軟件建立理想的道路模型，如圖2（a）所示，通過(guò)不斷調(diào)整對(duì)應(yīng)點(diǎn)的坐標(biāo)，以獲取直線道路上較為良好的透視變換圖像如圖2（b）所示。將該調(diào)整好的變換矩陣應(yīng)用在彎道圖像2（c）上來(lái)檢驗(yàn)效果，結(jié)果如圖2（d）所示。

由實(shí)驗(yàn)結(jié)果分析得出：透視變換圖中越接近底部的車道線越清晰，上方的圖像由于像素點(diǎn)逐漸稀少，車道線稍有模糊。

3 車道線檢測(cè)

3.1 基于直方圖車道線粗定位

直方圖的像素點(diǎn)只有兩種色值，分別為表示車道線特征的白色（色值為1）和設(shè)置為黑色的其他部分（色值為0）。通過(guò)直方圖統(tǒng)計(jì)處理后的圖像如圖3所示。

由圖3可知，直方圖左半邊縱坐標(biāo)峰值點(diǎn)對(duì)應(yīng)的橫坐標(biāo)為左車道線起始點(diǎn)的位置。右半邊縱坐標(biāo)峰值點(diǎn)所對(duì)應(yīng)的橫坐標(biāo)為右車道線起始點(diǎn)的位置。

3.2 基于滑動(dòng)窗口法的車道線檢測(cè)

基于直方圖的方法進(jìn)行車道線的粗定位后，利用滑動(dòng)窗口原理，以峰值點(diǎn)的位置作為滑動(dòng)窗口的起始點(diǎn)，設(shè)定固定大小的窗口，進(jìn)行網(wǎng)格化搜尋圖像中所有車道線的點(diǎn)。

通過(guò)窗口滑動(dòng)進(jìn)行像素點(diǎn)的搜尋，在進(jìn)行第二個(gè)窗口滑動(dòng)搜尋時(shí)，以第一個(gè)窗口的上邊緣作為第二個(gè)窗口的下邊緣。對(duì)窗口中的非零像素（白色）個(gè)數(shù)加以統(tǒng)計(jì)，過(guò)濾掉數(shù)目小于設(shè)定值的窗口;大于設(shè)定值則更新窗口位置。此時(shí)，所有滑窗中的白點(diǎn)可能屬于待檢測(cè)的車道線，如圖4中紅色和藍(lán)色所示。

3.3 曲線擬合處理

分別對(duì)所有藍(lán)色像素點(diǎn)和紅色像素點(diǎn)用最小二乘法進(jìn)行曲線擬合，即可得到車道線的曲線方程[10]，處理結(jié)果如圖5所示。

3.4 逆透視變換處理

由于處理圖像時(shí)使用了透視變換矩陣M得到了車道線圖像的鳥瞰圖，在檢測(cè)完車道線后需要利用逆透視變換矩陣Minv將鳥瞰視角下的擬合結(jié)果轉(zhuǎn)換到原始圖像空間[11]，并與原圖疊加，處理結(jié)果如圖6所示。

實(shí)驗(yàn)結(jié)果分析可得：基于Carsim建立的理想化道路模型的檢測(cè)下，車道線的擬合效果非常好，檢測(cè)邊緣與車道線貼合緊密，十分穩(wěn)定，沒(méi)有波動(dòng)。

4 實(shí)驗(yàn)結(jié)果分析

為進(jìn)一步驗(yàn)證本文提出算法的有效性，在現(xiàn)有的真實(shí)道路數(shù)據(jù)集中選取正常無(wú)陰影和有陰影、光線急劇變化的道路狀況進(jìn)行實(shí)驗(yàn)測(cè)試，檢測(cè)結(jié)果如圖7所示。

由實(shí)驗(yàn)結(jié)果分析得出：當(dāng)光線無(wú)明暗變換，且路面沒(méi)有陰影時(shí)，檢測(cè)效果較好。當(dāng)彎道工況中出現(xiàn)光線明暗變化或路面有陰影時(shí)，車道線的檢測(cè)效果較差。

通過(guò)上述過(guò)程分析得出，由于透視變換前的邊緣檢測(cè)不準(zhǔn)確導(dǎo)致在出現(xiàn)光線明暗變化和陰影的條件下，車道線的檢測(cè)效果較差。查看2種工況的邊緣檢測(cè)圖可以發(fā)現(xiàn)，經(jīng)過(guò)Canny算子邊緣檢測(cè)的處理，將光線明暗交替位置的邊緣像素點(diǎn)以及樹木陰影的輪廓像素全部提取出來(lái)，處理圖像如圖8所示。

針對(duì)在光線明暗變化或路面有陰影時(shí)的彎道工況下，車道線檢測(cè)效果較差的問(wèn)題，本文首先采用HSL和Lab 顏色模型提取車道線的顏色特征。通過(guò)HSL和Lab特征融合處理后，分別將車道線的白色和黃色分割出來(lái)，再進(jìn)行疊加達(dá)到去噪的目的。增加HSL和Lab顏色模型后處理結(jié)果如圖9所示。

由本文的實(shí)驗(yàn)分析可以得出：通過(guò)HSL和Lab特征融合處理不僅能更好地突出車道線信息，而且還能保留邊緣信息。將改進(jìn)后的算法處理前后對(duì)比分析如圖10所示。

由圖10的對(duì)比分析可以得出：通過(guò)HSL和Lab特征融合提取車道線顏色特征、并進(jìn)行后續(xù)處理后，車道線的檢測(cè)效果得到了極大的改善，檢測(cè)精度與穩(wěn)定性有了很大的提高。

5 結(jié)束語(yǔ)

本文提出的基于改進(jìn)逆透視變換的車道線檢測(cè)算法，解決了不同環(huán)境下道路車道線識(shí)別出現(xiàn)偏移的問(wèn)題。實(shí)驗(yàn)表明，本文提出的算法在陰影、光線急劇變化、車道線磨損以及陰影遮擋等干擾較為敏感的路況下，都能夠保證車道線的精確檢測(cè)，為智能車實(shí)現(xiàn)自適應(yīng)巡航、跟車行駛以及車道保持等功能提供了很好的基礎(chǔ)。

參考文獻(xiàn)

[1]?覃雄臻，魯若宇，陳立明，等. 多場(chǎng)景車道線檢測(cè)與偏離預(yù)警方法研究[J]. 機(jī)械科學(xué)與技術(shù)，2020，39（9）：133-143.

[2] 劉萍，孫耀航. 基于反透視變換的車道線檢測(cè)算法[J]. 計(jì)算機(jī)與數(shù)字工程，2019，47（3）：678-681.

[3] 彭浪. 復(fù)雜道路場(chǎng)景下的多車道線檢測(cè)方法研究[D]. 重慶：重慶理工大學(xué)，2020.

[4] 唐陽(yáng)山，徐忠?guī)洠S賢丞，等. 基于Roberts算子的車道線圖像的邊緣檢測(cè)研究[J]. 遼寧工業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2017，37（6）：383-386，390.

[5] 蔣一國(guó). 基于GAN的車道線檢測(cè)算法研究[D]. 長(zhǎng)春：吉林大學(xué)，2020.

[6] 謝昌剛，黎向鋒，李堃，等. 基于動(dòng)態(tài)劃分感興趣區(qū)域的車道線檢測(cè)算法[J]. 機(jī)械制造與自動(dòng)化，2019，48（6）：150-154.

[7] 宋揚(yáng)，李竹. 基于深度圖像增強(qiáng)的夜間車道線檢測(cè)技術(shù)[J]. 計(jì)算機(jī)應(yīng)用，2019，39（S2）：103-106.

[8] 呼超，汪杰，馮玉松. 基于改進(jìn)Hough變換的夜間內(nèi)側(cè)車道線檢測(cè)[J]. 公路與汽運(yùn)，2019（6）：1-3，8.

[9] 韋唯. 基于單目視覺(jué)的車道線識(shí)別方法研究[D]. 長(zhǎng)春：吉林大學(xué)，2015.

[10]李齊權(quán). 車道偏移預(yù)警車道線檢測(cè)技術(shù)研究[D]. 成都：成都理工大學(xué)，2018.

[11]錢基德，陳斌，錢基業(yè)，等. 基于感興趣區(qū)域模型的車道線快速檢測(cè)算法[J]. 電子科技大學(xué)學(xué)報(bào)，2018，47（3）：356-361.