摘 要：針對(duì)夜間道路光線不足、圖像亮度較暗、不容易檢測(cè)車道線的問題，提出一種在夜間環(huán)境下的車道線檢測(cè)方法。第一部分進(jìn)行夜間圖像增強(qiáng)：首先對(duì)灰度化的圖像進(jìn)行雙重濾波降噪處理，通過比較不同區(qū)域的圖像灰度值，使用局部直方圖均衡化算法增強(qiáng)部分區(qū)域?qū)Ρ榷?，再采用拉普拉斯算子?duì)圖像進(jìn)行增強(qiáng)，圖像的紋理和細(xì)節(jié)得到有效的提升，然后最后通過伽馬變換矯正整體圖像。第二部分進(jìn)行車道線邊緣檢測(cè)：對(duì)處理后的圖像進(jìn)行Canny算子邊緣檢測(cè)，擬合車道直線部分采用概率霍夫變換。結(jié)果表明，該方法具有較強(qiáng)的夜間車道線檢測(cè)能力，為智能駕駛提供了安全保障。

關(guān)鍵詞：圖像增強(qiáng)；雙重濾波；車道線檢測(cè)；邊緣檢測(cè)

中圖分類號(hào)： TP391.41 " " " " " " " " " " " " " " " " " " " " " "文獻(xiàn)標(biāo)識(shí)碼： A文章編號(hào)：1009-3583（2024）-0085-04

Lane-line detection based on Night-time Environment

ZENG Li-juana， LIU Jia-weib， AO Bang-qianb*

（a.School of Physics and Electronics; b. School of Engineering， Zunyi Normal University， Zunyi 563006， China ）

Abstract：As the image is not very clear making it difficult to detect lane lines， a lane line detection algorithm in the night environment is proposed for the problem that the road is not well lit at night. The first part performs nighttime image enhancement. First， the detected image is double-filtered and noise-reduced， and the contrast of some areas is enhanced by comparing the values of different areas using a local histogram equalisation algorithm. Second， the image is enhanced by applying the Laplacian operator， the texture and details of the image are effectively enhanced. Finally， the overall image is corrected by using Gamma transformation. In the second part， the edge detection of the lane lines is performed： the processed image is edge detected by applying the Canny operator and the lane line part is fitted with the Progressive Probabilistic Hough Transform. The results show that the proposed algorithm has a strong ability to detect lane lines at night， which provides safety for intelligent driving.

Keywords：image enhancement; double filtering; lane line detection; edge detection

路徑規(guī)劃[1]和車道檢測(cè)[2]是自動(dòng)駕駛和先進(jìn)輔助系統(tǒng)的兩個(gè)非常重要的部分，其中車道檢測(cè)主要有兩種方法：基于深度學(xué)習(xí)[3]的車道檢測(cè)算法，其對(duì)圖像的處理具有更準(zhǔn)確的識(shí)別能力，但它需要構(gòu)建復(fù)雜的模型結(jié)構(gòu)，計(jì)算量大、效率低、成本高；基于圖像識(shí)別[4]的車道檢測(cè)算法[5-6]，其中圖像增強(qiáng)法[7-10]可以有效地提高車道線識(shí)別的準(zhǔn)確率，在很大程度上能夠適應(yīng)夜間環(huán)境的車道線檢測(cè)，且其算法比較簡(jiǎn)單，適用于較多場(chǎng)合。本文首先對(duì)夜間圖像通過加權(quán)平均值灰度化，雙重濾波降噪處理后，然后使用增量式方法進(jìn)行局部直方圖增強(qiáng)、拉普拉斯變換以及伽馬變換對(duì)圖像進(jìn)行處理，最后再使用Canny和概率霍夫變換檢測(cè)出車道線。

1" 圖像增強(qiáng)

為了提高夜間車道線檢測(cè)的準(zhǔn)確性，使用圖像增強(qiáng)法來(lái)增強(qiáng)夜間圖像，以更好地識(shí)別夜間道路圖像中的車道特征，有助于從圖像中提取特征信息，提高車道線檢測(cè)的準(zhǔn)確性，其算法流程如圖1所示。

1.1" 圖像灰度化

本文采用加權(quán)平均值算法用于圖像的灰度化處理，根據(jù)三個(gè)分量的重要性不同，以不同的權(quán)重進(jìn)行平均。由于人眼對(duì)綠色比較敏感，對(duì)藍(lán)色不太敏感，將R、G、B三種顏色分量進(jìn)行加權(quán)平均處理，即可得到其灰度圖像，處理效果對(duì)比如圖2所示。

1.2" 雙重濾波降噪

為了解決隨時(shí)可能出現(xiàn)的不同噪聲，本文采用兩種算法處理圖像。高斯濾波是一種常見的線性濾波技術(shù)，它的核心思想在于利用二維高斯函數(shù)對(duì)圖像進(jìn)行卷積來(lái)實(shí)現(xiàn)圖像的平滑處理。在卷積過程中，濾波器的大小和標(biāo)準(zhǔn)差決定了濾波器的強(qiáng)度和作用范圍。標(biāo)準(zhǔn)差越大，濾波器的作用范圍就越廣，平滑效果越明顯；標(biāo)準(zhǔn)差越小，濾波器的作用范圍就越小，平滑效果也越弱。其二維高斯函數(shù)圖像如圖3所示。其降噪效果圖4所示。

中值濾波是一種基于統(tǒng)計(jì)排序理論的圖像處理技術(shù)，它使用以像素點(diǎn)為中心的一定大小的相鄰像素的中值灰度值替換當(dāng)前像素的灰度值，以達(dá)到去除噪聲的目的。具體步驟如下：

1.定義一個(gè)以當(dāng)前像素點(diǎn)為中心的鄰域大小（n*n）；

2.根據(jù)灰度值對(duì)該鄰域的像素進(jìn)行排序；

3.使用平均值（或中位值）作為當(dāng)前像素的新灰度值。

重復(fù)上述步驟來(lái)處理整個(gè)圖像，其降噪對(duì)比效果圖如圖5所示。

1.3" 采用增量式方法進(jìn)行的局部直方圖均衡化

本文采用基于增量式方法的局部直方圖均衡化，使用滑動(dòng)窗口逐步處理每個(gè)子圖像，避免了同時(shí)處理大規(guī)模數(shù)據(jù)，復(fù)雜程度得到了大幅降低，加快了計(jì)算速度，具有更好的自適應(yīng)性，同時(shí)也保持了圖像的連續(xù)性和平滑性，不會(huì)出現(xiàn)突變的明暗交接處。對(duì)圖像分別使用全局直方圖均衡化，局部直方圖均衡化，增量式方法進(jìn)行的局部直方圖均衡化分別對(duì)圖像進(jìn)行處理，如圖6所示。

1.4" 拉普拉斯增強(qiáng)細(xì)節(jié)

拉普拉斯圖像增強(qiáng)是一種使用拉普拉斯算子改善圖像邊緣的方法，這是一種鄰域增強(qiáng)算法，是基于計(jì)算圖像鄰域內(nèi)像素的灰度水平的二階微分的結(jié)果。當(dāng)中心像素的灰度值低于其周圍像素的平均灰度水平時(shí)，該像素的灰度值會(huì)降低；反之，當(dāng)中心像素的灰度值高于其周圍像素的平均灰度水平時(shí)，該像素的灰度值會(huì)增加。應(yīng)用拉普拉斯變換進(jìn)行圖像銳化的基本方法可以表達(dá)如下，如果拉普拉斯公式的中心系數(shù)是負(fù)值時(shí)用公式（1），如果拉普拉斯公式中心系數(shù)為正值時(shí)用公式（2）：

（1）

（2）

對(duì)于二維圖像f（x，y），二階微分最簡(jiǎn)單的拉普拉斯算子定義為：

（3）

本文采用改進(jìn)的8鄰域模板進(jìn)行計(jì)算，其模板如下：

（4）

其處理效果如圖7所示。

1.5" 伽馬變換

Gamma校正是一種非常重要的非線性變換，其通過對(duì)輸入圖像的灰度值進(jìn)行指數(shù)變換來(lái)校正亮度的變化，以此達(dá)到增強(qiáng)圖片細(xì)節(jié)的作用。通常情況下，Gamma校正值是通過下述冪函數(shù)所定義的：

（5）

式（5）中，Iout是輸出圖像，Iin是輸入圖像，當(dāng) 等于1時(shí)，輸入和輸出值在0到1之間，是一種線性變換。當(dāng) 小于1時(shí)，這個(gè)過程會(huì)增加低灰度值區(qū)域的動(dòng)態(tài)范圍，從而提高圖像的對(duì)比度。同時(shí)，高灰度值區(qū)域的動(dòng)態(tài)范圍會(huì)縮小，導(dǎo)致圖像的對(duì)比度減小，但整體的灰度值會(huì)增加。當(dāng) 大于1時(shí)，低灰度值區(qū)域的動(dòng)態(tài)范圍會(huì)縮小，導(dǎo)致圖像的對(duì)比度減小。同時(shí)，高灰度值區(qū)域的動(dòng)態(tài)范圍會(huì)擴(kuò)大，導(dǎo)致圖像的動(dòng)態(tài)范圍增加，但灰度值總體上也會(huì)增加。因此，Gamma校正的應(yīng)用主要集中在圖像增強(qiáng)、目標(biāo)檢測(cè)和圖像分析領(lǐng)域，其檢測(cè)效果圖如圖8所示。

2" 車道線檢測(cè)

2.1" Canny邊緣檢測(cè)

Canny邊緣檢測(cè)算子是一種被廣泛應(yīng)用于處理圖像的算法，它準(zhǔn)確地定義了圖像中的邊緣，Canny邊緣檢測(cè)有四個(gè)步驟：首先，對(duì)原始圖像使用高斯濾波去掉噪聲，從而避免干擾；其次，通過Sober算子分別計(jì)算出圖像在水平和豎直方向上的梯度，公式如下：

其中I表示原始圖像，Gx和Gy分別表示水平和豎直方向上的梯度，M表示像素點(diǎn)的梯度幅值， 表示梯度方向；然后，進(jìn)行非極大值抑制，針對(duì)每個(gè)像素，需要確定其周圍3*3的梯度值。如果一個(gè)像素的梯度值不是周圍八個(gè)像素中最大的，那么需要將它的梯度值設(shè)為零；接著使用雙閾值檢測(cè)方法將保留的像素點(diǎn)分為強(qiáng)邊緣、弱邊緣和無(wú)效邊緣三類。具體來(lái)說(shuō)，如果某個(gè)像素點(diǎn)的梯度值超過了設(shè)定的高閾值，則將其歸為強(qiáng)邊緣；如果某個(gè)像素點(diǎn)的梯度值低于設(shè)定的低閾值，則將其歸為無(wú)效邊緣；如果某個(gè)像素點(diǎn)的梯度值介于高低閾值之間，則將其歸為弱邊緣。最后，采用連接分析方法來(lái)確定哪些弱邊緣應(yīng)該被保留為最終的邊緣。通常情況下，如果某個(gè)弱邊緣與某個(gè)強(qiáng)邊緣相連，則將其保留為最終的邊緣；否則，將其歸為無(wú)效邊緣。

2.2" 概率霍夫變換

概率Hough變換是一種基于Hough變換原理的直線擬合算法。在概率Hough變換中，隨機(jī)選擇少量的數(shù)據(jù)點(diǎn)（也稱為抽樣），用來(lái)估計(jì)直線的參數(shù)，其步驟為：

1.對(duì)于一組給定的數(shù)據(jù)點(diǎn)，定義參數(shù)空間，這個(gè)參數(shù)空間包含一條線的所有可能的參數(shù)。線條有兩個(gè)重要參數(shù)：斜率和交點(diǎn)。

2.對(duì)于每個(gè)數(shù)據(jù)點(diǎn)，在參數(shù)空間中找到與該點(diǎn)相關(guān)的所有直線。

3.對(duì)于每條線，在參數(shù)空間中對(duì)應(yīng)點(diǎn)的計(jì)數(shù)器上加1，就可以增加一個(gè)計(jì)數(shù)器，這個(gè)過程可以被認(rèn)為是在參數(shù)空間里畫一條曲線。

4.重復(fù)步驟2-3，直到所有的數(shù)據(jù)點(diǎn)都被計(jì)算在內(nèi)。

3" 實(shí)驗(yàn)結(jié)果與分析

3.1 實(shí)驗(yàn)結(jié)果

為了檢驗(yàn)文中算法的實(shí)際效果，通過MATLAB 2016b軟件進(jìn)行仿真實(shí)驗(yàn)，圖9、圖10、圖11分別為圖像增強(qiáng)的過程、邊緣檢測(cè)的結(jié)果以及最終擬合直線的效果，可以看出本算法在一系列對(duì)圖像的增強(qiáng)處理后，能夠準(zhǔn)確識(shí)別并描繪出車道線圖像。

3.2" 分析

為了有效檢測(cè)夜間環(huán)境下的車道線檢測(cè)，首先，從原始圖像中讀入圖像之后通過執(zhí)行RGB向灰度圖像變

換，然后通過加權(quán)平均值法將圖像進(jìn)一步轉(zhuǎn)化為灰度圖像，并進(jìn)行基于高斯和中值的雙重降噪；然后，采用增量式局部直方圖均衡化方法來(lái)增強(qiáng)圖像的對(duì)比度，并對(duì)圖像進(jìn)行拉普拉斯濾波和Gamma矯正，從而使得車道線更加明顯。在經(jīng)過這些處理之后，可以看出圖像已經(jīng)明顯變得清晰，車道線的信息也更加明顯；接下來(lái)，使用Canny算子對(duì)圖像進(jìn)行邊緣檢測(cè)；最后，則使用概率Hough變換得到車道線的位置。通過設(shè)置Hough變換的參數(shù)，如角度范圍和閾值等，可以很好地適應(yīng)不同的道路情況，并精確地檢測(cè)出車道線，相比于其他算法，本文在車道線檢測(cè)的靈活性及魯棒性方面具有較大的優(yōu)勢(shì)。在擬合車道線時(shí)，則采用找兩條斜率合適的直線來(lái)擬合車道線的方式。

4" 結(jié)論

由于夜間車道線檢測(cè)受到夜間圖像不清晰以及光照不足的影響，會(huì)導(dǎo)致車道線檢測(cè)不精確的問題，因此本文使用了多種算法增強(qiáng)其準(zhǔn)確性。其中圖像增強(qiáng)部分旨在使在夜間拍攝的圖像變得足夠清晰，通過圖像灰度化、雙重濾波降噪、部分直方圖均衡化、拉普拉斯變換、Gamma變換來(lái)實(shí)現(xiàn)，為后續(xù)車道線檢測(cè)做鋪墊。車道線檢測(cè)部分將使用Canny算子和概率霍夫變換對(duì)車道線進(jìn)行提取和擬合。實(shí)驗(yàn)證明本方法擁有較好的車道線檢測(cè)性能，尤其是在夜間環(huán)境光線不是很好的情況下，本文所使用的方法具有較強(qiáng)的魯棒性。

參考文獻(xiàn)：

[1]任群.基于人工智能算法的機(jī)器人路徑規(guī)劃研究[J].遵義師范學(xué)院學(xué)報(bào)，2018，20（1）：107-110.

[2]劉莉.智能交通場(chǎng)景的車道線檢測(cè)方法研究[D].南京：南京航空航天大學(xué)， 2020.

[3]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.

[4]余云，王本勝，姚麗莎.融合項(xiàng)目屬性和云填充的計(jì)算機(jī)智能圖像識(shí)別算法[J].遵義師范學(xué)院學(xué)報(bào)，2018，20（3）：81-83.

[5]張彬騰，張寧，袁敏.復(fù)雜光照環(huán)境的車道線檢測(cè)方法[J].汽車實(shí)用技術(shù)，2022，47（13）：21-25.

[6]辛超，劉揚(yáng).基于概率霍夫變換的車道線識(shí)別算法[J].測(cè)繪通報(bào)，2019（S2）：52-55.

[7]鄧鑫，陳紫強(qiáng)，郭朦，等.基于光照補(bǔ)償?shù)囊归g車道線檢測(cè)方法[J].激光雜志，2022，43（2）：71-76.

[8]王軍，林宇航，賈玉彤，等.一種改進(jìn)Canny算子的圖像邊緣檢測(cè)算法[J].小型微型計(jì)算機(jī)系統(tǒng)，2024，45（6）：1413-1417.

[9]金智林，何麟煊，趙萬(wàn)忠.用于智能汽車的復(fù)雜光照環(huán)境車道線檢測(cè)及跟蹤方法[J].汽車安全與節(jié)能學(xué)報(bào)， 2019，10（4）：459-466.

[10]謝昌剛.基于單目視覺的車道線識(shí)別與車道偏離預(yù)警技術(shù)研究[D].南京：南京航空航天大學(xué)，2019.

[11]汪樂意.基于FPGA的雙目立體視覺圖像采集及預(yù)處理系統(tǒng)的設(shè)計(jì)[D].西安：西安科技大學(xué)， 2019.

[12]肖世昌，成剛虎，國(guó)強(qiáng).用于網(wǎng)版印刷自動(dòng)套印的十字線檢測(cè)新方法[J].中國(guó)印刷與包裝研究，2012，4（2）：35-41.

（責(zé)任編輯：羅智文）