劉仕照，錢 鷹

（重慶郵電大學(xué)自動(dòng)化學(xué)院 重慶 400065）

近十幾年來，安全輔助駕駛系統(tǒng)是當(dāng)前國際智能系統(tǒng)的重要研究內(nèi)容，其安全輔助駕駛技術(shù)的研究主要集中在車道偏離預(yù)警、前方障礙物探測、以及駕駛員狀態(tài)監(jiān)測等方面?；诘缆窓z測技術(shù)的駕駛員輔助駕駛系統(tǒng)或預(yù)警系統(tǒng)，可以減輕駕駛員的壓力和疲勞程度，提高行駛的安全性，減少交通事故的發(fā)生，提高交通效率。在車道偏離預(yù)警系統(tǒng)的研究當(dāng)中，車輛的導(dǎo)航路徑主要是車道標(biāo)識(shí)線，因此，快速準(zhǔn)確的識(shí)別車道標(biāo)識(shí)線具有重要意義。目前，道路識(shí)別算法主要有圖像特征法和模型匹配法[1-2]，這兩種方法都對復(fù)雜車道環(huán)境（如樹木，房屋，陰影，車道標(biāo)示線不明顯）難以檢測和錯(cuò)誤檢測。究其原因，絕大部分是由于在預(yù)處理時(shí)，圖像分割效果不夠好，導(dǎo)致后續(xù)的車道標(biāo)識(shí)線識(shí)別出現(xiàn)偏差。

文中利用Sobel算子對原始道路圖像進(jìn)行邊緣增強(qiáng)，采用基于邊緣特征的閾值選取方法實(shí)現(xiàn)圖像二值化，然后利用數(shù)學(xué)形態(tài)學(xué)濾波處理，除去雜散邊緣和雙邊緣，最后結(jié)合抗干擾能力強(qiáng)的Hough變換識(shí)別出車道標(biāo)識(shí)線。

1 圖像預(yù)處理

由于攝像機(jī)所采集到的圖像是主要有天空和道路區(qū)域兩部分主要信息，且因?yàn)榄h(huán)境復(fù)雜，圖像中可能含有無用噪聲，不適應(yīng)與車道標(biāo)識(shí)線的直接提取，這就需要根據(jù)車道特征，確定道路區(qū)域，進(jìn)行預(yù)處理，排除無用的信息，好的預(yù)處理算法可以有效提高車道線分割的正確率。本文預(yù)處理過程包括如下3個(gè)步驟：

1）灰度化：由于256色位圖的調(diào)色板內(nèi)容復(fù)雜，使得圖像處理的許多算法沒有辦法展開，因此有必要進(jìn)行灰度處理。本文灰度轉(zhuǎn)換采用傳統(tǒng)方法實(shí)現(xiàn):

其中，Gray代表像素點(diǎn)的灰度值，R，G，B分別代表Red，Green和Blue的分量值。

2）均值濾波：中值濾波[3]是一種能在去除噪聲的同時(shí)又能保護(hù)目標(biāo)邊界不使其變得模蝴的濾波方法，是一種非線性濾波技術(shù)。一維濾波的數(shù)學(xué)表達(dá)式如下：

其中，Sf（x，y）是當(dāng)前點(diǎn) f（x，y）的領(lǐng)域。 中值濾波會(huì)削弱三角信號的頂部峰值信號，但不影響階躍信號和斜坡信號，對圖像邊緣有保護(hù)作用。在去除噪音的同時(shí)，可以比較好的保留邊緣銳度和圖像的細(xì)節(jié)。這些細(xì)節(jié)是我們進(jìn)行道路標(biāo)志提取的重要部分。

3）確定道路區(qū)域：攝像機(jī)采集的實(shí)際道路圖像中，除了路面之外的其他圖像信息都是屬于無用信息，在算法實(shí)現(xiàn)中應(yīng)該盡量避免處理這些無用信息，以減少計(jì)算量以提高算法的速度。在后續(xù)的Hough變換提取車道線時(shí)，對二值化處理后的圖像保留圖像的下半部分路面信息，將圖像上半部分的天空部分當(dāng)成背景掩去。

2 邊界特征提取技術(shù)

2.1 最優(yōu)閾值的選取

閾值化是圖像分割中最重要的一種技術(shù)，傳統(tǒng)的閾值分割算法主要有全局閾值法和局部閾值法，一般來說，前者對質(zhì)量較好的圖像有效，后者對環(huán)境復(fù)雜的圖像有效。閾值選取的合理與否直接影響道路識(shí)別結(jié)果，為適應(yīng)環(huán)境的變化，本文對車道圖像采用全局閾值分割算法。目前有多種方法用于全局閾值的確定，例如：P－tile 方法、2－Mode 方法、OTSU 方法[4－5]等。

OTSU是1979年提出的最大類間方差（又名大律法），它是最佳門限將圖像灰度直方圖分割成兩部分，使兩部分類間方差取最大值，即分離性最大。

2.2 基于邊緣特征的二值化

算法思想的關(guān)鍵：首先，用微分算子檢測圖象的邊緣；然后，在這些邊緣象素點(diǎn)上進(jìn)行二值化閾值的自動(dòng)選?。蛔詈?，對于其他非邊緣象素點(diǎn)則采取常規(guī)方法進(jìn)行二值化處理。該算法描述如下：

Step1：對輸入圖像進(jìn)行灰度化、中值濾預(yù)處理得到圖像f；Step2：利用OTSU算法確定圖像f的一個(gè)整體閾值TH0；Step3：對f利用Sobel算子進(jìn)行邊緣提取，得到邊緣特征圖象e。

在進(jìn)行車道檢測和跟蹤時(shí)，攝像機(jī)所獲得道路圖像中，平行的車道在圖像遠(yuǎn)處近似相交于一點(diǎn)，車道線在圖像中呈現(xiàn)45。和135。的方向。因此為更好檢測車道線，在經(jīng)典Sobel算子中需增加45。和135。的方向模版，如圖1所示。

圖1 45°和 135°方向模板Fig.1 45°and 145°direction template

則45°方向梯度和135°方向梯度的公式如下所示：Δ

Step4：對邊緣特征圖像e利用OTSU求取最優(yōu)閾值進(jìn)行常規(guī)二值化處理，得到二值圖象b；

Step5：確定f的每個(gè)象素對應(yīng)的閾值；

掃描Step4得到的二值圖像b中的每一個(gè)像索，若某像素點(diǎn)是邊緣像素點(diǎn)，令A(yù)等于Step1中圖像f中對應(yīng)像素點(diǎn)及其8鄰域像素點(diǎn)的平均灰度值，并將該像素點(diǎn)及其8鄰域像素點(diǎn)的值賦值為A；若像素點(diǎn)不是邊緣像素點(diǎn)，就將該像素點(diǎn)及其8鄰域像素點(diǎn)的閥值置為Th0。其算法描述如下：

圖2 二值化試驗(yàn)結(jié)果Fig.2 The test result of binary

根據(jù)以上所述進(jìn)行試驗(yàn)，實(shí)驗(yàn)結(jié)果如圖2所示，由實(shí)驗(yàn)結(jié)果可以看出，傳統(tǒng)的Soble邊緣檢測后得到的二值圖像損失了很多細(xì)節(jié)，遠(yuǎn)視野區(qū)域的車道標(biāo)識(shí)線損失，不利于后續(xù)的車道線擬合；采用OTSU算法求得的閾值直接二值化圖像使得左車道線完全消失，不利于后續(xù)車道線的識(shí)別與擬合；采用本文的基于邊界特征的二值化方法，對車道圖像進(jìn)行二值化，保留了更多的邊緣細(xì)節(jié)，車道標(biāo)示線明顯清晰無損，但也存在有雙邊緣的現(xiàn)象，需要對圖像進(jìn)一步細(xì)化處理。

3 形態(tài)學(xué)細(xì)化

數(shù)學(xué)形態(tài)學(xué)[6－7]是針對圖像形態(tài)、結(jié)構(gòu)等非線性因素的處理，數(shù)學(xué)形態(tài)學(xué)在圖像處理中得到廣泛應(yīng)用，越來越多的系統(tǒng)采用形態(tài)學(xué)算子來對圖像進(jìn)行預(yù)處理和后處理。形態(tài)學(xué)原理簡單、計(jì)算量小，能靈活構(gòu)造具有車道線特征的結(jié)構(gòu)元素，提取出車道左右標(biāo)識(shí)線。 通過形態(tài)學(xué)處理能較好的去除雙邊緣、除去圖像中的雜散邊緣和孤立像素點(diǎn)，從而進(jìn)一步簡化和精確車道標(biāo)識(shí)線，使得到的結(jié)果圖像最大程度簡化，從而使后續(xù)的hough變換速度更快?；镜男螒B(tài)學(xué)操作有腐蝕、膨脹、開啟、閉合，形態(tài)學(xué)濾波器的一種實(shí)現(xiàn)方式是將開啟和閉合結(jié)合起來。設(shè)A為輸入圖像（可以是灰度圖和二值圖），B是結(jié)構(gòu)元素。

1） 開運(yùn)算：A 被 B 的形態(tài)學(xué)開運(yùn)算記著：A?B=（AΘB）⊕B，這種運(yùn)算是A被B腐蝕后再用B來膨脹的結(jié)果。開運(yùn)算能消除圖像中的細(xì)小對象，在不改變形狀的情況下，削弱圖像的尖峰噪聲，平滑圖像的邊緣。

2）閉運(yùn)算：A被 B的形態(tài)學(xué)閉運(yùn)算記著：A·B=（A⊕B）ΘB，這種運(yùn)算的是A被B膨脹后再用B來腐蝕的結(jié)果。閉運(yùn)算能填充圖像中細(xì)小的空洞。

由于開、閉運(yùn)算具有各自的濾波效果又不同程度地影響到圖像的目標(biāo)信息，所以實(shí)際中一般采用形態(tài)學(xué)開、閉的級聯(lián)形式，組成形態(tài)學(xué)組合濾波器[8-9]。常用的有開閉、閉開濾波器，分別用代表開和閉運(yùn)算。對圖2（d）中二值化的圖像進(jìn)行形態(tài)學(xué)細(xì)化，實(shí)驗(yàn)時(shí)采用2×2的square結(jié)構(gòu)元素，實(shí)驗(yàn)結(jié)果如圖3所示。開運(yùn)算濾波之后刪除了不包括結(jié)構(gòu)元素的對象區(qū)域，平滑了對象輪廓，去掉了細(xì)小的突出部分，閉運(yùn)算將狹窄的缺口連接成細(xì)長的彎口，填充了比結(jié)構(gòu)元素小的漏洞。實(shí)驗(yàn)表明，采用閉開濾波器方法得到的圖像邊緣接近于理想邊緣，去除了幾乎所有高斯噪聲引起的偽邊緣。

圖3 形態(tài)學(xué)濾波結(jié)果Fig.3 Results of morphological filtering

4 Hough變換識(shí)別車道線

Hough變換的基本思想就是建立圖像空間和參數(shù)空間的映射關(guān)系，即在圖像空間中共線的點(diǎn)對應(yīng)參數(shù)空間中相交的線，在參數(shù)空間中相交于同一個(gè)點(diǎn)的所有直線在圖像空間里都有共線的點(diǎn)與之對應(yīng)。

假設(shè)直線方程為：y=αx+b，對應(yīng)的極坐標(biāo)參數(shù)方程為：xcosθ+ysinθ=λ。其中ρ表示該直線到原點(diǎn)的距離，θ表示過原點(diǎn)到該直線的垂線與極軸正向之間的夾角。一般來說θ的取值范圍是-90°≤θ≤90°，D的取值范圍是-D≤λ≤D，其中D是圖像中角點(diǎn)間的距離。

圖4 hough變換描述Fig.4 Hough transform description

如圖4所示，圖像空間中過1、3、5的直線在交于參數(shù)空間中的S點(diǎn)，過2、3、4點(diǎn)的直線交于參數(shù)空間中的T點(diǎn)，因此，只要確定參數(shù)空間中共點(diǎn)的各曲線，就能確定圖像空間中的直線。Hough變換的誘人之處是把λθ參數(shù)空間細(xì)分為了所謂的累加器單元，即編程時(shí)將參數(shù)ρ和θ量化成許多小格，對于每一個(gè)（xi，yi）點(diǎn)代入 θ的量化值，算出各個(gè) λ，所得值落在某個(gè)小格內(nèi)，便使該小格的計(jì)數(shù)累加器加l，當(dāng)全部點(diǎn)（xi，yi）點(diǎn)變換后，對小格進(jìn)行檢驗(yàn)，有大的計(jì)數(shù)值的小格對應(yīng)于共線，其（λ，θ）可用作直線的擬合參數(shù)。有小的計(jì)數(shù)值的各小格一般反映非共線點(diǎn)，丟棄不用。圖5是Hough變換識(shí)別的車道線結(jié)果，在原圖像中顯示。

圖5 Hough變換識(shí)別車道線Fig.5 Lane recognition in transforam

5 實(shí)驗(yàn)與結(jié)論

本實(shí)驗(yàn)采用尼康S230安裝在面包車的后視鏡下方，在貴陽市長嶺南路環(huán)城高速路上獲取道路圖像，采用 Ulead GIF Animator 5將AVI車道視頻文件轉(zhuǎn)換到幀序列，處理對象為240×320的RGB圖像。在 Inter E2180處理器，2 G內(nèi)存，Widows XP操作系統(tǒng)，Matlab7.1環(huán)境下編程實(shí)現(xiàn)上述處理過程，分別對光照條件良好、陰暗天氣、有陰影的車道線圖像進(jìn)行實(shí)驗(yàn)（如圖6，左側(cè)為原圖，右側(cè)為識(shí)別結(jié)果），每幀圖像處理平均時(shí)間為0.3 s，能準(zhǔn)確的檢測出車道線，和實(shí)際車道線相吻合。其中對兩個(gè)視頻序列圖像共400幀圖像進(jìn)行試驗(yàn)，能準(zhǔn)確檢測車道線的有386幀，檢測率為96.5%，實(shí)驗(yàn)表明該算法抗干擾能力強(qiáng)，能克服路面陰影、橋梁、行車道、前方車輛的干擾，準(zhǔn)確地識(shí)別出車道標(biāo)識(shí)線。

圖6 車道標(biāo)識(shí)線識(shí)別實(shí)驗(yàn)結(jié)果Fig.6 Results of lane identification

6 結(jié)束語

本文相對于傳統(tǒng)車道線線識(shí)別算法中的圖像二值化來說，本文算法簡單，而且得到的圖像邊緣接近于理想邊緣，明顯提高了車道線檢測的準(zhǔn)確率。在道路陰影，道路標(biāo)識(shí)線影響，前方車輛和橋梁干擾的條件下，都能準(zhǔn)確的識(shí)別除車道標(biāo)識(shí)線。但對一些非規(guī)范化道路環(huán)境的車道檢測（彎道），車道中有樹干的陰影及前方車輛及障礙物較多的情況還需進(jìn)一步研究。

[1]Kim Z W.Robust lane detection and tracking in challenging scenarios[J].IEEE Transactions on Intelligent Transportation Systems，2008，9（1）:16-26.

[2]王榮本，余天洪，顧柏園，等.基于邊界的車道標(biāo)識(shí)線識(shí)別和跟蹤方法研究[J].計(jì)算機(jī)工程，2006，32（18）:195-196，239.

WANG Rong-ben， YU Tian-hong， GU Bo-cyuan， et al.Research on linear lane mark identi-fication and track method based on edge[J].Computer Engineering，2006，32（18）：195-196，239.

[3]黃濤，丁俊進(jìn).基于機(jī)器視覺道路識(shí)別算法的研究[J].電子設(shè)計(jì)工程，2007（4）:34-38.

HUANG Tao，DING Jun-jin.Reseach of the road recognition algorthm based on the machine vision[J].Electronic Design Engineering，2007（4）:34-38.

[4]吳冰，山海濤，郭建星.基于邊緣灰度的二值化閾值確定方法[J].武漢大學(xué)學(xué)報(bào)：工學(xué)版，2003，36（3A）:165-169.

WU Bing， SHAN Hai-tao， GUO Jian-xing.A new method edge-gray-based attaining the Threshold of image-binaried[J].Engineering Journal of Wuhan University，2006，36 （3A）:165-169

[5]張慶英，岳衛(wèi)宏，肖維紅，等.基于邊界特征的圖像二值化方法應(yīng)用研究 [J].武漢理工大學(xué)學(xué)報(bào)，2005，27（2）:56-57，64.

ZHANG Qing-ying， YUE Wei-hong， XIAO Wei-hong， et al.Study on image binarizing process based on edge features[J].Journal of Wuhan University of Technology，2005，27（2）:56-57，64.

[6]朱彤，閻瑩，袁志業(yè).一種基于形態(tài)學(xué)變換的車道檢測方法[J].山東交通學(xué)院學(xué)報(bào)，2006，14（1）:13-16.

ZHU Tong， YAN Ying， YUAN Zhi-ye.A new lane detection method based on morphological transformation[J].Journal of Shangdong Jiaotong University，2006，14（1）:13-16.

[7]DeborahBraid， A lbertobroggi， Garysehmiede1.The terra max aut on omous vehicle concludesthe 2005 DARPAG Gr and challenge[C]//Intelligent Vehicles Symposium California，June，2006:534-539.

[8]Park H，Yoo J.Structuring element decomposition for efficient implementation of Morphological filters[J].IEEE Proceedings Vision Image and Signal Processing，2001，148（1）:31-35.

[9]CHEN Min-hua，YAN Ping-fan.A multi-scaling approach based on Morphological Filtering[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2001，11 （7）:694-700.