郎明華， 簡林莎， 袁紹鵬， 閻景波， 牛振乾

（長安大學(xué)汽車學(xué)院，陜西西安 710064）

在基于圖像處理的車輛預(yù)警系統(tǒng)中，通常采用預(yù)處理的方法來獲取車輛周圍環(huán)境信息，經(jīng)過濾波、邊緣檢測(cè)等中間環(huán)節(jié)后將圖像二值化，雖然這種方法在天氣和道路條件好的情況下是可以接受的，但是在一些復(fù)雜的環(huán)境下對(duì)圖像進(jìn)行二值化就會(huì)造成大量信息的丟失，使得道路的識(shí)別增加了難度，而且對(duì)于實(shí)時(shí)性的要求也不能滿足，因此對(duì)于應(yīng)用預(yù)處理的方法要作進(jìn)一步的改善和提高。

本文介紹了一種基于灰度圖像的道路邊界識(shí)別技術(shù)，首先是灰度圖像的統(tǒng)計(jì)，然后用道路邊界的灰度信息和邊緣線的灰度梯度信息，綜合其圖像的一些特點(diǎn)建立標(biāo)志函數(shù)，目的是看擬合質(zhì)量的好壞，將標(biāo)識(shí)線提取出來再判斷產(chǎn)生偏離與否。此方法能夠大大提高復(fù)雜環(huán)境下道路標(biāo)志線識(shí)別的實(shí)時(shí)性，更加有效地降低事故的發(fā)生，增加汽車的主動(dòng)安全性［1－2］。

1 系統(tǒng)結(jié)構(gòu)和流程

該系統(tǒng)的主要功能和目的是有效地提取出車道標(biāo)志線，提高實(shí)時(shí)性，在車輛偏離車道時(shí)發(fā)出報(bào)警提醒駕駛員，從而避免事故發(fā)生。該系統(tǒng)包括：

（1）基于灰度圖像的車道檢測(cè)執(zhí)行系統(tǒng)。其主要的功能是先對(duì)錄制的視頻進(jìn)行采集和存取，然后傳入灰度圖像處理裝置并識(shí)別和檢測(cè)出車道的標(biāo)志線，對(duì)車道的標(biāo)志線進(jìn)行對(duì)比分析，判斷是否偏離并發(fā)出預(yù)警信號(hào)。

（2）CCD攝像頭。將其安裝在汽車的正前方，在行駛過程中對(duì)車輛前方不斷地采集視頻，并傳輸?shù)杰嚨罊z測(cè)執(zhí)行系統(tǒng)中進(jìn)行分析處理。

（3）車載揚(yáng)聲器。其作用是將車道檢測(cè)執(zhí)行系統(tǒng)分析處理的結(jié)果進(jìn)行接收，如果車道發(fā)生偏離就發(fā)出報(bào)警信號(hào)。

系統(tǒng)的結(jié)構(gòu)和流程如下：首先將CCD攝像頭安裝在車輛的縱向中心線的前端上，將拍攝的圖像經(jīng)過傳輸線傳到灰度圖像的車道檢測(cè)執(zhí)行系統(tǒng)中，進(jìn)行灰度圖像的統(tǒng)計(jì)；然后用道路邊界的灰度信息和邊緣線的灰度梯度信息，綜合其圖像的一些特點(diǎn)，就可以將標(biāo)志函數(shù)建立，利用Hough變換就可以得出車道線；通過攝像頭的各個(gè)參數(shù)和在車輛縱向中心線上的安裝位置相互綜合來計(jì)算出車輛與車道的相互位置關(guān)系，如果達(dá)到了設(shè)定的偏離值時(shí)就會(huì)由執(zhí)行系統(tǒng)發(fā)出指令使揚(yáng)聲器發(fā)聲，以此來提醒駕駛員更改車輛行駛方向或修正行駛路線。系統(tǒng)的結(jié)構(gòu)和流程如圖1、圖2所示。

圖1 系統(tǒng)結(jié)構(gòu)示意圖

圖2 系統(tǒng)實(shí)施流程圖

由圖1可知，智能車道標(biāo)識(shí)線識(shí)別與報(bào)警裝置和灰度圖像處理是最為重要的環(huán)節(jié)。車輛前端縱向中心線上安裝有攝像頭，攝像頭將采集到的圖像傳輸?shù)交叶葓D像處理模塊，圖像處理模塊與偏離判斷分析模塊連接，然后偏離分析模塊上又連著報(bào)警器。安裝的CCD攝像頭在對(duì)路面進(jìn)行連續(xù)攝像后，將圖像傳輸?shù)交叶葓D像處理模塊，灰度圖像處理模塊基于目標(biāo)函數(shù)建立和擬合曲線的基礎(chǔ)上，對(duì)采集到的圖像進(jìn)行灰度圖像處理，然后找出車道標(biāo)志線，對(duì)車道標(biāo)志線進(jìn)行偏離分析，最后發(fā)出預(yù)警響鈴［3］。

2 建立模型與目標(biāo)函數(shù)

2.1 建立道路邊界的拋物線模型

現(xiàn)在通常所指的道路識(shí)別是在給定的笛卡爾直角坐標(biāo)系中，用一條曲線精確地?cái)M合道路邊界，找到邊界線在該笛卡爾直角坐標(biāo)系中的代數(shù)方程，但是由于路面大多數(shù)是直線型，因此要考慮到道路有較小曲率的情況，另外還要考慮到實(shí)時(shí)性的要求，所以建立如圖3所示的坐標(biāo)系，其中使用的圖片為320×240像素，1個(gè)像素代表1個(gè)單位長度。

圖3 坐標(biāo)系的建立

建立的方程模型為二次拋物線模型，即

從（1）式中可以明顯地看到，a的值能反映出其大致的結(jié)構(gòu)圖形和變化趨勢(shì)，如果a＝0，說明代表的是直線邊界；如果a＞0，說明道路是向右轉(zhuǎn)的；如果a＜0，說明道路是向左轉(zhuǎn)的。如果a無限接近于0，那么二次項(xiàng)是高階無窮小，可以略去，所以b的值大致就可以說明圖像底部道路邊界的斜率。c的值說明了它與x軸的交點(diǎn)坐標(biāo)，得到此交點(diǎn)位置能幫助得知c的值。

2.2 建立目標(biāo)函數(shù)

要想建立目標(biāo)函數(shù)就要在道路邊界中搜索拋物線方程，找到最大的一條作為道路邊界擬合曲線，所以搜索到目標(biāo)函數(shù)是道路識(shí)別的關(guān)鍵問題。

（1）道路特征值分析。如圖4所示為強(qiáng)光照射路面時(shí)的圖像，圖5所示為預(yù)處理后的圖像。在圖5中出現(xiàn)了大量的不規(guī)則的噪聲，丟失了大量的可用信息，例如灰度梯度信息等等，因此道路邊界特征就大量地丟失，而要在丟失大量信息后提取邊界更是很困難的事情。

信息丟失的原因有2條：① 在圖像預(yù)處理中，若閾值分割不當(dāng)就導(dǎo)致整體圖像的信息發(fā)生改變，就像路面和道路的邊界上的噪聲處理中，在二值化處理之后丟失了梯度的信息；② 預(yù)處理（此處預(yù)處理包括平滑處理、中值濾波、邊緣檢測(cè)、閾值分割）中的灰度圖像不能考慮路面與邊緣線的灰度相對(duì)值的大?。?］。因此要對(duì)道路特征進(jìn)行分析處理，找到灰度特征和梯度特征。此外，目標(biāo)函數(shù)要進(jìn)行小塊的統(tǒng)計(jì)和選取，通常選取的最小單位有3＊3或5＊5的小塊，經(jīng)過對(duì)比分析可以得出，采用5＊5的小塊來分割坐標(biāo)軸。

圖4 強(qiáng)光照射路面時(shí)的圖片

圖5 預(yù)處理后的圖像

搜索到的待評(píng)價(jià)道路邊界方程為：

為了更加容易計(jì)算，在坐標(biāo)系上此拋物線的回?fù)粑恢冒凑誽坐標(biāo)等間隔原則由x軸位置向上順次取出50個(gè)點(diǎn)來作為統(tǒng)計(jì)小塊的中心位置點(diǎn)，即各點(diǎn)坐標(biāo)滿足（2）式之后，在圖像上拋物線位置間隔取出5＊5的小塊共n個(gè)［5－7］。

（2）提取灰度特征。道路邊緣與路面間有著很明顯的灰度差，即

其中，Mi為第i個(gè)小塊灰度均值；Mr為路面平均灰度；ΔM（i）為第i個(gè)小塊灰度均值與路面的平均灰度的差值。

灰度可以作為道路邊緣的一個(gè)特征，這樣在每一幅圖像的識(shí)別過程中，在路面位置的中間底部選取均勻的一塊統(tǒng)計(jì)灰度均值，然后將其濾波后作為路面的平均灰度Mr。

（3）提取梯度特征。路面與道路邊緣的交界之處有著較為明顯的灰度梯度，抽取道路邊緣線處的子塊，其內(nèi)部的灰度均值之間就會(huì)存在著一個(gè)明顯的差值，對(duì)于有大量噪聲的情況，小塊的圖像梯度特征可能不明顯，但是對(duì)于整個(gè)的道路邊緣線，小塊的內(nèi)部差值特征是很明顯的，因此可以提取出來。圖6所示為小塊內(nèi)的左上半塊和右下半塊差值示意圖，同理可得出左下半塊與右上半塊、上半塊與下半塊、右半塊與左半塊的示意圖。

圖6 左上半塊與右下半塊

提取方法如下：小塊內(nèi)的右上半塊和左上半塊間為T1（i），即

左下半塊和右上半塊間為T2（i），即

上半塊和下半塊間為T3（i），即

右半塊和左半塊間為T4（i），即

其中，T1（i）、T2（i）、T3（i）、T4（i）分別為分塊情況下的第i個(gè)小塊內(nèi)2部分的灰度均值之差；Mleft－up、Mright－up、Mup、Mleft分別為第i個(gè)小塊內(nèi)灰色位置處（每個(gè)小塊內(nèi)的分塊分為灰白2種顏色）的灰度均值；Mright－down、Mleft－down、Mdown、Mright分別為第i個(gè)小塊內(nèi)白色位置處的灰度均值。

（4）確立目標(biāo)函數(shù)。通過梯度計(jì)算方法和上述分析，來討論左右邊界問題：① 在左邊界上，通常左邊界的小塊上只有T1的特征比較明顯，當(dāng)b＞2時(shí)，道路邊界線接近水平，因此T1、T3的特征比較明顯；當(dāng)b＜0.5時(shí)，道路邊界線接近豎直的程度，因此T1、T4的特征比較明顯。②在右邊界上，通常右邊界的小塊上只有T2的特征比較明顯，當(dāng)b＜－2時(shí)，道路邊界線更加接近水平，因此T2、T3的特征比較明顯；當(dāng)b＞－0.5時(shí)，道路邊界線接近于豎直的程度，因此T2、T4的特征比較明顯。

綜合上述小塊的灰度特征、塊內(nèi)的灰度均值差特征和統(tǒng)計(jì)的小塊的信息，建立了評(píng)價(jià)目標(biāo)函數(shù)，左邊界的目標(biāo)函數(shù)為（4）式。其中，β1～β4為對(duì)應(yīng)權(quán)系數(shù)；ΔM（i）是拋物線上第i個(gè)小塊的灰度均值與路面平均灰度值之間的差值；n為拋物線上的有效統(tǒng)計(jì)塊數(shù)；T1（i）、T2（i）、T3（i）、T4（i）分別指拋物線上的第i個(gè)小塊的4種塊內(nèi)灰度均值之差；α為權(quán)系數(shù)［8］。同理也可以得出右邊界的目標(biāo)函數(shù)。

特征權(quán)系數(shù)是為了推導(dǎo)出未知量而引入的一組不定系數(shù)，特征權(quán)系數(shù)α和β1～β4的選取對(duì)于目標(biāo)函數(shù)的選取是極其關(guān)鍵的，通過各種試驗(yàn)和模擬來推算出權(quán)系數(shù)。在強(qiáng)光條件下其取值的范圍如下：0.15＜α＜0.30，0.35＜β2＜0.60，0.20＜β3＜0.40；在夜晚光線極其不佳時(shí)的取值為：0.20＜α＜0.35，0.40＜β2＜0.54，0.25＜β3＜0.45。為適應(yīng)各種復(fù)雜的工況，根據(jù)上述的實(shí)驗(yàn)結(jié)果選取了權(quán)系數(shù)為：α＝0.2，β2＝0.5，β3＝0.3。

而左右邊界上的識(shí)別權(quán)系數(shù)的確定方法是相似的，這樣就確定了目標(biāo)函數(shù)的權(quán)系數(shù)。左邊界上：0.5≤b≤2時(shí)，α＝0.4，β1＝0.6；b＞2時(shí)，α＝0.2，β1＝0.45，β3＝0.3；b＜0.5時(shí)，α＝0.2、β1＝0.45，β4＝0.3。右邊界上：－2≤b≤－0.5時(shí)，α＝0.4，β2＝0.55；b＜－2時(shí)，α＝0.2，β2＝0.45，β3＝0.35；b＞－0.5時(shí)，α＝0.2，β2＝0.45，β4＝0.3。

其中，道路邊界的拋物線模型采用（1）式來表示，從而可以尋找目標(biāo)函數(shù)中最大的拋物線參數(shù)a、b、c，使拋物線能夠精確地?cái)M合道路邊界，并且利用蟻群算法來優(yōu)化參數(shù)，這里不再闡述。

按照上述公式和算法并且基于Matlab平臺(tái)處理，得出道路識(shí)別線［9－10］如圖7所示，此張圖片是在強(qiáng)光中拍攝的，能夠清楚地識(shí)別出車道線，這比預(yù)處理圖5所示的要清楚得多，而且信息量的丟失減少了。

圖7 經(jīng)灰度圖像處理的圖片

3 發(fā)出預(yù)警

執(zhí)行控制系統(tǒng)將其參數(shù)提取出來后，根據(jù)所規(guī)定的原來的車道夾角來判斷車輛是否發(fā)生偏離，采用車道的2個(gè)右側(cè)同位角之和?1＋?2來判斷車輛是否偏移。在左側(cè)的判斷方法：?1＋?2大于左側(cè)臨界角與右側(cè)臨界角的和時(shí)就發(fā)出報(bào)警信號(hào)；在右側(cè)的判斷方法：?1＋?2小于左側(cè)臨界角與右側(cè)臨界角的和時(shí)就發(fā)出報(bào)警信號(hào)。

4 結(jié)束語

本文介紹了一種利用灰度圖像的車輛偏離車道預(yù)警系統(tǒng)，它通過CCD攝像頭采集圖像并進(jìn)行灰度圖像的統(tǒng)計(jì)，用道路邊界的灰度信息和邊緣線的灰度梯度信息，綜合其圖像的特點(diǎn)建立標(biāo)志函數(shù)，從而提取出車道標(biāo)志線，然后利用偏離分析模塊將其信息傳到車載揚(yáng)聲器發(fā)出預(yù)警。此方法經(jīng)過試驗(yàn)證明能夠提高復(fù)雜環(huán)境下的道路標(biāo)志線識(shí)別的實(shí)時(shí)性，比普通的圖像預(yù)處理的識(shí)別效果要好得多，并且此裝置結(jié)構(gòu)簡單、質(zhì)量輕、效率高，不影響車輛行駛過程中的阻力和行駛速度，從而可以大大提高車輛行駛的主動(dòng)安全性。

［1］ 馬 雷，武波濤，王連東.彎曲道路識(shí)別方法與目標(biāo)函數(shù)選取的研究［J］.汽車工程，2008，30（7）：561－565.

［2］ Gonzalez R C，Woods R E.數(shù)字圖像處理［M］.阮秋琦、阮宇智，譯.第2版.北京：電子工業(yè)出版社，2003：235－236.

［3］ 圣 華.車道線檢測(cè)在車道偏離預(yù)警中的應(yīng)用研究［D］.合肥：合肥工業(yè)大學(xué)，2010.

［4］ 馬 雷，臧俊杰，張潤生，等.基于DS證據(jù)理論的不同光照條件下道路邊界識(shí)別［J］.汽車工程，2011，33（8）：707－712.

［5］ 張 榮，王 勇，楊 榕.TM圖像中道路目標(biāo)識(shí)別方法的研究［J］.遙感學(xué)報(bào)，2005，9（2）：220－224.

［6］ 王榮本，余天洪，郭 烈，等.基于機(jī)器視覺的車道偏離警告系統(tǒng)研究綜述［J］.汽車工程，2005，27（4）：463－465.

［7］ 董因平.高速汽車車道偏離預(yù)警系統(tǒng)研究［J］.長春理工大學(xué)學(xué)報(bào)，2004，27（1）：48－50.

［8］ 李 旭，張為公.基于視覺的車道偏離報(bào)警系統(tǒng)的研究［J］.儀器儀表學(xué)報(bào)，2008，29（7）：1554－1558.

［9］ Lee Joon Wong.A machine vision system for lane departure detection［J］.Computer Vision and Image Understanding，2002，86（1）：52－78.

［10］ An Xianjing，Wu Mo，He Hangen.A novel approach to provide lane departure waning using only one forward－looking camera［C］／／International Symposium on Collaborative Technologies and Systems.Las Vegas，USA，2006：357－361.