鄭歡歡， 張雅瓊， 白魚秀

(榆林學院 信息工程學院,陜西 榆林 719000)

0 引 言

車道偏離預警系統(tǒng)是一種安全輔助駕駛系統(tǒng)，在車輛駛出行駛車道時系統(tǒng)會給駕駛員發(fā)出一個預警，提醒駕駛員的偏離行為，從而減少交通意外[1]。

本文設計了基于改進Sobel算法和Hough變換識別車道線的實時車道偏離預警系統(tǒng)，經(jīng)實驗測試系統(tǒng)性能良好。

1 車道偏離預警系統(tǒng)設計

車道偏離預警系統(tǒng)的功能是在駕駛員駛出當前行駛車道時，系統(tǒng)要對駕駛員發(fā)出報警信息以提醒駕駛員避免交通意外的發(fā)生。系統(tǒng)主要包括道路圖像邊緣檢測、車道線檢測和車道偏離預警決策。各模塊功能如下：道路圖像邊緣檢測主要根據(jù)道路圖像檢測車道邊緣信息，車道線檢測模塊將車道邊緣連接形成車道線，車道偏離預警決策模塊根據(jù)預警模型判斷是否要進行報警處理。系統(tǒng)模塊框圖如圖1所示。

圖1 系統(tǒng)模塊框圖

2 道路圖像邊緣檢測

2.1 道路圖像預處理

直接從攝像機獲取的道路圖像不僅包含較大的信息量，也包含很多復雜的噪聲干擾。如果不采取相應的處理，會嚴重影響邊緣信息的提取。因此，首先需要對圖像進行灰度化處理，盡量減少冗余數(shù)據(jù)信息，提高系統(tǒng)的實時性；其次，要對其進行濾波處理，盡可能地減少噪聲干擾，提高圖像質(zhì)量。

2.2 基于改Sobel算法的道路圖像邊緣檢測

利用圖像邊緣[2]特性對圖像進行分割處理在實際中應用廣泛，常用的邊緣檢測方法包括Canny算子、Sobel算子、Robert算子、LOG算子等。其中，Sobel算子具有原理簡單，檢測效果較好，易于硬件實現(xiàn)的優(yōu)點。由于車道偏離預警系統(tǒng)對實時性要求較高，本文選擇改進的Sobel算子[3]來完成邊緣檢測。

1)定義卷積模板：Sobel算子是基于一階微分算子的圖像梯度實現(xiàn)邊緣檢測的算法，采用水平(0°)和垂直(90°)2個方向模板與圖像進行卷積運算。模板內(nèi)數(shù)值為權(quán)值，通過與圖像像素進行加權(quán)平均方法計算差分值,不僅能較好地獲取圖像梯度，而且對噪聲起到了一定程度的抑制作用。

僅考慮2個方向，不能準確地檢測出圖像梯度，檢測到的邊緣也較寬。因此，改進算法在滿足系統(tǒng)實時性要求的基礎上，增加了45°和135°方向上的梯度計算[4]。方向模板大小為3×3，各方向模板如圖2所示。

圖2 改進Sobel算法方向模板

2)梯度計算：設定f(x,y)為連續(xù)的數(shù)字圖像函數(shù)，將4個方向模板與圖像進行卷積運算，求出模板中心點對應的圖像像素點的4個方向梯度值分別為：G0(x,y)，G45(x,y)，G90(x,y)，G135(x,y)。用grad(x,y)表示梯度圖像：grad(x,y)=max[G0(x,y),G45(x,y),G90(x,y),G135(x,y)]。

3)邊緣細化：從梯度計算可以看出，Sobel算法的梯度圖像是通過一階微分計算得出的，所以在梯度圖像的邊緣會存在屋脊帶。本文采用非極大抑制處理，如式所示

(1)

式中g(shù)(x,y)為非極大值抑制處理后的新梯度；點z1，z2分別為經(jīng)過預處理后的灰度圖像3×3領域內(nèi)與點(x,y)在同一方向上的其余兩點。該算法在保留邊緣特征的同時，使邊緣達到一個像素的寬度。

4)自適應動態(tài)閾值：在不同環(huán)境獲取的道路圖像差別較大，如果使用統(tǒng)一的閾值進行處理得到的結(jié)果不夠精確。因此本文采用局部梯度圖像信息設置自適應的動態(tài)閾值[5]，其定義如下

t(x,y)=[sum(A)-min(A)-max(A)]/7

(2)

式中t(x,y)為局部自適應動態(tài)閾值，A為3×3灰度圖像窗口像素組成的矩陣。

梯度圖像二值化就是根據(jù)閾值將梯度圖像進行二值化處理[6]。當梯度值大于閾值，則該像素點認為是圖像邊緣點，像素值為255；當梯度值小于閾值，則該像素點認為是不是圖像的邊緣點，像素值為0。

3 道路圖像邊緣連接

邊緣檢測算法得到的是邊緣像素的集合。由于受外界因素的影響，比如噪聲、不均勻光照等，這些邊緣像素中存在一些虛假灰度像素值。因此，需要采用邊緣連接算法，將邊緣像素合成有意義的邊緣。本設計中邊緣連接采用的是Hough變換算法[7,8]。Hough變換是一種快速直線檢測算法，它能夠快速匹配模板，對于車道線檢測來說有較為理想的效果。

Hough變換的主要思想是利用點—線的對偶性，即圖像空間xoy中的直線xy對應在參數(shù)空間aob中相交的線。Hough變換的直線方程為：y=ax+b。其中，a為斜率，b為截距。為了解決垂直直線斜率無窮大的問題，一般采用極坐標形式：ρ=xcosθ+ysinθ。其中，θ是垂直于圖像中直線的直線角度，ρ是原點到直線交點間的距離。

將參數(shù)空間離散化成一個累加器矩陣，對于圖像上檢測出來的每個點(xi，yi)映射到(ρ，θ)對應的累加器中。如果累加器大于指定閾值，就認為存在一條直線邊，從而檢測出車道線。

4 車道偏離預警決策

檢測出車道線后要建立合適的車道偏離預警決策[9]，實現(xiàn)車道線的偏離報警。根據(jù)實際需求，本文采用車輛在當前車輛的橫向位置、車輛方向、轉(zhuǎn)向燈等信息相結(jié)合的預警準則[10]。

圖3為本文采用的預警臨界示意圖。圖中，最初報警線之間為安全區(qū)；臨界報警線與最初報警線之間是LED燈報警區(qū)，此時車輛向車道線偏離，相對應方向的LED燈變紅并閃爍；最遲報警線與臨界報警線之間為報警區(qū)，當車輛偏離正常行駛車道而行駛到此區(qū)域時，相應側(cè)的LED燈會變紅閃爍，蜂鳴器也會發(fā)出報警聲音，車載顯示器內(nèi)的車道線變紅。

圖3 預警系統(tǒng)報警臨界設置示意

其中，b為車的寬度，θ0為設定的閾值，取值為1°,x0為車輛在車道中的橫向位置；報警臨界線距y軸的距離可以根據(jù)不同的車型來設置：

1)車型為小轎車：x1=w/2-0.2

2)車型為大轎車：x1=w/2+0.1

其中，w為車道寬度，m。

(3)

如果滿足式(3)，車輛向右偏離，觸發(fā)右LED燈報警，蜂鳴器不報警。其中kr1是最初報警線到y(tǒng)軸的距離與x0的比值

(4)

如果滿足式(4)，車輛向右偏離，觸發(fā)右LED燈報警且蜂鳴器不報警。其中，kr2為最遲報警線到y(tǒng)軸的距離與x0的比值

(5)

如果滿足式(5)，車輛向左偏離，觸發(fā)左LED燈報警且蜂鳴器不報警。其中，kr1為最初報警線到y(tǒng)軸的距離與x0的比值

(6)

如果滿足式(6)，車輛向左偏離，觸發(fā)左LED燈報警且蜂鳴器報警。其中，kr2為最遲報警線到y(tǒng)軸的距離與x0的比值。

如果滿足式(3)～式(6)所示的預警模型，如圖4所示，在模型建立后只需要求出道路寬度w、方向參數(shù)和橫向參數(shù)。直線MN表示車輛前方攝像機的有效視野中距車最近的部分，EF表示車輛的兩個前輪，MN與EF之間的距離為h，與y軸相交于M，再利用車道線檢測得到的車道參數(shù)：(k1，b1)和(kr，br)，且已知車載攝像機的安裝高度和選用攝像機焦距、靶面尺寸等參數(shù)，根據(jù)以上參數(shù)可以建立預警模型。

圖4 預警模型參數(shù)含義示意

5 實驗結(jié)果

在閱讀了大量國內(nèi)外有關車道偏離預警系統(tǒng)關鍵算法的文獻后，確定了本文算法，采用基于VC++6.0實現(xiàn)對基于改進Sobel算法和Hough變換識別車道線及實時車道偏離預警系統(tǒng)實驗驗證。

首先將攝像機安裝在車輛前擋風玻璃中央位置，在不同的道路環(huán)境和光照條件下，獲取道路圖像視頻信息。采用VC6.0編程，以道路圖像信息作為實驗數(shù)據(jù)，在PC上實現(xiàn)對樣本圖像的顯示、車道線的識別；在PC上建立車道偏離預警決策仿真環(huán)境，對道路圖像視頻信息進行車道偏離預警決策仿真實驗測試。

圖5為對一車道圖像的車道線提取處理，其中，圖(a)為原圖，圖(b)為圖像預處理，圖(c)為邊緣檢測，圖(d)為邊緣連接。從實驗結(jié)果來看能夠較好地實現(xiàn)車道線的邊緣檢測，另外邊緣檢測使用的Sobel算子，作為一階邊緣檢測算子具有較好的實時性。在靠近左側(cè)車道和右側(cè)車道的樣本圖像中，通過車道偏離預警決策仿真環(huán)境中，能夠較快地發(fā)出偏離報警信息。

圖5 道路圖像車道線提取處理

6 結(jié) 論

本文設計了實時車道偏離預警系統(tǒng)，經(jīng)過仿真實驗驗證系統(tǒng)不僅能夠快速且準確檢測出車道線的邊緣信息，而且能結(jié)合車輛本身的狀態(tài)信息來判斷當前車輛是否發(fā)生偏離，并判斷是否會進行報警。