□ 鐘 鵬 □ 李 軍

重慶交通大學(xué) 機電與車輛工程學(xué)院 重慶 400074

1 研究背景

隨著城鎮(zhèn)化的加快和汽車保有量的增加,城市交通負擔(dān)日益加重,交通事故頻發(fā),人們駕駛車輛的壓力倍增。車道線檢測技術(shù)在汽車輔助駕駛系統(tǒng)中應(yīng)用廣泛,可以提高行車安全,減少交通事故的發(fā)生,具有重要意義。

車輛偏離預(yù)警系統(tǒng)等輔助駕駛系統(tǒng)在駕駛員疲勞和注意力分散時用于保證安全,車道線檢測技術(shù)是輔助駕駛系統(tǒng)的基礎(chǔ),為實現(xiàn)輔助駕駛和預(yù)警提供關(guān)鍵信息。可見,輔助駕駛系統(tǒng)的效果取決于車道線檢測技術(shù)的成熟程度。

2 研究現(xiàn)狀

20世紀(jì)90年代末以來,美國、日本、歐洲等發(fā)達國家和地區(qū)對車道偏離預(yù)警技術(shù)進行了系統(tǒng)研究,在理論和應(yīng)用方面都有所突破。目前,比較成熟的車道偏離預(yù)警系統(tǒng)有RALPH、SCARF、Auto Vue、AURORA等,這些系統(tǒng)通過提前預(yù)警駕駛員,防止駕駛員因疲勞、分心、大意等因素引發(fā)過失性交通事故。

我國在車道線檢測技術(shù)領(lǐng)域起步相對較晚,但發(fā)展迅速,并且取得了一些成果。清華大學(xué)研制的THMR系列智能車,在環(huán)境感知和車輛控制方面取得了一定的技術(shù)突破,特別是在環(huán)境感知方面,不僅能夠自動檢測車道線,而且可以在車速達到100 km/h以上時自動跟蹤車道線。吉林工業(yè)大學(xué)研制的JUTIV系列智能模型汽車,在車道線檢測方面采用了最大方差設(shè)定閾值方法,與全局定閾值方法相比,具有更好的二值化效果,可以使用線性模型匹配車道線,并基于多種傳感器融合信息構(gòu)建地圖。

駕駛安全是交通行業(yè)中的重中之重,車道線檢測技術(shù)不斷發(fā)展成熟,未來不僅將在車輛輔助駕駛系統(tǒng)中得到應(yīng)用,而且還將用于無人駕駛汽車的環(huán)境感知系統(tǒng),為無人駕駛汽車的路徑規(guī)劃提供局部或全局信息。

3 基于特征的車道線檢測技術(shù)

基于特征的車道線檢測技術(shù)主要通過區(qū)域增長、邊緣檢測、圖像分割等方法,提取亮度、顏色、紋理等與背景差異較大的車道線特征信息,以達到識別車道線的目的[1]。

基于圖像的車道線檢測技術(shù)可以分為三個步驟:圖像預(yù)處理、車道線特征信息提取、特征信息生成道路線。

3.1 圖像預(yù)處理

圖像預(yù)處理的目的是對圖像進行二值化操作,減少干擾點,為后續(xù)提取特征信息減小計算量。二值化圖像如圖1所示。圖像二值化的核心是閾值的選取。由于攝像頭在采集圖像時外界環(huán)境極不穩(wěn)定,光照、下雨、遮蔭等都會影響像素的灰度值,因此圖像二值化應(yīng)具有一定的抗干擾能力。

圖1 二值化圖像

在圖像預(yù)處理中,如何規(guī)避采集圖像時外界環(huán)境,特別是強光、遮蔭等的干擾,顯得尤為重要。程巖等[2]提出一種自適應(yīng)曝光算法,利用光學(xué)傳感器的特點,將采集到的圖像轉(zhuǎn)換為灰度值,逐行進行動態(tài)閾值對比處理,以便在后一個周期快速獲得正確的曝光點。在實際道路試驗中,這一算法能夠有效處理道路信息。郭佳等[3]針對光照不均勻圖像的二值化問題,提出了單列處理和改進的二值化方法,又稱最大類間差方法,根據(jù)圖像的直方圖特性實現(xiàn)全局閾值的自動選取,解決了統(tǒng)一閾值二值化方法在消除特殊照明均勻化處理步驟中信息丟失的問題。以上研究對于解決光照的影響有直接參考和指導(dǎo)作用,特別是在夏季光照最大時,可以使二值化圖像更加明顯。

除外界環(huán)境的影響外,在二值化過程中,局部二值化結(jié)果還存在假目標(biāo)、斷裂等缺陷。對此,張潔玉等[4]提出一種二值化時局部閾值設(shè)定的方法。這一方法將整幅圖像分為幾個小部分,分析每一個部分的灰度值分布。在圖像中移動一定大小的本地窗口,對本地窗口中像素的灰度變化與包含窗口本身且大于窗口的區(qū)域中像素的灰度變化進行比較。較大的區(qū)域由當(dāng)前被窗口模板覆蓋的所有子塊組成,用于判斷窗口中的灰度變化是否存在。根據(jù)不同的區(qū)域,給出具體的二值化方案。試驗結(jié)果表明,這一方法在屏蔽背景噪聲和保留目標(biāo)細節(jié)方面表現(xiàn)最好,可有效減少目標(biāo)虛假或斷裂的現(xiàn)象。

文獻[2-4]解決的是影響圖像預(yù)處理結(jié)果好壞的關(guān)鍵問題,目標(biāo)灰度值和背景灰度值差異越大,后續(xù)提取車道線信息越簡單,計算量也就越小。

3.2 車道線特征信息提取

二值化后,只保留車道線的邊緣特征。理論上,應(yīng)該只允許車道線的灰度值大于閾值。但是,路面中的虛線、路邊的障礙物等也會被提取為邊緣線。對此,需要設(shè)計特定算法,有針對性地提取車道線特征信息。提取的車道線特征信息如圖2所示。

圖2 車道線特征信息

蔡英鳳等[5]使用特殊模板匹配車道線特征。由針孔成像特性和路面先驗知識可知,車道線的邊緣寬度在3～5像素之間,車道線寬度為5～30像素,通過模板匹配后可以得到有效的特征點。試驗結(jié)果表明,在一般工況和復(fù)雜工況下,這一方法的誤檢率都較低。

當(dāng)路面結(jié)構(gòu)不均勻時,陰影遮擋、車道線損傷和污跡覆蓋使道路圖像更加復(fù)雜,此時很難確定一個合適的閾值來濾除無關(guān)信息。狄?guī)沎6]提出基于水平集外曲率的車道線特征提取方法,這一方法針對的是車道線部分的結(jié)構(gòu)特征,而車道線與路面相互對比明顯,所以可以在許多復(fù)雜路面情況下適用。樊超、狄?guī)浀萚7]提出基于車道線特征點分布規(guī)律的車道線識別方法,并應(yīng)用了改進的隨機抽樣一致算法。試驗結(jié)果表明,當(dāng)車道線嚴重受損、陰影完全遮擋、大面積污漬覆蓋時,這一方法能夠準(zhǔn)確識別普通道路和公路上的車道線。張遠[8]提出了一種排除非車道區(qū)域提取車道線的方法。這一方法利用道路區(qū)域的連通性和區(qū)域增長的方法提取道路區(qū)域,進而識別出車道線。同時采用基于車道線相對位置的快速掃描算法提取車道線,在車道線識別過程中加入基于車道線的幾何特征篩選方法,提高了車道線識別的準(zhǔn)確率。

需要注意的是,車道線檢測時容易受路面環(huán)境的干擾,檢測精度和實時性難以保證。對此,程文冬等[9]提出一種基于稀疏網(wǎng)格和動態(tài)特征窗的車道線檢測方法,在道路區(qū)域內(nèi)建立稀疏網(wǎng)格區(qū)域,提取網(wǎng)格中車道線的灰度信息,極大消除了冗余像素,并根據(jù)車道線的方向特性,應(yīng)用對稱的六向梯度邊緣檢測。利用橢圓展開單元建立車道線的稀疏網(wǎng)格和動態(tài)特征窗口,利用車道方向和長度的顯著特征提取車道線的特征邊緣,并使用霍夫變換識別車道線,進而進行擬合。基于不同的道路環(huán)境對這一方法進行驗證,分析不同分辨率圖像中車道線檢測所需的時間。試驗表明,這一方法簡單、快速,能有效消除各種干擾,并能在各種道路環(huán)境下準(zhǔn)確識別車道線。在增強車道線特征和弱化其它邊緣特征方面,沈峘等[10]提出一種基于方向優(yōu)先的車道搜索方法,分別對兩條車道獨立進行搜索,使用圖像增強算法對車道線邊緣進行加強,使用霍夫變換檢測圖像中的直線,利用灰度信息識別車道線。

在車道線特征信息提取時,主要會受路面區(qū)域其它物體特征信息的影響,因此排除其它特征信息,對下一步生成到道路線起決定性作用。

3.3 特征信息生成道路線

由車道線特征信息生成道路線,需要同時滿足精度要求和實時性要求。采用最小二乘法和霍夫變換對車道線進行擬合,計算量小,擬合之前需要對特征信息進行處理。擬合特征信息如圖3所示。

圖3 擬合特征信息

王向陽[11]采用霍夫變換和最小二乘法相結(jié)合的方法擬合車道線,具體為采用霍夫變換對檢測到的第一幅圖像進行擬合,由邊緣分布函數(shù)得到左右車道線方向角,用于約束參數(shù)坐標(biāo)極角,這樣大大減小了霍夫變換的計算量。這一方法的試驗準(zhǔn)確率達到93.4%,但在第2 055幀圖像中誤將車輛邊緣識別為車道線。凌詩韻等[12]使用改進的霍夫變換對車道線進行識別及擬合。伊金楷等[13]通過工業(yè)控制計算機識別遠近車道線,采用最小二乘法擬合近車道線,并在此基礎(chǔ)上估算遠車道線。鄭航等[14]利用隨機抽樣一致算法對特征點進行三次曲線擬合,得到車道線。三次曲線擬合相比最小二乘法,在還原函數(shù)圖像時更加精確,但在車道線擬合時是否更加精確,尚待驗證。

基于圖像的車道線檢測技術(shù)最大的優(yōu)勢是成本低,同時缺點也很明顯,想要獲得與實際完全相符的車道線,需要非?？量痰耐饨绛h(huán)境作為支撐,因此研究者們都在致力于研究如何減小環(huán)境的影響。

4 基于模型的車道線檢測技術(shù)

基于模型的車道線檢測技術(shù)與基于圖像的車道線檢測技術(shù),兩者不同之處在于車道線特征信息的提取過程[15],前者將道路檢測轉(zhuǎn)換為道路模型的求解。考慮到某些道路具有特定的結(jié)構(gòu)模型,設(shè)定道路模型參數(shù)對檢測過程施加約束,可以降低車道線檢測的復(fù)雜度。基于模型的車道線檢測技術(shù)參考了道路的整體信息,同時用模型參數(shù)來表征道路,抗干擾能力較強。基于模型的車道線檢測技術(shù)可以分為基于圖像空間和基于頂視空間兩個方面[16]。

4.1 基于圖像空間的車道線檢測

基于圖像空間的車道線檢測通過在原始圖像上建立車道線模型來進行檢測。屈賢等[17]提出一種基于雙曲線模型的車道線檢測方法,綜合車道線邊界參數(shù)和雙曲線模型參數(shù),運用最小二乘法對車道線進行重建。段建民等[18]提出一種改進的隨機抽樣一致車道線檢測算法,建立車道線模型,并將車道線模型簡化為雙曲模型,采用改進的隨機抽樣一致算法對車道線進行擬合,依據(jù)兩側(cè)的車道線模型完成車道線的匹配,通過選擇最支持數(shù)據(jù)點的組合來確定車道線。洪名佳等[19]提出一種基于全卷積神經(jīng)網(wǎng)絡(luò)的車道線檢測方法,采集圖像后,將車道線圖像輸入全卷積神經(jīng)網(wǎng)絡(luò)進行卷積、池、反褶積等處理,并經(jīng)過條件隨機場處理后,得到更精確的原始空間一致性結(jié)果。

基于圖像空間的車道線檢測技術(shù)理論上精度應(yīng)比基于特征的車道線檢測技術(shù)高,但實際應(yīng)用數(shù)據(jù)較少,精確性有待驗證。

4.2 基于頂視空間的車道線檢測

基于頂視空間的車道線檢測將原始圖像通過逆透視變換至頂視空間,建立車道線模型來進行檢測。陳涵深等[20]提出一種基于多幀疊加和窗口搜索的快速車道檢測方法。這一方法通過反透視變換將指定感興趣區(qū)域轉(zhuǎn)換為空中視圖,結(jié)合多幀疊加方法將三原色圖像轉(zhuǎn)換為二值圖像,并根據(jù)近視視野中像素密度的分布,計算出當(dāng)前幀中車道線的起點,采用滑動窗口搜索法提取出整個車道線,同時根據(jù)車道線的特點,選擇不同的車道模型,通過最小二乘法擬合得到模型參數(shù)。王俊[21]提出一種基于逆透視變換的時空域匹配車道線檢測方法,將圖像分割后通過特征逆透視變換至頂視空間,方便后續(xù)引入實際道路模型參數(shù),在檢測過程中施加約束。錢基德等[22]基于透視圖像消失點原理,采用逆透視變換消除偽車道線,完成車道線的準(zhǔn)確定位。

5 結(jié)束語

車道線檢測技術(shù)易受外界環(huán)境影響,增強車道線檢測技術(shù)魯棒性是解決這一問題的主要途徑,解決方法包括:

(1)圖像二值化的閾值選取要更適應(yīng)后續(xù)特征信息的提取;

(2)將基于特征的車道線檢測技術(shù)和基于模型的車道線檢測技術(shù)結(jié)合起來,基于特征的車道線檢測技術(shù)可以對基于模型的車道線檢測技術(shù)進行驗證,保證準(zhǔn)確性;

(3)在特征點擬合的過程中,應(yīng)進一步考慮誤差的影響,不應(yīng)該簡單地只采用最小二乘法直線擬合或樣條曲線擬合;

(4)可適當(dāng)增加輔助裝置,減小外界環(huán)境對車道線檢測過程的影響。