王宇瑞，李炎亮，郭雨婷，江奎

（201620 上海市 上海工程技術(shù)大學(xué) 機(jī)械與汽車工程學(xué)院）

0 引言

目前，智能駕駛領(lǐng)域已經(jīng)成為各大科研院所及高校的熱門研究課題。針對(duì)光照條件變化、車道線磨損等實(shí)時(shí)路況，實(shí)時(shí)精準(zhǔn)地獲取車道線信息對(duì)于實(shí)現(xiàn)智能汽車的自主駕駛起著至關(guān)重要的作用。LIU Bin[1]等人研究認(rèn)為，基于Mask R-CNN 分割不僅能快速檢測(cè)車道線，而且在TSD-Max 數(shù)據(jù)集上的檢測(cè)精度高達(dá)97.9%；徐棒棒[2]等人基于深度學(xué)習(xí)的方法，通過搭建LaneNet 框架，同時(shí)利用開源數(shù)據(jù)集訓(xùn)練算法后，實(shí)現(xiàn)車道線檢測(cè)；梁樂穎[3]研究了基于以目標(biāo)識(shí)別為主的R-FCN 框架和以圖片分類為主的卷積神經(jīng)網(wǎng)絡(luò)算法；蔡英鳳[4]等人提出基于實(shí)例分割和透視變換相結(jié)合的多車道檢測(cè)算法，車道線識(shí)別精度提高到91.4%；丁海濤[5]等人提出一種基于密集分割網(wǎng)絡(luò)的車道線檢測(cè)方法，通過構(gòu)建密集分割網(wǎng)絡(luò)獲取車道線的實(shí)例特征，同時(shí)引入Meanshift 聚類算法，消除圖像噪聲的干擾。

車道線的檢測(cè)算法主要分為基于特征和基于模型兩類[6-8]?；谔卣鞯乃惴ㄒ话氵m用于高速主干道車道線的識(shí)別，城市道路受到噪聲的影響更嚴(yán)重一些[9]。因此，本文采用基于模型特征，在前人研究的基礎(chǔ)上，提出一種基于改進(jìn)霍夫變換的車道線檢測(cè)算法。

1 視覺圖像的預(yù)處理

圖像預(yù)處理目的是將視覺采集的圖片經(jīng)過處理凸顯特征，弱化干擾噪聲。

1.1 灰度化處理

采用加權(quán)平均法，公式如下：

式中：wR，wG，wB——RGB 分量的權(quán)值，根據(jù)多次實(shí)驗(yàn)，最終確定：wR=0.3，wG=0.59，wB=0.11 。

處理對(duì)比分析如圖1 所示。由實(shí)驗(yàn)結(jié)果分析可以得出：加權(quán)平均法處理后效果更加清晰。

圖1 不同方法處理對(duì)比分析圖Fig.1 Comparative analysis of different method processing

1.2 圖像增強(qiáng)處理

圖像增強(qiáng)處理分類如圖2 所示[10-12]，本文采用中值濾波法。

圖2 圖像增強(qiáng)方法分類Fig.2 Classification of image enhancement methods

中值濾波是非線性濾波算法，運(yùn)用邏輯運(yùn)算既可以去噪，也可以保留邊界信息。用中值來替代該點(diǎn)濾波前的灰度值，公式如下：

式中：P（i，j）——處理后圖像在點(diǎn)（i，j）的灰度值；f（i，j）——原始灰度化圖像。

通過添加0.05 的椒鹽噪聲來模仿現(xiàn)實(shí)道路中的噪聲，分別對(duì)3 種濾波算法進(jìn)行仿真實(shí)驗(yàn)，觀測(cè)3 種濾波去噪能力。處理結(jié)果如圖3 所示。

圖3 圖像增強(qiáng)算法處理比較Fig.3 Image enhancement algorithm processing comparison

由實(shí)驗(yàn)結(jié)果分析，采用中值濾波算法可以達(dá)到去噪和保護(hù)邊緣信息的效果。

1.3 二值化處理

二值化處理需設(shè)定某臨界灰度值作為閾值[13]，公式為：

式中：g（x，y）——二值化信息；f（x，y）——灰度值圖像；T——閾值。

二值化方法處理結(jié)果對(duì)比分析如圖4 所示。

圖4 閾值分割算法比較Fig.4 Comparison of threshold segmentation algorithms

由實(shí)驗(yàn)結(jié)果分析，由OTSU 算法得到的二值化圖像車道線邊緣更為平滑，能夠清晰地識(shí)別出車道線并可以與無關(guān)背景信息區(qū)別出來，且該算法計(jì)算簡(jiǎn)單、穩(wěn)定、自適應(yīng)性強(qiáng)。

2 車道線檢測(cè)算法

2.1 邊緣檢測(cè)

邊緣檢測(cè)具體步驟如圖5 所示。

圖5 邊緣檢測(cè)流程圖Fig.5 Edge detection flowchart

本文采用Canny 算子進(jìn)行邊緣檢測(cè)。對(duì)比分析如圖6 所示。

圖6 邊緣檢測(cè)算法對(duì)比分析圖Fig.6 Comparative analysis of edge detection algorithms

仿真結(jié)果對(duì)比分析可以得出：Prewitt 算子邊緣定位精度較低；Sobel 算子輪廓提取效果較差；經(jīng)過Log 算子處理后的邊緣精度和去噪效果兩者無法兼得。基于Canny 邊緣檢測(cè)處理，可以獲得較好的信息提取。

2.2 霍夫變換

Hough 變換的基本原理是根據(jù)極坐標(biāo)系和直角坐標(biāo)系的點(diǎn)-線對(duì)偶性，將圖像空間中的線轉(zhuǎn)化成參數(shù)空間中的點(diǎn)，再結(jié)合表決方式尋找峰值，通過估計(jì)參數(shù)解決檢測(cè)問題。

2.2.1 利用Hough 變換檢測(cè)直線

首先通過邊緣檢測(cè)，找出圖像中所有的邊緣點(diǎn)。將經(jīng)過某個(gè)交點(diǎn)（ρ，θ）的曲線最多的點(diǎn)映射回原圖像空間，可能表示一條直線，推導(dǎo)可得：

由已知點(diǎn)（ρ，θ），可以計(jì)算出直角坐標(biāo)系下的直線方程，從而求得所要檢測(cè)的車道線。

Hough 變換的具體步驟：

（1）初始化ρ-θ空間，此時(shí)該參數(shù)表示的直線上的像素點(diǎn)的個(gè)數(shù)N（ρ，θ）=0 。

（2）搜尋圖像中所有的邊緣像素點(diǎn)信息，根據(jù)式（4）計(jì)算得出參數(shù)空間中使其成立的極徑ρ，θ∈（0，180），N（ρ，θ）=N（ρ，θ）+1。

（3）設(shè)置閾值為T，將N（ρ，θ）與T比較，若N（ρ，θ）>T，則可以求得直線的參數(shù)。重復(fù)上述步驟使N（ρ，θ）=0。

2.2.2 Hough 變換直線提取

根據(jù)Hough 調(diào)用函數(shù)（如圖7 所示），可以從圖7 中獲取兩條直線車道線[14]。

圖7 Hough 變換函數(shù)調(diào)用Fig.7 Hough transform function call

檢測(cè)結(jié)果如圖8 所示。

圖8 Hough 變換檢測(cè)結(jié)果Fig.8 Hough transform detection results

3 直線擬合

分別用最小二乘法對(duì)左右兩車道線進(jìn)行擬合，得到左右兩條車道線的起點(diǎn)和終點(diǎn)坐標(biāo)，再根據(jù)端點(diǎn)求出左右車道線的結(jié)果如圖9 所示。

圖9 直線檢測(cè)擬合結(jié)果Fig.9 Straight line detection fitting result

通過實(shí)驗(yàn)結(jié)果分析，直線檢測(cè)擬合結(jié)果可以映射到原圖中，車道線被清晰識(shí)別出來。

4 實(shí)驗(yàn)結(jié)果分析

為驗(yàn)證直線檢測(cè)算法的有效性，運(yùn)用實(shí)際道路中的4 種工況在不同的非正常環(huán)境下的道路圖片，檢測(cè)效果如圖10 所示。

圖10 實(shí)際道路檢測(cè)結(jié)果Fig.10 Actual road inspection results

通過實(shí)驗(yàn)結(jié)果分析，在實(shí)際道路中，直接基于邊緣檢測(cè)結(jié)合Hough 變換識(shí)別結(jié)果對(duì)比原圖會(huì)出現(xiàn)偏移，因此本文先利用HSV 空間提取黃色像素點(diǎn)，接著在灰度空間中提取白色像素點(diǎn)，將HSV和灰度空間融合后，并對(duì)灰度圖進(jìn)行掩膜處理，處理過程如圖11 所示。

圖11 優(yōu)化改進(jìn)圖Fig.11 Optimization and improvement map

經(jīng)過上述改進(jìn)算法處理后的效果對(duì)比如圖12所示。

圖12 改進(jìn)方法對(duì)比分析圖Fig.12 Comparative analysis of improved methods

通過HSV 和灰度空間融合模型提取車道線顏色特征，經(jīng)過上述處理后，與原算法進(jìn)行對(duì)比分析，可以看出基于改進(jìn)的霍夫變換的檢測(cè)算法，檢測(cè)精度與穩(wěn)定性有了很大的提高。

5 結(jié)論

實(shí)驗(yàn)結(jié)果表明，本文提出的算法在陰影、光線急劇變化和車道線磨損和陰影遮擋等環(huán)境干擾較為敏感的路況下都能夠保證車道線的精確檢測(cè)，為智能車輛實(shí)現(xiàn)自適應(yīng)巡航、跟車行駛和車道保持等功能提供了很好的基礎(chǔ)保障。