李志遠(yuǎn)，王光輝

（湖北汽車(chē)工業(yè)學(xué)院汽車(chē)工程學(xué)院，湖北十堰 442002）

0 引 言

近年來(lái)，隨著汽車(chē)工業(yè)的進(jìn)步和無(wú)人駕駛技術(shù)的興起，各種級(jí)別的輔助駕駛技術(shù)[1-3]已經(jīng)在司機(jī)的日常駕駛中得以運(yùn)用。其中，車(chē)道線檢測(cè)作為輔助駕駛技術(shù)中最為基礎(chǔ)的一項(xiàng)技術(shù)，其主要目的是準(zhǔn)確地檢測(cè)和提取車(chē)道線的邊緣信息。能否實(shí)現(xiàn)車(chē)道線的精準(zhǔn)檢測(cè)對(duì)于實(shí)現(xiàn)安全、高效的自動(dòng)駕駛至關(guān)重要，但這項(xiàng)技術(shù)在實(shí)際應(yīng)用中面臨著各種挑戰(zhàn)，如光照條件的變化，當(dāng)在強(qiáng)烈陽(yáng)光照射下或者暗光環(huán)境中，車(chē)道線的邊緣信息可能會(huì)變得模糊不清，以及復(fù)雜道路環(huán)境的干擾，在擁擠的城市道路中，車(chē)道線可能被其他車(chē)輛或者行人遮擋，導(dǎo)致檢測(cè)結(jié)果不準(zhǔn)確。因此，汽車(chē)制造商正致力于攻克這些問(wèn)題，以確保汽車(chē)能夠安全可靠地檢測(cè)出車(chē)道線。

常用來(lái)識(shí)別車(chē)道線的方法是利用車(chē)道線與道路路面及其周邊之間的灰度值差異，根據(jù)車(chē)道線明顯的灰度值得到車(chē)道線的信息[4]，但對(duì)環(huán)境適應(yīng)性較差。此領(lǐng)域的一些學(xué)者對(duì)車(chē)道線檢測(cè)提出了各自相應(yīng)的檢測(cè)算法和不同的解決方案，文獻(xiàn)[5]通過(guò)對(duì)攝像機(jī)進(jìn)行一系列的標(biāo)定，以此消除圖像的畸變，但其在ROI 區(qū)域的選取上不夠清晰明了，可能會(huì)對(duì)檢測(cè)結(jié)果造成誤檢。文獻(xiàn)[6]基于Hough 變換提取車(chē)道線，此算法對(duì)直線車(chē)道有不錯(cuò)的效果，但可能會(huì)識(shí)別出一些與車(chē)道線無(wú)關(guān)的線段。文獻(xiàn)[7-8]研究車(chē)道線與道路路面之間的梯度差異，如Sobel[9]、Roberts[10]、Canny 等檢測(cè)算子，這種方法對(duì)于非連續(xù)的車(chē)道線可能無(wú)法有效的識(shí)別。文獻(xiàn)[11]利用了傳統(tǒng)圖像處理算法中的濾波算法，但在道路環(huán)境障礙物較多時(shí)容易導(dǎo)致誤檢，對(duì)外界的抗干擾能力比較差。

針對(duì)上述問(wèn)題，本文提出一種基于霍夫變換改進(jìn)的Canny 算法，對(duì)輸入的結(jié)構(gòu)化道路圖像進(jìn)行預(yù)處理，其中包括灰度濾波等操作，并對(duì)預(yù)處理后的圖像進(jìn)行了不同算子的車(chē)道線圖像邊緣檢測(cè)對(duì)比實(shí)驗(yàn)，以得到較優(yōu)的檢測(cè)算子。本文使用ROI 感興趣區(qū)域選取和改進(jìn)霍夫變換對(duì)預(yù)處理之后的圖像進(jìn)行車(chē)道線擬合，為了確保檢測(cè)效果，通過(guò)調(diào)整不同的圖像平滑度，選取最佳的閾值作為邊緣檢測(cè)的標(biāo)準(zhǔn)。同時(shí)，根據(jù)大多數(shù)情況得到的車(chē)道線圖像，對(duì)車(chē)道線角度和識(shí)別區(qū)域進(jìn)行限制，用以提高車(chē)道線檢測(cè)的精確性。

1 傳統(tǒng)邊緣算子

1.1 Roberts 算子

在邊緣檢測(cè)中，傳統(tǒng)Roberts 算子是一種簡(jiǎn)單而高效的算子，它采用2×2 模板，利用圖像中對(duì)角線方向相鄰像素差值近似梯度幅值來(lái)檢測(cè)目標(biāo)圖像邊緣。傳統(tǒng)Roberts 算子模板如圖1 所示。

圖1 Roberts 算子模板

式中：f′x(i,j)為x方向上的灰度變化；f′y(i,j)為y方向上的灰度變化。計(jì)算梯度幅值R(i,j)，同時(shí)適當(dāng)選取一定的閾值，如果計(jì)算的梯度幅值大于閾值則認(rèn)為其是邊緣點(diǎn)。

1.2 Sobel算子

Sobel 算子可以從水平和垂直的方向上依次檢查邊界，原理是使用像素值在上下、前后鄰點(diǎn)處的灰度加權(quán)算法，通過(guò)在邊界點(diǎn)處達(dá)到極值進(jìn)行邊界檢查。Sobel算子中有如下一些關(guān)鍵點(diǎn)：笛卡爾網(wǎng)格；距離反比的4 個(gè)方向?qū)μ荻燃訖?quán)；城市距離。

笛卡爾網(wǎng)格和城市距離如圖2 所示。

圖2 笛卡爾網(wǎng)格和城市距離

Sobel 算子采用的像素距離是城市距離，而不是歐氏距離或棋盤(pán)距離，其規(guī)定對(duì)角方向相鄰像素之間的距離值為2。接著選取4 個(gè)方向矢量分別為(a,i)、(b,h)、(c,g)、(f,d)，然后沿著這4 個(gè)方向求得梯度矢量和，得到像素e的平均梯度估計(jì)G為：

這里人為規(guī)定右上角為原點(diǎn)，以c點(diǎn)為例，由c到a為x軸的正方向，由a到g為y軸的正方向，因此，由c到g的單位向量就是[1,1]，同理得由a到i的單位向量為[-1,1]。計(jì)算4 個(gè)方向矢量并將其x方向和y方向分別相加，可得：

經(jīng)約分化簡(jiǎn)后，將2 個(gè)方向字母的各自系數(shù)代入即可得到Sobel 算子水平和垂直梯度模板，分別如圖3所示。

圖3 Sobel算子

1.3 Canny 算子

Canny 邊緣檢測(cè)是高斯函數(shù)的一階導(dǎo)數(shù)，具有高精度和低誤檢率的特點(diǎn)。該算法的步驟如下：

1）使用高斯濾波器對(duì)目標(biāo)圖像進(jìn)行濾波平滑處理。σ為高斯函數(shù)的標(biāo)準(zhǔn)差，其大小的變化可以改變圖像的平滑程度。高斯函數(shù)如公式（6）所示：

高斯函數(shù)與目標(biāo)圖像的卷積公式為：

式中：R(x,y)為卷積運(yùn)算之后的圖像；f(x,y)為輸入圖像；“*”代表卷積運(yùn)算。

2）計(jì)算圖像中每個(gè)像素的梯度

接著計(jì)算圖像上(i,j)點(diǎn)上的邊緣強(qiáng)度M：

3）對(duì)梯度幅值進(jìn)行非極大值抑制，也就是在每個(gè)梯度方向上找到局部極大值點(diǎn)，并將其作為邊緣點(diǎn)。

4）雙閾值檢測(cè)。這里把邊緣點(diǎn)分為三種：強(qiáng)邊緣點(diǎn)、弱邊緣點(diǎn)和非邊緣點(diǎn)，同時(shí)根據(jù)高低閾值對(duì)它們進(jìn)行分類。非邊緣點(diǎn)將其刪除，強(qiáng)邊緣點(diǎn)作為真正的邊緣點(diǎn)，對(duì)于弱邊緣點(diǎn)需要再次判斷是否為真正的邊緣點(diǎn)。

2 車(chē)道線檢測(cè)流程

圖像預(yù)處理是圖像處理的一部分，包括灰度轉(zhuǎn)換、去噪濾波、邊緣檢測(cè)等[12-13]。后期的車(chē)道線檢測(cè)包括ROI 提取和Hough 變換等操作，其主要目的是鎖定目標(biāo)車(chē)道線所在的圖像區(qū)域，快速、高效地檢測(cè)出構(gòu)成車(chē)道線的小線段，建立車(chē)道線特征數(shù)據(jù)點(diǎn)集，擬合出車(chē)道線并顯示出來(lái)。

2.1 圖像預(yù)處理

一般來(lái)說(shuō)采集到的原始彩色圖像一般包含R、G、B三個(gè)通道的深度信息，三個(gè)通道的取值均在0～255 之間。彩色圖片的信息含量過(guò)大，進(jìn)行圖片預(yù)處理時(shí)，只需要使用灰度圖像中的信息就已足夠，所以為了提高運(yùn)算效率，往往將R、G、B 三個(gè)通道組成的彩色圖像轉(zhuǎn)化為單通道的灰度圖像[14]。圖像的灰度化處理算法為：

圖4、圖5 分別為灰度圖和灰度圖像的直方圖，可以看到總體灰度分布較為均勻。在對(duì)圖像進(jìn)行灰度化后，得到了一張像素值在0～255 范圍內(nèi)的灰度圖，為了降低噪聲影響，得到相對(duì)清晰的車(chē)道線特征，接下來(lái)對(duì)灰度之后的圖像進(jìn)行降噪，除去無(wú)關(guān)噪聲，防止影響車(chē)道線的有效識(shí)別。對(duì)去噪之后的圖像進(jìn)行濾波處理，常用的濾波方法有均值濾波、高斯濾波等，本文采用均值濾波方法對(duì)目標(biāo)圖像進(jìn)行濾波處理。

圖4 灰度圖

圖5 灰度直方圖

在Matlab 平臺(tái)下編程實(shí)驗(yàn)。利用結(jié)構(gòu)化道路條件下車(chē)道線圖像作為原圖像，將預(yù)處理后的圖像作為輸入，并使用傳統(tǒng)邊緣處理算法進(jìn)行邊緣檢測(cè)實(shí)驗(yàn)，對(duì)檢測(cè)效果進(jìn)行分析。在同樣預(yù)處理的條件下，對(duì)比三種傳統(tǒng)算子的邊緣提取效果，如圖6 所示。由圖6 可以發(fā)現(xiàn)Canny 算子檢測(cè)的車(chē)道線圖像邊緣信息更加清晰完整，因此最終選取Canny 算子對(duì)車(chē)道邊緣提取算法進(jìn)行后續(xù)的車(chē)道線檢測(cè)。

圖6 傳統(tǒng)邊緣算子檢測(cè)比較

2.2 ROI 提取

ROI 是指目標(biāo)圖像中最能吸引興趣、最能表現(xiàn)圖像主要內(nèi)容的區(qū)域。在圖像中選擇所需要檢測(cè)的重點(diǎn)區(qū)域，使用ROI 圈定目標(biāo)，可以減少處理時(shí)間。在車(chē)道線檢測(cè)中ROI 區(qū)域選取可以快速確定車(chē)道線區(qū)域，為下一步檢測(cè)車(chē)道線提供基礎(chǔ)。

ROI 圖如圖7 所示。

圖7 ROI 圖

由于車(chē)載相機(jī)所采集的圖片存在行駛車(chē)輛、目標(biāo)車(chē)道線、路邊樹(shù)木、天空等各種影響判斷的因素，這會(huì)對(duì)接下來(lái)的擬合車(chē)道線帶來(lái)不必要的操作，因此需要通過(guò)設(shè)置ROI 區(qū)域?qū)z測(cè)區(qū)域進(jìn)行提取，避免因環(huán)境因素導(dǎo)致的誤檢及錯(cuò)檢。

2.3 霍夫變換

車(chē)道線圖像經(jīng)過(guò)邊緣檢測(cè)及ROI 區(qū)域提取后，已經(jīng)能夠直觀地展現(xiàn)出車(chē)道線的邊緣特征，但是仍然需要對(duì)車(chē)道線邊緣進(jìn)行繪制，本文采用Hough 變換將檢測(cè)出來(lái)的邊緣特征進(jìn)行提取，繪制出直線、曲線車(chē)道線[15]。Hough 變換原理是將圖像映射至參數(shù)空間，在參數(shù)空間進(jìn)行選取，最后回到二維圖像中繪制所選取的圖像。

在笛卡爾坐標(biāo)系中，直線通?？梢员硎境蓎=kx+b，當(dāng)直線垂直于x軸時(shí)，k為無(wú)窮大，不利于后續(xù)的處理與計(jì)算。因此，要先把笛卡爾坐標(biāo)系進(jìn)一步轉(zhuǎn)換為極坐標(biāo)系，得到直線的極坐標(biāo)表達(dá)式為：

式中：ρ為極徑；θ為極角。這里將ρ和θ作為兩條軸以構(gòu)建霍夫空間，假如直線的ρ和θ為已知條件，則有極坐標(biāo)系中的一條直線與霍夫空間里的一個(gè)點(diǎn)相對(duì)應(yīng)。如果極坐標(biāo)系中有若干個(gè)點(diǎn)，那么每個(gè)點(diǎn)可以畫(huà)無(wú)數(shù)條直線，每條直線對(duì)應(yīng)一對(duì)ρ和θ，從而對(duì)應(yīng)霍夫空間里的一條曲線。如果要從極坐標(biāo)若干點(diǎn)中尋找一條直線使其盡可能包含最多的點(diǎn)，則可以在霍夫空間里尋找最多曲線相交的點(diǎn)。Hough 變換原理如圖8 所示。

圖8 Hough 變換原理圖

在實(shí)際應(yīng)用中為避免無(wú)關(guān)因素對(duì)道路擬合效果造成的干擾，根據(jù)大部分情況下得到的車(chē)道線圖像信息，選取進(jìn)一步對(duì)圖像進(jìn)行裁剪處理，僅保留輸入圖像下方1 3 區(qū)域，同時(shí)車(chē)道線擬合檢測(cè)角度限制在-60°～60°，對(duì)裁剪后的目標(biāo)道路信息進(jìn)行霍夫變換擬合。

本文利用結(jié)構(gòu)化道路下采集到的車(chē)道線圖像進(jìn)行模擬實(shí)驗(yàn)，利用Matlab R2022b 在CPU 為3.2 GHz，RAM為16.0 GB 的Windows 操作系統(tǒng)上進(jìn)行實(shí)驗(yàn)?zāi)M。實(shí)驗(yàn)結(jié)果如圖9 所示，最終識(shí)別檢測(cè)到的車(chē)道線信息用黑色實(shí)線擬合，通過(guò)最終擬合效果來(lái)看，目標(biāo)車(chē)道線被清晰識(shí)別出來(lái)，對(duì)后續(xù)的車(chē)道線檢測(cè)技術(shù)研究有一定參考價(jià)值。

圖9 擬合效果圖

3 結(jié) 語(yǔ)

本文基于圖像處理技術(shù)，首先對(duì)采集到的道路圖像進(jìn)行灰度化處理，同時(shí)為了減少噪聲對(duì)車(chē)道線識(shí)別的影響，對(duì)灰度化后的圖像進(jìn)行了濾波處理。使用不同傳統(tǒng)邊緣檢測(cè)算子分別對(duì)車(chē)道圖像進(jìn)行邊緣檢測(cè)，發(fā)現(xiàn)利用霍夫變換改進(jìn)的Canny 算子邊緣檢測(cè)方法在相同條件下具有較高的檢測(cè)精度，能夠清晰地檢測(cè)出車(chē)道線信息。然而，本文也存在一些不足之處，例如未考慮光照和地面干擾等因素的影響，雨天或雪天可能會(huì)影響車(chē)道線的識(shí)別效果。因此，需要進(jìn)一步改進(jìn)算法以提高算法的識(shí)別精度。

注：本文通訊作者為王光輝。