目前，國內外學者已經提出了很多車道線檢測算法，主要分為兩類：一類是基于圖像特征的檢測方法，即特征驅動法，是基于道路圖像的一些特征(如車道線顏色、寬度以及邊緣等特征)將圖像的所有點標記為車道線點和非車道線點，這種機制要求道路的車道線顏色較為明顯，邊緣較為清晰，否則無法得到準確的檢測結果;另一類方法是基于模型的檢測方法，是根據提取的特征對預先定義好的車道線模型進行匹配，將車道線的提取轉化為車道線模型中參數的計算問題。模型的假設主要有直線模型和曲線模型兩種，其優(yōu)點是對噪音不敏感，能較好地處理圖像中物體局部被遮擋和覆蓋的情況。本文結合道路的紋理特征并建立模型進行車道檢測，既充分利用圖像的信息，又在一定程度上保證了算法的魯棒性。
本文首先對圖像進行預處理，然后對圖像進行Hough變換或者Gabor變換，得到車道線位置信息，判斷出車輛是否在車道內行駛，如果不在則發(fā)出預警信號。
1 圖像的預處理
圖像的預處理主要是對攝像頭實時采集的圖像進行前期處理，主要包括去除圖像的各種噪聲，并根據攝像機的位置調節(jié)算法中的一些參數提取圖像的感興趣區(qū)域(ROI)，以及進行邊緣檢測等，目的是為了加強圖像的有用信息，抑制干擾。
標定攝像頭以后，選取一定的區(qū)域作為車道線檢測區(qū)域，進行平滑去噪，并對其邊緣進行檢測。本文采用Canny邊緣檢測。圖1為拍攝的原始道路圖像，圖2為不同環(huán)境下(白天、陰天、夜晚)的檢測結果。
2 基于Hough 變換的車道線檢測
2.1 傳統Hough 變換原理
對于建立的車道線模型為直線的情況下，Hough 變換作為車道線檢測的一個方法， 廣泛用于車道線識別領域。Hough 變換的實質是對圖像進行坐標變換， 使變換的結果更易于識別和檢測。Hough 變換的表達式為：
其中， (x,y ) 表示圖像空間的某一點， ρ 是圖像空間中直線到坐標原點的距離，θ 是直線與x 軸的夾角。傳統Hough 變換投票空間ρ 和θ 的選擇范圍通常為ρ∈(0,r)( 其中r 為圖像對角線長度) ,θ∈(0,180 ) .(ρ ,θ)為坐標變換后的參數空間某一點， 其將圖像空間(x-y ) 的點轉換到參數空間(ρ-θ)， 可以證明圖像空間中同一直線上的點在參數空間中對應的正弦曲線交于一點(ρ ,θ)。因此對圖像空間的目標點進行坐標變換投影到參數空間，通過統計參數空間的總投票次數較多的點， 即可找到圖像空間對應的直線方程。
Hough變換作為一種經典的車道線檢測算法，具有很強的適應性，然而該算法較為耗時，當車道線外在環(huán)境因素較為不清晰，或者受道路上一些其他因素的影響下，結果受干擾較大。Hough變換檢測結果如圖3所示。
2.2 基于ROI區(qū)域改進的Hough變換的車道線檢測
針對圖像中道路的車道線一般分布在道路左右兩邊的情況，本文對傳統Hough變換的應用進行了改進，限定其投票空間的范圍，也就是限定ρ和θ來調整其投票空間的范圍。限定其左右車道線的極角和極徑，調節(jié)好攝像頭，通過不斷的測試，得到目標點的極角約束區(qū)域和極徑約束區(qū)域，也就得到感興趣區(qū)域(ROI)，如圖4所示，只檢測落在白色區(qū)域內的車道線。
通過建立極角、極徑約束區(qū)域，可以有效地去除大量的干擾點，濾除旁邊車道以及路邊樹木建筑物的干擾，并能夠很大程度地提高算法的運行速度。當車道線的極角極徑在檢測區(qū)域內時，可以快速準確地檢測車道線的位置;然而當圖像在轉彎、變道或者攝像頭位置偏移時，車道線很容易超出檢測區(qū)域，使得結果出現很大的偏差。
3 基于Gabor濾波器的車道線檢測
針對道路車道線不清晰以及存在一些其他標志干擾的情況，本文提出了改進的車道線檢測算法，即基于Gabor濾波器的車道線檢測。通過Gabor找到圖像的消失點，即圖像中兩條車道線的交點位置，再對消失點進行Hough變換，這樣不僅提高了算法的適用性，還提高了算法的實時性。
3.1 Gabor變換原理
Gabor濾波器與人眼的生物作用相仿，因此經常用于紋理識別，并取得了較好的效果。Gabor濾波器是帶通濾波器， 它的單位沖激響應函數(Gabor函數)是高斯函數與復指數函數的乘積。它是達到時頻測不準關系下界的函數， 具有最好的兼顧信號在時頻域的分辨能力。高斯函數的局部性特征使得Gabor濾波器只在局部起作用， 即具有良好的尺度特性和方向特性。因此，Gabor濾波器被廣泛用于圖像處理和圖像分析領域。
本文通過對車轍印記以及車道線邊緣等一些紋理特征進行分析，從而提取出道路的消失點以及車道線的信息。
Gabor濾波器的模板計算方程如式(2)所示，該模板分為實部(式(3))和虛部(式(4))兩部分。
通過建立K×K 大小的Gabor 模板，(x,y) 表示圖像空間的一點。其中，θ 表示模板的方向， 為確定最后的道路紋理方向， 這里選擇范圍為0~72 ;λ 表示路面的波長;σ表示噪聲容量， 本文取σ=K/9 .
3.2 消失點的求解
本文用不同方向的模板與圖像進行卷積， 對于圖像任意一點， 即可得到某一個方向上的卷積的結果為最大值， 這個最大值為紋理方向對應的能量， 該方向為紋理的方向。
其中，α 表示模板對應的方向， 對于圖像中的任意點I(x,y) 與α 方向的Gabor 模板進行卷積， 得到不同的t(x,y)，求取其最大值， 將最大值對應的方向作為圖像中(x,y)點的紋理方向， 同時將該最大值作為紋理方向上的紋理強度。
通 過計算可以得到圖像中每一點的紋理方向以及能量。為了計算出消失點， 對圖像中選取的點進行投票，這里選擇圖像下方一定的區(qū)域點， 如圖5 所示。當紋理能量大于設定閾值的點作為投票點，p 表示圖像中投票空間的點，θ (p) 表示p 紋理方向，v 表示消失點的候選點，a (p ,v) 表示p 點與v 點的夾角，n 為采用的Gabor 模板方向的個數，R 為定義的投票空間， 即圖6 對應的方框區(qū)域， 通過vote (p,v) 來統計p 點對v 點的投票結果，votes (v ) 為對R 區(qū)域累加進行投票的統計結果，pvote 為最終被投票次數最多的點的坐標， 即消失點。
圖6 中的框表示選取的投票區(qū)域， 即在該區(qū)域內選取400 個點進行Gabor 變換， 求出其紋理方及能量; 圓圈是求出的消失點位置。
3.3 車道線檢測
對于傳統的Hough 變換， 需要對每個點每個角度進行遍歷， 這樣比較耗時。本文采用改進的Hough 變換， 對消失點及其周圍的有限個像素進行Hough 變換， 求取左右車道線的兩個峰值點，并繪制出車道線。該方法能夠有效地抑制圖像的其他邊緣噪聲干擾，提高算法的實時性。車道檢測結果如圖7 所示。
3.4 車道線跟蹤
跟蹤分為消失點的跟蹤和車道線的跟蹤。
(1) 消失點的跟蹤： 消失點一般較遠， 車輛在行進過程中消失點范圍變化不是很大，而靠近車道線的道路兩邊由于車輛輪胎接觸較為頻繁， 紋理較為明顯， 對消失點的貢獻較大。因此， 隨機選取靠近車道線兩邊100 個點對消失點及其周圍的若干個點( 本文選取36 個點) 進行投票，如圖8 所示。
(2)車道線跟蹤：根據上一幀測量的結果，限定角度在一定變化范圍內(本文限制在10°范圍，如圖8(b)所示)進行Hough變換，這樣大大減少了運算速度。當圖像檢測的消失點及車道線上的點少于所設定的閾值時，程序重新初始化。
4 車道識別
本文在應用的基礎上對合肥以及沈陽的BRT車道進行統計，其BRT車道相對其他車道具有如下特點：其左右車道線都為黃色，一般位于路的兩邊，道路的兩邊有欄桿或者路牙等特征?；诖颂攸c，本文實現了BRT車道的識別系統，結合GPS判斷其所在位置范圍內有無BRT車道，若有則判斷車道線顏色是否為黃色，即建立顏色模型，對車道線上的每一點顏色進行標記，并綜合判斷其左右車道線是否是黃色車道線，對黃色進行標記，如圖9左圖所示。由于車道線長期受到磨損有一定的失真，且在晚上黃光燈照射下不易準確地識別顏色，本文結合其欄桿、路牙等特征識別車道，對檢測的車道線兩邊的一定區(qū)域(圖9右圖白色矩形區(qū)域)進行對比，比較其顏色邊緣紋理等特征差別。通過大量的測試，本文得到了判斷其是否為BRT車道的先驗閾值，當矩形區(qū)域差別大于設定閾值時，則判斷為公交專用車道，從而準確實現車道檢測。
5 實驗結果與分析
實現BRT 車道識別的具體流程如圖10 所示。
本文首先通過GPS采集車輛所在區(qū)域的經緯度信息， 并建立道路經緯度信息庫判斷車輛所在位置附近是否具備BRT專用車道，若有，則進行車道線檢測，找到車輛所在車道的左右車道線，并判斷車道線上顏色信息以及車道線左右的邊緣亮度等信息，分析其是否具備BRT快速公交車道的特征，如具備，則可以作為監(jiān)控前方車輛是否違規(guī)駛入BRT車道的一個依據。
6 改進應用
該模型不僅適用于公路等有車道線的結構化道路，也可適用于車轍痕跡較為清晰的鄉(xiāng)間土路、沒有車道線的柏油路等非結構化道路， 能夠較為準確地檢測道路的消失點。當車輛行進方向偏離其消失點時， 提醒司機采取相應的措施， 從而實現了車道偏離預警， 可以有效地抑制事故的發(fā)生。圖12 為對白色區(qū)域進行Gabor 卷積運算， 將卷積結果較大( 即能量較大) 的點的方向繪制出來， 如圖12 右圖所示。可以看出， 方向基本指向道路的消失點。圖13 為復雜道路的消失點， 其中圓圈表示消失點投票結果。
本文對合肥公交專用車道進行了大量的實驗，實驗結果表明，該算法具有很強的適用性，能夠準確地檢測到車輛所在車道的車道線，并對其車道作出正確的判斷。車道識別結果如圖11所示。
本文提出了基于道路紋理特征的車道線檢測方法，將直線模型算法成功移植到DM6437開發(fā)平臺。通過攝像頭實時采集道路圖像(25 S/s,圖像大小為720×576)，實時統計車道線信息，并在城市道路上進行了大量的實驗測試，平均每幀圖像的算法耗時控制在50 ms以內，能夠較為準確地檢測出車道線的位置，具有較強的實時性和魯棒性。
下載文檔
