摘 要: 為了提高車道線檢測的準確性和實時性,提出了一種快速準確的車道線檢測方法。首先根據(jù)道路的紋理特征求出道路的消失點,再采用改進的Hough變換檢測出車道線,結(jié)合車道線的一些特征以及攝像頭的參數(shù),在不影響測量結(jié)果的情況下縮小檢測空間,快速準確地檢測道路的車道線,并結(jié)合BRT車道(快速公交車道)的一些特征識別車輛所在車道是否為BRT車道,從而實現(xiàn)對BRT車道內(nèi)前方車輛的監(jiān)督。將代碼移植到DM6437開發(fā)平臺隨著經(jīng)濟以及道路的發(fā)展,我國的汽車保有量迅速上升,交通事故也成為人們普遍關(guān)注的焦點。為了提高駕駛的安全性以及操作的簡單性,車輛安全輔助駕駛系統(tǒng)成為當今國際智能交通系統(tǒng)研究的重要內(nèi)容。車道線檢測作為車輛安全駕駛的一個重要研究方向,可以在車輛偏離航道時發(fā)出報警信息,有效地抑制事故的發(fā)生,具有重要的研究意義。
目前,國內(nèi)外學者已經(jīng)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(qū)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(jié)果;另一類方法是基于模型的檢測方法,是根據(jù)提取的特征對預(yù)先定義好的車道線模型進行匹配,將車道線的提取轉(zhuǎn)化為車道線模型中參數(shù)的計算問題。模型的假設(shè)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(jié)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(yù)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(nèi)行駛,如果不在則發(fā)出預(yù)警信號。
1 圖像的預(yù)處理
圖像的預(yù)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(jù)攝像機的位置調(diào)節(jié)算法中的一些參數(shù)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(jié)果。
2 基于Hough 變換的車道線檢測
2.1 傳統(tǒng)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(lǐng)域。Hough 變換的實質(zhì)是對圖像進行坐標變換, 使變換的結(jié)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(tǒng)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(shù)空間某一點, 其將圖像空間(x-y ) 的點轉(zhuǎn)換到參數(shù)空間(ρ-θ), 可以證明圖像空間中同一直線上的點在參數(shù)空間中對應(yīng)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(shù)空間,通過統(tǒng)計參數(shù)空間的總投票次數(shù)較多的點, 即可找到圖像空間對應(yīng)的直線方程。
Hough變換作為一種經(jīng)典的車道線檢測算法,具有很強的適應(yīng)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(jié)果受干擾較大。Hough變換檢測結(jié)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(tǒng)Hough變換的應(yīng)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(diào)整其投票空間的范圍。限定其左右車道線的極角和極徑,調(diào)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(nèi)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(nèi)時,可以快速準確地檢測車道線的位置;然而當圖像在轉(zhuǎn)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(jié)果出現(xiàn)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(jīng)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(yīng)函數(shù)(Gabor函數(shù))是高斯函數(shù)與復指數(shù)函數(shù)的乘積。它是達到時頻測不準關(guān)系下界的函數(shù), 具有最好的兼顧信號在時頻域的分辨能力。高斯函數(shù)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(lǐng)域。[!--empirenews.page--]
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(jié)果為最大值, 這個最大值為紋理方向?qū)?yīng)的能量, 該方向為紋理的方向。
其中,α 表示模板對應(yīng)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(yīng)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(shè)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(shù),R 為定義的投票空間, 即圖6 對應(yīng)的方框區(qū)域, 通過vote (p,v) 來統(tǒng)計p 點對v 點的投票結(jié)果,votes (v ) 為對R 區(qū)域累加進行投票的統(tǒng)計結(jié)果,pvote 為最終被投票次數(shù)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(nèi)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(tǒng)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(jié)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(jù)上一幀測量的結(jié)果,限定角度在一定變化范圍內(nèi)(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(shè)定的閾值時,程序重新初始化。
4 車道識別
本文在應(yīng)用的基礎(chǔ)上對合肥以及沈陽的BRT車道進行統(tǒng)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(xiàn)了BRT車道的識別系統(tǒng),結(jié)合GPS判斷其所在位置范圍內(nèi)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(jié)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(shè)定閾值時,則判斷為公交專用車道,從而準確實現(xiàn)車道檢測。
5 實驗結(jié)果與分析
實現(xiàn)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(jīng)緯度信息, 并建立道路經(jīng)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?cè)隑RT車道的一個依據(jù)。[!--empirenews.page--]
6 改進應(yīng)用
該模型不僅適用于公路等有車道線的結(jié)構(gòu)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(jié)構(gòu)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(yīng)的措施, 從而實現(xiàn)了車道偏離預(yù)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(jié)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(jié)果。
本文對合肥公交專用車道進行了大量的實驗,實驗結(jié)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(jié)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(tǒng)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(nèi),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。