基于视觉的缩微车车道线检测

朱亚萍，李永强

(杭州电子科技大学智能控制与机器人研究所，浙江 杭州 310018)

基于视觉的缩微车车道线检测

朱亚萍，李永强

(杭州电子科技大学智能控制与机器人研究所，浙江 杭州 310018)

针对缩微车车道线检测算法鲁棒性和实时性差的问题，利用一种数学形态学与最小二乘法相结合进行缩微车车道线检测.首先对采集的道路图像进行预处理，用数学形态学滤波算法去除室内光线变化对车道线图像的影响，运用大津算法和Canny算子分别对去除光照后图像进行分割及分割后图像的边缘检测，最后采用霍夫变换和最小二乘法相结合的方法检测缩微车车道线.在室内强光照等复杂环境下，能准确快速检测出缩微车车道线，解决了传统缩微车车道线检测算法鲁棒性和实时性差的问题.

数学形态学；阈值分割；最小二乘法

0 引 言

智能交通是将通信、自动控制和计算机等技术结合起来的新一代交通系统.缩微车车道线检测是智能交通系统研究的基础之一.针对缩微车车道线检测的方法，主要有基于模型和基于特征两种方法.基于模型的方法主要是根据一些模型的参数来对车道线进行描述，如用直线或抛物线等形状的参数来描述车道线.基于特征的方法主要是根据车道线边缘等信息来进行特征提取，检测出车道线.文献[1]介绍了一种基于车道线直线模型的检测方法，文献[2]介绍了一种随机抽象算法和模型拟合相结合的检测方法，文献[3]介绍了一种多尺度顶帽特征变换的检测方法.文献[4]介绍了一种基于特车道线边缘特征和卡尔曼滤波相结合检测方法.目前，霍夫变换和最小二乘法是车道线检测常用的方法.当缩微车道路因光照产生强反光域时，强反光域和车道线颜色边缘特征相似，这就造成了车道线检测的不准确和误检测.为了去除强光照的干扰，本文利用数学形态学滤波和最小二乘法相结合进行车道线检测.

1 图像预处理

1.1 图像ROI选择及灰度化

由于车道图像上很多信息是无用的，设定车道线所在区域为感兴趣区域(Region of Interest，ROI)，只对感兴趣区域处理可以减少运算量[5].图1分别为强反光和正常光照时的ROI图像.由于摄像头采集到的图像为彩色图像.直接进行车道线检测数据处理量大需要时间长，影响缩微车处理系统的实时性.进行图像灰度化是很好的选择，图像灰度化的方法采用加权平均值法[6].图2分别为强反光和正常光照时灰度化图像.

1.2 图像去噪

灰度化后的图像一般含有“椒盐”噪声.采用中值滤波算法进行除“椒盐”噪声处理[7].除“椒盐”噪声时并不影响缩微车车道线边缘.在图像去除“椒盐”噪声干扰后，再利用改进的数学形态学滤波算法去除光照干扰.

图1 ROI图像

图2 灰度化图像

2 数学形态学滤光处理

2.1 数学形态学腐蚀膨胀理论

数学形态学滤波算法的基础运算是腐蚀和膨胀，结构元素又是腐蚀和膨胀的基本工具[8].结构元素形状根据需要设定的，本文通过实验验证结构元素为圆形且半径是4个像素时效果较好.

腐蚀是将结构元素重合的图像像素点和对应的结构元素像素点的灰度值相减.找到像素灰度值最小的像素点，把最小值作为对应图像上像素点的灰度值.结构元素为B(x,y)，输入图像为f(x,y).腐蚀运算可记为fΘB，则：

(1)

其中，Df和DB分别是f和B的定义域.腐蚀后的图像上灰度值较高的强反光区域和车道线区域都将变小向内收缩.根据车道线的宽度计算腐蚀次数，对图像连续进行4次腐蚀能够把车道线从图像上掉，此时效果最好.

膨胀运算记为f⊕B，则：

(2)

其中，Df和DB分别是f和B的定义域.计算结构元素B重合的图像上像素与结构元素像素灰度值之和最大时的点灰度值.把此最大值作为对应图像上像素点的灰度值.这样反光区域和车道线区域的边缘将从灰度值高的区域向灰度值低的区域增长.

2.2 形态学滤波算法去除反光

对去除“椒盐”噪声后的图像先连续腐蚀4次再连续膨胀4次处理得到缩微车车道线的背景图像.图3分别为强反光和正常光照时背景图像.将中值滤波后图像减去背景图像而得到缩微车车道线滤光后的图像.图4分别为滤光后强反光和正常光照时车道线图像.

图3 车道线背景图像

图4 滤光后车道线图像

3 车道线检测

3.1 自适应阈值分割

图像分割就是将图像中车道线和车道线背景分离的过程.图像分割有很多方法其中最常用是阈值分割.阈值分割中设T为阈值，像素点灰度值小于阈值T的像素点的集合看作背景，像素点灰度值大于阈值T的像素点的集合看作目标.分割公式如下：

(3)

其中，f(x,y)代表灰度图像.阈值分割方法按阈值T固定和不固定又可分为固定阈值分割法和自适应阈值两种方法，固定阈值分割法对复杂场景的适应性较差[9].本文采用自适应阈值分割方法，选取类间方差最大时的值作为阈值，该算法具有较强的鲁棒性.

3.2 边缘提取

车道线边缘包含了车道线的主要结构信息.采用Canny算子进行边缘检测.通过寻找图像像素点的局部梯度极大值确定图像边缘是Canny边缘检测算子的实质，Canny算子确定的边缘清晰准确、处理速度快且稳定性好[10].接下来在车道线边缘图像的基础上进行车道线检测，车道线检测方法采用结合霍夫变换和最小二乘法的方法.

3.3 霍夫变换预处理

图像坐标空间中的一条直线可以变换到对应参数空间中一个点这种映射关系叫做霍夫变换[11].为了在图像空间拟合出对应直线需要对参数空间中的点进行霍夫反变换[12].

霍夫变换过程中需要对极坐标空间中参数θ和ρ进行量化，量化过深影响处理的实时性，过低则检测效果不佳.

霍夫变换进行车道线检测预处理步骤如下：

1)图像空间被分割出多个参数区间，设计各参数空间相应的累加器ACC(ρ,θ)并把各累加器的初始化为0；

2)取出图像各参数区间中像素点，对各区间中所有像素点进行霍夫从图像空间映射到极坐标空间，计算量化各区间对应的极坐标参数θ和ρ的值；

3)在对应的极坐标参数空间中，将θ和ρ对应单元累加器增1；

在图像空间中的点经过上述3个步骤之后，查看每个参数空间单元累加器的值，找到ACC(ρ,θ)最大时对应的θk和ρk即为需要拟合直线参数.

根据θk和ρk粗略计算需要拟合直线，且直线附近像素点的集合为S.

对霍夫变换预处理后得到的参数θk和ρk以及直线附近的像素点集合S，再进行最小二乘法车道线拟合.这种霍夫变换预处理方法避免了直接利用最小二乘法像素点附近有多条直线无法进行拟合的问题.

3.4 最小二乘法车道线拟合

将霍夫变换预处理得到到的θk和ρk值进行最小二乘法直线拟合，其在图像空间坐标下对应的直线方程为：y=akx+bk其中斜率为ak，截距为bk.根据实验的的环境条件设定误差阈值dκ等于2个像素[13].对于测量到S中的像素点(xi,yi)，i=1，2…，N.若像素到直线y=akx+bk的距离设为d，其值为：

(4)

本文在原图像处理后的边缘图像和灰度图像上进行车道线拟合，车道线拟合方法采用霍夫变换与最小二乘法相结合的方法.这种结合霍夫变换和最小二乘法的车道线拟合方法，去除了直线拟合时与直线距离较远点的干扰，从而解决霍夫变换拟合车道线精确度不高的缺点，也避免了直接最小二乘法直接应用时像素点附近有多条直线无法进行拟合的问题.

4 实验结果与分析

选取强反光和正常光照两种环境下车道线图像进行检测，验证本文算法在去除强光照的有效性.图5(a)、图6(a)、图7(a)为同一幅强反光时的车道线原图像，图5(d)、图6(d)、图7(d)同一幅正常光照时的车道线原图像，对两幅图像分别运用传统不含形态学滤波处理的车道线检测算法和本文检测算法处理，得到如图5所示的二值化图像，图6所示的边缘图像和图7所示的车道线检测图像.通过图5(b)与图5(c)对比，图6(b)与图6(c)对比可以看出本文算法和传统算法相比能够有效去除强反光区域及其边缘.通过图5(e)与图5(f)对比，图6(e)与图6(f)对比可知本文算法在正常光照情况下同样适用，并且能够去除车道线外围的其它噪声干扰.最后通过图7(b)与图5(c)对比，图7(e)与图7(f)对比，可知本文算法在去除强反光基础上能够很好的拟合除了车道线.直接在灰度图像的基础上进行车道线的拟合，拟合出的车道线颜色在图像上均呈现为白色.

图5 二值化检测结果

图6 边缘检测结果

图7 车道线检测结果

由仿真实验可以看出，本文提出的形态学滤波算法和最小二乘法相结合能够很好的消除强光照对车道线检测的干扰，车道线检测效果较为理想.由于本文算法是在去除车道线图像背景的基础上进行的车道线检测，所以对车道线外围的其它噪声也具有一定的抑制作用.本文图像分割过程中利用自适应阈值分割算法进行图像分割，因而在光线均匀的情况下同样能够很好的检测出车道线.不同的硬件平台对同种检测算法的处理周期不同，在本文实验环境下，本文算法满足缩微车自主驾驶的实时性和鲁棒性.

5 结束语

针对目前缩微车车道标识线检测算法鲁棒性差的问题，采用形态滤波算法和最小二乘法相结合的方法进行改进，算法通过设置感兴趣区域减少了车道线拟合的范围，提高了检测效率.同时本文检测方法抗干扰能力强，实现了强光照干扰下的缩微车车道线的检测，为以后的智能交通系的实际应用提供了一定的理论基础.但是，本方法对结构化道路进行车道线检测时具有较好效果，对非结构化道路检测效果不是十分理想，对非结构化道路的检测将是下一步研究的重点.

[1]张翀，范新南.基于直线模型的车道线实时检测方法[J].计算机工程与设计,2012，33(1):295-299.

[2]DU X,TAN K K. Vision-based approach towards lane line detection and vehicle localization[J]. Machine Vision & Applications, 2015, 27(2):175-191.

[3]BAI X Z, ZHOU F G. A unified form of multi-scale Top-Hat transform based algorithms for image processing[J]. Optik-International Journal for Light and Electron Optics，2013，124(13)：1614-1619.

[4]刘富强,田敏,胡振程.智能汽车中基于视觉的道路检测与跟踪算法[J].同济大学学报(自然科学版),2007,35(11):1535-1541.

[5]胡骁，李岁劳，吴剑.基于特征颜色的车道线检测算法[J].计算机仿真,2011，28(10):344-348.

[6]孙伟，张小瑞，唐慧强，等.Hough变换和最小二乘法拟合的车道线协调检测[J].光电工程,2011，38(10)：13-19.

[7]DU X, TAN K K, HTET K K K. Vision-based lane line detection for autonomous vehicle navigation and guidance[C]//Control Conference (ASCC), 2015 10th Asian. IEEE, 2015:1-5.

[8]毕建权，陆耿，王京春，等.缩微智能车软件系统设计与实现[J].计算机工程与应用,2013，49(1):234-238.

[9]陈龙,李清泉,毛庆洲.基于成像模型的车道线检测与跟踪方法[J].中国公路学报,2011,24(6):96-102.

[10]KAUR G, KUMAR D, KAUR G, et al. Lane Detection Techniques: A Review[J].InternationalJournal of Computer Applications, 2015,112(10):4-8.

[11]PHUNG S L, LE M C, BOUZERDOUM A. Pedestrian lane detection in unstructured scenes for assistive navigation[J]. Computer Vision & Image Understanding, 2016, 149:186-196.

[12]GECHTER F, CONTET J M, GALLAND S, et al. Virtual intelligent vehicle urban simulator: Application to vehicle platoon evaluation[J]. Simulation Modelling Practice and Theory, 2012,24(1):103-114.

[13]CHENG H Y, YU C C, TSENG C C, et al. Environment classification and hierarchical lane detection for structured and unstructured roads[J]. IET Computer Vision, 2010, 4(1):37-49.

Detection of Lane Lines for Vision-based Micro-vehicles

ZHU Yaping, LI Yongqiang

(InstituteofIntelligentControlandRobot,HangzhouDianziUniversity,HangzhouZhejiang310018,China)

Due to the problem that the micro car lane mark detection algorithms are poor in robust adaptation and real-time performance, an improved method combined mathematical morphology and least squares method is used to realize the micro car lane mark detection. Firstly, road images are pre-processed, and the influence of indoor lighting changes to lane images is removed by the improved morphological filtering algorithm. And then, the images are dividing by OTSU threshold dividing algorithm, and after dividing, Canny edge detection operators are used to realize edge extraction. Finally, the cumulative probability of the Hough transform combined with least squares method is used to realize the micro car lane mark detection. The experiments show that the proposed algorithm can detect the micro car lane mark in strong light or lack of light and other complex lighting conditions quickly and accurately, which solves the problem that the tradition micro car lane mark detection algorithms are poor in robust adaptation and real-time performance.

mathematical morphology; threshold segmentation; least square method

10.13954/j.cnki.hdu.2017.01.013

2016-09-13

国家自然科学基金资助项目(61427808)

朱亚萍(1962-)，女，江苏张家港人，教授，智能控制.

TP391.4

A

1001-9146(2017)01-0057-05