基于道路特征的車道線識別算法分析及平臺搭建

劉蕾 程勇

【摘要】基于當前智能駕駛背景下道路特征模型的車道線識別現狀，對應用于智能汽車的圖像預處理中的灰度化處理算法、濾波處理算法和感興趣區域提取技術分別進行對比分析，研究不同的圖像預處理方法在車道線識別算法的應用適用性。對車道線實時提取算法中的邊緣檢測技術原理、道路特征條件轉化算法進行綜合運用分析，搭建基于道路特征的車道線識別算法模型，經過在Visual Studio平臺驗證，算法模型滿足智能駕駛汽車車道線識別要求。

關鍵詞：車道線識別；計算機視覺；邊緣檢測；閾值分割

中圖分類號：U463.6；TP391.41? 文獻標志碼：A? DOI： 10.19822/j.cnki.1671-6329.20220259

Analysis and Construction of Lane Recognition Algorithm Based on Road Features

Liu Lei， Cheng Yong

（School of Energy and Power Engineering， Shandong University， Jinan 250061）

【Abstract】 Based on the current status of lane recognition based on road feature model under the background of intelligent driving， the gray processing algorithm， filtering processing algorithm， and region of interest extraction technology in image preprocessing for intelligent vehicles are compared and analyzed respectively， and the applicability of different image preprocessing methods in lane recognition algorithm is studied. The principle of edge detection technology and the conversion algorithm of road feature conditions in the real-time lane extraction algorithm are comprehensively used and analyzed. The lane recognition algorithm model based on road features is built. After verification on the Visual Studio， the algorithm model meets the lane recognition requirements of intelligent driving vehicles.

Key words： Lane recognition， Computer vision， Edge detection， Threshold segmentation

縮略語

LDW? ? Lane Departure Warning System

ACC? ? Adaptive Cruise Control System

BSM? ? Blind Spot Monitoring System

DAS? Driver Assistance System

ROI? ? Region Of Interesting

0 引言

車道線識別是指識別道路中的車道線標記并將車道線位置反饋至車輛系統中的一個智能化過程。車道線的正確識別與提取是實現車道線偏離預警系統（Lane Departure Warning System，LDW）、自適應巡航控制（Adaptive Cruise Control System，ACC）和盲點監測系統（Blind Spot Monitoring System，BSM）等駕駛輔助系統（Driver Assistance System，DAS）的基礎[1]。

車道線提取方法根據提取方式不同可以分為基于特征提取車道線和基于模型提取車道線2種[2]?；谔卣魈崛≤嚨谰€的方法主要是利用圖像特征來提取車道線，相對于基于模型提取車道線方法，基于特征提取車道線算法簡單，計算量相對較小，實時性高且算法穩定，但是容易受到環境因素干擾。邱東等[3]提出了一種基于改進概率霍夫（Hough）變換和線性回歸法擬合的車道線檢測方法。閻翔等[4]設計了一種采用累計概率霍夫變換計算線段方向和范圍的車道線識別技術。姚洪濤等[5]提出了一種針對在復雜道路條件下易發生誤檢、漏檢現象的多閾值過濾改進算法。

道路車道線標志類型不存在顯著差異，以白色虛線、白色實線、黃色虛線、黃色實線以及其組合為主。車道線識別具有一定的復雜性，檢測結果受車道線類型、路面條件、天氣（雨、霧、夜晚）、光線（陰影、燈光、照明）、干擾物（路邊樹木、路邊建筑物）影響。相對于高速公路車道線，城市道路車道線復雜度更高，包括公交車站標線、導向指示線、導流線等專用道路標志線，且存在由于道路長久使用而導致車道線模糊或缺損的特殊狀況。因此，為了滿足各種路況中車道線識別的精確性要求，在一定程度下應該考慮特殊情況下車道線識別的準確性。即為了滿足多種路況需要，車道線識別系統的魯棒性也十分重要。

在駕駛輔助系統與智能駕駛系統對車道線識別的高標準要求下，目前已有的車道線識別技術在魯棒性、精確性、實時性等多方面綜合平衡上依舊有很大的改進空間。本文分別闡述圖像預處理中圖像灰度化、圖像濾波、圖像感興趣區域（Region Of Interesting， ROI）提取，車道線提取中的邊緣檢測、閾值分割、形態學處理、Hough變換和直線擬合，從而可以運用不同方法和原理，對算法進行優化，以提高檢測的準確度。目前算法初步試驗驗證效果良好，對于算法的魯棒性有待后期進行試驗驗證。

1 圖像預處理方法

在車道線識別系統中，通過車載記錄儀的攝像頭拍攝獲得的圖像直接進行圖像處理計算量龐大，且計算過程復雜，所以對車道線圖像進行有效的預處理是實現車道線識別的重要環節。圖像預處理可以增加目標與背景的對比度，減少外界環境干擾，比如天空、樹木陰影、周邊車輛、雨雪天氣干擾等信息干擾，有助于減少車道線識別系統計算時間，提高計算精確度。圖像預處理是目標檢測的首要環節，預處理結果直接關系到后續的圖像分類、識別以及分割效果。本研究的車道線圖像預處理工作主要分為圖像灰度化、圖像濾波和ROI選取3部分（圖1）。

1.1 圖像灰度化

車載攝像頭所獲得的圖像是R（紅）、G（綠）、B（藍）通道彩色圖像，其每個像素點都是由R、G、B參數獲得。R、G、B分量取值范圍為0～255，各有256種數值，一個像素點共有16 777 216種顏色，由此可以看出車載攝像頭所獲得的彩色圖像信息量十分龐大。

直接用RGB彩色圖像進行車道線識別計算量大，導致計算效率低、耗時長和實時性不高。所以在車道線識別試驗中，多數算法先將彩色圖像轉換為灰度圖像，然后只對灰度圖像進行車道線提取?；叶葓D像本質上是一種特殊的顏色圖像，只擁有彩色圖像33%的信息量，并且灰度圖像可以滿足車道線檢測的基本要求。

目前常用的圖像灰度化處理方法有以下5種[6]：

（1）分量法

分量法是指通過分別獲取彩色圖像R、G、B通道的像素值，并以其中的一個通道像素值作為灰度化圖像的像素值，公式如下：

[gx，y=Rx，y]? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（1）

[gx，y=Gx，y]? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（2）

[gx，y=Bx，y]? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（3）

式中：[x，y]為圖像掩膜中任一點的像素值，[gx，y]為灰度化圖像的像素值，[Rx，y]為R通道的像素值，[Gx，y]為G通道的像素值，[Bx，y]為B通道的像素值。

（2）最大值法

最大值法是指通過分別獲取彩色圖像R、G、B通道的像素值，找出3通道像素值的最大值，并將此最大值作為灰度化圖像的像素值。公式如下：

[gx，y=maxRx，y，Gx，y，Bx，y]? ? ? ? ? （4）

（3）平均值法

平均值法是指通過分別獲取彩色圖像R、G、B通道的像素值，3通道的像素值求和后再求取平均值，并將此平均值作為灰度化圖像的像素值。公式如下：

[gx，y=Rx，y+Gx，y+Bx，y∕3]? ? ? ? （5）

（4）人體生理學加權平均法

人體生理學加權平均法是指通過分別獲取彩色圖像R、G、B通道的像素值，賦予3通道數值不同權值，且權值和為1。由于人眼對綠色最為敏感，紅色次之，對藍色的敏感性最低。一般當R、G、B通道的權值分別為0.299、0.587、0.114時，所獲得的灰度圖像更符合人類視覺。公式如下：

[gx，y=0.299Rx，y+0.587Gx，y+0.114Bx，y] （6）

（5）人體心理學加權平均法

人體心理學加權平均法是指通過分別獲取彩色圖像R、G、B通道的像素值，賦予3通道像素值不同權值，且權值和為1。一般當R、G、B通道的權值分別為0.213、0.715、0.071時，所獲得的灰度圖像符合人的心理學特點，更符合人體感官中圖像的整體色彩分布。公式如下：

[gx，y=0.213Rx，y+0.715Gx，y+0.071Bx，y] （7）

采用以上5種方法，隨機選取視頻獲得第11幀圖像，對得到的圖像進行灰度化處理，不同灰度化方法處理結果如圖2所示。

1.2 圖像濾波

對灰度化處理后的圖像進行壓縮、調整來加快處理速度，并得到圖像的像素值。本文中將灰度化處理后的圖像尺寸調整為480像素×320像素。

只經過灰度處理的圖像中還會存在噪聲干擾，包括脈沖噪聲和椒鹽噪聲。所以還需要盡可能保留圖像原有的邊緣信息和清晰度的同時，通過圖像濾波方法濾去噪聲干擾。

目前常用的圖像濾波類型主要有以下3種方法[7]。

（1）均值濾波法

均值濾波法是指將某一像素點鄰近區域的像素值求和并取平均值，所得到的平均值作為該像素點像素值的一種方法。均值濾波是最簡單的空間域線性平滑濾波，運行速度較快，公式如下：

[gx，y=f（x，y）m]? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（8）

式中：[gx，y]為某一像素點處理后得到的像素值，[f（x，y）]為某一像素點鄰近區域的像素值求和后得到的像素值，[m]為某一像素點鄰近區域內包含該像素點的總像素值。

（2）高斯濾波法

高斯濾波法是指將某一像素點鄰近區域的像素值乘以對應權值并求和，除以像素點數所得的像素值作為該像素點像素值的一種方法。高斯濾波是線性平滑濾波，能夠很好地降低高斯分布噪聲，設高斯分布卷積核為[2k+1×2k+1]，則某一像素點像素值公式如下：

[gx，y=12πδ2e- x-k-12+y-k-122δ2]? ? ? ? ? ? ?（9）

式中：[gx，y]為某一像素點處理后得到的像素值；[δ]為一個重要參數，[δ]越小說明卷積核中靠近中間位置像素點值的加權越大，高斯濾波的平滑效果越不明顯，反之則高斯濾波的平滑效果越明顯。

（3）中值濾波法

中值濾波法是指將某一像素點鄰近區域的像素值求取均值，作為該像素點像素值的一種方法。中值濾波是一種非線性平滑濾波，能夠很好地保留圖像邊緣信息的同時，降低椒鹽噪聲對圖像處理的阻礙，公式如下：

[gx，y=medianfx-i，y-j， i，j∈ω]? ? （10）

式中：[gx，y]為某一像素點處理后得到的像素值，[fx-i，y-j]為某一像素點鄰近區域的像素值，[ω]為卷積核區域。

采用以上3種方法進行濾波處理，隨機選取視頻第173幀圖像，對圖像進行灰度化處理并壓縮至指定圖像尺寸后，進行濾波處理，不同濾波方法的結果如圖3所示。

1.3 感興趣區域選取

基于視覺的車道線識別圖像數據由車載記錄儀上的攝像頭拍攝獲得。此時，圖像中包含道路兩旁的建筑物、樹木以及道路上方的天空白云等無用信息。ROI選取是從圖像中選擇一個區域作為重點對區域圖像做算法處理來尋找車道線。通過ROI選擇可以很好地提高車道線識別速度和準確度，減少冗余有效信息外的圖像數據[8]。因此，在車道線識別前進行ROI選取。

由于在車輛駕駛視頻信息中，相鄰兩幀圖像之間的時間間隔較短，下一幀圖像中車道線出現的位置與上一幀中車道線的位置具有連貫性，因此許多論文中涉及到ROI預測，根據上一幀圖像中車道線出現的位置，預測下一幀車道線將要出現的區域[9-11]。因此，合理預測消失點，建立ROI非常重要。但是，計算消失點是一個復雜的計算過程，對算法準確度提出了較高要求，準確點的獲得需要一定的時間分析提取，這嚴重增加了車道線識別實時性負擔。由于車載記錄儀上的攝像頭位置相對汽車基本穩定，攝像頭所獲得的圖像ROI具有明顯規律性，只有圖像下方區域信息對車道線識別有用。故本研究采用圖像裁剪，選擇忽略圖像上方區域信息，只保留下方區域信息計算的方式確定ROI。經過ROI處理后的圖像可分為兩部分進行下一步的車道線提取工作，上部分為干擾信息，將其像素值設為0。下半部分為ROI，在此區域進行車道線識別。

ROI圖像寬度尺寸和原始圖像寬度尺寸可以設定固定的比例，且僅保留原始圖像下方的圖像信息。即在車道線識別中，不計算圖像復雜的消失點，而是選擇根據車載攝像頭擺放位置和路況信息合理進行ROI圖像寬度尺寸和原始圖像寬度尺寸的比例調整。本文設置ROI圖像寬度尺寸和原始圖像寬度尺寸比例為1/2，隨機選取視頻第144幀圖像，對圖像進行ROI處理，結果如圖4所示。

2 基于特征的車道線提取方法

車道線的提取是車道線識別的核心部分。本研究綜合邊緣檢測、閾值分割、形態學處理、Hough變換和直線擬合組合，形成了不同算法，并總結了不同算法優缺點，本文選擇了以邊緣檢測和閾值分割技術為主的一種算法，對圖像中車道線和干擾因素進行特征分析，對算法進行優化。該方法檢測簡單、速度快且滿足準確度要求，方法實現主要分為可能的車道線與背景區域閾值分割和基于車道線特征的車道線輪廓再提取2部分（見圖5）。

2.1 車道區域分割

車道線識別的重要步驟是識別可能的車道線區域。邊緣檢測技術和閾值分割技術是可以實現的常規方法，但都有其自身的局限性。

2.1.1 邊緣檢測技術

邊緣檢測技術是指標識數字圖像中亮度變化明顯的邊緣點，不斷向上構成更高層次特征描述的一種技術。邊緣檢測一般步驟為濾波、增強和檢測。濾波的目的是消除圖像中的噪聲，常見的濾波方式為高斯濾波。增強的目的是使圖像邊緣更加明顯。檢測目的是選擇正確的邊緣點，常與閾值分割技術結合。邊緣檢測技術中常用于圖像處理的技術有Canny邊緣檢測技術、Sobel邊緣檢測技術和Laplace邊緣檢測技術。具體優缺點如下。

（1）Canny邊緣檢測技術是使用Canny邊緣檢測算子的一種算法。Canny邊緣檢測技術不容易受噪聲干擾，能夠檢測出真正的弱邊緣，可以使用2種不同的閾值分別檢測強邊緣和弱邊緣，并且當弱邊緣領域內含有強邊緣時保留弱邊緣像素，否則只保留強邊緣像素，可以使邊緣盡可能閉合。但是Canny邊緣檢測技術由于存在高斯濾波，去除噪聲的同時會使邊緣信息減弱，導致圖像區域分割不足[12]。

（2）Sobel邊緣檢測技術是使用Sobel邊緣檢測算子的一種算法。Sobel邊緣檢測技術將圖像某一像素的臨邊像素值加權求差，進而尋找邊緣，從而對噪聲具有一定的平滑抑制能力，對灰度漸變的圖像和噪聲較多的圖像進行邊緣檢測技術的圖像處理效果較好。但是Sobel邊緣檢測技術對邊緣定位不夠準確，得到的邊緣較粗，所以不能完全排除檢測結果中出現偽邊緣的情況。

（3）Laplace邊緣檢測技術是使用Laplace邊緣檢測算子的一種算法。Laplace邊緣檢測技術邊緣定位能力更強，銳化效果更好。但是Laplace邊緣檢測技術對噪聲十分敏感，很少用該技術檢測邊緣，而是用來判斷邊緣像素是圖像明區還是暗區，且由于Laplace算子是不依賴于邊緣方向的二階導數算子，是一個標量，具有旋轉不變即各向同性的性質，因此Laplace邊緣檢測技術不能提供邊緣的方向信息。

采用以上3種方法，隨機選取視頻獲得第59幀圖像，得到的圖像進行邊緣檢測處理，不同邊緣檢測方法處理的結果如圖6所示。

2.1.2 閾值分割技術

閾值分割技術是一種通過像素值信息提取，把目標從背景中分離出來，以便于圖像進一步處理的技術，是基于相對簡單的區域的分割技術。閾值分割后的輸出圖像一般只有255和0兩種像素值，所以閾值分割處理又常被稱為圖像的二值化處理。閾值分割技術根據像素值信息提取前景，簡單容易處理，對前景信息與背景信息有較強對比度的圖像處理準確度較高，對于復雜圖像的處理結果不佳，且容易受噪聲影響[13]。閾值分割技術分為全局閾值分割技術和局部閾值分割技術。

（1）全局閾值分割技術是指將某一閾值作為分界線，將大于該閾值的像素值設為255，將小于該閾值的像素值設置為0；或者反過來將大于該閾值的像素值設為0，將小于該閾值的像素值設置為255的一種技術。全局閾值分割技術采用閾值進行圖像前后背景分割。該閾值可以為固定閾值，此時全局閾值分割技術細化為全局固定閾值分割技術；該閾值也可以根據圖像灰度特性而成為變化閾值，此時全局閾值分割技術細化為自適應閾值分割技術（OTSUAlgorithm，OTSU）。受光照不均勻、反光、背景復雜的影響，圖像不同區域的閾值均值有著一定的差異，故而全局閾值分割技術對于存在噪聲分布不同、光照分布不同的復雜圖像處理結果較差。

（2）局部閾值分割技術是指根據中心像素鄰域像素的屬性來計算一個或者多個閾值的技術。局部閾值分割技術可以很好地改善因光照不均而導致車道線識別不優的問題，但是圖像中除了車道線外部分區域本身的強度差別很大，如車輛車牌與其周邊亮度差異、車輛前照燈和尾燈附近區域到陰影區域的亮度差異、道路兩旁路障等，這些強度差異導致檢測識別噪聲。

采用以上2種方法，隨機選取視頻獲得第59幀圖像進行OTSU閾值分割技術和局部閾值分割技術處理，不同閾值分割方法的結果如圖7所示。

2.1.3 車道區域的分割算法

本研究結合不同邊緣檢測技術和閾值分割技術原理以及各自優缺點，依據車道線特征進行可能的閾值范圍劃分，從而對圖像進行二值化處理，尋找可能的車道區域，公式如下：

[d1=Ix，y-Ix，y-δ]? ? ? ? ? ? ? ? ? ?（11）

[d2=Ix，y-Ix，y+δ]? ? ? ? ? ? ? ? ? ?（12）

[D=d1+d2-Ix，y-δ-Ix，y+δ]? ? ? ? ?（13）

[dLow=0.35×Ix，y]? ? ? ? ? ? ? ? ? ?（14）

[dTop=1.25×Ix，y]? ? ? ? ? ? ? ? ? ?（15）

[Lx，y=255，d1>0&d2>0&D>L&D≥dLow&D≤dTop0，else? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ]? ? （16）

式中：[Ix，y]為某一像素點的像素值，[δ]為車道線寬度，[Ix，y-δ]為某一像素點左側距離為[δ]的像素點像素值，[Ix，y+δ]為某一像素點右側距離為[δ]的像素點像素值，[d1]為某一像素點與距離該像素點左側距離為[δ]的像素點像素值的差值，[d2]為某一像素點與距離該像素點左側距離為[δ]的像素點像素值的差值，[D]為判斷是否為可能的車道線區域的量，[dLow]為像素值最低值，[dTop]為像素值最高值。

車道線相對于其兩側的亮度更高，只有滿足車道線兩側亮度比車道線亮度低一定范圍值、亮度差值在給定范圍內時，才將此區域檢測識別為車道線線段區域。使用大量視頻作為樣本計算范圍值，結果顯示，根據輸出圖像的光照條件，理想情況下，[dLow]可以選擇為0.35，[dTop]可以選擇為1.35，[D]在此值之外的任何值都屬于非車道線部分。若是特殊情況下，如雨天、霧天或夜間行駛，圖像的對比度和亮度應做適當調整。

車道線寬度因為視角的不同而隨著距離變化，在底部附近最大，而在消失點附近最小。為了更加精確描述車道線可能的區域塊，圖像中任何一行的車道線寬度可以使用以下公式進行計算：

[δr=ε+σmin+σmax-σmin×r-rvptrtot-rvpt]? ? ? ? ?（17）

式中：[δr]為車道線寬度，[ε]為車道線寬度保持值，[σmin]為給定圖像中可能的最小車道線寬度，[σmax]為給定圖像中最大車道線寬度，[r]為某像素點的高度值，[rvpt]為消失點的高度值，[rtot]為ROI高度值。

車道線寬度保持值[ε為5]時有助于避免噪聲。最大車道線寬度[σmax]取決于圖像大小和攝像頭的安裝位置。如果攝像頭保持在很低的位置，與攝像頭安裝在頂部相比，由于高度上更靠近車道線，底部附近的車道線寬度會更大。默認情況下，可能的最小車道線寬度[σmin]為0，也可根據需要進行動態調整。一旦設置了最大值，可動態地獲得不同距離的車道線寬度。對于不同車載攝像機獲取的圖像，動態更改[σmax]有助于準確選擇車道線，本研究中根據壓縮后的圖像尺寸以及攝像頭的安裝位置，取[σmax]為0.035倍的圖像寬度，[σmax]的取值也符合大部分車載攝像頭處于一定的安裝位置時獲得的圖像車道線識別研究。

采用以上算法對圖像進行二值化處理，尋找可能的車道區域，隨機選取視頻的第69幀圖像，結果如圖8所示。

2.2 車道線提取

進行可能的車道區域分割后，分割區域常常會包含車距提示牌、欄桿、樹木、燈柱、周邊車輛高亮度邊緣、前照燈眩光干擾信息。所以需要對圖像進行下一步處理，從可能的車道線區域中進一步處理選擇，從而提取車道線。本研究利用車道線的幾何特征，進行輪廓分析、面積計算和角度分析，不斷進行算法優化，確定最優算法，從而選擇有效的車道線段，在車道線段處進行輪廓標記。

本研究首先用Suzuki85算法從二值化圖像中選擇輪廓線，然后在其周圍繪制一個最小面積的外接矩形[14]。OpenCV根據矩形的方向選擇長度和寬度，因此需要相應地調整角度來確定其方向，最終方向范圍為-90°～90°。其次利用車道線段的特性進行輪廓分析與提取，考慮的車道線段特性主要包括5項約束條件。

（1）面積閾值：車道線的區域大小大于最小區域。本研究中只考慮面積較大的區域，低于設定的最小面積的區域將被去除。本研究中最小區域[minSize]設為0.001倍的圖像大小，作為車道線的任何區域的最小區域值的大小。

（2）外接矩形比例：車道線的邊的比率大于一定比例。一般情況下長寬比應大于4：1，但是，面積小于某個臨界值但是滿足最小面積限制的路段可能代表中間斷開的車道線標線。為了檢測因障礙物或車道線損壞等原因而導致車道線中間斷開的線段，邊的比例可以降低到1∶1。本研究中，當車道線的最小面積滿足大于7倍的最小[minSize]區域，并且區域塊大于0.75倍的區域塊的最小外接矩形時，若線段的長寬比大于1∶1，將符合條件的輪廓提取出。

（3）方位特征：車道線方向不水平，除圖像底部中心區域外不垂直。除非是極端轉彎車道線段的特殊情況，否則車道線由于其自身性質永遠不會接近水平。去除水平線段，可以刪除車輛保險杠、車窗干擾信息。本研究中將區域塊的最小外接矩形中角度范圍為-20°～20°的矩形去除。垂直車道線段僅在車輛位于車道線行駛時可能存在，此時車道線段靠近圖像的底部中心區域。本研究中檢測到的在圖像下方1/2～1處區域且在圖像中部3/7～4/7區域內的車道線段無車道線段垂直條件限制，而其他區域外的最小外接矩形若角度為-90°～-70°和70°～90°，此處的近似垂直車道線輪廓去除。

（4）面積特征：檢測到的線段區域受邊界矩形限制。車道線非常接近矩形，如果線段區域不接近邊界矩形區域，則拒絕此線段。

（5）優先選擇判斷條件：連續車道線長度較大。若為連續車道線，即實線，則檢測到的車道線長度大小一般大于0.3倍的圖像高度。該約束條件若成立，則不需要考慮前方5個約束條件，可以幫助提高車道線識別速度。

采用以上約束條件對2.1.3中獲得的第69幀圖像得到的車道區域圖像進行再處理，尋找可以提取的車道線，結果如圖9所示。

3 軟件系統搭建

車道線識別需要具有魯棒性。本研究擬在普通適用情況以及特殊駕駛多種情況下進行軟件系統驗證，軟件系統搭建如下。

3.1 擬采用算法的軟件系統搭建

本研究擬采用算法的軟件系統的搭建如圖10所示。本研究算法在對圖像處理時，基于傳統特征檢測法，并進行算法改進，首先將圖像轉化為灰度化圖像，再采取濾波處理減少噪聲干擾并盡可能保留圖像原有的邊緣信息和清晰度，根據實際智能駕駛時采集圖像信息特點采用ROI有效減少圖像需要處理的信息量。研究中采用改進的圖像處理算法對圖像進行二值化處理，提取可能的車道線輪廓信息，通過設定面積閾值和直線比例范圍排除錯誤信息，結合Hough直線變換方法識別直線，最終實現了車道線檢測。

3.2 傳統算法的軟件系統搭建

傳統算法的軟件系統的搭建如圖11所示。傳統算法通過邊緣檢測、濾波等方法檢測車道線區域，然后結合Hough直線變換、RANSAC算法進行車道線檢測，需要人工手動調整濾波器算子，根據算法針對的場景特點手動調節參數，工作量大，魯棒性較差。而智能駕駛情景中具有駕駛車道線特征較為單一的特點，故傳統算法不夠優良。

4 結論與展望

車道線識別是實現輔助駕駛和自動駕駛的關鍵，但是現有的車道線識別依舊存在實時性、準確性和魯棒性協調不優問題。隨著智能車輛需求的不斷提升和相關技術快速發展，車道線識別的優化迫在眉睫。本文進行車道線識別算法原理分析，并提出了算法綜合優化，將使用OpenCV計算機視覺庫和C++編程語言，在VisualStudio上進行車道線識別算法搭建與測試驗證。

對于圖像預處理部分，主要分為3個模塊，分別為灰度化處理、濾波處理和ROI選取。對初始圖像進行灰度化處理，從而減少66%的圖像信息量，提高圖像處理速度。本文通過比較圖像灰度化方法中的分量法、最大值法、平均值法、人體生理學加權平均法和人體心理學加權平均法的處理結果分析，選擇最優方法進行圖像灰度化處理。對灰度化處理完成的圖像進行濾波處理，從而去除圖像中存在的大部分噪聲，減少無用信息對車道線識別的干擾。本文通過比較濾波方法中的均值濾波法、高斯濾波法、中值濾波法的處理結果，對圖像進行濾波平滑處理比較。對經過灰度化處理和濾波處理的圖像進行ROI選取，從而去除圖像上部天空、白云、電線桿的干擾信息，為后面的車道線區域檢測打下良好基礎。大部分車載攝像頭所獲得的圖像上半部分可作為無用信息去除，可以大幅度地減少對車道線識別干擾，同時提高車道線識別速度。對于車道線提取部分，主要分為兩大模塊，分別是可能的車道線區域分割和基于特征的車道線提取。根據車道線的寬度、亮度、周邊對比度信息，確定圖像的區域塊，劃分為可能的車道線區域，其它區域視為干擾信息不再檢測，從而得到二值化圖像。本文中車道線寬度根據車道線在圖像中的高度位置進行寬度大小變化，使車道線區域塊提取更加精確。根據車道線的大小、方向、線段比率特征信息，確定了5項約束條件，對可能的車道線區域塊進行二次輪廓選擇，最終實現車道線提取。

本文擬采用的算法在原理上具有良好的適應性，不僅可以在普通路況下達到車道線識別的要求，而且在雨天、夜晚的特殊情境下也可以檢測，算法可以濾除天空、周邊車輛保險杠、部分路障、燈光干擾信息，檢測和識別出道路中的復雜車道線，對于連續的實線和虛線識別魯棒性好，尤其是檢測行駛車輛的兩側車道線效果較優，總體上可以較好地滿足道路車道線識別的基本要求。本文基于道路特征進行車道線識別方法分析與算法優化，可實時進行道路車道線識別。后續工作將進行大量試驗并獲取數據進行算法驗證，并根據試驗結果進行算法優化與調整，對輔助駕駛和智能駕駛技術后續研究開發有一定的借鑒意義。

參 考 文 獻

[1] 胡三根. 面向駕駛輔助系統的車輛行駛安全預警模型研究[D]. 廣州： 華南理工大學， 2016.

[2] 任鳳雷. 基于智能車輛視覺導航的環境感知技術研究[D].長春： 中國科學院大學（中國科學院長春光學精密機械與物理研究所）， 2020.

[3]邱東， 翁蒙， 楊宏韜. 基于改進概率霍夫變換的車道線快速檢測方法[J]. 計算機技術與發展， 2020， 30（5）： 43-48.

[4]閻翔， 諶海云， 蔣鈺， 等. 基于計算機視覺的車道線檢測與識別[J]. 工業儀表與自動化裝置， 2020（1）： 118-121.

[5]姚洪濤， 張海萍， 郭智慧. 復雜道路條件下的車道線檢測算法[J]. 計算機應用， 2020， 40（S2）： 166-172.

[6] 盧賀. 基于機器視覺的前方車輛檢測與測距研究[D]. 重慶：重慶交通大學， 2018.

[7] 趙博文， 張力夫， 潘在峰， 等. 基于OpenCV的圖像濾波方法比較[J]. 信息與電腦， 2020， 32（15）： 78-80.

[8] 趙偉康. 基于單目視覺的車道線檢測和車輛檢測方法研究[D]. 南京： 南京航空航天大學， 2018.

[9] HUANG Z N， QIN H B， LIU Q. Vehicle ROI Extraction Based on Area Estimation Gaussian Mixture Model[J]. IEEE International Conference on Cybernetics IEEE， 2017.

[10] OZGUNAL P， UMAR F， RUI A， et al. Multiple Lane Detection Algorithm Based on Novel Dense Vanishing Point Estimation[J]. IEEE Transactions on Intelligent Transportation Systems， 2017， 18（5）： 621-632.

[11] 錢基德， 陳斌， 錢基業， 等. 基于感興趣區域模型的車道線快速檢測算法[J]. 電子科技大學學報， 2018， 47（3）： 356-361.

[12] 郭志彪， 段為. 基于OpenCV的邊緣檢測技術研究[J].現代計算機（專業版）， 2017（15）： 29-32.

[13] 黃鵬， 鄭淇， 梁超. 圖像分割方法綜述[J]. 武漢大學學報（理學版）， 2020， 66（6）： 519-531.

[14] SUZUKI S， ABE K. Topological Structural Analysis of Digitized Binary Images by Border Following[J]. Computer Vision， Graphics， and Image Processing， 1985， 29（3）： 32-46.

（責任編輯 明慧）

【作者介紹】

劉蕾 （1999—），女，山東大學，碩士研究生，研究方向為新能源汽車智能駕駛技術。

E-mail：202114442@mail.sdu.edu.cn

程勇（1963—），男，山東大學，博士，教授，研究方向為新能源汽車智能駕駛技術。

E-mail：cysgd@sdu.edu.cn