摘 要： 為了提高車道線檢測的準(zhǔn)確性和實時性，提出了一種快速準(zhǔn)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(jìn)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(zhǔn)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(jì)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(dāng)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(xué)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(biāo)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(zhǔn)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(jìn)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(jìn)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(jìn)行預(yù)處理，然后對圖像進(jìn)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(jìn)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(jìn)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(biāo)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(jìn)行平滑去噪，并對其邊緣進(jìn)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(jìn)行坐標(biāo)變換， 使變換的結(jié)果更易于識別和檢測。Hough 變換的表達(dá)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(biāo)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(biāo)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(biāo)點進(jìn)行坐標(biāo)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(dāng)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(jìn)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(jìn)行了改進(jìn)，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(biāo)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(dāng)車道線的極角極徑在檢測區(qū)域內(nèi)時，可以快速準(zhǔn)確地檢測車道線的位置；然而當(dāng)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(biāo)志干擾的情況，本文提出了改進(jìn)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(jìn)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(fù)指數(shù)函數(shù)的乘積。它是達(dá)到時頻測不準(zhǔn)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。

　　本文通過對車轍印記以及車道線邊緣等一些紋理特征進(jìn)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(jìn)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(jìn)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(jìn)行投票，這里選擇圖像下方一定的區(qū)域點， 如圖5 所示。當(dāng)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(jìn)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(biāo)， 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(jìn)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(jìn)行遍歷， 這樣比較耗時。本文采用改進(jìn)的Hough 變換， 對消失點及其周圍的有限個像素進(jìn)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。

　?。?） 消失點的跟蹤： 消失點一般較遠(yuǎn)， 車輛在行進(jìn)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(xiàn)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(jìn)行投票，如圖8 所示。

　?。?）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(jìn)行Hough變換，這樣大大減少了運算速度。當(dāng)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(jìn)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(jìn)行標(biāo)記，并綜合判斷其左右車道線是否是黃色車道線，對黃色進(jìn)行標(biāo)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(zhǔn)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(jìn)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(dāng)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(zhǔn)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(jìn)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)。

　　6 改進(jìn)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(zhǔn)確地檢測道路的消失點。當(dāng)車輛行進(jìn)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(jìn)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?？梢钥闯?， 方向基本指向道路的消失點。圖13 為復(fù)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(jìn)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(zhǔn)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(jìn)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(zhǔn)確地檢測出車道線的位置，具有較強的實時性和魯棒性。