基于反透視變換的車道線檢測算法?

劉 萍 孫耀航

（陸軍軍官學院計算中心 合肥 230031）

1 引言

隨著社會的進步和發展，安全駕駛和汽車的簡便操作越來越受到人們的重視。蘋果、谷歌和特斯拉等公司相繼推出了無人駕駛系統，國內的廠商也對此領域產生了高度興趣?；谌斯ぶ悄芎痛髷祿臒o人駕駛技術，被認為是消除交通安全問題的最終方法。從美國DARPA挑戰賽［1］到中國未來智能車大賽，無人駕駛技術在全世界興起了一陣熱潮［1］。

對于無人駕駛系統來說，車道線檢測是非常重要的技術。到現在為止，已經有一些基于機器視覺的無人駕駛技術得到了應用。其中，一部分算法直接檢測道路的邊緣，而另一些算法首先利用道路的部分參數（例如顏色信息）來確定道路邊緣［2～5］。算法應用的技術也有很大差別（霍夫變換、模版匹配和神經網絡等）?？偟膩碚f，有兩類方法用于車道線檢測：基于特征的方法和基于模型的方法［6］?；谔卣鞯姆椒ㄍㄟ^探測數種低級特征的組合來確定車道的位置。這類方法要求車道線必須是粉刷清楚，不然就會失效［7～9］。顯然，基于特征的方法對于大城市主干道很有效率，但是對于次重要的路段，或者道路保養不及時的城市就容易失效。另外要注意的是，因為基于特征的方法對于檢測的線的特征沒有細致的約束，所以很容易受到噪聲或者遮擋的影響。

本文提出了一種基于反透視變換的車道線檢測算法，將攝像頭拍攝的視頻圖像轉換為俯視圖，以檢測車道線。本方法可以利用現實道路的模型，例如車道長度、路寬以及路況等。本算法的流程如圖1所示。

圖1 算法流程

2 最優閾值法對圖像二值化

城市道路刷有白色、黃色的各種標線，而車道的檢測也就轉化為對圖像中這些標線的檢測。圖像分割是最常用的檢測標線的方法，圖像分割也經常用于在圖像中確定物體或者邊緣的位置。更準確地說，圖像分割是一個為圖像內每個像素標明一個標簽的過程，而標記了相同標簽的像素有同樣的視覺特征。

圖像分割最簡明的方法就是閾值法［10～11］。閾值法的原理是根據設定的閾值對灰度圖像進行二值化，所以二值化的效果取決于閾值的選取方法。本文提出了一種基于全局的最優閾值算法。在車道線檢測過程中，為了減小路緣和遠處圖像不清晰的問題，本算法將圖像中天空的部分裁剪掉，在裁剪后的圖像中，道路占圖像的絕大部分?？紤]到車道分割對噪聲和速度的敏感性，本文采用了基于全局的最優閾值法對圖像進行二值化。

最優閾值法的原則是通過研究圖片的漸變數據分布特征，確定作為閾值的灰度。嘉定一幅圖片的灰度被分為1～m，那么這幅圖片中灰度為m的像素數為n，圖片的像素總數為

每個灰度值的像素出現的概率為

然后用一個證書K將像素分成C0和C1兩組：

C0組中像素出現的概率為

像素飽和均值為

C1組中像素出現的概率為

像素飽和度均值為

從1，2，…，m遍歷k的取值，找到使得方差最大的k值記為K。當σ2（）k取最大值時的K為最優閾值。

圖像二值化的結果如圖2所示，圖2（a）為OTSU算法二值化的圖片，圖2（b）為本文算法二值化的圖片，可以看出我們的算法明顯噪聲更小。是圖像總體飽和度的均值。則：

兩組像素的方差為

圖2 圖像二值化

3 反透視變換

通過對圖像進行二值化，凸顯了車道線的邊緣特征。針對車道線在俯視視角相交，導致不能對車輛進行正確導向的問題，需要利用反透視變換對圖像視角進行校正。

由圖3所示，由于視角問題，車道兩邊平行的車道線在圖像中顯示為在末端相交的直線。在遠處會丟失很多圖像信息。通過反透視變換，我們可以抓取道路特征，以標明車道線等信息［12～14］。

圖3 車道線模型的投影

在照相機平面上，一個目標可以被看成是中心投影到平面上的。中心投影法是一個比較簡單的投影方法，可以產生接近實際視覺效果的圖像。根據中心投影法的原則我們得到：

（u，v）是圖像坐標，Xw是參考坐標，s是比例因子。假定道路是絕對水平的，s的值就是固定的，M是可以通過圖像校準計算的轉換矩陣。因此，對反透視變換矩陣的計算，就轉換為對公式Ax=b的求解。這個公式可以由奇異值分解很方便地求解。

固有參數（例如道路長度、中心和視角變換）以及變化參數（例如車的相對位置）在處理前就進行了校準［8］。圖4展示了反透視變換后的二值圖像。

圖4 反透視變換后的車道線檢測

4 K-均值聚類算法

在反透視變換之后，車道線圖像的視角呈垂直俯視。接下來，我們需要利用K-均值聚類算法對車道線進行擬合。

K-均值聚類算法在數據挖掘領域有廣泛的應用。雖然K-均值聚類算法的計算復雜度比較高，但是有幾種啟發式算法可以匯聚成此算法的最優解［15～16］。

分配：將每個觀測值分配給均值最接近它的聚類。

即使某個觀測值滿足分配給多個聚類，每個Xp只能被分配給唯一的 S（t）。

當分配結束之后，聚類的過程也就結束了。K-均值聚類算法的計算結果如圖5所示。

圖5 K-均值聚類算法及其車道線匹配

5 實驗結果

我們將小型攝像頭裝在家用轎車車頂和保險杠上進行實驗，實驗圖像為實拍圖像。實驗結果如以下所示。

1）圖6展示了崎嶇道路的車道線檢測。

圖6 崎嶇道路的車道檢測

2）圖7展示了對亮度明顯變化的車道線檢測。

圖7 亮度明顯變化的車道線檢測

6 結語

城市道路車道線檢測是無人駕駛領域一項關鍵的計數。本文提出了一種基于反透視變換的車道線檢測算法。本算法不僅能夠有效地檢測車道線，而且能夠克服道路中不清晰、遮擋和干擾的問題。我們也給出了說明本算法有效性的實驗。未來我們的研究方向，則是希望能夠辨別各種不同的車道線，以便車輛能夠根據車道標志的不同做出反應。