基于傳統邊緣算子的車道線識別研究

李志遠，王光輝

（湖北汽車工業學院汽車工程學院，湖北十堰 442002）

0 引 言

近年來，隨著汽車工業的進步和無人駕駛技術的興起，各種級別的輔助駕駛技術[1-3]已經在司機的日常駕駛中得以運用。其中，車道線檢測作為輔助駕駛技術中最為基礎的一項技術，其主要目的是準確地檢測和提取車道線的邊緣信息。能否實現車道線的精準檢測對于實現安全、高效的自動駕駛至關重要，但這項技術在實際應用中面臨著各種挑戰，如光照條件的變化，當在強烈陽光照射下或者暗光環境中，車道線的邊緣信息可能會變得模糊不清，以及復雜道路環境的干擾，在擁擠的城市道路中，車道線可能被其他車輛或者行人遮擋，導致檢測結果不準確。因此，汽車制造商正致力于攻克這些問題，以確保汽車能夠安全可靠地檢測出車道線。

常用來識別車道線的方法是利用車道線與道路路面及其周邊之間的灰度值差異，根據車道線明顯的灰度值得到車道線的信息[4]，但對環境適應性較差。此領域的一些學者對車道線檢測提出了各自相應的檢測算法和不同的解決方案，文獻[5]通過對攝像機進行一系列的標定，以此消除圖像的畸變，但其在ROI 區域的選取上不夠清晰明了，可能會對檢測結果造成誤檢。文獻[6]基于Hough 變換提取車道線，此算法對直線車道有不錯的效果，但可能會識別出一些與車道線無關的線段。文獻[7-8]研究車道線與道路路面之間的梯度差異，如Sobel[9]、Roberts[10]、Canny 等檢測算子，這種方法對于非連續的車道線可能無法有效的識別。文獻[11]利用了傳統圖像處理算法中的濾波算法，但在道路環境障礙物較多時容易導致誤檢，對外界的抗干擾能力比較差。

針對上述問題，本文提出一種基于霍夫變換改進的Canny 算法，對輸入的結構化道路圖像進行預處理，其中包括灰度濾波等操作，并對預處理后的圖像進行了不同算子的車道線圖像邊緣檢測對比實驗，以得到較優的檢測算子。本文使用ROI 感興趣區域選取和改進霍夫變換對預處理之后的圖像進行車道線擬合，為了確保檢測效果，通過調整不同的圖像平滑度，選取最佳的閾值作為邊緣檢測的標準。同時，根據大多數情況得到的車道線圖像，對車道線角度和識別區域進行限制，用以提高車道線檢測的精確性。

1 傳統邊緣算子

1.1 Roberts 算子

在邊緣檢測中，傳統Roberts 算子是一種簡單而高效的算子，它采用2×2 模板，利用圖像中對角線方向相鄰像素差值近似梯度幅值來檢測目標圖像邊緣。傳統Roberts 算子模板如圖1 所示。

圖1 Roberts 算子模板

式中：f′x(i,j)為x方向上的灰度變化；f′y(i,j)為y方向上的灰度變化。計算梯度幅值R(i,j)，同時適當選取一定的閾值，如果計算的梯度幅值大于閾值則認為其是邊緣點。

1.2 Sobel算子

Sobel 算子可以從水平和垂直的方向上依次檢查邊界，原理是使用像素值在上下、前后鄰點處的灰度加權算法，通過在邊界點處達到極值進行邊界檢查。Sobel算子中有如下一些關鍵點：笛卡爾網格；距離反比的4 個方向對梯度加權；城市距離。

笛卡爾網格和城市距離如圖2 所示。

圖2 笛卡爾網格和城市距離

Sobel 算子采用的像素距離是城市距離，而不是歐氏距離或棋盤距離，其規定對角方向相鄰像素之間的距離值為2。接著選取4 個方向矢量分別為(a,i)、(b,h)、(c,g)、(f,d)，然后沿著這4 個方向求得梯度矢量和，得到像素e的平均梯度估計G為：

這里人為規定右上角為原點，以c點為例，由c到a為x軸的正方向，由a到g為y軸的正方向，因此，由c到g的單位向量就是[1,1]，同理得由a到i的單位向量為[-1,1]。計算4 個方向矢量并將其x方向和y方向分別相加，可得：

經約分化簡后，將2 個方向字母的各自系數代入即可得到Sobel 算子水平和垂直梯度模板，分別如圖3所示。

圖3 Sobel算子

1.3 Canny 算子

Canny 邊緣檢測是高斯函數的一階導數，具有高精度和低誤檢率的特點。該算法的步驟如下：

1）使用高斯濾波器對目標圖像進行濾波平滑處理。σ為高斯函數的標準差，其大小的變化可以改變圖像的平滑程度。高斯函數如公式（6）所示：

高斯函數與目標圖像的卷積公式為：

式中：R(x,y)為卷積運算之后的圖像；f(x,y)為輸入圖像；“*”代表卷積運算。

2）計算圖像中每個像素的梯度

接著計算圖像上(i,j)點上的邊緣強度M：

3）對梯度幅值進行非極大值抑制，也就是在每個梯度方向上找到局部極大值點，并將其作為邊緣點。

4）雙閾值檢測。這里把邊緣點分為三種：強邊緣點、弱邊緣點和非邊緣點，同時根據高低閾值對它們進行分類。非邊緣點將其刪除，強邊緣點作為真正的邊緣點，對于弱邊緣點需要再次判斷是否為真正的邊緣點。

2 車道線檢測流程

圖像預處理是圖像處理的一部分，包括灰度轉換、去噪濾波、邊緣檢測等[12-13]。后期的車道線檢測包括ROI 提取和Hough 變換等操作，其主要目的是鎖定目標車道線所在的圖像區域，快速、高效地檢測出構成車道線的小線段，建立車道線特征數據點集，擬合出車道線并顯示出來。

2.1 圖像預處理

一般來說采集到的原始彩色圖像一般包含R、G、B三個通道的深度信息，三個通道的取值均在0～255 之間。彩色圖片的信息含量過大，進行圖片預處理時，只需要使用灰度圖像中的信息就已足夠，所以為了提高運算效率，往往將R、G、B 三個通道組成的彩色圖像轉化為單通道的灰度圖像[14]。圖像的灰度化處理算法為：

圖4、圖5 分別為灰度圖和灰度圖像的直方圖，可以看到總體灰度分布較為均勻。在對圖像進行灰度化后，得到了一張像素值在0～255 范圍內的灰度圖，為了降低噪聲影響，得到相對清晰的車道線特征，接下來對灰度之后的圖像進行降噪，除去無關噪聲，防止影響車道線的有效識別。對去噪之后的圖像進行濾波處理，常用的濾波方法有均值濾波、高斯濾波等，本文采用均值濾波方法對目標圖像進行濾波處理。

圖4 灰度圖

圖5 灰度直方圖

在Matlab 平臺下編程實驗。利用結構化道路條件下車道線圖像作為原圖像，將預處理后的圖像作為輸入，并使用傳統邊緣處理算法進行邊緣檢測實驗，對檢測效果進行分析。在同樣預處理的條件下，對比三種傳統算子的邊緣提取效果，如圖6 所示。由圖6 可以發現Canny 算子檢測的車道線圖像邊緣信息更加清晰完整，因此最終選取Canny 算子對車道邊緣提取算法進行后續的車道線檢測。

圖6 傳統邊緣算子檢測比較

2.2 ROI 提取

ROI 是指目標圖像中最能吸引興趣、最能表現圖像主要內容的區域。在圖像中選擇所需要檢測的重點區域，使用ROI 圈定目標，可以減少處理時間。在車道線檢測中ROI 區域選取可以快速確定車道線區域，為下一步檢測車道線提供基礎。

ROI 圖如圖7 所示。

圖7 ROI 圖

由于車載相機所采集的圖片存在行駛車輛、目標車道線、路邊樹木、天空等各種影響判斷的因素，這會對接下來的擬合車道線帶來不必要的操作，因此需要通過設置ROI 區域對檢測區域進行提取，避免因環境因素導致的誤檢及錯檢。

2.3 霍夫變換

車道線圖像經過邊緣檢測及ROI 區域提取后，已經能夠直觀地展現出車道線的邊緣特征，但是仍然需要對車道線邊緣進行繪制，本文采用Hough 變換將檢測出來的邊緣特征進行提取，繪制出直線、曲線車道線[15]。Hough 變換原理是將圖像映射至參數空間，在參數空間進行選取，最后回到二維圖像中繪制所選取的圖像。

在笛卡爾坐標系中，直線通?？梢员硎境蓎=kx+b，當直線垂直于x軸時，k為無窮大，不利于后續的處理與計算。因此，要先把笛卡爾坐標系進一步轉換為極坐標系，得到直線的極坐標表達式為：

式中：ρ為極徑；θ為極角。這里將ρ和θ作為兩條軸以構建霍夫空間，假如直線的ρ和θ為已知條件，則有極坐標系中的一條直線與霍夫空間里的一個點相對應。如果極坐標系中有若干個點，那么每個點可以畫無數條直線，每條直線對應一對ρ和θ，從而對應霍夫空間里的一條曲線。如果要從極坐標若干點中尋找一條直線使其盡可能包含最多的點，則可以在霍夫空間里尋找最多曲線相交的點。Hough 變換原理如圖8 所示。

圖8 Hough 變換原理圖

在實際應用中為避免無關因素對道路擬合效果造成的干擾，根據大部分情況下得到的車道線圖像信息，選取進一步對圖像進行裁剪處理，僅保留輸入圖像下方1 3 區域，同時車道線擬合檢測角度限制在-60°～60°，對裁剪后的目標道路信息進行霍夫變換擬合。

本文利用結構化道路下采集到的車道線圖像進行模擬實驗，利用Matlab R2022b 在CPU 為3.2 GHz，RAM為16.0 GB 的Windows 操作系統上進行實驗模擬。實驗結果如圖9 所示，最終識別檢測到的車道線信息用黑色實線擬合，通過最終擬合效果來看，目標車道線被清晰識別出來，對后續的車道線檢測技術研究有一定參考價值。

圖9 擬合效果圖

3 結 語

本文基于圖像處理技術，首先對采集到的道路圖像進行灰度化處理，同時為了減少噪聲對車道線識別的影響，對灰度化后的圖像進行了濾波處理。使用不同傳統邊緣檢測算子分別對車道圖像進行邊緣檢測，發現利用霍夫變換改進的Canny 算子邊緣檢測方法在相同條件下具有較高的檢測精度，能夠清晰地檢測出車道線信息。然而，本文也存在一些不足之處，例如未考慮光照和地面干擾等因素的影響，雨天或雪天可能會影響車道線的識別效果。因此，需要進一步改進算法以提高算法的識別精度。

注：本文通訊作者為王光輝。