□ 鐘 鵬 □ 李 軍

重慶交通大學(xué) 機(jī)電與車輛工程學(xué)院 重慶 400074

1 研究背景

隨著城鎮(zhèn)化的加快和汽車保有量的增加,城市交通負(fù)擔(dān)日益加重,交通事故頻發(fā),人們駕駛車輛的壓力倍增。車道線檢測(cè)技術(shù)在汽車輔助駕駛系統(tǒng)中應(yīng)用廣泛,可以提高行車安全,減少交通事故的發(fā)生,具有重要意義。

車輛偏離預(yù)警系統(tǒng)等輔助駕駛系統(tǒng)在駕駛員疲勞和注意力分散時(shí)用于保證安全,車道線檢測(cè)技術(shù)是輔助駕駛系統(tǒng)的基礎(chǔ),為實(shí)現(xiàn)輔助駕駛和預(yù)警提供關(guān)鍵信息?？梢?輔助駕駛系統(tǒng)的效果取決于車道線檢測(cè)技術(shù)的成熟程度。

2 研究現(xiàn)狀

20世紀(jì)90年代末以來,美國(guó)、日本、歐洲等發(fā)達(dá)國(guó)家和地區(qū)對(duì)車道偏離預(yù)警技術(shù)進(jìn)行了系統(tǒng)研究,在理論和應(yīng)用方面都有所突破。目前,比較成熟的車道偏離預(yù)警系統(tǒng)有RALPH、SCARF、Auto Vue、AURORA等,這些系統(tǒng)通過提前預(yù)警駕駛員,防止駕駛員因疲勞、分心、大意等因素引發(fā)過失性交通事故。

我國(guó)在車道線檢測(cè)技術(shù)領(lǐng)域起步相對(duì)較晚,但發(fā)展迅速,并且取得了一些成果。清華大學(xué)研制的THMR系列智能車,在環(huán)境感知和車輛控制方面取得了一定的技術(shù)突破,特別是在環(huán)境感知方面,不僅能夠自動(dòng)檢測(cè)車道線,而且可以在車速達(dá)到100 km/h以上時(shí)自動(dòng)跟蹤車道線。吉林工業(yè)大學(xué)研制的JUTIV系列智能模型汽車,在車道線檢測(cè)方面采用了最大方差設(shè)定閾值方法,與全局定閾值方法相比,具有更好的二值化效果,可以使用線性模型匹配車道線,并基于多種傳感器融合信息構(gòu)建地圖。

駕駛安全是交通行業(yè)中的重中之重,車道線檢測(cè)技術(shù)不斷發(fā)展成熟,未來不僅將在車輛輔助駕駛系統(tǒng)中得到應(yīng)用,而且還將用于無(wú)人駕駛汽車的環(huán)境感知系統(tǒng),為無(wú)人駕駛汽車的路徑規(guī)劃提供局部或全局信息。

3 基于特征的車道線檢測(cè)技術(shù)

基于特征的車道線檢測(cè)技術(shù)主要通過區(qū)域增長(zhǎng)、邊緣檢測(cè)、圖像分割等方法,提取亮度、顏色、紋理等與背景差異較大的車道線特征信息,以達(dá)到識(shí)別車道線的目的[1]。

基于圖像的車道線檢測(cè)技術(shù)可以分為三個(gè)步驟:圖像預(yù)處理、車道線特征信息提取、特征信息生成道路線。

3.1 圖像預(yù)處理

圖像預(yù)處理的目的是對(duì)圖像進(jìn)行二值化操作,減少干擾點(diǎn),為后續(xù)提取特征信息減小計(jì)算量。二值化圖像如圖1所示。圖像二值化的核心是閾值的選取。由于攝像頭在采集圖像時(shí)外界環(huán)境極不穩(wěn)定,光照、下雨、遮蔭等都會(huì)影響像素的灰度值,因此圖像二值化應(yīng)具有一定的抗干擾能力。

圖1 二值化圖像

在圖像預(yù)處理中,如何規(guī)避采集圖像時(shí)外界環(huán)境,特別是強(qiáng)光、遮蔭等的干擾,顯得尤為重要。程巖等[2]提出一種自適應(yīng)曝光算法,利用光學(xué)傳感器的特點(diǎn),將采集到的圖像轉(zhuǎn)換為灰度值,逐行進(jìn)行動(dòng)態(tài)閾值對(duì)比處理,以便在后一個(gè)周期快速獲得正確的曝光點(diǎn)。在實(shí)際道路試驗(yàn)中,這一算法能夠有效處理道路信息。郭佳等[3]針對(duì)光照不均勻圖像的二值化問題,提出了單列處理和改進(jìn)的二值化方法,又稱最大類間差方法,根據(jù)圖像的直方圖特性實(shí)現(xiàn)全局閾值的自動(dòng)選取,解決了統(tǒng)一閾值二值化方法在消除特殊照明均勻化處理步驟中信息丟失的問題。以上研究對(duì)于解決光照的影響有直接參考和指導(dǎo)作用,特別是在夏季光照最大時(shí),可以使二值化圖像更加明顯。

除外界環(huán)境的影響外,在二值化過程中,局部二值化結(jié)果還存在假目標(biāo)、斷裂等缺陷。對(duì)此,張潔玉等[4]提出一種二值化時(shí)局部閾值設(shè)定的方法。這一方法將整幅圖像分為幾個(gè)小部分,分析每一個(gè)部分的灰度值分布。在圖像中移動(dòng)一定大小的本地窗口,對(duì)本地窗口中像素的灰度變化與包含窗口本身且大于窗口的區(qū)域中像素的灰度變化進(jìn)行比較。較大的區(qū)域由當(dāng)前被窗口模板覆蓋的所有子塊組成,用于判斷窗口中的灰度變化是否存在。根據(jù)不同的區(qū)域,給出具體的二值化方案。試驗(yàn)結(jié)果表明,這一方法在屏蔽背景噪聲和保留目標(biāo)細(xì)節(jié)方面表現(xiàn)最好,可有效減少目標(biāo)虛假或斷裂的現(xiàn)象。

文獻(xiàn)[2-4]解決的是影響圖像預(yù)處理結(jié)果好壞的關(guān)鍵問題,目標(biāo)灰度值和背景灰度值差異越大,后續(xù)提取車道線信息越簡(jiǎn)單,計(jì)算量也就越小。

3.2 車道線特征信息提取

二值化后,只保留車道線的邊緣特征。理論上,應(yīng)該只允許車道線的灰度值大于閾值。但是,路面中的虛線、路邊的障礙物等也會(huì)被提取為邊緣線。對(duì)此,需要設(shè)計(jì)特定算法,有針對(duì)性地提取車道線特征信息。提取的車道線特征信息如圖2所示。

圖2 車道線特征信息

蔡英鳳等[5]使用特殊模板匹配車道線特征。由針孔成像特性和路面先驗(yàn)知識(shí)可知,車道線的邊緣寬度在3～5像素之間,車道線寬度為5～30像素,通過模板匹配后可以得到有效的特征點(diǎn)。試驗(yàn)結(jié)果表明,在一般工況和復(fù)雜工況下,這一方法的誤檢率都較低。

當(dāng)路面結(jié)構(gòu)不均勻時(shí),陰影遮擋、車道線損傷和污跡覆蓋使道路圖像更加復(fù)雜,此時(shí)很難確定一個(gè)合適的閾值來濾除無(wú)關(guān)信息。狄?guī)沎6]提出基于水平集外曲率的車道線特征提取方法,這一方法針對(duì)的是車道線部分的結(jié)構(gòu)特征,而車道線與路面相互對(duì)比明顯,所以可以在許多復(fù)雜路面情況下適用。樊超、狄?guī)浀萚7]提出基于車道線特征點(diǎn)分布規(guī)律的車道線識(shí)別方法,并應(yīng)用了改進(jìn)的隨機(jī)抽樣一致算法。試驗(yàn)結(jié)果表明,當(dāng)車道線嚴(yán)重受損、陰影完全遮擋、大面積污漬覆蓋時(shí),這一方法能夠準(zhǔn)確識(shí)別普通道路和公路上的車道線。張遠(yuǎn)[8]提出了一種排除非車道區(qū)域提取車道線的方法。這一方法利用道路區(qū)域的連通性和區(qū)域增長(zhǎng)的方法提取道路區(qū)域,進(jìn)而識(shí)別出車道線。同時(shí)采用基于車道線相對(duì)位置的快速掃描算法提取車道線,在車道線識(shí)別過程中加入基于車道線的幾何特征篩選方法,提高了車道線識(shí)別的準(zhǔn)確率。

需要注意的是,車道線檢測(cè)時(shí)容易受路面環(huán)境的干擾,檢測(cè)精度和實(shí)時(shí)性難以保證。對(duì)此,程文冬等[9]提出一種基于稀疏網(wǎng)格和動(dòng)態(tài)特征窗的車道線檢測(cè)方法,在道路區(qū)域內(nèi)建立稀疏網(wǎng)格區(qū)域,提取網(wǎng)格中車道線的灰度信息,極大消除了冗余像素,并根據(jù)車道線的方向特性,應(yīng)用對(duì)稱的六向梯度邊緣檢測(cè)。利用橢圓展開單元建立車道線的稀疏網(wǎng)格和動(dòng)態(tài)特征窗口,利用車道方向和長(zhǎng)度的顯著特征提取車道線的特征邊緣,并使用霍夫變換識(shí)別車道線,進(jìn)而進(jìn)行擬合。基于不同的道路環(huán)境對(duì)這一方法進(jìn)行驗(yàn)證,分析不同分辨率圖像中車道線檢測(cè)所需的時(shí)間。試驗(yàn)表明,這一方法簡(jiǎn)單、快速,能有效消除各種干擾,并能在各種道路環(huán)境下準(zhǔn)確識(shí)別車道線。在增強(qiáng)車道線特征和弱化其它邊緣特征方面,沈峘等[10]提出一種基于方向優(yōu)先的車道搜索方法,分別對(duì)兩條車道獨(dú)立進(jìn)行搜索,使用圖像增強(qiáng)算法對(duì)車道線邊緣進(jìn)行加強(qiáng),使用霍夫變換檢測(cè)圖像中的直線,利用灰度信息識(shí)別車道線。

在車道線特征信息提取時(shí),主要會(huì)受路面區(qū)域其它物體特征信息的影響,因此排除其它特征信息,對(duì)下一步生成到道路線起決定性作用。

3.3 特征信息生成道路線

由車道線特征信息生成道路線,需要同時(shí)滿足精度要求和實(shí)時(shí)性要求。采用最小二乘法和霍夫變換對(duì)車道線進(jìn)行擬合,計(jì)算量小,擬合之前需要對(duì)特征信息進(jìn)行處理。擬合特征信息如圖3所示。

圖3 擬合特征信息

王向陽(yáng)[11]采用霍夫變換和最小二乘法相結(jié)合的方法擬合車道線,具體為采用霍夫變換對(duì)檢測(cè)到的第一幅圖像進(jìn)行擬合,由邊緣分布函數(shù)得到左右車道線方向角,用于約束參數(shù)坐標(biāo)極角,這樣大大減小了霍夫變換的計(jì)算量。這一方法的試驗(yàn)準(zhǔn)確率達(dá)到93.4%,但在第2 055幀圖像中誤將車輛邊緣識(shí)別為車道線。凌詩(shī)韻等[12]使用改進(jìn)的霍夫變換對(duì)車道線進(jìn)行識(shí)別及擬合。伊金楷等[13]通過工業(yè)控制計(jì)算機(jī)識(shí)別遠(yuǎn)近車道線,采用最小二乘法擬合近車道線,并在此基礎(chǔ)上估算遠(yuǎn)車道線。鄭航等[14]利用隨機(jī)抽樣一致算法對(duì)特征點(diǎn)進(jìn)行三次曲線擬合,得到車道線。三次曲線擬合相比最小二乘法,在還原函數(shù)圖像時(shí)更加精確,但在車道線擬合時(shí)是否更加精確,尚待驗(yàn)證。

基于圖像的車道線檢測(cè)技術(shù)最大的優(yōu)勢(shì)是成本低,同時(shí)缺點(diǎn)也很明顯,想要獲得與實(shí)際完全相符的車道線,需要非常苛刻的外界環(huán)境作為支撐,因此研究者們都在致力于研究如何減小環(huán)境的影響。

4 基于模型的車道線檢測(cè)技術(shù)

基于模型的車道線檢測(cè)技術(shù)與基于圖像的車道線檢測(cè)技術(shù),兩者不同之處在于車道線特征信息的提取過程[15],前者將道路檢測(cè)轉(zhuǎn)換為道路模型的求解?？紤]到某些道路具有特定的結(jié)構(gòu)模型,設(shè)定道路模型參數(shù)對(duì)檢測(cè)過程施加約束,可以降低車道線檢測(cè)的復(fù)雜度?；谀Ｐ偷能嚨谰€檢測(cè)技術(shù)參考了道路的整體信息,同時(shí)用模型參數(shù)來表征道路,抗干擾能力較強(qiáng)?；谀Ｐ偷能嚨谰€檢測(cè)技術(shù)可以分為基于圖像空間和基于頂視空間兩個(gè)方面[16]。

4.1 基于圖像空間的車道線檢測(cè)

基于圖像空間的車道線檢測(cè)通過在原始圖像上建立車道線模型來進(jìn)行檢測(cè)。屈賢等[17]提出一種基于雙曲線模型的車道線檢測(cè)方法,綜合車道線邊界參數(shù)和雙曲線模型參數(shù),運(yùn)用最小二乘法對(duì)車道線進(jìn)行重建。段建民等[18]提出一種改進(jìn)的隨機(jī)抽樣一致車道線檢測(cè)算法,建立車道線模型,并將車道線模型簡(jiǎn)化為雙曲模型,采用改進(jìn)的隨機(jī)抽樣一致算法對(duì)車道線進(jìn)行擬合,依據(jù)兩側(cè)的車道線模型完成車道線的匹配,通過選擇最支持?jǐn)?shù)據(jù)點(diǎn)的組合來確定車道線。洪名佳等[19]提出一種基于全卷積神經(jīng)網(wǎng)絡(luò)的車道線檢測(cè)方法,采集圖像后,將車道線圖像輸入全卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行卷積、池、反褶積等處理,并經(jīng)過條件隨機(jī)場(chǎng)處理后,得到更精確的原始空間一致性結(jié)果。

基于圖像空間的車道線檢測(cè)技術(shù)理論上精度應(yīng)比基于特征的車道線檢測(cè)技術(shù)高,但實(shí)際應(yīng)用數(shù)據(jù)較少,精確性有待驗(yàn)證。

4.2 基于頂視空間的車道線檢測(cè)

基于頂視空間的車道線檢測(cè)將原始圖像通過逆透視變換至頂視空間,建立車道線模型來進(jìn)行檢測(cè)。陳涵深等[20]提出一種基于多幀疊加和窗口搜索的快速車道檢測(cè)方法。這一方法通過反透視變換將指定感興趣區(qū)域轉(zhuǎn)換為空中視圖,結(jié)合多幀疊加方法將三原色圖像轉(zhuǎn)換為二值圖像,并根據(jù)近視視野中像素密度的分布,計(jì)算出當(dāng)前幀中車道線的起點(diǎn),采用滑動(dòng)窗口搜索法提取出整個(gè)車道線,同時(shí)根據(jù)車道線的特點(diǎn),選擇不同的車道模型,通過最小二乘法擬合得到模型參數(shù)。王俊[21]提出一種基于逆透視變換的時(shí)空域匹配車道線檢測(cè)方法,將圖像分割后通過特征逆透視變換至頂視空間,方便后續(xù)引入實(shí)際道路模型參數(shù),在檢測(cè)過程中施加約束。錢基德等[22]基于透視圖像消失點(diǎn)原理,采用逆透視變換消除偽車道線,完成車道線的準(zhǔn)確定位。

5 結(jié)束語(yǔ)

車道線檢測(cè)技術(shù)易受外界環(huán)境影響,增強(qiáng)車道線檢測(cè)技術(shù)魯棒性是解決這一問題的主要途徑,解決方法包括:

(1)圖像二值化的閾值選取要更適應(yīng)后續(xù)特征信息的提取;

(2)將基于特征的車道線檢測(cè)技術(shù)和基于模型的車道線檢測(cè)技術(shù)結(jié)合起來,基于特征的車道線檢測(cè)技術(shù)可以對(duì)基于模型的車道線檢測(cè)技術(shù)進(jìn)行驗(yàn)證,保證準(zhǔn)確性;

(3)在特征點(diǎn)擬合的過程中,應(yīng)進(jìn)一步考慮誤差的影響,不應(yīng)該簡(jiǎn)單地只采用最小二乘法直線擬合或樣條曲線擬合;

(4)可適當(dāng)增加輔助裝置,減小外界環(huán)境對(duì)車道線檢測(cè)過程的影響。