陳楊，石晶，劉叢浩

基于改進霍夫變換的車道線識別算法

陳楊，石晶，劉叢浩

（遼寧工業(yè)大學汽車與交通工程學院，遼寧 錦州 121001）

針對霍夫變換時間復雜度高、準確性差的缺點，提出一套基于改進霍夫變換的完整車道線識別算法流程。該完整算法包括感興趣區(qū)域劃分、灰度化、二值化、Canny邊緣檢測和改進霍夫變換。改進霍夫變換首先采用概率統(tǒng)計原理對車道線點集分類，依據(jù)分類情況投票判斷車道線；其次采用極徑極角約束優(yōu)化在目標區(qū)域篩選目標車道線。實驗結(jié)果表明：改進后算法有效識別目標。

車道線識別；概率霍夫變換；極徑極角約束

前言

高級輔助駕駛系統(tǒng)是當前汽車產(chǎn)業(yè)重點發(fā)展方向之一，國內(nèi)外廣大學者都投入大量精力進行研究[1]。車道線信息是輔助駕駛的基礎(chǔ)輸入信息，該信息決定了輔助駕駛的準確程度。車道線檢測包括感興趣區(qū)域劃分、灰度化、濾波、二值化、Canny邊緣檢測、霍夫變換，文獻[2]采用傳統(tǒng)霍夫變換識別車道線，缺點是運算量大、誤識別率高。文獻[3]采用多方法進行預(yù)處理，但是相對運算時間復雜度增加。本文提出一種改進霍夫變換，采用概率運算降低時間復雜度，采用極徑極角約束篩選車道像素點篩選目標車道線，同原始霍夫變換相比，改進霍夫變換能準確快速識別車道線。

1 圖像預(yù)處理

1.1 感興趣區(qū)域選擇

結(jié)合先驗知識分析大量圖片，在大部分車道圖像中，車道普遍位于圖像下半部分。以圖像高度一半為分界，選定圖像下半部分為感興趣區(qū)域，相比較原始圖像，設(shè)定感興趣區(qū)域可以減少一半程序計算量，并排除非感興趣區(qū)域中信息干擾。圖1為原始圖像，圖2為感興趣區(qū)域選擇情況。

圖1 原始圖像

圖2 感興趣區(qū)域選取

1.2 灰度化

車載圖像傳感器采集到的是包含R、G、B分量的三通道彩色圖像，三通道信息冗余度高、計算量大，需要將三通道圖像轉(zhuǎn)換為單通道灰度圖，常見轉(zhuǎn)換方法有平均法、分量法、最大值法、加權(quán)平均法。本文采用加權(quán)平均法，根據(jù)等色實驗結(jié)果和CIE1931XYZ標準，各通道最佳加權(quán)系數(shù)為0.299R、0.587G、0.114B。灰度化效果如圖3所示。

圖3 灰度化效果

1.3 濾波

圖像在獲取和傳輸過程中會產(chǎn)生噪音，為了排除噪音信息干擾，需要對圖像進行濾波操作。常見濾波操作分為空間域濾波和時間域濾波，頻濾域濾波計算量大且噪音頻率無法預(yù)知難以精準過濾，空間域濾波計算簡單、適應(yīng)性強。本文選擇空間域濾波中的非

線性中值濾波，濾波模板大小為3x3，中值濾波本質(zhì)上是統(tǒng)計學排序，將目標像素值替換為周圍鄰域內(nèi)各點像素值的中值。中值濾波對孤立點噪聲塊有很好的效果，并且在濾除噪聲的同時保護了道路邊緣信息。濾波效果如圖4。

圖4 中值濾波

1.4 二值化

灰度化后的圖像在像素數(shù)值上分為256個等級，難以區(qū)分車道線目標圖像和背景圖像，因此需要采用二值化方法將圖像劃分。將車道線圖像像素劃分為白色像素，其他圖像像素劃分為黑色背景像素。常見二值化方法有平均值法、大津法、全局閾值法、自適應(yīng)閾值法、迭代閾值法、百分比閾值法等，本文采用大津法對車道圖像進行二值化。大津法原理如下：

圖5 二值化

1.5 Canny邊緣檢測

每個目標都有自己的邊緣信息，邊緣信息是識別目標的基礎(chǔ)處理輸入信息，需要對車道線進行邊緣檢測提取該信息。常用邊緣檢測算子有一階Roberts算子、Sobel算子、Prewitt算子，二階Laplacian算子和非微分Canny算子。Canny算子定位精準，邊緣檢測較為完整，本文選用Canny算子檢測車道線，Canny邊緣檢測算法步驟如下：

（1）采用高斯濾波算子對圖像平滑濾波處理，濾除正態(tài)分布的噪音像素。高斯核數(shù)如下：

（2）采用一階偏導有限差分計算梯度幅值和方向，所用計算模板、計算公式如下：

幅值和梯度笛卡爾坐標系下計算公式是：

（3）梯度幅值進行非最大值抑制，采用一階偏導有限差分計算出的像素梯度是全局最大值，還需沿著像素梯度方向，尋找局部最大值，在局部最大值處不斷迭代向前尋找，直至到達邊界，其中不是極大值處像素數(shù)值設(shè)為零。

（4）雙閾值法鏈接邊緣

選擇高低雙閾值，遍歷整幅圖像，當像素數(shù)值大于高閾值時認為是強邊緣，標記為車道邊緣，當像素數(shù)值低于低閾值時認為不是邊緣，不標記。當像素數(shù)值在高低閾值之間時為弱邊緣，在當前像素周圍鄰域內(nèi)遍歷，若有像素數(shù)值高于高閾值，則將該鄰域像素標記為車道邊緣。遍歷完成連接車道邊緣形成閉合車道邊緣圖像。

2 改進霍夫變換車道線識別

2.1 霍夫變換原理

霍夫變換是基于點線對偶性工作的，如圖所示，直角坐標系中一條直線y=kx+b轉(zhuǎn)換到參數(shù)空間直線方程b=-xk+y，考慮到斜率有無限大的可能，最終轉(zhuǎn)換為極坐標空間曲線方程=+，設(shè)（0,180）按步長為1遍歷圖像，對遍歷結(jié)果累加，使“投票機制”找出得票數(shù)高的像素點，原理圖如圖6所示

圖6 霍夫變換原理圖

2.2 霍夫變換改進

霍夫變換對每個像素點都進行計數(shù)和三角函數(shù)運算，運算量大，算法空間、時間度復雜，本文僅將部分圖像像素點帶入霍夫變換，提高算法實時性。首先將邊緣像素點存入點集，隨機提取點映射為極坐標空間曲線，在點集中刪除相關(guān)點，投票判斷，當累加器超過閾值則提取線段并在點集中刪除所有相關(guān)點，不斷循環(huán)運行，直至點集為空。

根據(jù)先驗知識，車道線一般圖像中線對稱分布，在圖像中有一定長度和偏轉(zhuǎn)角度，可以通過極徑極角約束讓霍夫變換僅在車道線最可能出現(xiàn)區(qū)域運行，減小算法空間復雜度，提高運行效率。本文中，左車道線角度范圍為[20,70]，右車道線角度范圍為[100,160]。改進霍夫變換效果如圖7。

圖7 改進霍夫變換效果

3 總結(jié)

本文針對高級輔助駕駛系統(tǒng)基礎(chǔ)的車道線識別部分，提出完整算法，包括感興趣區(qū)域劃分、灰度化、二值化、Canny邊緣檢測和改進霍夫變換識別。相比較傳統(tǒng)霍夫變化，改進后算法采用概率統(tǒng)計知識投票和極徑極角約束區(qū)域，降低了算法時間復雜度，實驗驗證了算法可行性。本文提出的完整車道線識別算法魯棒性好，為其他輔助駕駛功能奠定了基礎(chǔ)。

[1] 周越.基于視覺的車道線識別研究[D].遼寧工業(yè)大學,2019.

[2] 李亞娣,黃海波,李相鵬,陳立國.基于Canny算子和Hough變換的夜間車道線檢測[J].科學技術(shù)與工程,2016,16(31):234-237+242.

[3] 田鵬.車道偏離預(yù)警系統(tǒng)關(guān)鍵技術(shù)研究[D].遼寧工業(yè)大學,2016.

[4] 王家恩,陳無畏,汪明磊,談東奎.車輛輔助駕駛系統(tǒng)中的三車道檢測算法[J].汽車工程,2014,36(11):1378-1385.

[5] 劉富強,張姍姍,朱文紅,李志鵬.一種基于視覺的車道線檢測與跟蹤算法[J].同濟大學學報(自然科學版),2010,38(02):223-229+306.

[6] 余天洪.基于機器視覺的車道偏離預(yù)警系統(tǒng)研究[D].吉林大學, 2006.

Lane Recognition Algorithm Based on Improved Hough transform

Chen Yang, Shi Jing, Liu Conghao

( Cars and Traffic Engineering of Liaoning University of Technology College, Liaoning Jinzhou 121001 )

Aiming at the disadvantages of high time complexity and poor accuracy of Hough transform, a complete lane recognition algorithm based on improved Hough transform is proposed. The whole lane recognition algorithm based on improved Hough transform includes region of interest division, graying, binarization, Canny edge detection and improved Hough transform. The improved Hough transform firstly classifies the point sets of lane lines by using the principle of probability and statistics, and then judges the lane lines by voting according to the classification situation. Secondly, it selects the target lane lines with the constraints of polar radius and polar angle. The experimental results show that the improved algorithm achieves the expected improvement goal.

Lane recognition; Probability hough transform; Polar radius and pole angle constraint

10.16638/j.cnki.1671-7988.2021.06.013

U495

A

1671-7988(2021)06-42-03

U495

A

1671-7988(2021)06-42-03

陳楊，就讀于遼寧工業(yè)大學汽車與交通工程學院。