摘  要： 為了提高車(chē)道線(xiàn)檢測(cè)的準(zhǔn)確性和實(shí)時(shí)性,提出了一種快速準(zhǔn)確的車(chē)道線(xiàn)檢測(cè)方法,。首先根據(jù)道路的紋理特征求出道路的消失點(diǎn)，再采用改進(jìn)的Hough變換檢測(cè)出車(chē)道線(xiàn),，結(jié)合車(chē)道線(xiàn)的一些特征以及攝像頭的參數(shù),在不影響測(cè)量結(jié)果的情況下縮小檢測(cè)空間,，快速準(zhǔn)確地檢測(cè)道路的車(chē)道線(xiàn)，并結(jié)合BRT車(chē)道(快速公交車(chē)道)的一些特征識(shí)別車(chē)輛所在車(chē)道是否為BRT車(chē)道,，從而實(shí)現(xiàn)對(duì)BRT車(chē)道內(nèi)前方車(chē)輛的監(jiān)督,。將代碼移植到DM6437開(kāi)發(fā)平臺(tái)

關(guān)鍵詞： 車(chē)道線(xiàn)；消失點(diǎn),；BRT車(chē)道,；Hough變換；Gabor變換,；DM6437

    隨著經(jīng)濟(jì)以及道路的發(fā)展,，我國(guó)的汽車(chē)保有量迅速上升，交通事故也成為人們普遍關(guān)注的焦點(diǎn),。為了提高駕駛的安全性以及操作的簡(jiǎn)單性,，車(chē)輛安全輔助駕駛系統(tǒng)成為當(dāng)今國(guó)際智能交通系統(tǒng)研究的重要內(nèi)容。車(chē)道線(xiàn)檢測(cè)作為車(chē)輛安全駕駛的一個(gè)重要研究方向,，可以在車(chē)輛偏離航道時(shí)發(fā)出報(bào)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(guó)內(nèi)外學(xué)者已經(jīng)提出了很多車(chē)道線(xiàn)檢測(cè)算法,，主要分為兩類(lèi)：一類(lèi)是基于圖像特征的檢測(cè)方法，即特征驅(qū)動(dòng)法,，是基于道路圖像的一些特征(如車(chē)道線(xiàn)顏色,、寬度以及邊緣等特征[1-4])將圖像的所有點(diǎn)標(biāo)記為車(chē)道線(xiàn)點(diǎn)和非車(chē)道線(xiàn)點(diǎn),，這種機(jī)制要求道路的車(chē)道線(xiàn)顏色較為明顯，邊緣較為清晰,，否則無(wú)法得到準(zhǔn)確的檢測(cè)結(jié)果;另一類(lèi)方法是基于模型的檢測(cè)方法,，是根據(jù)提取的特征對(duì)預(yù)先定義好的車(chē)道線(xiàn)模型進(jìn)行匹配，將車(chē)道線(xiàn)的提取轉(zhuǎn)化為車(chē)道線(xiàn)模型中參數(shù)的計(jì)算問(wèn)題,。模型的假設(shè)主要有直線(xiàn)模型[5]和曲線(xiàn)模型[6-8]兩種,，其優(yōu)點(diǎn)是對(duì)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(chē)道檢測(cè),，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(duì)圖像進(jìn)行預(yù)處理,，然后對(duì)圖像進(jìn)行Hough變換或者Gabor變換,，得到車(chē)道線(xiàn)位置信息,，判斷出車(chē)輛是否在車(chē)道內(nèi)行駛，如果不在則發(fā)出預(yù)警信號(hào),。
1 圖像的預(yù)處理
    圖像的預(yù)處理主要是對(duì)攝像頭實(shí)時(shí)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(jī)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(cè)等,，目的是為了加強(qiáng)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(chē)道線(xiàn)檢測(cè)區(qū)域，進(jìn)行平滑去噪,，并對(duì)其邊緣進(jìn)行檢測(cè),。本文采用Canny邊緣檢測(cè)[9]。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(cè)結(jié)果,。

    Hough變換作為一種經(jīng)典的車(chē)道線(xiàn)檢測(cè)算法,具有很強(qiáng)的適應(yīng)性,，然而該算法較為耗時(shí)，當(dāng)車(chē)道線(xiàn)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(cè)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(chē)道線(xiàn)檢測(cè)
    針對(duì)圖像中道路的車(chē)道線(xiàn)一般分布在道路左右兩邊的情況,本文對(duì)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(lái)調(diào)整其投票空間的范圍。限定其左右車(chē)道線(xiàn)的極角和極徑,，調(diào)節(jié)好攝像頭,通過(guò)不斷的測(cè)試,，得到目標(biāo)點(diǎn)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(cè)落在白色區(qū)域內(nèi)的車(chē)道線(xiàn)。

    通過(guò)建立極角,、極徑約束區(qū)域,，可以有效地去除大量的干擾點(diǎn)，濾除旁邊車(chē)道以及路邊樹(shù)木建筑物的干擾,，并能夠很大程度地提高算法的運(yùn)行速度,。當(dāng)車(chē)道線(xiàn)的極角極徑在檢測(cè)區(qū)域內(nèi)時(shí)，可以快速準(zhǔn)確地檢測(cè)車(chē)道線(xiàn)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(shí)，車(chē)道線(xiàn)很容易超出檢測(cè)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(chē)道線(xiàn)檢測(cè)
    針對(duì)道路車(chē)道線(xiàn)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(chē)道線(xiàn)檢測(cè)算法,，即基于Gabor濾波器的車(chē)道線(xiàn)檢測(cè),。通過(guò)Gabor找到圖像的消失點(diǎn)，即圖像中兩條車(chē)道線(xiàn)的交點(diǎn)位置,，再對(duì)消失點(diǎn)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(shí)時(shí)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(shí)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(shí)頻測(cè)不準(zhǔn)關(guān)系下界的函數(shù), 具有最好的兼顧信號(hào)在時(shí)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(guò)對(duì)車(chē)轍印記以及車(chē)道線(xiàn)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(diǎn)以及車(chē)道線(xiàn)的信息,。
    Gabor濾波器的模板計(jì)算方程如式(2)所示，該模板分為實(shí)部(式(3))和虛部(式(4))兩部分,。

    


    (2)車(chē)道線(xiàn)跟蹤：根據(jù)上一幀測(cè)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(yùn)算速度,。當(dāng)圖像檢測(cè)的消失點(diǎn)及車(chē)道線(xiàn)上的點(diǎn)少于所設(shè)定的閾值時(shí),，程序重新初始化,。
4 車(chē)道識(shí)別
    本文在應(yīng)用的基礎(chǔ)上對(duì)合肥以及沈陽(yáng)的BRT車(chē)道進(jìn)行統(tǒng)計(jì)，其BRT車(chē)道相對(duì)其他車(chē)道具有如下特點(diǎn)：其左右車(chē)道線(xiàn)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(diǎn),，本文實(shí)現(xiàn)了BRT車(chē)道的識(shí)別系統(tǒng)，結(jié)合GPS判斷其所在位置范圍內(nèi)有無(wú)BRT車(chē)道,，若有則判斷車(chē)道線(xiàn)顏色是否為黃色,，即建立顏色模型，對(duì)車(chē)道線(xiàn)上的每一點(diǎn)顏色進(jìn)行標(biāo)記,，并綜合判斷其左右車(chē)道線(xiàn)是否是黃色車(chē)道線(xiàn),對(duì)黃色進(jìn)行標(biāo)記,，如圖9左圖所示。由于車(chē)道線(xiàn)長(zhǎng)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(shí)別顏色,，本文結(jié)合其欄桿、路牙等特征識(shí)別車(chē)道,，對(duì)檢測(cè)的車(chē)道線(xiàn)兩邊的一定區(qū)域（圖9右圖白色矩形區(qū)域）進(jìn)行對(duì)比,，比較其顏色邊緣紋理等特征差別,。通過(guò)大量的測(cè)試,，本文得到了判斷其是否為BRT車(chē)道的先驗(yàn)閾值,當(dāng)矩形區(qū)域差別大于設(shè)定閾值時(shí)，則判斷為公交專(zhuān)用車(chē)道,，從而準(zhǔn)確實(shí)現(xiàn)車(chē)道檢測(cè),。

    本文首先通過(guò)GPS采集車(chē)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(kù)判斷車(chē)輛所在位置附近是否具備BRT專(zhuān)用車(chē)道,若有,，則進(jìn)行車(chē)道線(xiàn)檢測(cè),，找到車(chē)輛所在車(chē)道的左右車(chē)道線(xiàn)，并判斷車(chē)道線(xiàn)上顏色信息以及車(chē)道線(xiàn)左右的邊緣亮度等信息,，分析其是否具備BRT快速公交車(chē)道的特征,，如具備，則可以作為監(jiān)控前方車(chē)輛是否違規(guī)駛?cè)隑RT車(chē)道的一個(gè)依據(jù),。
　    本文對(duì)合肥公交專(zhuān)用車(chē)道進(jìn)行了大量的實(shí)驗(yàn),，實(shí)驗(yàn)結(jié)果表明，該算法具有很強(qiáng)的適用性,，能夠準(zhǔn)確地檢測(cè)到車(chē)輛所在車(chē)道的車(chē)道線(xiàn),，并對(duì)其車(chē)道作出正確的判斷。車(chē)道識(shí)別結(jié)果如圖11所示,。

    本文提出了基于道路紋理特征的車(chē)道線(xiàn)檢測(cè)方法,，將直線(xiàn)模型算法成功移植到DM6437開(kāi)發(fā)平臺(tái),。通過(guò)攝像頭實(shí)時(shí)采集道路圖像(25 S/s,圖像大小為720×576），實(shí)時(shí)統(tǒng)計(jì)車(chē)道線(xiàn)信息,，并在城市道路上進(jìn)行了大量的實(shí)驗(yàn)測(cè)試,平均每幀圖像的算法耗時(shí)控制在50 ms以?xún)?nèi),，能夠較為準(zhǔn)確地檢測(cè)出車(chē)道線(xiàn)的位置，具有較強(qiáng)的實(shí)時(shí)性和魯棒性,。
參考文獻(xiàn)
[1] GOLDBECKA J, HUERTGENA B, ERNSTA S, et al. Lane following combining vision and DGPS[J]. Image and Vision  Computing,2000,18：425-433.
[2] Lin Wei, Zhang Hongliang, DUAN B, et al. Vision-based real-time lane marking detection and tracking[J]. IEEE  Intelligent Transportation Systems, 2008(11):49-54.
[3] 雷濤,樊養(yǎng)余,王小鵬,等,，基于形態(tài)學(xué)結(jié)構(gòu)元素建模的車(chē)道線(xiàn)檢測(cè)算法[J]. 計(jì)算機(jī)應(yīng)用2009，29(2):441-445.
[4] 沈峘,李舜酩,柏方,等.結(jié)構(gòu)化道路中車(chē)道線(xiàn)的單目視覺(jué)檢測(cè)方法[J].儀器儀表學(xué)報(bào),2010,31(2):397-403.
[5] Liu Fuqing , Tian Min, Hu Zhengcheng. Research on vision-based lane detection and t racking for intelligent vehicles[J]. Journal of Tongji University:Natural Science, 2007,35(11):1535.
[6] 羅才彬,胡慶新,吳林成. 一種高速公路車(chē)道延伸方向的判斷方法[J].合肥工業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版),，2011,34(6):857-860.
[7] POMERLEAN D, JOCHEM T. Rapidly adapt ing machine vision for automated vehicle steering[J]. IEEE Intelligent Systems,1996,11(2):19-27.
[8] LEE T. Image representation using 2D Gabor wavelets[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence,1996,18(10):959-971.
[9] 陳志強(qiáng),高 磊,吳黎慧,等.一種優(yōu)化的Canny算子邊緣檢測(cè)[J].電子測(cè)試,，2011，6（6）:43-46.