余小角,，陳賢富
(中國科學技術大學 信息科學技術學院,，安徽 合肥 230026)
摘要：在駕駛過程中發(fā)生非意識車道偏離時，偏離預警系統(tǒng)采用報警方式保障行車安全,。針對高速公路頻發(fā)的車道偏離事故，設計和實現(xiàn)了基于視頻處理的高速車道偏離預警系統(tǒng)（Highway Departure Warning System, HDWS）,。算法處理上,，分別進行感興趣區(qū)域（Area of Interest, AOI）設定、圖像預處理和Otsu自適應閾值二值化,，應用直線模型和改進Hough變換提取車道線,，采用像素距離與車道線斜率信息融合的偏離決策，并在MATLAB R2015a上仿真測試,。仿真結果表明,，該系統(tǒng)能提前1.2 s報警，準確率高于95%,，漏報率低于3%,，滿足高速道路環(huán)境下偏離預警性能要求。
關鍵詞：車道偏離預警系統(tǒng),；感興趣區(qū)域,；圖像處理；Hough變換
0引言
近年來,，隨著汽車保有量快速增長,，高速公路交通事故不斷增加，而無意識的車道偏離是導致事故的重要因素,。據(jù)統(tǒng)計,，高速公路交通事故主要為車道偏離和追尾事故，其中車道偏離事故占33%,。若能提前1 s報警,，可避免90%的事故［1-2］。針對高速行車中駕駛員無意識車道偏離問題，偏離預警系統(tǒng)(Lane Departure Warning System, LDWS) 利用報警方式提醒駕駛員修正駕駛行為,，減少或避免事故發(fā)生,。因LDWS顯著提高了車輛主動安全性而得到國內(nèi)外學術界和工業(yè)界的高度關注，其技術應用代表有美國NavLab系統(tǒng),、意大利ARGO系統(tǒng)和日本DSS系統(tǒng)［1,3］,，國內(nèi)有清華大學THMR系統(tǒng)、吉林大學JLUVALDW系統(tǒng)［1］,、百度無人車系統(tǒng)等,。因采用機器視覺技術獲取信息豐富且成本較低，使LDWS成為當前智能車輛研究的熱點［4］,。
在現(xiàn)有LDWS基礎之上［5-8］,，本文設計和實現(xiàn)了基于視頻處理的高速車道偏離預警系統(tǒng)（Highway Departure Warning System, HDWS）。首先設定感興趣區(qū)域（Area of Interest, AOI）,，節(jié)約計算資源以提高實時性,。根據(jù)高速道路車道線特點應用直線模型和改進Hough變換提取車道線，采用像素距離和車道線斜率信息融合方法進行偏離決策,，最后在MATLAB R2015a上實現(xiàn)系統(tǒng)仿真測試,。實驗結果表明，系統(tǒng)具有良好的實時性,、可靠性和魯棒性,。
1高速車道偏離預警系統(tǒng)
據(jù)國內(nèi)外報道，LDWS實現(xiàn)方式有磁引導技術,、GPS技術及機器視覺技術等［2］,。磁引導技術不受光線影響，但對現(xiàn)有道路設施改造成本高,，實現(xiàn)難,；GPS技術定位精度與成本難以折中；機器視覺技術采用“類人”方式,，通過車載攝像機實時采集道路圖像,，檢測車道線并提取圖像中其他有用信息用于判別車輛偏離及預警。獲取信息量大,、相對成本低,，成為研究重點。
針對高速道路行車速度快,、車道偏離事故危害性大等問題,，本文提出一種高速車道偏離預警系統(tǒng)。系統(tǒng)主要工作流程如圖1所示,，其中圖像預處理,、車道線檢測和車道偏離預警是關鍵模塊,。
2圖像預處理
2.1感興趣區(qū)域設定
對采集到的彩色圖像分割出車道區(qū)域AOI，節(jié)約計算資源,，提高實時性,。AOI在當前車道左右車道線交點以下區(qū)域選取，如圖2所示,。
2.2圖像灰度化
獲取的彩色AOI圖像表示為三維RGB矩陣,，為加快處理速度，將其灰度化,。圖像灰度化方法較多,，考慮到須符合人眼視覺特點，故采用如下公式［4］：
2.3圖像去噪
圖像在形成和處理過程中存在干擾,，如光電轉換元件靈敏度不均,、數(shù)字化過程量化噪聲、傳輸誤差等,。系統(tǒng)采用中值濾波法,，濾波消除噪聲，改善圖像質量,。該方法既能去除噪聲又能保護目標邊界不被模糊,，將每個像素點灰度值用其鄰域移動窗口中像素灰度中值來替代，表示為：
式中Sf(x,y)表示像素點(x,y)的鄰域,，窗口大小為3×3，求出中值并代替窗口中心原灰度值f(x,y),。
2.4圖像邊緣增強
邊緣增強突出車道線邊緣信息以利于識別,，減少光照不均的影響。常用的算法有Robert算子,、Sobel算子,、Prewitt 算子和Canny算子等［7］，綜合效果與實時性,，本文采用Sobel算子,。該算子含2個3×3模板，將之與圖像進行卷積,，得出亮度差分近似值,。設A代表原圖像，Gx,、Gy分別為經(jīng)橫向及縱向邊緣檢測的圖像灰度值,，其公式［9］如下：
圖像灰度值計算：
為提高計算效率，使用近似值：
2.5圖像自適應二值化
邊緣增強后圖像質量有所改善但包含背景,。為提取車道線需進行圖像二值化,，關鍵是找出合適的閾值以區(qū)別目標與背景,。閾值過小易產(chǎn)生噪聲，過大會損失有用信息,。同時,，為適應不同光線下路面環(huán)境，不可采用固定閾值,。系統(tǒng)采用自適應閾值Otsu法［3,9］進行二值處理,，統(tǒng)計圖像灰度分布特征，以類間方差為判據(jù),，選取使其最大的值作為閾值,。
設圖像灰度分為1~m級，灰度值為i的像素數(shù)為ni,，則總像素數(shù)N為：
各像素概率值為：
整體圖像的灰度統(tǒng)計均值μ為：
用K將1~ m分為C0和C1兩組,，
C1則C0產(chǎn)生的概率為
對應的均值為：
C1的概率為：
對應的均值為:
兩組間的方差為:
從1,2,3,…,m間改變K值，使方差值最大的K作為閾值,，將圖像二元化：
圖像預處理結果如圖3所示,，車道線邊緣突出，為提取奠定了基礎,。
3車道線檢測
3.1高速道路直線模型
為提高車道線建模精度,，研究人員用二次或三次曲線模型［1,6］，但其實時性受限,。高速道路設計有嚴格標準,，120 km/h極限轉彎半徑為650 m，一般為1 000 m,，近視野車道線可視為直線［1］,，滿足精度要求并簡化計算，故采用之,。
3.2Hough變換提取車道線參數(shù)
Hough變換［13］對噪聲干擾不敏感,，是一種直線檢測的有效工具。其思想是［2］：圖像中一條直線映射為參數(shù)空間中的一點,，參數(shù)空間一點在圖像空間中表示一條直線,。直線ρ=xcosθ+ysinθ(ρ為法線距離，θ為法線與x軸夾角),，將ρ和θ量化,，對每個(x,y)點代入θ計算相應ρ值，相應小格計數(shù)器加1,，最后找出最大計數(shù)小格對應的(θ,ρ),。Hough變換示例如圖4所示?？紤]到Hough變換對計算資源的消耗問題,，本文提出以下3點改進意見：
(1)圖像預處理前進行AOI區(qū)域剪裁,。有針對性地從AOI區(qū)域提取信息，節(jié)約計算資源,，使計算更加高效,；
(2)預處理階段邊緣增強和二元化處理細化車道線，減少霍夫變換計算量,；
(3)加入AOI區(qū)域中車道線的(θ,ρ)約束信息,，本實驗取［-78°,78°］,，減少計算量,。
4車道偏離預警模型
傳統(tǒng)預警模型有車輛當前位置模型(Car′s Current Position, CCP)和車輛橫越車道邊界時間模型(Time to Lane Crossing, TLC)［1,5,8,10］。CCP檢測車道線,，計算車輛位置與車道邊界距離,，設定閾值適時預警。TLC預測車輛行駛軌跡并將估計偏離時間與閾值進行比較,，適時報警,。這兩種模型涉及攝像機標定和坐標系參數(shù)轉換操作。在行車過程中,，光線變化,、車身抖動等因素影響數(shù)據(jù)精確測量，換算過程誤差傳播放大,，使系統(tǒng)難以實施準確預警,。
針對上述問題，本文提出一種基于圖像信息的預警方法,，挖掘AOI中有用信息作為預警參數(shù),。車道模型如圖5所示，L1L2,、R1R2分別是左右車道線，M1M2是AOI中軸線,。本文方法描述如下：
(1)設車道線與AOI圖像交點坐標分別為L1(x1,y1),、L2(x2,y2)、R1(x3,y3)和R2(x4,y4), AOI寬度W,，半寬度W1/2,，設定偏離預警值TH=λ·W1/2；
(2)計算車道線和AOI底部交點與M1M2距離L2M2,、R2M2,，通過L2、M2,、R2的橫坐標關系區(qū)分左右車道線,；
(3)計算L1L2,、R1R2車道線斜率值，若車道線與x軸垂直,，則賦以標記值MAX,；
(4)偏離決策：以車道斜率值為輔助信息，以像素距離為主要依據(jù)進行偏離決策,。若L2M2≤TH且L2M2<R2M2,，則判斷為左偏；若R2M2<TH且R2M2<L2M2,，則判斷為右偏,；其他情況，判斷為正常駕駛,。
5實驗及結果分析
實驗在PC(CPU為Intel i73770, 內(nèi)存8 GB)和MATLAB R2015a平臺進行,，采用安裝在車內(nèi)后視鏡處攝像機拍攝的高速路行車視頻，幀尺寸320 × 240,。分別在晴天白天,、陰霧天傍晚環(huán)境下進行性能測試，逐幀取出結果圖片并進行統(tǒng)計分析,。車道線斜率,、像素距離實時變化分別如圖6~圖8所示。由圖可知,，當車輛正常行駛時,，曲線變化平穩(wěn)，當出現(xiàn)左偏或右偏時,，曲線劇烈波動,。測試中大量右偏行為也在圖8中很好地記錄下來，報警結果如圖9所示,，數(shù)據(jù)統(tǒng)計于表1中,。系統(tǒng)處理每一幀圖像耗時19.2 ms, 能提前1.2 s報警，準確率高于95%,，漏報率低于3%,，具有較好的實時性和可靠性。
6結論
本文設計的基于視頻處理的高速車道偏離預警系統(tǒng)能夠有效檢測車道線并進行正確的偏離報警,。系統(tǒng)在車道圖像AOI中提取信息,，采用自適應閾值二值化圖像方法和改進Hough變換提取車道線參數(shù)，融合車道線斜率值和像素距離方法進行偏離預警,。實驗結果表明,，該方法簡單實用，誤警率低,，抗干擾力強,，具有很好的實時性和較強的通用性,。下一步研究是進行更廣泛的系統(tǒng)測試和車載嵌入式平臺下的移植工作。
參考文獻
?。?］ 初雪梅．基于機器視覺的車道偏離預警理論與算法研究［D］．長沙：湖南大學,，2013.
［2］ 呂柯巖,，朱明,，楊迪．單目視覺車道偏離預警系統(tǒng)的開發(fā)［J］. 計算機應用，2012,32(S2)：196-198,241.
?。?］ 李金輝,吳樂林,陳慧巖,等.結構化道路車道線識別的一種改進算法［J］.北京理工大學學報,，2007,27（6）：501-505.
［4］ 朱淋,，梁華為,，王智靈，等. 基于視頻序列的車道線檢測和跟蹤［J］. 電子測量技術, 2013,，36(7): 43-47.
?。?］ 于兵，張為公,，龔宗洋．基于機器視覺的車道偏離報警系統(tǒng)［J］．東南大學學報(自然科學版),，2009，39(5)：928-932.
?。?］ 劉軍,，陶昌嶺，余節(jié)發(fā), 等. 基于汽車主動安全的車載嵌入式平臺的研究［J］. 電子技術應用, 2014, 40(7): 21-23.
?。?］ AUNG T, ZAW M H. Video based lane departure warning system using Hough transform［C］. International Conference on Advances in Engineering and Technology, 2014: 29-30.
?。?］ GAIKWAD V, LOKHANDE S. Lane departure identification for advanced driver assistance ［J］. IEEE Transactions on Intelligent Transportation Systems, 2015,16(2)：910-918.
［9］ RAFAEL C G,， RICHARD E W.數(shù)字圖像處理［M］. 阮秋琦,，阮宇智，等,，譯. 北京：電子工業(yè)出版社,，2011.
［10］ MAMMAR S,，GLASER S，NETTO M. Time to line crossing for lane departure avoidance: A theoretical study and an experimental setting ［J］. IEEE Transactions on Intelligent Transportation Systems, 2006,7(2):226-241.