摘  要： 為了提高車道線檢測的準(zhǔn)確性和實(shí)時性,提出了一種快速準(zhǔn)確的車道線檢測方法。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變換檢測出車道線，結(jié)合車道線的一些特征以及攝像頭的參數(shù),在不影響測量結(jié)果的情況下縮小檢測空間，快速準(zhǔn)確地檢測道路的車道線，并結(jié)合BRT車道(快速公交車道)的一些特征識別車輛所在車道是否為BRT車道，從而實(shí)現(xiàn)對BRT車道內(nèi)前方車輛的監(jiān)督。將代碼移植到DM6437開發(fā)平臺

關(guān)鍵詞： 車道線；消失點(diǎn)；BRT車道；Hough變換；Gabor變換；DM6437

    隨著經(jīng)濟(jì)以及道路的發(fā)展，我國的汽車保有量迅速上升，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單性，車輛安全輔助駕駛系統(tǒng)成為當(dāng)今國際智能交通系統(tǒng)研究的重要內(nèi)容。車道線檢測作為車輛安全駕駛的一個重要研究方向，可以在車輛偏離航道時發(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,國內(nèi)外學(xué)者已經(jīng)提出了很多車道線檢測算法，主要分為兩類：一類是基于圖像特征的檢測方法，即特征驅(qū)動法，是基于道路圖像的一些特征(如車道線顏色、寬度以及邊緣等特征[1-4])將圖像的所有點(diǎn)標(biāo)記為車道線點(diǎn)和非車道線點(diǎn)，這種機(jī)制要求道路的車道線顏色較為明顯，邊緣較為清晰，否則無法得到準(zhǔn)確的檢測結(jié)果;另一類方法是基于模型的檢測方法，是根據(jù)提取的特征對預(yù)先定義好的車道線模型進(jìn)行匹配，將車道線的提取轉(zhuǎn)化為車道線模型中參數(shù)的計(jì)算問題。模型的假設(shè)主要有直線模型[5]和曲線模型[6-8]兩種，其優(yōu)點(diǎn)是對噪音不敏感，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)行車道檢測，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。
    本文首先對圖像進(jìn)行預(yù)處理，然后對圖像進(jìn)行Hough變換或者Gabor變換，得到車道線位置信息，判斷出車輛是否在車道內(nèi)行駛，如果不在則發(fā)出預(yù)警信號。
1 圖像的預(yù)處理
    圖像的預(yù)處理主要是對攝像頭實(shí)時采集的圖像進(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)域作為車道線檢測區(qū)域，進(jìn)行平滑去噪，并對其邊緣進(jìn)行檢測。本文采用Canny邊緣檢測[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）的檢測結(jié)果。

    Hough變換作為一種經(jīng)典的車道線檢測算法,具有很強(qiáng)的適應(yīng)性，然而該算法較為耗時，當(dāng)車道線外在環(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變換的車道線檢測
    針對圖像中道路的車道線一般分布在道路左右兩邊的情況,本文對傳統(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來調(diào)整其投票空間的范圍。限定其左右車道線的極角和極徑，調(diào)節(jié)好攝像頭,通過不斷的測試，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，只檢測落在白色區(qū)域內(nèi)的車道線。

    通過建立極角、極徑約束區(qū)域，可以有效地去除大量的干擾點(diǎn)，濾除旁邊車道以及路邊樹木建筑物的干擾，并能夠很大程度地提高算法的運(yùn)行速度。當(dāng)車道線的極角極徑在檢測區(qū)域內(nèi)時，可以快速準(zhǔn)確地檢測車道線的位置；然而當(dāng)圖像在轉(zhuǎn)彎、變道或者攝像頭位置偏移時，車道線很容易超出檢測區(qū)域，使得結(jié)果出現(xiàn)很大的偏差。
3 基于Gabor濾波器的車道線檢測
    針對道路車道線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)的車道線檢測算法，即基于Gabor濾波器的車道線檢測。通過Gabor找到圖像的消失點(diǎn)，即圖像中兩條車道線的交點(diǎn)位置，再對消失點(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)到時頻測不準(zhǔn)關(guān)系下界的函數(shù), 具有最好的兼顧信號在時頻域的分辨能力。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。
    本文通過對車轍印記以及車道線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)以及車道線的信息。
    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)車道線跟蹤：根據(jù)上一幀測量的結(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)圖像檢測的消失點(diǎn)及車道線上的點(diǎn)少于所設(shè)定的閾值時，程序重新初始化。
4 車道識別
    本文在應(yīng)用的基礎(chǔ)上對合肥以及沈陽的BRT車道進(jìn)行統(tǒng)計(jì)，其BRT車道相對其他車道具有如下特點(diǎn)：其左右車道線都為黃色，一般位于路的兩邊，道路的兩邊有欄桿或者路牙等特征。基于此特點(diǎn)，本文實(shí)現(xiàn)了BRT車道的識別系統(tǒng)，結(jié)合GPS判斷其所在位置范圍內(nèi)有無BRT車道，若有則判斷車道線顏色是否為黃色，即建立顏色模型，對車道線上的每一點(diǎn)顏色進(jìn)行標(biāo)記，并綜合判斷其左右車道線是否是黃色車道線,對黃色進(jìn)行標(biāo)記，如圖9左圖所示。由于車道線長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)確地識別顏色，本文結(jié)合其欄桿、路牙等特征識別車道，對檢測的車道線兩邊的一定區(qū)域（圖9右圖白色矩形區(qū)域）進(jìn)行對比，比較其顏色邊緣紋理等特征差別。通過大量的測試，本文得到了判斷其是否為BRT車道的先驗(yàn)閾值,當(dāng)矩形區(qū)域差別大于設(shè)定閾值時，則判斷為公交專用車道，從而準(zhǔn)確實(shí)現(xiàn)車道檢測。

    本文首先通過GPS采集車輛所在區(qū)域的經(jīng)緯度信息， 并建立道路經(jīng)緯度信息庫判斷車輛所在位置附近是否具備BRT專用車道,若有，則進(jìn)行車道線檢測，找到車輛所在車道的左右車道線，并判斷車道線上顏色信息以及車道線左右的邊緣亮度等信息，分析其是否具備BRT快速公交車道的特征，如具備，則可以作為監(jiān)控前方車輛是否違規(guī)駛?cè)隑RT車道的一個依據(jù)。
　    本文對合肥公交專用車道進(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)確地檢測到車輛所在車道的車道線，并對其車道作出正確的判斷。車道識別結(jié)果如圖11所示。

    本文提出了基于道路紋理特征的車道線檢測方法，將直線模型算法成功移植到DM6437開發(fā)平臺。通過攝像頭實(shí)時采集道路圖像(25 S/s,圖像大小為720×576），實(shí)時統(tǒng)計(jì)車道線信息，并在城市道路上進(jìn)行了大量的實(shí)驗(yàn)測試,平均每幀圖像的算法耗時控制在50 ms以內(nèi)，能夠較為準(zhǔn)確地檢測出車道線的位置，具有較強(qiáng)的實(shí)時性和魯棒性。
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)元素建模的車道線檢測算法[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)化道路中車道線的單目視覺檢測方法[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[J].電子測試，2011，6（6）:43-46.