0 引言

    高級駕駛輔助系統(tǒng)（ADAS）已成為當(dāng)前世界交通領(lǐng)域的研究熱點之一，基于視覺的車道線檢測技術(shù)是高級駕駛輔助系統(tǒng)的重要部分。

    針對車道線檢測的實時性，本文在低成本高性能DSP處理器TMS320DM6437平臺上，通過兩級Hough變換進(jìn)行車道線的檢測然后利用視頻幀與幀之間的相關(guān)性對車道線進(jìn)行跟蹤。將算法移植后，根據(jù)DSP的特點，對算法在數(shù)據(jù)處理、算法結(jié)構(gòu)以及流程等方面再次進(jìn)行優(yōu)化。

1 硬件結(jié)構(gòu)

    TMS320DM6437是TI公司的32位定點DSP達(dá)芬奇技術(shù)的處理器，主頻最高可達(dá)700 MHz，具有32 bit、256 MB尋址空間的DDR2存儲器接口和8 bit、64 MB尋址空間的異步存儲器接口， 片上集成了視頻處理子系統(tǒng)VPSS，支持汽車上用于電子設(shè)備通信的CAN總線，因此TMS320DM6437非常適合車載視頻設(shè)備的開發(fā)應(yīng)用^[1]。系統(tǒng)所用板卡結(jié)構(gòu)圖如圖1所示。

    硬件系統(tǒng)主要組成部分有：視頻輸入模塊、外圍存儲模塊、視頻輸出模塊、通信接口和電源。

    視頻輸入模塊：系統(tǒng)采用的是TVP5146視頻解碼芯片，該芯片對CCD鏡頭采集來視頻信息進(jìn)行模數(shù)轉(zhuǎn)換以及編碼后送到TMS320DM6437進(jìn)行處理。

    外圍存儲模塊：系統(tǒng)外擴了2 GB的DDR2，和128 KB的Flash。

    視頻輸出模塊：TMS320DM6437用4個輸出DAC來接口多種標(biāo)準(zhǔn)輸出，通過編程，DAC的輸出支持復(fù)合視頻，分量視頻或RGB視頻。

    通信接口：系統(tǒng)通過JTAG接口對程序進(jìn)行調(diào)試，預(yù)留了可以連接汽車OBD接口的CAN總線。

2 算法設(shè)計

    本文中車道線檢測與跟蹤算法的流程圖如圖2所示。

    本文算法總流程共分為兩大部分：車道線檢測與車道線跟蹤。

    (1)車道線檢測

    本文通過兩級Hough變換進(jìn)行車道線檢測。

    Step1.擴大角度步長，進(jìn)行第一級Hough變換。

    Step2.利用Step1檢測結(jié)果，約束范圍，進(jìn)行第二級Hough變換，精確檢測車道線。

    (2)車道線跟蹤

    利用視頻幀之間的相關(guān)性，以上一幀圖像車道線檢測結(jié)果為基礎(chǔ)，對參數(shù)進(jìn)行區(qū)間約束，進(jìn)行Hough變換，便可以跟蹤檢測后續(xù)幀的車道線。

2.1 兩級Hough變換檢測車道線

    Hough變換^[2，4]是經(jīng)典的直線檢測模型，車道線的檢測問題，經(jīng)過Hough變換，變成了直線參數(shù)的求取過程。

    Hough變換的基本原理可以用式(1)表示：

    本文提出的兩級Hough變換檢測車道線的具體過程可以用仿真實驗中以下2步來說明：

    第一級Hough變換：以10°為角度步長檢測車道線。

    第二級Hough變換：在第一級Hough變換檢測結(jié)果周圍以一定的區(qū)域作為約束區(qū)間，進(jìn)行第二級Hough變換，得到精確的車道線參數(shù)。

    兩級Hough變換的檢測結(jié)果如表1所示。

    一次基本Hough變換如式(1)，即為一次乘加運算。Hough變換中計算量最大的部分為坐標(biāo)空間變換部分，假設(shè)二值圖像中非零像素數(shù)為N。

    按照傳統(tǒng)Hough變換，則一幀圖像在坐標(biāo)空間變換部分計算量為：

    不同步長下計算量如表2所示。

    計算量相比結(jié)果為該步長下計算量與傳統(tǒng)Hough變換計算量相比的結(jié)果，從表中可以看出步長越大優(yōu)化效果越好。經(jīng)過大量實驗測試，當(dāng)步長超過10°，檢測準(zhǔn)確性將不能保證，所以將步長限定在10°以內(nèi)。

    檢測結(jié)果示意圖如圖3所示。

2.2 車道線跟蹤

    車道線跟蹤是依據(jù)相鄰視頻幀之間的相關(guān)性更加快速地檢測車道線，下一幀圖像的車道線參數(shù)可以以上一幀圖像車道線參數(shù)為基礎(chǔ)限定范圍進(jìn)行得到約束區(qū)間，在約束區(qū)間內(nèi)可以快速地檢測到車道線。以三幀圖像為例：

    (1)前一幀圖形的車道線參數(shù)為(ρ_1，i-1，θ_1，i-1)和(ρ_2，i-1，θ_2，i-1)，對前一幀參數(shù)進(jìn)行約束就能夠得到目前幀的感興趣區(qū)域。

    (2)在感興趣區(qū)域進(jìn)行Hough變換得到目前幀的車道線參數(shù)(ρ_1，i，θ_1，i)和(ρ_2，i，θ_2，i)，得到當(dāng)前幀的參數(shù)之后可以確定下一幀圖像的感興趣區(qū)域；

    (3)在下一幀圖像的感興趣區(qū)域內(nèi)進(jìn)行Hough變換得到車道線參數(shù)，重復(fù)(1)和(2)，便可得到視頻流的車道線跟蹤。

3 算法移植優(yōu)化

    本文在算法移植階段使用的是CCS3.3集成開發(fā)環(huán)境，以及DSP/BIOS操作系統(tǒng)和數(shù)字視頻軟件開發(fā)包DVSDK，充分利用了TI提供的的Vlib和IMGLIB函數(shù)庫。算法在TMS320DM6437平臺實現(xiàn)過程中，本文對算法進(jìn)行了優(yōu)化，進(jìn)一步提高了運算效率。

    (1)根據(jù)DSP特點進(jìn)行數(shù)據(jù)處理

    TMS320C64x+DSP每個指令周期可以完成一次short*short運算，但是一個int*int運算需要5個指令周期，所以數(shù)據(jù)盡量采用了short型進(jìn)行存儲。而且因為像素數(shù)據(jù)大小在0～255之間，所以像素數(shù)據(jù)以及部分其他數(shù)據(jù)均可以使用short型存儲。

    DSP中整數(shù)乘除運算指令的計算量遠(yuǎn)遠(yuǎn)超過邏輯移位指令的計算量，所以算法中的乘除運算，盡量使用移位運算。

    (2)循環(huán)部分優(yōu)化。盡量將循環(huán)展開，減少循環(huán)嵌套層數(shù)，并且減少循環(huán)內(nèi)部計算。

    (3)對于車道線的驗證部分，由每一行都進(jìn)行驗證，縮減為隔行驗證。

    (4)將算法中的“與、或”條件語句展開。

    (5)對車道線驗證過程再次進(jìn)行優(yōu)化。傳統(tǒng)算法的驗證過程為將像素坐標(biāo)以及車道線參數(shù)帶入Hough變換進(jìn)行驗證，本文提出利用像素之間的位置關(guān)系進(jìn)行驗證，示意圖如圖4所示。

    假設(shè)圖像高度為h，該車道線參數(shù)為(ρ₀，θ₀)，則對于第一行有：

    所以對于待檢測像素(x，y)，符合式(8)：

    (6)CCS3.3編譯選項中Opt Level優(yōu)化控制。Opt Level能夠控制優(yōu)化級別，其中-o后面的數(shù)字代表優(yōu)化程度，數(shù)字越高優(yōu)化越明顯，-o3為最高優(yōu)化程度。

    以上各個優(yōu)化過程對應(yīng)計算量如表3所示。

4 結(jié)果及分析

4.1 算法仿真結(jié)果

    本文在算法仿真階段中所用圖庫為加利福尼亞理工學(xué)院的Caltech Lanes dataset。該圖庫一共1 330張道路圖片，分別為科爾多瓦和華盛頓兩個城市的道路圖片。Caltech Lanes dataset樣圖如圖5所示，對應(yīng)檢測結(jié)果圖片如圖6所示。

    經(jīng)過實驗該方法正確率為79.8%。出現(xiàn)檢測錯誤的圖片全部是不存在車道線或者車道線較遠(yuǎn)不可檢測的圖片，示意圖如圖7所示。

    從時間消耗來看，經(jīng)過對不同尺寸的共計3 000幅圖片進(jìn)行測試，運用本文中算法與傳統(tǒng)Hough變換算法相比較，本文中算法時間消耗比傳統(tǒng)算法時間消耗少50%。

4.2 系統(tǒng)測試結(jié)果

    在室外搭建了實驗平臺對系統(tǒng)進(jìn)行測試。經(jīng)過測試，系統(tǒng)對車道線檢測與跟蹤達(dá)到了實時性要求，測試平臺每幀圖像大小為720×480，最終檢測速度為一幀圖像33 ms，幀率可以達(dá)到30 幀/s，并且可以在一定程度上克服行人等障礙物的影響。DM6437平臺上結(jié)果截圖如圖8所示。

5 結(jié)論

    針對車道線檢測的實時性要求，本文在TMS320DM6437平臺上實現(xiàn)了車道線實時檢測與跟蹤。本文通過兩級Hough變換進(jìn)行車道線的檢測，然后利用視頻幀與幀之間的相關(guān)性，對車道線進(jìn)行跟蹤。將算法移植到TMS320DM6437平臺上后，根據(jù)DSP特點，對算法在結(jié)構(gòu)以及流程等方面再次進(jìn)行優(yōu)化。該方法減少了車道線檢測與跟蹤的計算量，提高了算法效率，達(dá)到了車道線檢測的實時性要求，并且保證了檢測結(jié)果的正確性。本文車道線檢測與跟蹤可以應(yīng)用在車輛防碰撞預(yù)警，車輛檢測以及自動駕駛等系統(tǒng)中，對ADAS有很高的應(yīng)用價值。

參考文獻(xiàn)

[1] 周猛，喬瑞萍，王效鵬，等.基于DaVinciTM的360°全景泊車影像系統(tǒng)的設(shè)計與實現(xiàn)[J].電子技術(shù)應(yīng)用，2014，40(10)：20-22，26.

[2] LI X，WU Q X，KOU Y，et al.Lane detection based on spiking neural network and hough transform[C]//2015 8th International Congress on Image and Signal Processing(CISP)，Shenyang，China，2015：626-630.

[3] 申長安，段新濤，焦曉君，等.基于同態(tài)濾波的車道線檢測技術(shù)[J].公路，2015(11)：22-25.

[4] 段建民，劉冠宇，鄭榜貴.基于整體最優(yōu)閾值的車道線快速識別方法[J].北京工業(yè)大學(xué)學(xué)報，2015，41(1)：42-47.

作者信息:

趙午峰，喬瑞萍，孫  賀

（西安交通大學(xué) 電子與信息工程學(xué)院，陜西 西安710049）