基于Hough空间车道识别新算法的研究

奥 迪

(国家汽车质量检测中心(襄阳)，湖北 襄阳 441000)

基于Hough空间车道识别新算法的研究

奥 迪

(国家汽车质量检测中心(襄阳)，湖北 襄阳 441000)

对于道路车道的识别提出了一种新的算法，主要包含两个主要部分：图像预处理部分首先通过图像灰度化和直方图均衡化得到灰度图像；然后进行二值化得到车道嫌疑区；最后通过形态学处理和边缘检测得到车道嫌疑区的边缘。车道检测部分通过对边缘图进行霍夫变化后利用车道线的位置特殊性来分别识别左右车道线。最后实验对比表明此算法能较大地提高准确性和实时性。

车道识别；霍夫变换；图像处理

0 引言

国内外科学水平的提升带动着智能交通系统的进步，因之智能汽车的辅助驾驶系统成为了一个重要研究对象。智能汽车的辅助驾驶系统一般来说需要实现读取道路和障碍物检测，进而可以提供防止偏离和防止碰撞的报警，以帮助智能汽车安全驾驶[1]。其中车道的识别是相对基础的部分，它可以提供汽车自身在行驶路面中的方向和位置信息，方便对障碍物进行检测与判断，成为智能汽车辅助驾驶系统的部分关键技术。

在车道识别中，主要研究的是如何去搜索路面上的车道线。具体的方法分别是视觉传感器和雷达传感器两大方向[2]。基于视觉传感器的车辆道路识别方法是经过分析CCD摄像机得到行驶路面的图像信息进而搜索车道线；基于雷达传感器的车辆道路识别是通过雷达形成图像来进行车道识别[3]。基于行驶路面的图像信息来搜索车道线的方法特别容易被天气、温度等外界环境干扰，而基于雷达传感器的车道识别方法需要在车辆上安装几颗雷达，这样会导致成本升高并且同样会被天气、温度等外界环境干扰[4]。因此目前对车道识别的研究还主要集中在图像处理领域。本文对车道识别的研究基于CCD视觉传感器，这种方法能很好地处理因外界环境光线变化而对摄像机获取图像的影响以及车道边缘不平整所带来的车道问题[5]。同时，提高了车道识别的准确率和速度。

1 图像预处理

智能汽车在前后左右总共需要配置8个针孔摄像头。布置在汽车前方的针孔摄像头通过拍摄图像，在进行过图像的配准与融合后形成了前方景物的图片数据。但是这里包含了路面障碍，远处的人、车、物，道路两旁的楼宇树木以及天空等非车道信息[6]。所以，在进行汽车所在车道识别的过程中，需要进行预处理。这里包括：直方图均衡化、图像灰度化，二值化，形态学处理以及边缘检测。未处理的原始图像如图1所示。

图1 未处理的原始图像

1.1 图像灰度化与直方图均衡化

RGB图像拥有的信息量非常大；然而灰度图像信息含量虽然很少但能非常好地读取R、G、B三方位的信息量。这是因为灰度图像是以不同的权值对三通道信息进行加权平均得到，如式(1)所示。

(1)

大量实验数据表明，在a取0.3，b取0.59，c取0.11的情况下比较符合人类视觉的灰度值。

为了改善整个过程的处理速度，进而达到数据实时的要求，需要对图像灰度化。此外在不同的天气情况下以及每日各个时刻，所拍图像因光照强度变化而产生某区域范围图像灰度密度较大。这种情况会对后续步骤的处理精度产生较大影响，因此应该对其实施直方图均衡化处理，进一步来改善图像的差异化。直方图均衡化是通过使用累积函数对灰度值进行“调整”以实现对比度的增强。它能有效地扩展常用亮度来实现增加局部对比度的需求。

1.2 图像二值化

为了分割车道嫌疑区和背景区域，图像在经过直方图均衡化后，需要对其进行二值化处理。所谓图像二值化就是将图像灰度变为只有两个灰度，如式(2)所示。

(2)

其中T为分割阈值。本文采用了一维OTSU来确定阈值T，这种方法不但能够满足所需精度，而且处理速度极快。由于车道线的颜色一般为浅色，所以进行二值化能够很好地保留车道线。这种方法能大大减少计算量，并且粗略地得到车道嫌疑区。

1.3 边缘检测与形态学处理

边缘检测是标识数字图像中亮度变化明显的点。对车道嫌疑区进行边缘检测主要是为了提取车道的边缘以及干扰的边缘，减少后续车道判断的计算量，使得处理速度提高上千上万倍[7]。本文采用Sobel边缘检测算子检测边缘点，进行边缘加强。卷积核45°与135°方向模板如式(3)所示。

(3)

有时图像中道路两旁会存在着楼宇和栅栏等建筑，并且它们相对于马路而言颜色较浅，会被认为是车道嫌疑区。对于楼宇，尤其是高层住宅，窗户的数目很多，并且都被隔开了，在进行边缘检测时会多出很多线条。对于道路两旁的栅栏，也是因为同样的原因，会多出很多线条。对于这些冗余信息，在进行车道线识别的过程中属于干扰，增加了计算量同时降低了处理速度。为了在边缘检测过程中，减少非车道的线条数目，需要通过形态学处理，把一些间隔不大的区域包涵进去，从而减少边缘检测中的线条数目。所谓形态学处理就是保持基本形状特性的前提下去除不相干结构的算法。

经过以上处理后的图像如图2所示。

图2 预处理各步图像

2 车道识别

一般车辆只能行驶在一个车道内，所以可以把图像分成左右两个部分来分别识别左右侧车道[8]。这种分别识别的方法可以提高提取车道的准确性与鲁棒性。

2.1Hough变换

霍夫变换(HoughTransform)是图像处理中的一种特征提取技术，它通过一种投票算法检测具有特定形状的物体。其过程在一个参数空间中通过计算累计结果的局部最大值得到一个符合该特定形状的集合作为霍夫变换结果。图像x-y空间与参数θ-ρ空间对应关系如式(4)所示。

ρ=xcosθ+ysinθ

(4)

其中，θ为x轴正方向与直线经过原点的垂线的夹角，ρ为坐标原点和直线之间的距离。

Hough变换就是把图像空间中的直线检测问题转换为在参数空间中对应点的检测问题，通过在参数空间里进行简单的累加计算完成检测任务。

2.2 左侧车道的识别

利用车道线位置的特殊性就可以在车道嫌疑区的边缘中提取出车道线。具体步骤如下：

Step1：把边缘检测后的图像提取出左半部分。

Step2：对该部分进行霍夫变换，在θ-ρ空间提取出ρ为最大值所对应直线中的点。

Step3：对左半部分图像的下部分进行多次裁剪。使得每张裁剪后的图像列数相同但行数不同。然后重复Step2，这样就得到了多个点。

Step4：在剔除误差较大点后，应用最小二乘法来拟合出一条直线，则该直线就是左侧车道线。

在此过程中需要注意ρ为最大值所对应的直线不一定是最长的直线，即在θ-ρ空间不一定是最亮的点。这是因为车道线边缘是不平整的。ρ为最大值所对应直线中的点一般就是左侧车道线内侧的最下面附近的点。在道路两旁的路灯的倒影会切断车道线，出现凹陷。在车道内也可能出现其他浅色物体来干扰检测的准确性。截取多个行数不同的图像，除了能达到获得多个车道线中的点的目的外，还可以解决上述道线边缘不平整、倒影以及干扰物体影响的问题，提高了检测的准确性。

左侧车道识别后的结果如图3所示。其中左半部分为未识别图像，右半部分为识别后的结果。

图3 左侧车道线的识别结果

2.3 右侧车道的识别

右侧车道的识别其实与左侧车道的识别是相同的，只是先要进行映像操作。具体步骤如下：

Step1：把边缘检测后的图像进行映像处理，使得右侧图像对称到左侧。

Step2：进行左侧车道识别中的步骤。

Step3：再将得到的图像进行处理恢复到映像处理前的状态。

图4 左侧车道线的识别结果

右侧车道识别后的结果如图4所示。其中左半部分为映像后的未识别图像，右半部分为映像后的识别结果。

2.4 实验对比

把识别车道后的左侧图像与右侧图像融合到一起就得到了完整的图像，如图5所示。传统的算法一般采用图像二值化后直接边缘检测，然后进行基于霍夫变换的直线检测，提取截距为最大值的直线来确定出车道线。应用传统算法对同一副图像进行处理的结果如图6所示。可以看出，传统算法把左侧的栏杆和其他车道线误认为本车所行使的车道。这些误认主要是因为车道的边缘不平整，形成不了足够长的直线。而本文算法则准确地识别出了真实车道，这主要是因为在处理过程中含有对于干扰信息的去除和误差点的剔除。

图5 本文算法处理后图像

图6 传统算法最终结果

另外，本文选取了另外一些两种算法都能准确定位车道的图像进行了车道识别的处理。算法的处理过程中，算法所需平均执行时间如表1所示。可以看出，本文算法在时间上缩短了43.3%。这主要是因为本文在图像预处理过程中对于干扰信息以及冗余信息的判断与去除。这说明本文算法能更好地满足实时性要求。

表1 算法所需的平均执行时间对比

3 结语

本文在传统算法的基础上，进行了改进进而提出了一种新的车道识别算法。该算法主要分为图像预处理和车道识别两个部分。与传统算法相比，在图像预处理部分，本文增加了直方图均衡化和形态学处理的过程。直方图均衡化解决了由光照导致的区分度不足问题；形态学处理则屏蔽了一些干扰信息和冗余信息。在车道识别部分，本文分成左右两部分图像分别进行车道识别。利用车道线在半图中的特殊位置来进行识别，其中增加了去除车道线边缘不齐整干扰的算法。最后实验结果表明，本文算法能在准确性和实时性有较大的提高。

[1] 王孝兰.基于红外CCD的夜间前方车辆识别[D].长春:吉林大学,2009.

[2] 王华莹.基于机器视觉的车辆检测和车距测量方法研究[D].大连:大连理工大学,2011.

[3]JinlongLiu.ANovelAlgorithmResearchonLaneRecognitionBasedonHoughSpace[J].ISSN,2014,1(3):2331-9062.

[4]YuHongfei,WeiLiu,JianghuaPu.Lanerecognitionbasedonlocationofraisedpavementmarkers[C].IntelligentVehiclesSymposium(IV),IEEE,2011:1013-1018.

[5]FranksU,LooseH,KnoppelC.LaneRecognitiononCountryRoads[C].IntelligentVehiclesSymposium,IEEE,2007:99-104.

[6] 刘金龙.对安全车距的智能检测技术[J].电子世界,2014(3):101.

[7]O’MalleyR,JonesE,GlavinM.Rear-LampVehicleDetectionandTrackinginLow-ExposureColorVideoforNightConditions[C].TransactionsonIntelligentTransportationSystems,IEEE,2010:453-462.

[8] 顾柏园.基于机器视觉的道路上前方多车辆探测方法研究[J].汽车工程,2006(10):30-33.

[责任编辑、校对：梁春燕]

A Novel Algorithm Research on Lane Recognition Based on Hough Space

AoDi

(National Automobile Quality Supervision and Test Center (Xiangyang),Xiangyang 441000,China)

A novel method for lane marking recognition that includes two sections was introduced.The image pre-processing section got the gray image by using methods of gradation and histogram equalization.Binarization was used to get the region of interest (ROI).The boundary of ROI was obtained through morphology operation and edge detection.The left and right lanes were detected in the lane detection section through Hough transform basing on the special positions of lanes.Experiment results indicate that this novel algorithm features fast, precise and reliable.

lane detection; hough transform; image processing

2014-12-03

奥迪(1992-),男，山西吕梁人，初级工程师，从事整车试验可靠性研究。

O495

A

1008-9233(2015)03-0075-04