基于改进最小二乘法车道线模型的车道标识线检测识别

梁朱冬，陈洪洋

（长安大学 汽车学院，陕西 西安 710064）

基于改进最小二乘法车道线模型的车道标识线检测识别

梁朱冬，陈洪洋

（长安大学 汽车学院，陕西 西安 710064）

车道标识线检测识别是车辆主动安全系统的关键技术之一。为了满足车道标识线检测的实时性、鲁棒性、准确性，在对采集图像进行预处理后，再经过图像信息提取，基于线性回归与车道标识线宽度约束的道路模型，实现车道标识线的拟合。

车道标识线；图像识别；线性回归；道路模型

CLC NO.:U461.9 Document Code: A Article ID: 1671-7988 (2017)15-98-03

引言

随着我国高速公路建设的快速发展，人们对于公路出行的需求愈来愈大，随之而来，交通事故近年来也呈现不断攀升的趋势，道路交通安全事故已经成为人民公共财产安全的最严重问题之一。

预防交通事故发生的主动安全技术成为现代汽车技术的主要研究方向。这其中，车道标识线检测识别是多种主动安全技术的必要前提。

本文在原有车道标识线识别技术的基础上，充分考虑Hough变换算法的局限性，创新引入基于线性回归与车道标识线宽度约束的道路模型，解决了最小二乘法在车道标识线检测中的局限性，兼备计算量小，准确性优等特点，提高了车道标识线检测中所强调的实时性。基于机器视觉技术的车道标识线检测识别的主要流程如下图1：

图1 车道标识线检测工作流程图

1 图像预处理

灰度化——为了提高图像处理速度，简化图像处理算法，实现图形处理实时性，需要对采集到的彩色图像进行灰度化。此外，本文通过灰度图像直方图均衡化增强方法来增加图片高亮度处对比度，以达到图像灰度级分布均匀。

滤波去噪——由于天气条件、行车环境、实验设备等条件的影响，图像在采集、传输过程中会产生热噪声、光电子噪声、信道传输噪声及量化噪声等，会对图像最后的成像质量产生影响。本文运用中值滤波算法实现道路图像的滤波去噪。

2 车道线边缘信息提取

常见的边缘信息提取方法有基于Sobel算子、Prewitt算子、Canny算子等。以上算法在检测过程中忽略了车道标识线的方向性，故此，本文提出一种将方向可调滤波器应用于车道线边缘检测的方法，用以改善车道标识线边缘信息提取效果。

图2 使用方向可调滤波器进行边缘检测处理结果

3 基于车速的动态感兴趣区域划分

在现实环境中，所采集的道路图像中与车道标识线无关的信息占据了大部分空间，例如临路建筑物、树木、临近车道、标识牌等。通过设置感兴趣区域能够减少此类无关信息的干扰，简化计算，提高系统实时性。本文提出一种基于车速的动态感兴趣区域提取方法。

式中，ν为当前车速，ν0为高速公路规定的最低行车速度，即60km/h。

图3 动态感兴趣区域建立

当CCD传感器的安装位置固定时，道路标识线在图像中的位置也即确定，感兴趣区域在水平方向上以左右车道线所在直线为中心，左右各平移20△ν个像素；垂直方向上，考虑到车道线基本处于图像的下半区，上边缘为距图像底边距离为整幅图像的十二分之五，依此建立动态感兴趣区域如图3所示。

4 面向序列图像的改进最优阈值分割

在采集的图像中远视点处，由于光影关系，车道标识线与路面灰度的对比度减弱，故本文提出一种面向序列图像的改进最优阈值分割方法，以图像的每一行作为处理基本单元进行最优阈值分割，能够显著消除噪声干扰，车道标识线边缘信息提取更准确。

5 图像坐标系约束下道路方程求解

本文提出基于线性回归与车道标识线宽度约束的道路模型，解决了最小二乘法在车道标识线检测中的局限性，兼备计算量小，准确性优等特点，提高了车道标识线检测中所强调的实时性。

5.1 基于多特征集合的车道标识线筛选

本文利用车道标识线固有的形态特征及逻辑关系对车道线特征区域进行车道标识线筛选，用以排除图像上无关信息，提高车道标识线识别准确性。

以车道标识线多特征集合元素为基元，建立车道标识线的筛选判定公式如下，当且仅当J(lane(i))=1时，确定候选车道线为真正的车道标识线。

式中，D(lane(i))、W(lane(i))、H(lane(i))、L(lane(i))分别为第i条车道线同向性、车道线宽度、高度特征、长度标记。

5.2 基于线性回归与车道标识线宽度约束的道路模型求解

5.2.1 车道线中线提取

车道线检测的过程就是将离散的边缘像素进行筛选，拟合成连续的线段。如图3所示，由于车道线边缘具有内侧和外侧，将内外边缘连接起来就成图示线段。进而将车道标识线细化，在保持车道标识线完整的同时，得到车道线的骨架。

图4 车道线中线提取示意图

5.2.2 基于线性回归的道路方程求解

如图5所示，在图像坐标系下，对于若干车道线特征点(xi，yi)(i=1,2,…n)，假设车道线的直线模型方程如下：

其中，a为直线的斜率，b为直线的截距，利用最小二乘法只需要解方程组的两个参数a、b，就可确定车道线方程。通过解算a、b的最佳估计值，使得噪声产生的误差平方和最小。

图5 图像坐标系的建立

道路直线模型方程的误差函数：

若使误差的平方和最小，那么a，b的偏导数须同时为0，即

得到一个关于a，b的方程组：

用矩阵的形式表示为：

求解上述矩阵方程可得到系数：

若道路模型为弯道曲线方程，同样可以利用以上原理进行求解，设曲线方程为：

对各参数求偏导，最后取得方程组为：

采用上述公式可以拟合出道路曲线方程的参数。

6 车道标识线检测离线实验验证

采用离线实验方式来验证本文提出的车道标识线检测算法的准确性。实验相应结果如下图。

图6 光照良好条件下的检测结果

图7 阴天弱光条件下的 检测结果

图8 强光条件下的检测结果

图9 小雨天气条件下的检测结果

7 结论

本系统能够较好的实现车道标识线的检测，通过大量实验可以验证此系统具体良好的鲁棒性、实时性、可靠性。准确、高效的车道标识线检测技术能够为后续主动安全技术的开发提供保障。

[1] 毕雁冰. 高速汽车车道偏离预警系统可行区域感知算法研究[D].长春: 吉林大学, 2006.

[2] 于兵, 张为公, 龚宗洋. 基于机器视觉的车道偏离报警系统[J].东南大学学报(自然科学版), 2009, 39(5): 928-932.

[3] 刘媛. 基于机器视觉的车道偏离预警系统关键算法研究[D]. 长沙: 湖南大学, 2013.

[4] 郭磊, 李克强, 王建强, 等. 应用方向可调滤波器的车道线识别方法[J]. 机械工程学报, 2008, 44(8): 214-218.

[5] 吴晴, 田炳香, 郑榜贵. 一种用于高速公路的快速有效的车道线识别算法[J]. 计算机测量与控制, 2008, 16(11): 1718-1723.

[6] 余厚云, 张为公. 基于动态感兴趣区域的车道线识别与跟踪[J].工业仪表与自动化装置, 2009, (5): 103-106.

Lane mark recognition based on improved least squares lane mark model

Liang Zhudong, Chen Hongyang
( School of Automobile, Chang’an University, Shaanxi Xi’an 710064 )

Lane mark recognition is one of the key technology of vehicle active safety system. After the preprocessing of pictures, in order to satisfy the instantaneity, robustness and accuracy of lane mark recognition, this paper used the road model based on linear regression and the constrain of lane mark width.

Lane mark; image recognition; linear regression; road model

U461.9

A

1671-7988 (2017)15-98-03

梁朱冬，就读于长安大学。

10.16638/j.cnki.1671-7988.2017.15.036