基于动态识别ROI区域的车道线检测技术

刘晓楠 陈文进 刘杰

摘要：车道线检测是智能网联汽车的关键技术，传统车道线检测方法易受到复杂背景信息中非车道线直线段的影响，造成车道线检测的鲁棒性和识别率不佳。为了提高车道线检测的鲁棒性和准确率，本文通过动态识别ROI区域，剔除非车道线的图像RGB信息，限制Hough变换检测空间，提出一种基于动态识别ROI区域的车道线检测技术。通过实验表明，相对于传统方法，该技术能有效的滤除背景图像中建筑物，车辆和信号塔等非车道线直线段的影响，提高车道线检测的鲁棒性。

关键词：动态识别ROI区域;图像RGB信息;车道线检测;鲁棒性;Hough变换

随着智能网联时代的到来，自动驾驶将成为汽车行业发展的必然趋势。各大主机厂和互联网企业都在布局自己的自动驾驶产业和发展自身的白动驾驶技术。自动驾驶的发展主要有两种路线，一种是稳妥路线，从辅助驾驶向自动驾驶慢慢过渡，一种是激进路线，直接从最高级的自动驾驶开始研究。但无论哪种发展路线，都要实现基本的车道线检测功能，车道线识别的准确性，实时性和鲁棒性直接影响车辆行驶的安全性和可靠性^[1，2]。

目前车道线检测的基本方法是将从摄像头获得的图像进行灰度处理，提取图像的边缘信息，然后利用Hough变换进行直线段检测^[3-5]，最终识别出车道线^[6-8]。但对于比较复杂的道路环境，现有的车道线检测方法容易受到复杂背景中非车道线直线段的干扰，造成计算量大，实时性差，检测结果的鲁棒性和识别率不佳。

针对复杂背景噪声的干扰，为了减少计算量，提高车道线检测的鲁棒性和识别率，本文提出一种基于动态识别ROI区域的车道线检测方法。该方法通过动态识别和优化地面榆测ROI区域，剔除车道线外的图像RGB信息，限制Hough变换检测空间，提高车道线检测的鲁棒性和识别的正确性。

1 车道线检测基本原理

传统的车道线检测方法如图1所示，主要分为：图像灰度化处理，二值化处理，边缘提取，直线检测和输出车道线识别结果。首先将摄像头采集到的图像进行灰度和二值化处理，即将RGB彩色图像转换为灰度图像，并通过设定的阈值将像素点的灰度值设置为0或255，获得仍然可以反映图像整体和局部特征的二值化图像^[9，10]。其次利用边缘柃测算法，提取图像中亮度变化明显的边缘特征信息，剔除不相关信息从而减少数据量，并保留图像中的重要结构属性^[11，12]。然后利用Hough变换检测图像中的直线段，并标注车道线的输出结果。

Hough变换^[13-15]是在计算机视觉领域广泛应用的直线段检测方法。其基本思想是将原始图像由图像空间坐标变换到参数空间坐标，即直线上的所有点经过Hough变换后，在参数空间中都相交于一点。图2 （a）所示为图像空间的任一直线L，点P为直线L上的任意一点，该点的直角坐标为（x，y），极坐标为（α，r）。定义该直线与原点的距离为极径D，该直线的垂线与x轴正方向的夾角为极角θ，则极径ρ可表示为：

ρ=r×cos（θ-a）=r×cos（θ）cos（a）+r×sin（θ）sin（a） （1）

根据直角坐标和极坐标的关系x =r×cos（α），y=r×sin（α），可得到直线的极坐标方程：

ρ=xxcos（θ）+yxsin（θ） （2）

因此，每一组参数ρ和θ唯一的确定一条直线，日.该直线在参数空间极坐标内为一个点。图2（a）中位于直线上的五个点映射到参数空间后为五条曲线，且五条曲线相交于一点，其参数空间的坐标即为（θ，ρ），如图2（b）所示。因此，通过Hough变换可以将图像空间中的直线映射到参数空间的一个点，从而直线的检测问题转化为经过交点曲线的峰值统计问题。

2 车道线检测改善方法

对于传统的车道线柃测方法，往往由于车道线背景噪声中非车道直线段的影响，使得车道线检测的鲁棒性不高，识别准确率不好。为了提高车道线检测的鲁棒性，减少背景噪声的影响，本文提出基于动态识别ROI区域的车道线检测改善方法，具体检测流程如图3所示。由检测流程可知，相比传统车道线榆测方法，本文的榆测技术主要通过动态优化图像识别的检测区域，减少识别目标图像背景的噪声，来提高输入图像的信噪比。

2.1 动态识别ROI区域

根据摄像头的安装位置，及其拍摄角度，摄像头提供的原始图片往往含有大量的天空，建筑，树木等非道路路面的信息。若对原始图片直接做数据处理，则车道线检测受非道路路面信息的影响巨大，信噪比较低。传统的方法一般是直接截取图像的下半部分或者三分之一作为ROI识别区域，但对于下坡，上坡和弯道等路况往往不能准确界定道路路面和天空的分界线。本文根据图像的灰度化处理结果，逐行计算每行的灰度平均值，动态预测和识别道路路面和天空的分界线，进而实现车道线检测ROI区域的优化。图4为原始摄像头图像经过动态识别ROI区域处理后，得到的车道线检测区域。由处理结果可知，该措施有效的分离天空和地面，剔除了非道路路而信息，减少背景噪声的影响，减少计算量提高计算效率。

2.2剔除非车道线RGB颜色分量

根据车道线检测流程，将动态识别ROI区域处理后的图像进行边缘检测，利用Sobel算法获取图像的边缘信息如图5（a）所示。由边缘检测结果可知，虽然成功提取了车道线的边缘信息，但是仍然包含了很多非车道线的边缘噪声。根据车道线的颜色信息统计结果可知，道路上的车道线颜色信息基本均为白色或者黄色。对于白色车道线，其RGB颜色分量的取值范围为R∈[200，255]，C∈[200，255]，B∈[200，255];对于黄色车道线，其RCB颜色分量的取值范围为R∈[200，255]，GE[200，255]，B∈ [0，50]。因此本文基于车道线的RCB颜色分最阈值，利用边缘检测点的RGB信息，剔除不满足车道线RGB颜色分量的边缘信息。图5（b）为剔除非车道线颜色分量后的边缘检测结果。由结果可知，通过处理后，进一步剔除了背景中不满足车道线特征的噪声信息，提高了识别图像的信噪比。

2.3 限定Hough峰值检测空间

经过动态识别ROI区域和剔除非车道线RCB颜色分量的处理后，对图像进行Hough变换得到如图6（a）所示的结果。由原始图像可知，车道线集中于图像中部，道路两旁的建筑物，护栏，树木和相邻车道的车辆等均为车道线检测的干扰因素。通过研究发现，非车道线的背景噪声直线段通过Hough变换后，其极角θ值较大。因此，本文通过限定Hough变换峰值检测的极角θ范围，来避免过大极角所对应非车道线的干扰，提高峰值检测的准确率。图6（b）为限定Hough变换峰值检测空间后的Hough变换结果。

3 实验结果分析

为了验证基于动态识别ROI区域车道线检测技术的鲁棒性，对图7所示的视频源，利用本文改进方法和传统方法分别进行车道线检测，实验结果如图7所示。实验所用视频源的分辨率为1280×720的高清视频，图a1实验结果表明传统方法受到背景建筑物的影响，图b1为传统方法受到背景信号塔的影响，图c1为传统方法受到背景车辆的影响，而图a2，b2，c2为利用本文改进方法的检测结果。由实验对比结果可知，基于动态识别ROI区域的车道线检测方法，能够有效消除图像中背景车辆，建筑物以及信号塔等非车道线直线段的影响，提高车道线检测的鲁棒性。

4 总结

本文针对传统车道线检测方法容易受到背景噪声的影响，提出基于动态识别ROI区域的改进方法。该方法首先根据图像每行的灰度平均值信息，分离出天空和道路路面的分界线，动态识别ROI区域;其次基于车道线的RCB颜色分量阈值，利用边缘检测点的RCB信息，剔除不满足车道线RCB颜色分量的边缘信息;最后通过限定Hough变换峰值检测的极角θ范围，避免过大极角所对应非车道线信息的干扰。实验结果对比分析表明，相对于传统的车道线检测方法，本文所提方法能够有效的消除图像中背景车辆，建筑物以及信号塔等直线段的影响，显著提高车道线检测的鲁棒性。

参考文献：

[1]杨益，何颖基于RCB空间的车道线检测与辨识方法[J].计算机与现代化，2014（2）：86-90.

[2]刘献如，蔡自兴结构化道路车道线的鲁棒检测与跟踪[J].光电子·激光，2010（12）：1834-1838.

[3]Watanabe S， Seki M， Haga T Lane marks detection using particle filter based on voting results of hough transform[J]. Ieej Transactions on Electronics Infonnation& Systems， 2013. 133（7）：1384-1391+14.

[4] Liu L. CuiJ，Ll J Lane Mark Deteaion Based on Improved Hough Transformation for Vehicle Electronic Technology [M]. Advances in Mechanical and Electronic Engineering. Springer Berlin Heidelberg，2012：593-598.

[5]李亚娣，黄海波，李相鹏，等基于Canny算子和Hough变换的夜间车道线检测[J].科学技术与工程，2016， 16（31）：234-237.

[6]Yi S C，ChenY C，ChangC H. A lane detection approach based on intelligent vision U]. Computers& Electrical Engineering， 2015， 42（C）：23-29.

[7] Zhang JJia X， Li J Integration of scanning and unage processing algomhms for lane detection based on fuzzy method [J]. lournal of Intelligent&Fuzzy Systems， 2015， 29（6）：2779-2786.

[8]杨智杰基于RGB彩色通道的结构化道路车道线检测[J].电子科技，2015， 28（1）：95-98.

[9]刘富强，张姗姗，朱文红，等一种基于视觉的车道线检测与跟踪算法[J].同济大学学报自然科学版，2010， 3S（2）：223-229.

[10]朱淑亮，刘卫国，于涛，等结构化道路图像预处理技术[J].现代制造工程， 2015（12）：97-102

[11]范延军，张为公基于双向窗口特征提取技术的车道线检测算法[J].吉林大学学报信息科学版，2015， 33（4）：485-493.

[12]易世春，李克强，郭君斌，等基于边缘分布及特征聚类的车道标记线检测[J].汽车工程，2014（10）：1210-1215.

[13]Duda R 0， HaLtP E Use ofthe Hough transformation to detect lines and curves in pictures [M]. Communications of the ACM， 1972， 15（1）：11-15.

[14] Hardzeyeu V，Klefenz F On using the hough transform for driving assistance applications[C] International Conference on Intelligent Computer Communication and Processing. IEEE， 2008：91- 98

[15]趙颖，王书茂，陈兵旗基于改进Hough变换的公路车道线快速检测算法[J].中国农业大学学报，2006， 11（3）：104-108.