基于OpenCV的車道線識(shí)別與跟蹤算法

隨著近年計(jì)算機(jī)視覺和深度學(xué)習(xí)算法的快速發(fā)展，越來越多的學(xué)者將視覺傳感器融合于無人駕駛技術(shù)。車道線作為車輛行駛道路上較為重要的信息之一也迎來了研究的熱潮。本文提出了一種有效的車道線識(shí)別與跟蹤算法，以提高車道線識(shí)別的效率及準(zhǔn)確率。

1  車道線識(shí)別與跟蹤算法思路

車道線識(shí)別與跟蹤算法屬于典型的機(jī)器視覺應(yīng)用，通過視覺傳感器獲取每一幀圖像進(jìn)行智能分析判斷出車輛是否偏移路線，算法主要思路如下：

Step1：圖像預(yù)處理。獲取視覺傳感器傳遞的一幀圖像進(jìn)行中值濾波，選擇適當(dāng)?shù)倪吘墮z測(cè)算法將圖像邊緣信息進(jìn)行細(xì)化，然后對(duì)其檢測(cè)結(jié)果進(jìn)行熱點(diǎn)區(qū)域分割；

Step2: 車道線檢測(cè)。選擇檢測(cè)器進(jìn)行直線檢測(cè)， 圖像經(jīng)過預(yù)處理之后，車道線區(qū)域?qū)?huì)比較突出，利用檢測(cè)器在進(jìn)行車道線檢測(cè)的同時(shí)會(huì)自動(dòng)過濾掉無效信息，保留與真實(shí)車道線最接近的兩條直線；       

Step3:車道線跟蹤。檢測(cè)消失點(diǎn)，延長兩條直線交于一點(diǎn)，交點(diǎn)轉(zhuǎn)化到二維平面的消失點(diǎn)；

Step4:偏移預(yù)警。通過偏移度對(duì)車輛進(jìn)行監(jiān)控以達(dá)到輔助駕駛的目的^[1]。    

2  車道線識(shí)別與跟蹤算法實(shí)現(xiàn)

(1)  圖像預(yù)處理

圖像預(yù)處理決定車道線檢測(cè)的效果，主要研究內(nèi)容分為中值濾波，邊緣檢測(cè)，和興趣區(qū)域選定三部分。

1)  中值濾波

中值濾波能夠很好的剔除干擾像素，并且保護(hù)邊緣信息。通常由一個(gè)奇數(shù)大小尺寸窗口在圖像矩陣上進(jìn)行滑動(dòng)操作，將排序過后的像素中值作為當(dāng)前窗口中心位置的像素值。

2)  邊緣檢測(cè)

使用Canny算子對(duì)濾波后的圖像進(jìn)行邊緣檢測(cè)。

用高斯濾波器平滑圖像。用模板矩陣掃描圖像中的每一個(gè)像素，確定的鄰域內(nèi)像素的加權(quán)平均灰度值去替代模板中心像素點(diǎn)的值。

b.用一階偏導(dǎo)有限差分計(jì)算梯度幅值和方向。尋找一幅圖像中灰度強(qiáng)度變化最強(qiáng)的位置。利用核來分別求得沿水平（x）和垂直（y）方向的梯度Gx和Gy。

     Gx =   and   Gy =

對(duì)圖像做橫向和縱向平面卷積，得到亮度差分近似值，求得每一個(gè)像素點(diǎn)的梯度度量值。

標(biāo)定邊界的真正位置需要存儲(chǔ)梯度方向，會(huì)存儲(chǔ)梯度的強(qiáng)度信息和梯度的方向信息, 公式如下。

c． 對(duì)梯度幅值進(jìn)行非極大值抑制。求出的幅值圖像中可能存在多個(gè)較大幅值臨近的情況，進(jìn)行非極大值抑制找出局部最大值，剔除大部分非邊緣像素點(diǎn)。對(duì)每一個(gè)像素點(diǎn)做處理：根據(jù)該像素點(diǎn)的梯度方向，確定需進(jìn)行比較的臨近像素點(diǎn)位置。

d. 應(yīng)用雙闕值技術(shù)。設(shè)定一個(gè)上界和闕值下界，圖像中的像素點(diǎn)如果大于闕值上界則認(rèn)為必然是邊界，小于闕值下界則認(rèn)為必然不是邊界。

使用Canny算子對(duì)圖像進(jìn)行邊緣檢測(cè)之后的車道線會(huì)更加突出，便于下一步直線檢測(cè)。效果如圖2所示。

3)  熱點(diǎn)區(qū)域分割

只關(guān)注熱點(diǎn)區(qū)域不僅能提高識(shí)別算法效率還減少了部分干擾像素，從而提高識(shí)別的精準(zhǔn)度。實(shí)驗(yàn)中采用的方法為：將數(shù)字圖像中非熱點(diǎn)區(qū)域像素賦值為0其余區(qū)域保留原值。對(duì)圖像進(jìn)行分割應(yīng)放在圖像預(yù)處理的最后一步，否則其分割的邊緣像素會(huì)對(duì)直線檢測(cè)的準(zhǔn)確率造成影響。

(2)車道線檢測(cè)

     車道線檢測(cè)直接影響著車身偏移的測(cè)定，主要研究內(nèi)容分為檢測(cè)直線和擬合車道線兩部分。霍夫變換檢測(cè)直線可有效降低噪聲干擾；中值算法擬合車道線可明顯提高車道線檢測(cè)的效率，使算法準(zhǔn)確率和效率得到進(jìn)一步提高?；舴蜃儞Q通常會(huì)檢測(cè)到重合在車道線邊緣的直線。具體方法為：將檢測(cè)結(jié)果分別裝入兩個(gè)容器中并求中值，當(dāng)直線數(shù)目為奇數(shù)，真實(shí)車道線為重合直線的其中一條；當(dāng)直線數(shù)目為偶數(shù)，真實(shí)車道線為中間兩條直線的平均數(shù)值；對(duì)于偏離真實(shí)車道線的直線直接舍棄。經(jīng)過實(shí)驗(yàn)表明在多種路面下都能表現(xiàn)出較好的檢測(cè)效果。

(3)車道線跟蹤

在集合映射概念中，空間內(nèi)所有平行直線都會(huì)相交與無窮遠(yuǎn)點(diǎn)，這個(gè)無窮遠(yuǎn)點(diǎn)稱為消失點(diǎn)。在實(shí)際的道路中，有很多平行直線，如：道路護(hù)欄，車道線，邊界等。這些平延伸至遠(yuǎn)方形成消失點(diǎn)。在車道線檢測(cè)中，對(duì)兩條車道線進(jìn)行擬合出，大概確定消失點(diǎn)的位置。根據(jù)視覺傳感器與消失點(diǎn)形成的直線與兩條車道線之間的距離之比，來判斷偏移角度是否在一個(gè)合理的范圍之內(nèi)，從而達(dá)到識(shí)別車道線來進(jìn)行輔助駕駛的目的。

3  實(shí)驗(yàn)與仿真驗(yàn)證

驗(yàn)證車道線識(shí)別與跟蹤算法的效果，選取了三張不同時(shí)間段的圖片進(jìn)行測(cè)試，在多種不同的道路情況下，車道線的識(shí)別效果非常的好。尤其對(duì)于直線道路或者彎曲幅度不大的車道線識(shí)別的錯(cuò)誤率幾乎為零，如圖5所示。對(duì)算法執(zhí)行時(shí)間進(jìn)行評(píng)計(jì)，由于對(duì)不必要像素的剔除減少了矩陣計(jì)算，提高的算法的執(zhí)行效率。算法與未進(jìn)行熱點(diǎn)區(qū)域定義前效率對(duì)比如圖6所示。

4  結(jié)論

定義熱點(diǎn)區(qū)域?qū)Σ槐匾膮^(qū)域進(jìn)行剔除，采用取中值的辦法來確定車道線位置，最終預(yù)測(cè)消失點(diǎn)，能夠提高車道線檢測(cè)與追蹤算法的效率和準(zhǔn)確率，具有一定的可行性。經(jīng)過反復(fù)驗(yàn)證，該方法能夠?qū)嚨谰€進(jìn)行較好識(shí)別，具有較高的抗干擾能力。對(duì)智能駕駛技術(shù)具有一定的應(yīng)用價(jià)值。

本文來源：《企業(yè)科技與發(fā)展》：http://k2057.cn/w/qk/21223.html