基于分段直线模型的弯道识别算法的研究*

初雪梅，王珂娜，张维刚

(1.湖南大学，汽车车身先进设计制造国家重点实验室，长沙 410082; 2.江苏大学，江苏省汽车工程重点实验室，镇江 212013)

前言

车道识别是指在没有道路先验信息的条件下确定车道标志线的位置，是车辆辅助驾驶系统的重要组成部分。车道识别在自主导航系统和车道偏离预警系统中发挥至关重要的作用，可显著减少由于驾驶员粗心而发生的事故。

车道识别包括直道和弯道标志线的识别。直线识别主要是应用直线模型［1］，用Hough变换来检测直线，实时性好，鲁棒性强，但是对于有曲率路段的识别则不够精确。对于弯道标志线的识别，国内外学者进行了大量的研究，提出了许多不同的模型，主要有:同心圆模型、二次曲线模型［2］、双曲线对模型［3］和可变车道模型。其中，可变车道模型即直线-抛物线模型，将车道分为近景和远景两部分，分别用直线和抛物线进行拟合［4-5］。

通过对高速公路结构特征和车道线特征的分析，并且考虑到实时性检测的要求，本文中提出了一种基于Hough变换的弯道识别算法—分段直线拟合算法。

1 高速公路分段直线模型的建立

1.1 高速公路建设标准

高速公路具有很多特殊性，其设计和建设都具有严格的行业标准［6］。其中关于弯道设计的标准主要有:

(1)车速为120km/h时的极限转弯半径为650m，一般最小半径为1000m;

(2)车道宽度为3.75m;

(3)分道线宽度为0.21m等。

根据高速公路建设标准，极限转弯半径为650m，因此，在车辆前方小视距范围内，弯道线都可看作直线来处理。从实际拍摄的道路图像也可看出，这种处理在绝大多数情况下都能成立。

1.2 车道线模型的比较

在车道线识别的研究中，国内外学者提出了多种车道线模型，主要有直线模型、抛物线模型和Spline样条曲线模型等，其优缺点如表1所示。

表1 车道线模型的比较

曲线模型虽然可以很好地描述车道线的几何形状，但是模型复杂，在与车道线匹配的过程中计算量较大，会影响算法的实时性;而直线模型最为简单，可用Hough变换来检测，所需计算量小，能够保证算法的实时性，但是对于弯道标识线的检测则失效。

为避免检测失效，又能利用直线检测的实时性，文中提出用分段直线模型来模拟结构化高速公路。

2 分段直线模型

由于车载摄像机拍摄的原始图像中除包含车道线的信息外，还加入了天空和树木等其他无用信息，这些信息会影响车道标志线的检测。故须先设定感兴趣区域ROI，以减小搜索范围，提高搜索效率。

分段直线模型即将弯道图像分为多个感兴趣区域ROI，在每一个感兴趣区域中分别应用Hough变换检测直线，然后将这些间断的直线拟合来逼近真正的弯道线［7］。

分段直线模型包含两条曲线:一条是左车道线，一条是右车道线。假设左右车道线的两条边界线是互相平行的，即车道线的宽度为常数。每一个分段直线模型中将左车道线分为n1条直线段而将右车道线分为n2条直线段，如图1所示。

每条车道标志线由多段直线段组成，即

其中{L1，…，Ln1}为左侧车道线，{R1，…，Rn2}为右侧车道线。

3 弯道识别算法

采用基于Hough变换的分段直线拟合算法检测弯道的步骤如下:

(1)将视频图像分割成多个感兴趣区域ROI;

(2)对各个ROI进行灰度变化、滤波和边缘处理获得二值化图像;

(3)在各个ROI中应用Hough变换检测各车道标志线;

(4)按照自下而上的顺序应用分段直线拟合算法连结各段检测到的车道标志线，如图2所示。

3.1 ROI的设定

3.1.1 弯道特征

(1)弯道标志线没有像直道标志线一样明显的对称性，且车道线的位置没有预知性，可能是左弯道，也可能是右弯道。

(2)由于车辆摄像机的立体透视效应，在近景区的车道线近似于直线，而随着距离的增大，分段直线的弯曲度越来越大，如图3所示。

因此，为保证用分段直线算法拟合弯道标识线的准确性与可靠性，采用动态设定ROI的方式。

3.1.2 动态设定ROI

采用动态设定ROI的原理是根据实际道路的连续性，即不可能出现突变的性质，依据上一个ROI中检测出的车道线，动态地改变下一个ROI，如图4所示。

(1)首先检测出最下面一段 ROI(即 ROI1和ROI2)中的左右车道线，上端点分别为a和b;

(2)以ROI1和ROI2为基础，找出a和b连线的中点，作为下一段感兴趣区域的划分点，设定ROI3和ROI4，再在感兴趣区域中应用Hough变换检测左右车道线，上端点为c和d;

(3)重复步骤(2)，找出c和d连线的中点，依此类推，直至检测出所有ROI的车道线为止。

用这种ROI设定方法，可以逐步缩小搜索范围，增加算法的准确性和实时性。

3.2 基于(r，θ)约束的Hough变换直线段检测

3.2.1 传统Hough的原理分析

基于Hough变换的车道检测是应用最广泛的车道识别方法之一。Hough变换的基本原理在于利用点与线的对偶性，将原始图像空间给定的直线通过曲线表达形式变为Hough空间的一个点，即转化为检测Hough空间的一个峰值点。因此，为提取ROI中的车道标志线，车道标志线上的每一点都可通过直线极坐标方程进行Hough变换［8］，即

式中:r为极半径;θ为极角。

可以证明，图像空间中一条直线y=mx+b对应着Hough空间的一点S(r，θ)，如图5所示，其中 D为图像对角线长，H为图像高，W为图像宽。通常情况下［9］:

3.2.2 基于(r，θ)约束的Hough变换直线段检测

仅仅根据Hough变换检测车道标志线时，防护栏线和防滑线等干扰信息也容易被当作车道标志线的候选目标。另外，一条车道标志线又有内侧线和外侧线，如图6所示，而车道标志线检测的目标是检测出车道的内侧线［10］。为解决上述问题，根据车道标志线的特征，在进行Hough变换时添加了(r，θ)约束。

(1)假设左右车道标志线的极角和极半径分别为 θl和 θr，rl和 rr，通过采集大量试验样本图像，取

式中:θl2、θl1分别为左侧车道标志线极角的上下限;θr2、θr1分别为右侧车道标志线极角的上下限。

(2)根据车道标志线特征，左侧车道线是左侧候选线中角度最小的;右侧车道线是右侧候选线中角度最大的，即 θl=θlmin，θr=θrmax。

3.3 边界点判别法拟合弯道线

3.3.1 边界点的特点

将ROI中检测到的直线段用图表示，如图7所示。直线段M边界点A和B与直线段N边界点C和D特点有:(1)By=Dy=0;(2)Ay=H，Cy=H1。式中H、H1皆为各自感兴趣区域的高。

3.3.2 基于边界点的车道线拟合

Hough变换检测到各个ROI中的峰值点，即获得了各直线段的参数。直线段定义为

式中:pl为直线段的下边界点;pu为直线段的上边界点;b0为直线段的截距;b1为直线段的斜率;ul和vl分别为pl点的水平和垂直坐标;uu和vu分别为pu点的水平和垂直坐标。

图7中各ROI之间彼此相邻，因此，M直线段的pu点与N直线段的pl1点始终在一条水平线上，如图8(a)所示。直接通过判断d＜Td1(d为pu和pl1两点之间的距离，Td1为阈值)就可将M线段与N线段连接起来，即令pu点的值与pl1点相同，连接pu与pu1，即为弯道拟合结果。运用此方法可避免延长直线段所造成的算法复杂性［11］(图8(b))，从而保证实时性。

4 试验结果

为验证算法的效果，在 CPU为 Intel(R)2.27GHz，RAM为2.86GB的计算机上，利用VS2005和Opencv库函数分别对左右弯道图像进行了车道线识别试验，由分段直线很好地拟合出左右弯道线，如图9和图10所示，检测时间都在150ms内。结果表明该算法具有很好的实时性和鲁棒性。

5 结论

在车辆视野范围不大的情况下，探讨一种基于Hough变换的分段直线模型拟合逼近弯道的检测算法。与传统的用曲线模型来检测弯道的方法相比，此算法可以更好地描述车道线的实际特征，模型适用范围广，对直道和弯道都具有良好的拟合效果，且运算量大大降低，能很好地满足实时检测的要求。

［1］Jiang G Y，Choi T Y，Hong S K，et al.Lane and Obstacle Detection Based on Fast Inverse Perspective Mapping Algorithm［C］.Proceedings of 2000 IEEE International Conference，Nashville，TN，USA，2000.

［2］郭磊，李克强，王建强，等.用于车道识别的分段切换车道模型［J］.公路交通科技，2006(11):90-94.

［3］Wang Jianwen，An Xiangjing.A Multi-step Curved Lane Detection Algorithm Based on Hyperbola-Pair Model［C］.Proceedings of the 2010 IEEE International Conference on Automation and Logistics，Hong Kong and Macau，2010.

［4］Claudio Rosito Jung，Christian Roberto Kelber.A Lane Departure Warning System Based on a Linear-parabolic Lane Model［C］.Proceedings of the 2004 IEEE Intelligent Vehicles Symposium，U-niversity of Parma，Parma，Italy，2004.

［5］Claudio Rosito Jung，Christian Roberto Kelber.A Lane Departure Warning System Using Lateral Offset with Uncalibrated Camera［C］.Proceedings of the 8th International IEEE Conference on Intelligent Transportation Systems，Vienna，Austria，2005.

［6］王文锐.公路几何线性检测技术［M］.北京:人民交通出版社，2001.

［7］Andres F Barros，Frank M Candocia.Image Registration In Range Using A Constrained Piecewise Linear Model［C］.2002 International Conference on Acoustics，Speech，and Signal Processing，Orlando，Florida，USA，2002.

［8］Lin Haiping，Ko Suhong，Shi Wang，et al.Lane Departure Identification on Highway with Searching the Region of Interest on Hough Space［C］.International Conference on Control，Automation and Systems 2007，COEX，Seoul，Korea，2007.

［9］Huang S S，Chen C J，Hsiao P Y，et al.On-Board Vision System for Lane Recognition and Front-Vehicle Detection to Enhance Driver＇s Awareness［C］.Proceedings of the 2004 IEEE International Conference on Robotics and Automation，New Orleans，USA，2004.

［10］Chan Y M，Tsai J F，Huang C Y，et al.Lane Detection Using a Piecewise-Linear Model［C］.Chinese Automatic Control Society Automatic Control Conference，Taipei，Taiwan，2006.

［11］许波文，张建明，刘志强.基于分段归类拟合算法的车道检测系统［J］.计算机工程与设计，2009，30(20):4766-4769.