基于Hough变换的车道线检测

钱怡

摘 要：车道偏离预警系统（LDWS）通过各种光学传感器和计算机确定车轮在车道中的位置，通过车道线识别提取确定车辆是否发生偏离。车道偏离预警系统的研究发展趋势主要体现在两方面：基于机器视觉的车道线识别和车道偏离决策算法。本文研究的基于Hough变换的车道线检测通过图像预处理分析可行区域，利用Hough变换从中提取车道标识线和车道边缘等信息，进行车道线检测。对实际路面图像的实验结果表明，该算法在多种环境条件下，都能很好地识别车道，具有很强的鲁棒性，进一步减小天气和光强对车道偏离预警系统的影响。

关键词：Hough；变换；车道线检测

DOI：10.16640/j.cnki.37-1222/t.2017.10.235

1 引言

目前交通事故频繁，很大一部分是由人为疏忽造成的。这种现状促进了汽车主动安全电子的发展，形成一个独立的体系。研究发现：大约 53%的单车偏离车道事故可以通过检测车辆运行时的横向位置的检测系统得以预防，最大程度避免事故发生。基于机器视觉的车道线识别，即根据道路图像，通过一定的计算机图像和视觉技术的处理，从中提取车道标识线和车道边缘的曲率等几何信息。其关键解决和处理问题如下：道路表面的阴影（树木、建筑物等阴影）、障碍物（如前方车辆、超车车辆等）遮挡了道路标志线、光照的变化影响等。Kluge K采用Hough 变换，将直线检测问题，转变为在参数空间寻找最大值的问题。也可以利用模板匹配法来进行车道标识线的识别和追踪，因为它通过引入整体信息的方法，能够有效避免因光照和障碍物遮挡引起的阴影影响。本文提出了一种基于Hough变换的车道线检测方法，试验证明，该方法能适应多种环境条件，克服不同天气和光强对车道偏离预警系统产生的影响，具有较强的鲁棒性，同时也提高了其处理速度。

2 图像预处理

图像处理是将图像信号转换成数字信号后，利用计算机对其进行处理的过程，在进行道路图像处理的过程中，原始图像会或多或少受到噪声等影响，且考虑系统实时性的要求，所以，必须先对由摄像机采集到的原始图像进行预处理。通过图像预处理，消除图像中无关的信息，恢复有用的真实信息，增强有关信息的可检测性和最大限度地简化数据，从而改进特征抽取、图像分割、匹配和识别的可靠性。在本文的研究过程中，我们对道路图像预处理主要服务于车道线的识别与提取，所进行的预处理包括道路图像灰度化、中值滤波、类Haar特征获得垂直边缘。

2.1 图像灰度化及阈值分割

车道线一般为黄色和白色，这两种颜色相较于其他颜色在灰度图像中具有更高灰度值。利用得到的灰度图像，灰度值小于255的像素点划分为路面，反之则划分到标记区域。

2.2 道路图像滤波

常用图像滤波方法有均值滤波、中值滤波和自适应滤波，本文采用的中值滤波，相较于其他两种，消除了孤立的噪声点，避免了图像产生较大模糊，图像得到增强，效果较好，同时算法相对复杂，处理速度相对较快，实时性和综合性最好。它是取一个领域模板M，将邻域内的所有像素点进行排序，并求得灰度值的中间值代替原来所有像素灰度值。

2.3 基于类Haar特征的边缘强化

本文采用类Haar垂直掩模，将白色区域灰度值之和减去灰色区域灰度值之和，再用积分图法获得垂直边缘，相较于Sohel算法，类Haar特征算法获得的边缘强化更为连续、清晰。

3 Hough变换

3.1 Hough变换原理

Hough变换是利用点线对偶性，以一种投票机制检测图像中具有特定形状的目标。首先通过特定解析表达式，统计参数空间正弦曲线交点的累积程度，找出其中的峰值即可确定图像平面中直线参数，使点线面一一对应。其实质是建立图像空间和参数空间的映射关系，通过两者相互变换，把图像全局区域内形状检测问题转变为參数局部区域内峰值点寻找问题。Hough变换原理基本如图所示，图像平面上任意一条直线对应于参数平面上的一组正弦曲线的交点，

在实际应用中，我们首先需对参数空间进行量化，并设计一个累加器，初始化为零，当检测到每个像素点对应的直线时，该条直线对应累加器数值加1，取变所有像素点，最后累加器中最大值所对应的直线即为原图像空间的目标直线。

3.2 基于Hough变换的车道线检测

基于Hough变换的算法流程如图2所示。

4 多种工况试验验证

为了验证本算法的效果，本文在Matlab 7.0平台下完成在不同天气和光照下对车道线的检测。检测效果如图3所示。

实验表明，基于Hough变换的车道线检测能够很好的适应各种天气以及光照条件，具有很强的鲁棒性和抗干扰性，但是在大雨条件下车道线识别算法仍存在不足。

5 结束语

本文设计了一种车道线检测的算法，并阐述了其工作流程，通过道路图像灰度化、中值滤波和类Haar特征获得垂直边缘对图像进行预处理，在此基础上进行基于Hough变换的车道线检测。通过实验表明，本算法具有足够的图像处理能力和准确的车道识别能力，能克服大多数因不同天气和光强对车道线识别产生的影响，具有很强的鲁棒性和准确性。但该算法仍存在不足之处，对于恶劣环境下车道线检测模糊，这也是今后重要的研究方向。

参考文献：

[1]魏凯，盛建平，熊凯.基于阴影特征的前向车辆检测和测距方法研究[J].机械设计与制造，2013：130-135.

[2]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，2010，38（02）：223-229，306.

[3]李旭，张为公.基于视觉的车道偏离预警系统的研究[J].仪器仪表学报，2008，29（07）：1554-1558

[4]陆丰俊.基于视觉的车辆车道偏离预警系统算法研究[D].湖北：华中科技大学，2006.

[5]余天洪.基于机器视觉的车道偏离预警系统研究[D].吉林：吉林大学，2006.

[6]高瑞胜.基于单目视觉的车道偏离预警系统的研究[D].杭州：杭州电子科技大学，2012.