基于单目视觉的车道线检测综述

樊超，刘兴家河南工业大学信息科学与工程学院

基于单目视觉的车道线检测综述

樊超，刘兴家
河南工业大学信息科学与工程学院

车道偏离预警技术是保障机动车驾驶员人身安全的重要驾驶辅助系统，而车道线检测与识别是该系统的重要组成部分，本文主要阐述了基于单目视觉的车道线检测的阈值分割的常见方法和车道线拟合阶段常用的道路模型算法，并对每一种阈值分割算法和道路模型算法作简单的优缺点分析，文章最后给出车道线检测未来可能的发展方向。

阈值分割；Hough变换；双曲线拟合

1 引言

车道线检测和识别根据检测的方法可以分为两大类型，一种是基于特征的识别算法，一种是基于模型的识别算法，基于特征的识别算法又分为基于颜色特征的算法和基于灰度特征的算法，由于基于颜色特征的车道线特征点提取容易受到道路阴影的影响，所有不能作为主要的车道线特征点提取算法，本文主要阐述基于灰度特征的车道线检测算法，基于模型的车道线识别算法一般将车道线看做直线模型和曲线模型，车道线直线部分一般采用Hough变换等，曲线模型一般采用双曲线模型等。

2 车道线检测阈值分割算法概述

阈值分割算法就是选取一个合适的阈值使道路图像分割为目标和背景两部分，也就是将车道线图像分为特征点和非特征点两部分，经过阈值分割后的图像为二值图像，阈值分割的公式如下所示：

阈值分割的算法一般有一下几种：

2.1 双峰法阈值分割

双峰法是一种全局分割阈值的方法，双峰法的分割步骤为首先作出道路图像的灰度直方图，如果直方图中有明显的双峰存在，则将双峰之间的谷底对应的灰度值作为分割阈值Th，采用双峰法分割道路图像的优点是操作简单，算法实时性比较强，但是双峰法在分割阈值时需要保证目标和背景的差异比较大，而且需要一定的图像先验知识，否则有可能分割失败。

2.2 迭代法阈值分割

迭代法阈值分割算法的步骤是首先设定一个初始阈值，然后根据迭代规则更新这个初始阈值，直到满足迭代的条件为止，迭代法阈值分割的关键是迭代规则的建立，没有一种特定的迭代规则适合所有特定的需要迭代的图像是迭代法的缺陷，下面是一种常见的迭代规则：

（1）首先求出图像的最大灰度值和最小灰度值，记为Zmin和Zmax，设置图像的初始阈值为T0=(Zmin+Zmax)/2；

（2）根据阈值Tk将图像分为前景和背景两部分，并分别求前景的灰度均值Z1和背景的灰度均值Z2，然后更新图像的阈值为Tk+1=(Z1+Z2)/2；

（3）若满足条件Tk=Tk+1，则Tk就是所求得的阈值，否则继续循环2步骤，直到满足条件。

2.3 最大类间方差法

Otsu算法的核心思想是求得一个最佳阈值使目标和背景的方差最大，最大类间方差法的优点是实时性高、计算简单，缺点是当道路图像变得复杂时不能很好的将车道线特征点与非车道线特征点分离。最大类间方差法的算法步骤如下：

（1）分别求取目标和背景两部分的像素点的所占的概率分布，公式如下

（2）分别计算目标和背景的灰度均值，计算公式如下

其中p(i)为每个灰度级出现的概率。

（3）计算道路图像的总的像素点均值，计算公式如下

道路图像的最佳阈值计算公式为：

2.4 局部阈值分割

当道路图像是结构化道路并且道路光照均匀时，使用全局阈值分割图像可以有很好的效果，但是当道路图像变得复杂并且光照不均匀时，使用局部阈值分割道路图像的效果会更好，局部阈值分割就是对道路图像的每一个像素点采用不同的阈值进行分割判断，例如可以选取道路图像像素点的灰度值同时大于左右领域的像素点的均值加上Otsu算法求得的全局阈值的一半时，此像素点为目标特征点。使用局部阈值分割道路图像的优点是能够适应复杂的道路状况，缺点是算法实时性较低。

2.5 实验结果与分析

图（a）为迭代法阈值分割结果，图（b）为Otus法阈值分割的结果，图（c）为双峰法阈值分割的结果，图（d）为局部阈值法阈值分割的结果，由对比图可以看出当道路图像光照不均匀等使得道路图像变得复杂时，全局阈值的分割效果不是很好，而局部阈值分割算法却能得到良好的效果。

图1 阈值分割算法比较图

3车道线检测拟合算法

3.1 基于Hough变换的车道线直线拟合Hough变换经常使用在从图像中识别特定的几何形状，Hough变换的基本思想是利用点与线的对偶性，将图像空间的一条直线转化为求取参数空间的峰值问题，图像空间里一条直线上的点映射为参数空间的一条曲线，图像空间直线上的所有的点映射到参数空间的曲线簇相交于一点，这个点的坐标就是图像空间直线的参数值。假设图像空间中有一条直线为y=kx+b，(x1,y1),(x2,y2)是这个直线上任意的两个点，则(x1,y1),(x2,y2)对应着参数空间中的b=-kx1+y1,b=-kx2+y2两条相交的直线，这两条直线的交点就是图像空间中直线的参数值。因此可以寻找参数空间的峰值点来求取图像空间中的直线。

3.2 基于双曲线的车道线曲线拟合

使用双曲线模型拟合车道线曲线有两种方式，一是使得尽量多的车道线特征点经过栓曲线，二是使得所有的车道线特征点距离双曲线模型的距离达到最短，两种拟合方法各有利弊，第一种拟合方式抗干扰能力比较强，但当车道线出现断裂的现象时，则会出现拟合失败的情况，第二种方法对噪声比较敏感，双曲线模型公式如下所示：

式中h表示车道线直线部分交点的纵轴坐标，由于左右车道线在现实世界中是平行的关系，所以代表两条车道线的双曲线模型也有一定的数学关系，将代表左右两条车道线的双曲线拆开为：

根据双曲线公式确定双曲线的参数就可以拟合出车道线，一般可采用最小二乘法来确定双曲线的最优参数。下面是直线模型和曲线模型下的拟合结果图。

图2 车道线拟合结果图

4 总结与展望

本文主要阐述了车道线检测阈值分割的常见方法和车道线拟合的Hough变换和双曲线拟合算法，本文是单目视觉的车道线检测算法综述，单目视觉的车道线检测的优点是易于实现，算法简单。基于多目视觉的车道线检测将是未来发展的趋势，因为多目视觉可以多角度的分析提取车道线。而且现今3D技术的发展给车道线检测带来了全新的思路，车道线检测可以结合3D技术，设计出更符合人眼的车道线检测技术。

[1]许宏科，秦严严.一种基于Hough变换的车道线检测新方法[J].徐州工程学院学报，2013,28（04）：1-4.

[2]吴林成.基于视觉的高速公路车道线检测算法研究[D].硕士学位论文.合肥工业大学，2010.

[3]Zhou Z H,Yang Y,Kumar V,et al.The Top Ten Algorithms in Data Mining[M].New York,USA：CRC Press,2009,127-149.

[4]Nieto M,Salgado L,Jaureguizar F,et al.Robust multiple lane road modeling based on perspective analysis[C].Image Processing, 2008.ICIP 2008.15th IEEE International Conference on.IEEE,2008：2396-2399.