车道线检测技术研究

□ 钟 鹏 □ 李 军

重庆交通大学 机电与车辆工程学院 重庆 400074

1 研究背景

随着城镇化的加快和汽车保有量的增加,城市交通负担日益加重,交通事故频发,人们驾驶车辆的压力倍增。车道线检测技术在汽车辅助驾驶系统中应用广泛,可以提高行车安全,减少交通事故的发生,具有重要意义。

车辆偏离预警系统等辅助驾驶系统在驾驶员疲劳和注意力分散时用于保证安全,车道线检测技术是辅助驾驶系统的基础,为实现辅助驾驶和预警提供关键信息。可见,辅助驾驶系统的效果取决于车道线检测技术的成熟程度。

2 研究现状

20世纪90年代末以来,美国、日本、欧洲等发达国家和地区对车道偏离预警技术进行了系统研究,在理论和应用方面都有所突破。目前,比较成熟的车道偏离预警系统有RALPH、SCARF、Auto Vue、AURORA等,这些系统通过提前预警驾驶员,防止驾驶员因疲劳、分心、大意等因素引发过失性交通事故。

我国在车道线检测技术领域起步相对较晚,但发展迅速,并且取得了一些成果。清华大学研制的THMR系列智能车,在环境感知和车辆控制方面取得了一定的技术突破,特别是在环境感知方面,不仅能够自动检测车道线,而且可以在车速达到100 km/h以上时自动跟踪车道线。吉林工业大学研制的JUTIV系列智能模型汽车,在车道线检测方面采用了最大方差设定阈值方法,与全局定阈值方法相比,具有更好的二值化效果,可以使用线性模型匹配车道线,并基于多种传感器融合信息构建地图。

驾驶安全是交通行业中的重中之重,车道线检测技术不断发展成熟,未来不仅将在车辆辅助驾驶系统中得到应用,而且还将用于无人驾驶汽车的环境感知系统,为无人驾驶汽车的路径规划提供局部或全局信息。

3 基于特征的车道线检测技术

基于特征的车道线检测技术主要通过区域增长、边缘检测、图像分割等方法,提取亮度、颜色、纹理等与背景差异较大的车道线特征信息,以达到识别车道线的目的[1]。

基于图像的车道线检测技术可以分为三个步骤:图像预处理、车道线特征信息提取、特征信息生成道路线。

3.1 图像预处理

图像预处理的目的是对图像进行二值化操作,减少干扰点,为后续提取特征信息减小计算量。二值化图像如图1所示。图像二值化的核心是阈值的选取。由于摄像头在采集图像时外界环境极不稳定,光照、下雨、遮荫等都会影响像素的灰度值,因此图像二值化应具有一定的抗干扰能力。

图1 二值化图像

在图像预处理中,如何规避采集图像时外界环境,特别是强光、遮荫等的干扰,显得尤为重要。程岩等[2]提出一种自适应曝光算法,利用光学传感器的特点,将采集到的图像转换为灰度值,逐行进行动态阈值对比处理,以便在后一个周期快速获得正确的曝光点。在实际道路试验中,这一算法能够有效处理道路信息。郭佳等[3]针对光照不均匀图像的二值化问题,提出了单列处理和改进的二值化方法,又称最大类间差方法,根据图像的直方图特性实现全局阈值的自动选取,解决了统一阈值二值化方法在消除特殊照明均匀化处理步骤中信息丢失的问题。以上研究对于解决光照的影响有直接参考和指导作用,特别是在夏季光照最大时,可以使二值化图像更加明显。

除外界环境的影响外,在二值化过程中,局部二值化结果还存在假目标、断裂等缺陷。对此,张洁玉等[4]提出一种二值化时局部阈值设定的方法。这一方法将整幅图像分为几个小部分,分析每一个部分的灰度值分布。在图像中移动一定大小的本地窗口,对本地窗口中像素的灰度变化与包含窗口本身且大于窗口的区域中像素的灰度变化进行比较。较大的区域由当前被窗口模板覆盖的所有子块组成,用于判断窗口中的灰度变化是否存在。根据不同的区域,给出具体的二值化方案。试验结果表明,这一方法在屏蔽背景噪声和保留目标细节方面表现最好,可有效减少目标虚假或断裂的现象。

文献[2-4]解决的是影响图像预处理结果好坏的关键问题,目标灰度值和背景灰度值差异越大,后续提取车道线信息越简单,计算量也就越小。

3.2 车道线特征信息提取

二值化后,只保留车道线的边缘特征。理论上,应该只允许车道线的灰度值大于阈值。但是,路面中的虚线、路边的障碍物等也会被提取为边缘线。对此,需要设计特定算法,有针对性地提取车道线特征信息。提取的车道线特征信息如图2所示。

图2 车道线特征信息

蔡英凤等[5]使用特殊模板匹配车道线特征。由针孔成像特性和路面先验知识可知,车道线的边缘宽度在3～5像素之间,车道线宽度为5～30像素,通过模板匹配后可以得到有效的特征点。试验结果表明,在一般工况和复杂工况下,这一方法的误检率都较低。

当路面结构不均匀时,阴影遮挡、车道线损伤和污迹覆盖使道路图像更加复杂,此时很难确定一个合适的阈值来滤除无关信息。狄帅[6]提出基于水平集外曲率的车道线特征提取方法,这一方法针对的是车道线部分的结构特征,而车道线与路面相互对比明显,所以可以在许多复杂路面情况下适用。樊超、狄帅等[7]提出基于车道线特征点分布规律的车道线识别方法,并应用了改进的随机抽样一致算法。试验结果表明,当车道线严重受损、阴影完全遮挡、大面积污渍覆盖时,这一方法能够准确识别普通道路和公路上的车道线。张远[8]提出了一种排除非车道区域提取车道线的方法。这一方法利用道路区域的连通性和区域增长的方法提取道路区域,进而识别出车道线。同时采用基于车道线相对位置的快速扫描算法提取车道线,在车道线识别过程中加入基于车道线的几何特征筛选方法,提高了车道线识别的准确率。

需要注意的是,车道线检测时容易受路面环境的干扰,检测精度和实时性难以保证。对此,程文冬等[9]提出一种基于稀疏网格和动态特征窗的车道线检测方法,在道路区域内建立稀疏网格区域,提取网格中车道线的灰度信息,极大消除了冗余像素,并根据车道线的方向特性,应用对称的六向梯度边缘检测。利用椭圆展开单元建立车道线的稀疏网格和动态特征窗口,利用车道方向和长度的显著特征提取车道线的特征边缘,并使用霍夫变换识别车道线,进而进行拟合。基于不同的道路环境对这一方法进行验证,分析不同分辨率图像中车道线检测所需的时间。试验表明,这一方法简单、快速,能有效消除各种干扰,并能在各种道路环境下准确识别车道线。在增强车道线特征和弱化其它边缘特征方面,沈峘等[10]提出一种基于方向优先的车道搜索方法,分别对两条车道独立进行搜索,使用图像增强算法对车道线边缘进行加强,使用霍夫变换检测图像中的直线,利用灰度信息识别车道线。

在车道线特征信息提取时,主要会受路面区域其它物体特征信息的影响,因此排除其它特征信息,对下一步生成到道路线起决定性作用。

3.3 特征信息生成道路线

由车道线特征信息生成道路线,需要同时满足精度要求和实时性要求。采用最小二乘法和霍夫变换对车道线进行拟合,计算量小,拟合之前需要对特征信息进行处理。拟合特征信息如图3所示。

图3 拟合特征信息

王向阳[11]采用霍夫变换和最小二乘法相结合的方法拟合车道线,具体为采用霍夫变换对检测到的第一幅图像进行拟合,由边缘分布函数得到左右车道线方向角,用于约束参数坐标极角,这样大大减小了霍夫变换的计算量。这一方法的试验准确率达到93.4%,但在第2 055帧图像中误将车辆边缘识别为车道线。凌诗韵等[12]使用改进的霍夫变换对车道线进行识别及拟合。伊金楷等[13]通过工业控制计算机识别远近车道线,采用最小二乘法拟合近车道线,并在此基础上估算远车道线。郑航等[14]利用随机抽样一致算法对特征点进行三次曲线拟合,得到车道线。三次曲线拟合相比最小二乘法,在还原函数图像时更加精确,但在车道线拟合时是否更加精确,尚待验证。

基于图像的车道线检测技术最大的优势是成本低,同时缺点也很明显,想要获得与实际完全相符的车道线,需要非常苛刻的外界环境作为支撑,因此研究者们都在致力于研究如何减小环境的影响。

4 基于模型的车道线检测技术

基于模型的车道线检测技术与基于图像的车道线检测技术,两者不同之处在于车道线特征信息的提取过程[15],前者将道路检测转换为道路模型的求解。考虑到某些道路具有特定的结构模型,设定道路模型参数对检测过程施加约束,可以降低车道线检测的复杂度。基于模型的车道线检测技术参考了道路的整体信息,同时用模型参数来表征道路,抗干扰能力较强。基于模型的车道线检测技术可以分为基于图像空间和基于顶视空间两个方面[16]。

4.1 基于图像空间的车道线检测

基于图像空间的车道线检测通过在原始图像上建立车道线模型来进行检测。屈贤等[17]提出一种基于双曲线模型的车道线检测方法,综合车道线边界参数和双曲线模型参数,运用最小二乘法对车道线进行重建。段建民等[18]提出一种改进的随机抽样一致车道线检测算法,建立车道线模型,并将车道线模型简化为双曲模型,采用改进的随机抽样一致算法对车道线进行拟合,依据两侧的车道线模型完成车道线的匹配,通过选择最支持数据点的组合来确定车道线。洪名佳等[19]提出一种基于全卷积神经网络的车道线检测方法,采集图像后,将车道线图像输入全卷积神经网络进行卷积、池、反褶积等处理,并经过条件随机场处理后,得到更精确的原始空间一致性结果。

基于图像空间的车道线检测技术理论上精度应比基于特征的车道线检测技术高,但实际应用数据较少,精确性有待验证。

4.2 基于顶视空间的车道线检测

基于顶视空间的车道线检测将原始图像通过逆透视变换至顶视空间,建立车道线模型来进行检测。陈涵深等[20]提出一种基于多帧叠加和窗口搜索的快速车道检测方法。这一方法通过反透视变换将指定感兴趣区域转换为空中视图,结合多帧叠加方法将三原色图像转换为二值图像,并根据近视视野中像素密度的分布,计算出当前帧中车道线的起点,采用滑动窗口搜索法提取出整个车道线,同时根据车道线的特点,选择不同的车道模型,通过最小二乘法拟合得到模型参数。王俊[21]提出一种基于逆透视变换的时空域匹配车道线检测方法,将图像分割后通过特征逆透视变换至顶视空间,方便后续引入实际道路模型参数,在检测过程中施加约束。钱基德等[22]基于透视图像消失点原理,采用逆透视变换消除伪车道线,完成车道线的准确定位。

5 结束语

车道线检测技术易受外界环境影响,增强车道线检测技术鲁棒性是解决这一问题的主要途径,解决方法包括:

(1)图像二值化的阈值选取要更适应后续特征信息的提取;

(2)将基于特征的车道线检测技术和基于模型的车道线检测技术结合起来,基于特征的车道线检测技术可以对基于模型的车道线检测技术进行验证,保证准确性;

(3)在特征点拟合的过程中,应进一步考虑误差的影响,不应该简单地只采用最小二乘法直线拟合或样条曲线拟合;

(4)可适当增加辅助装置,减小外界环境对车道线检测过程的影响。