夜间车道线检测的研究

王正家　王若　吴顺尧　何涛

摘  要： 夜间环境下的车道线检测是汽车智能辅助安全驾驶系统在夜间正常工作的前提和基础。由于夜间环境下存在图像整体较暗、光照不均匀、车道线不易检测的特点，使当前在日间环境下应用良好的算法难以适用。针对此问题，该文提出一种夜间车道线检测的方法。通过从摄像机获取的图像中提取感兴趣区域，采用双边滤波去除感兴趣区域中的噪点，并使用暗光增强算法提高对比度，最后通过边缘检测算法提取出边缘并应用霍夫变换得出直线。应用该文算法对夜间环境下的车道图像进行测试，实验结果表明，该文算法较常规的车道检测算法更能准确地检测出车道线。

关键词： 车道线检测; 图像增强; 边缘检测; 霍夫变换; 非线性拉伸; 双边滤波

中图分类号： TN911.23?34; TP391                文献标识码： A                     文章编号： 1004?373X（2020）24?0026?04

Research on nighttime lane detection

WANG Zhengjia1，2， WANG Ruo1， WU Shunyao1， HE Tao1

（1. Key Laboratory of Modern Manufacturing Quality Engineering， Hubei University of Technology， Wuhan 430068， China;

2. State Key Laboratory of Digital Manufacturing Equipment and Tecchnology， Huazhong University of Science and Technology， Wuhan 430068， China）

Abstract： The lane line detection at night conditions is the premise and foundation for the intelligent auxiliary safe driving system to work normally at night. Due to the features of dark image， uneven illumination and difficult detection of lane lines in the nighttime environment， it is difficult to apply the algorithm that is well applied in the daytime environment. On this basis， a method of nighttime lane detection is proposed. The region of interest is extracted from the image acquired by the camera， and the noises in the region of interest are removed by means of the bilateral filtering， and the contrast is improved by means of the dark light enhancement algorithm. The edge is extracted by the edge detection algorithm， and the straight line is obtained by means of the Hough transform. The algorithm is applied to the lane image in night environment. The experimental results show that this algorithm can detect lane lines more accurately than the conventional lane detection algorithms.

Keywords： lane line detection; image enhancement; edge detection; Hough transform; nonlinear stretching; bilateral filtering

0  引  言

近年來，科学技术的不断进步以及人工智能的高速发展，给汽车行业带来了巨大的变革。汽车驾驶辅助系统能有效地增加舒适性和安全性，其中的关键技术——车道偏离分析及预警系统是以车道线检测为前提的[1?2]。目前的研究大都基于常规光照条件（如白天）[3?7]，常规情况下光照分布均匀，车道线与路面之间的对比度明显，因此利用索贝尔或者拉普拉斯等边缘检测算子检测出车道线。在夜间只有车灯照射路面环境下获取的图像整体较暗、光照不均匀、对比度低、车道线不易检测，针对这种情况，党宏社等人利用Gabor模板变换分析得到尺度和方向的特征图[8]，并进行融合得到图像的纹理特征和方向索引值，利用索引值确定消失点，再根据消失点确定的区域进行曲线拟合。但由于使用不同的尺度模板进行变换分析，且还需要进行曲线拟合，这会导致计算量大。孙晓艳等人提出一种基于亮度累加直方图的车辆检测算法[9]，通过统计大量的尾灯亮度信息得到分割阈值，由该阈值确定最大类间方差法的初始阈值。该方法需要数百帧图像一起计算，导致计算量过大。钱龙等人提出一种夜间车道线图像的预处理方法[10]，文中使用全局灰度均值作为改进的局部直方图分割的标准，导致改进的局部直方图均衡化所选取的分界点阈值方法不合理，所以在灰度值差异大且数量比例严重不平衡情况下会造成车道线误检测。李亚娣等人提出夜间车道线识别方法[11]，对预处理后的图像采用拉普拉斯算子进行边缘增强，但拉普拉斯算子也会增强图像中的噪声。利用二阶导数信息的算法是基于过零检测，因此得到的边缘点数比较少，会造成误检测从而不利于后续的处理和识别工作。针对上述问题，本文提出一种夜间车道线检测的方法，从摄像机获取的图像进行感兴趣区域提取，采用双边滤波算法对图像进行预处理，然后使用一种非线性对比度拉伸方法增强图像的对比度，最后用Scharr算子求取卷积核的边缘检测结果，让其作为霍夫直线检测算法的输入数据，从而可以在夜间环境下准确地检测出车道线。

1  图像预处理

根据摄像头安装位置特点选取感兴趣区域见图1。图中最顶部分是天空，最底部分是车头，因此把整幅图像从上到下分为四部分，排除最顶部天空和最底部车头之外选取中间属于车道线的两部分。由于夜间环境下图像整体较暗、光照不均匀等特点，所以在感兴趣区域内需要进行图像滤波处理，常用图像滤波方法采用高斯滤波器进行去噪处理[9]，通过周围的点按距离权重计算当前点的值，但只考虑了位置对中心像素的影响。所以，本文采用双边滤波器进行去噪处理。双边滤波器是一种非线性滤波器，可以达到保持边缘、降噪平滑的效果。与其他滤波器原理一样，双边滤波器采用加权平均的方法，用周边像素亮度值的加权平均代表某个像素的强度，所用的加权平均基于高斯分布。其优点是，双边滤波的权重不仅考慮了像素的欧氏距离，还考虑了像素范围域中的辐射差异，在计算中心像素的时候同时考虑这两个权重。滤波效果见图2、图3。

2  对比度增强

由于夜间环境的光照不均匀导致采集的图像质量差，因此需要使用图像增强技术提高其质量。根据采集得原始图像分析得知，灰度值小于50的像素点占整幅图像的绝大部分。因此为了解决图像中灰度等级范围小，造成对比度低的问题，钱龙等人提出在夜间车道线图像的预处理方法[10]中采用改进的直方图均衡化算法的前提是灰度图直方图中必须有两个明显的波峰进行阈值处理才有明显效果，而夜间环境下图像的灰度图直方图并不会出现明显的双峰，这给直方图技术带来困难。

本文提出一种非线性对比度拉伸方法见式（1），拉伸方法曲线如图4所示，目的在于扩大灰度等级从而提高对比度，使得图像看起来更清晰，对比图如图5（原图）、图6（改进的直方图均衡化方法）、图7（非线性对比度拉伸方法）所示，对应的直方图如图8（原图直方图）、图9（改进的直方图均衡化方法直方图）、图10（非线性对比度拉伸方法直方图）所示。

[fx= 255x] （1）

3  边缘检测

经过图像预处理和对比度增强两个步骤之后，把边缘信息从光照不均匀的图像中突显出来。边缘信息特征使灰度值剧烈变化，因此灰度值变化的程度可以用差分值体现。Sobel算子利用导数的近似值，而Scharr算子增加了权重，可以计算出比Sobel算子更小的梯度变化。因此选用Scharr算子分别求取x方向、y方向的一阶差分值[Gx]，[Gy]，卷积矩阵见式（2），再根据式（3）便可以确定像素点的梯度G和方向Θ。虽然这样可以准确无误地计算出每个像素的梯度，但由于灰度变化区域都是较为集中，某些梯度值不够大导致边缘太粗，所以采用非极大值抑制方法滤除其他梯度值，仅仅让局部最大的梯度值通过，这样将有多个像素宽的边缘变成单像素宽的边缘。

[Gx=-303-10010-303，  Gy=-3-10-30003103] （2）

[G=G2x+G2y，  Θ=arctanGyGx]  （3）

通过非极大值抑制后可以滤除绝大部分干扰点，但仍然有很多潜在的干扰点。因此，进一步设置一个双阈值，即低阈值L和高阈值H。如果灰度值大于高阈值H，则认为是边缘点，如果灰度值小于低阈值L，则认为不是边缘点。但灰度值介于高阈值H和低阈值L之间，判断的标准是如果这些可能的边缘点与高阈值H过滤得到的边缘点连接，则认为是边缘点，否则不是边缘点。实验结果如图11、图12所示。最后，利用霍夫变换对直线进行检测，使用OpenCV提供的HoughLinesP（）函数进行处理，结果如图13、图14所示。

4  实验结果分析

为了验证该算法在不同黑暗环境下适应性强、准确率高的特点，在不同黑暗环境下进行多次实验，如图15所示。图15a）是原始图片，图15b）是改进的直方图均衡化算法处理后的图像，图15c）是本文算法处理后的图像。由图15可以发现，针对不同的环境光，尤其是环境光较为均匀的环境下，本文算法检测的准确率比改进的直方图均衡化算法高;对于没有路灯和微弱的车灯照明环境下，本文算法仍然可以较好地检测出车道线，而改进的直方图均衡化算法几乎不能检测出车道线;在仅仅有路灯环境下，本文算法几乎可以完整地检测出车道线，而改进的直方图均衡化算法却有较多的误检测。

5  结  论

本文针对于夜间环境下图像整体较暗、光照不均匀、车道线不易检测的问题，提出一种夜间车道线检测的方法。首先，从摄像头获取的图像中取感兴趣区域，然后采用双边滤波去除感兴趣区域中的噪点，再使用一种暗光增强算法提高对比度，最后通过边缘检测算法检测提取出边缘后，使用霍夫变换检测出直线。经过多次实验，结果表明本文算法可准确地检测出车道线。

参考文献

[1] LEE C， MOON J H. Robust lane detection and tracking for real?time application [J]. IEEE transactions on intelligent transportation systems， 2018（3）： 1?6.

[2] YANG Yangye， XIAO Lihao， HOU Jinchen. Lane detection method based on lane structural analysis and CNNS [J]. IET intelligent transport systems， 2018， 12（6）： 513?520.

[3] WANG Z X， WANG W. The research on edge detection algorithm of lane [J]. EURASIP journal on image and video processing， 2018（1）： 98.

[4] DE PAULA M B， JUNG C R. Automatic detection and classification of road lane markings using onboard vehicular cameras [J]. IEEE transactions on intelligent transportation systems， 2015， 16（6）： 1?10.

[5] XING Y， CHEN L， CHEN L， et al. Advances in vision?based lane detection： algorithms， integration， assessment， and perspectives on ACP?based parallel vision [J]. IEEE/CAA journal of automatica sinica， 2018， 5（3）： 645?661.

[6] 王松波.一种车道线检测与跟踪方法[J].计算机工程与应用，2011，47（3）：244?248.

[7] 王文豪，高利.一种基于OpenCV的车道线检测方法[J].激光杂志，2019，40（1）：44?47.

[8] 党宏社，郭楚佳.一种基于纹理特征的车道线检测方法研究[J].重庆交通大学学报（自然科学版），2014（5）：116?119.

[9] 孙晓艳，王健，王建强，等.基于亮度累加直方图的夜间车辆检测算法[J].计算机工程，2013，39（6）：239?243.

[10] 钱龙，葛如海，王海.夜间车道线原图像的预处理研究[J].科学技术与工程，2014，14（17）：290?294.

作者简介：王正家（1970—），男，湖北通山人，博士，副教授，研究方向为电机智能控制、智能装备与仪器。

王  若（1995—），男，安徽六安人，硕士研究生，研究方向为嵌入式系统。