基于改进霍夫变换的车道线识别算法

陈杨，石晶，刘丛浩

基于改进霍夫变换的车道线识别算法

陈杨，石晶，刘丛浩

（辽宁工业大学汽车与交通工程学院，辽宁 锦州 121001）

针对霍夫变换时间复杂度高、准确性差的缺点，提出一套基于改进霍夫变换的完整车道线识别算法流程。该完整算法包括感兴趣区域划分、灰度化、二值化、Canny边缘检测和改进霍夫变换。改进霍夫变换首先采用概率统计原理对车道线点集分类，依据分类情况投票判断车道线；其次采用极径极角约束优化在目标区域筛选目标车道线。实验结果表明：改进后算法有效识别目标。

车道线识别；概率霍夫变换；极径极角约束

前言

高级辅助驾驶系统是当前汽车产业重点发展方向之一，国内外广大学者都投入大量精力进行研究[1]。车道线信息是辅助驾驶的基础输入信息，该信息决定了辅助驾驶的准确程度。车道线检测包括感兴趣区域划分、灰度化、滤波、二值化、Canny边缘检测、霍夫变换，文献[2]采用传统霍夫变换识别车道线，缺点是运算量大、误识别率高。文献[3]采用多方法进行预处理，但是相对运算时间复杂度增加。本文提出一种改进霍夫变换，采用概率运算降低时间复杂度，采用极径极角约束筛选车道像素点筛选目标车道线，同原始霍夫变换相比，改进霍夫变换能准确快速识别车道线。

1 图像预处理

1.1 感兴趣区域选择

结合先验知识分析大量图片，在大部分车道图像中，车道普遍位于图像下半部分。以图像高度一半为分界，选定图像下半部分为感兴趣区域，相比较原始图像，设定感兴趣区域可以减少一半程序计算量，并排除非感兴趣区域中信息干扰。图1为原始图像，图2为感兴趣区域选择情况。

图1 原始图像

图2 感兴趣区域选取

1.2 灰度化

车载图像传感器采集到的是包含R、G、B分量的三通道彩色图像，三通道信息冗余度高、计算量大，需要将三通道图像转换为单通道灰度图，常见转换方法有平均法、分量法、最大值法、加权平均法。本文采用加权平均法，根据等色实验结果和CIE1931XYZ标准，各通道最佳加权系数为0.299R、0.587G、0.114B。灰度化效果如图3所示。

图3 灰度化效果

1.3 滤波

图像在获取和传输过程中会产生噪音，为了排除噪音信息干扰，需要对图像进行滤波操作。常见滤波操作分为空间域滤波和时间域滤波，频滤域滤波计算量大且噪音频率无法预知难以精准过滤，空间域滤波计算简单、适应性强。本文选择空间域滤波中的非

线性中值滤波，滤波模板大小为3x3，中值滤波本质上是统计学排序，将目标像素值替换为周围邻域内各点像素值的中值。中值滤波对孤立点噪声块有很好的效果，并且在滤除噪声的同时保护了道路边缘信息。滤波效果如图4。

图4 中值滤波

1.4 二值化

灰度化后的图像在像素数值上分为256个等级，难以区分车道线目标图像和背景图像，因此需要采用二值化方法将图像划分。将车道线图像像素划分为白色像素，其他图像像素划分为黑色背景像素。常见二值化方法有平均值法、大津法、全局阈值法、自适应阈值法、迭代阈值法、百分比阈值法等，本文采用大津法对车道图像进行二值化。大津法原理如下：

图5 二值化

1.5 Canny边缘检测

每个目标都有自己的边缘信息，边缘信息是识别目标的基础处理输入信息，需要对车道线进行边缘检测提取该信息。常用边缘检测算子有一阶Roberts算子、Sobel算子、Prewitt算子，二阶Laplacian算子和非微分Canny算子。Canny算子定位精准，边缘检测较为完整，本文选用Canny算子检测车道线，Canny边缘检测算法步骤如下：

（1）采用高斯滤波算子对图像平滑滤波处理，滤除正态分布的噪音像素。高斯核数如下：

（2）采用一阶偏导有限差分计算梯度幅值和方向，所用计算模板、计算公式如下：

幅值和梯度笛卡尔坐标系下计算公式是：

（3）梯度幅值进行非最大值抑制，采用一阶偏导有限差分计算出的像素梯度是全局最大值，还需沿着像素梯度方向，寻找局部最大值，在局部最大值处不断迭代向前寻找，直至到达边界，其中不是极大值处像素数值设为零。

（4）双阈值法链接边缘

选择高低双阈值，遍历整幅图像，当像素数值大于高阈值时认为是强边缘，标记为车道边缘，当像素数值低于低阈值时认为不是边缘，不标记。当像素数值在高低阈值之间时为弱边缘，在当前像素周围邻域内遍历，若有像素数值高于高阈值，则将该邻域像素标记为车道边缘。遍历完成连接车道边缘形成闭合车道边缘图像。

2 改进霍夫变换车道线识别

2.1 霍夫变换原理

霍夫变换是基于点线对偶性工作的，如图所示，直角坐标系中一条直线y=kx+b转换到参数空间直线方程b=-xk+y，考虑到斜率有无限大的可能，最终转换为极坐标空间曲线方程=+，设（0,180）按步长为1遍历图像，对遍历结果累加，使“投票机制”找出得票数高的像素点，原理图如图6所示

图6 霍夫变换原理图

2.2 霍夫变换改进

霍夫变换对每个像素点都进行计数和三角函数运算，运算量大，算法空间、时间度复杂，本文仅将部分图像像素点带入霍夫变换，提高算法实时性。首先将边缘像素点存入点集，随机提取点映射为极坐标空间曲线，在点集中删除相关点，投票判断，当累加器超过阈值则提取线段并在点集中删除所有相关点，不断循环运行，直至点集为空。

根据先验知识，车道线一般图像中线对称分布，在图像中有一定长度和偏转角度，可以通过极径极角约束让霍夫变换仅在车道线最可能出现区域运行，减小算法空间复杂度，提高运行效率。本文中，左车道线角度范围为[20,70]，右车道线角度范围为[100,160]。改进霍夫变换效果如图7。

图7 改进霍夫变换效果

3 总结

本文针对高级辅助驾驶系统基础的车道线识别部分，提出完整算法，包括感兴趣区域划分、灰度化、二值化、Canny边缘检测和改进霍夫变换识别。相比较传统霍夫变化，改进后算法采用概率统计知识投票和极径极角约束区域，降低了算法时间复杂度，实验验证了算法可行性。本文提出的完整车道线识别算法鲁棒性好，为其他辅助驾驶功能奠定了基础。

[1] 周越.基于视觉的车道线识别研究[D].辽宁工业大学,2019.

[2] 李亚娣,黄海波,李相鹏,陈立国.基于Canny算子和Hough变换的夜间车道线检测[J].科学技术与工程,2016,16(31):234-237+242.

[3] 田鹏.车道偏离预警系统关键技术研究[D].辽宁工业大学,2016.

[4] 王家恩,陈无畏,汪明磊,谈东奎.车辆辅助驾驶系统中的三车道检测算法[J].汽车工程,2014,36(11):1378-1385.

[5] 刘富强,张姗姗,朱文红,李志鹏.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.

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

Lane Recognition Algorithm Based on Improved Hough transform

Chen Yang, Shi Jing, Liu Conghao

( Cars and Traffic Engineering of Liaoning University of Technology College, Liaoning Jinzhou 121001 )

Aiming at the disadvantages of high time complexity and poor accuracy of Hough transform, a complete lane recognition algorithm based on improved Hough transform is proposed. The whole lane recognition algorithm based on improved Hough transform includes region of interest division, graying, binarization, Canny edge detection and improved Hough transform. The improved Hough transform firstly classifies the point sets of lane lines by using the principle of probability and statistics, and then judges the lane lines by voting according to the classification situation. Secondly, it selects the target lane lines with the constraints of polar radius and polar angle. The experimental results show that the improved algorithm achieves the expected improvement goal.

Lane recognition; Probability hough transform; Polar radius and pole angle constraint

10.16638/j.cnki.1671-7988.2021.06.013

U495

A

1671-7988(2021)06-42-03

U495

A

1671-7988(2021)06-42-03

陈杨，就读于辽宁工业大学汽车与交通工程学院。