摘 要： 為了提高車道線檢測的準確性和實時性,提出了一種快速準確的車道線檢測方法。首先根據道路的紋理特征求出道路的消失點，再采用改進的Hough變換檢測出車道線，結合車道線的一些特征以及攝像頭的參數,在不影響測量結果的情況下縮小檢測空間，快速準確地檢測道路的車道線，并結合BRT車道(快速公交車道)的一些特征識別車輛所在車道是否為BRT車道，從而實現對BRT車道內前方車輛的監(jiān)督。將代碼移植到DM6437開發(fā)平臺
關鍵詞： 車道線；消失點；BRT車道；Hough變換；Gabor變換；DM6437
隨著經濟以及道路的發(fā)展，我國的汽車保有量迅速上升，交通事故也成為人們普遍關注的焦點。為了提高駕駛的安全性以及操作的簡單性，車輛安全輔助駕駛系統成為當今國際智能交通系統研究的重要內容。車道線檢測作為車輛安全駕駛的一個重要研究方向，可以在車輛偏離航道時發(fā)出報警信息，有效地抑制事故的發(fā)生，具有重要的研究意義。
目前,國內外學者已經提出了很多車道線檢測算法，主要分為兩類：一類是基于圖像特征的檢測方法，即特征驅動法，是基于道路圖像的一些特征(如車道線顏色、寬度以及邊緣等特征[1-4])將圖像的所有點標記為車道線點和非車道線點，這種機制要求道路的車道線顏色較為明顯，邊緣較為清晰，否則無法得到準確的檢測結果;另一類方法是基于模型的檢測方法，是根據提取的特征對預先定義好的車道線模型進行匹配，將車道線的提取轉化為車道線模型中參數的計算問題。模型的假設主要有直線模型[5]和曲線模型[6-8]兩種，其優(yōu)點是對噪音不敏感，能較好地處理圖像中物體局部被遮擋和覆蓋的情況。本文結合道路的紋理特征并建立模型進行車道檢測，既充分利用圖像的信息，又在一定程度上保證了算法的魯棒性。
本文首先對圖像進行預處理，然后對圖像進行Hough變換或者Gabor變換，得到車道線位置信息，判斷出車輛是否在車道內行駛，如果不在則發(fā)出預警信號。
1 圖像的預處理
圖像的預處理主要是對攝像頭實時采集的圖像進行前期處理，主要包括去除圖像的各種噪聲，并根據攝像機的位置調節(jié)算法中的一些參數提取圖像的感興趣區(qū)域（ROI），以及進行邊緣檢測等，目的是為了加強圖像的有用信息，抑制干擾。
標定攝像頭以后，選取一定的區(qū)域作為車道線檢測區(qū)域，進行平滑去噪，并對其邊緣進行檢測。本文采用Canny邊緣檢測[9]。圖1為拍攝的原始道路圖像，圖2為不同環(huán)境下（白天、陰天、夜晚）的檢測結果。
Hough變換作為一種經典的車道線檢測算法,具有很強的適應性，然而該算法較為耗時，當車道線外在環(huán)境因素較為不清晰，或者受道路上一些其他因素的影響下，結果受干擾較大。Hough變換檢測結果如圖3所示。
2.2 基于ROI區(qū)域改進的Hough變換的車道線檢測
針對圖像中道路的車道線一般分布在道路左右兩邊的情況,本文對傳統Hough變換的應用進行了改進，限定其投票空間的范圍，也就是限定ρ和θ來調整其投票空間的范圍。限定其左右車道線的極角和極徑，調節(jié)好攝像頭,通過不斷的測試，得到目標點的極角約束區(qū)域和極徑約束區(qū)域，也就得到感興趣區(qū)域（ROI），如圖4所示，只檢測落在白色區(qū)域內的車道線。
通過建立極角、極徑約束區(qū)域，可以有效地去除大量的干擾點，濾除旁邊車道以及路邊樹木建筑物的干擾，并能夠很大程度地提高算法的運行速度。當車道線的極角極徑在檢測區(qū)域內時，可以快速準確地檢測車道線的位置；然而當圖像在轉彎、變道或者攝像頭位置偏移時，車道線很容易超出檢測區(qū)域，使得結果出現很大的偏差。
3 基于Gabor濾波器的車道線檢測
針對道路車道線不清晰以及存在一些其他標志干擾的情況，本文提出了改進的車道線檢測算法，即基于Gabor濾波器的車道線檢測。通過Gabor找到圖像的消失點，即圖像中兩條車道線的交點位置，再對消失點進行Hough變換,這樣不僅提高了算法的適用性，還提高了算法的實時性。
3.1 Gabor變換原理
Gabor濾波器與人眼的生物作用相仿,因此經常用于紋理識別，并取得了較好的效果。Gabor濾波器是帶通濾波器, 它的單位沖激響應函數(Gabor函數)是高斯函數與復指數函數的乘積。它是達到時頻測不準關系下界的函數, 具有最好的兼顧信號在時頻域的分辨能力。高斯函數的局部性特征使得Gabor濾波器只在局部起作用, 即具有良好的尺度特性和方向特性。因此，Gabor濾波器被廣泛用于圖像處理和圖像分析領域。
本文通過對車轍印記以及車道線邊緣等一些紋理特征進行分析,從而提取出道路的消失點以及車道線的信息。
Gabor濾波器的模板計算方程如式(2)所示，該模板分為實部(式(3))和虛部(式(4))兩部分。
(2)車道線跟蹤：根據上一幀測量的結果，限定角度在一定變化范圍內(本文限制在10°范圍，如圖8(b)所示）進行Hough變換,這樣大大減少了運算速度。當圖像檢測的消失點及車道線上的點少于所設定的閾值時，程序重新初始化。
4 車道識別
本文在應用的基礎上對合肥以及沈陽的BRT車道進行統計，其BRT車道相對其他車道具有如下特點：其左右車道線都為黃色，一般位于路的兩邊，道路的兩邊有欄桿或者路牙等特征。基于此特點，本文實現了BRT車道的識別系統，結合GPS判斷其所在位置范圍內有無BRT車道，若有則判斷車道線顏色是否為黃色，即建立顏色模型，對車道線上的每一點顏色進行標記，并綜合判斷其左右車道線是否是黃色車道線,對黃色進行標記，如圖9左圖所示。由于車道線長期受到磨損有一定的失真，且在晚上黃光燈照射下不易準確地識別顏色，本文結合其欄桿、路牙等特征識別車道，對檢測的車道線兩邊的一定區(qū)域（圖9右圖白色矩形區(qū)域）進行對比，比較其顏色邊緣紋理等特征差別。通過大量的測試，本文得到了判斷其是否為BRT車道的先驗閾值,當矩形區(qū)域差別大于設定閾值時，則判斷為公交專用車道，從而準確實現車道檢測。
本文首先通過GPS采集車輛所在區(qū)域的經緯度信息， 并建立道路經緯度信息庫判斷車輛所在位置附近是否具備BRT專用車道,若有，則進行車道線檢測，找到車輛所在車道的左右車道線，并判斷車道線上顏色信息以及車道線左右的邊緣亮度等信息，分析其是否具備BRT快速公交車道的特征，如具備，則可以作為監(jiān)控前方車輛是否違規(guī)駛入BRT車道的一個依據。
本文對合肥公交專用車道進行了大量的實驗，實驗結果表明，該算法具有很強的適用性，能夠準確地檢測到車輛所在車道的車道線，并對其車道作出正確的判斷。車道識別結果如圖11所示。
本文提出了基于道路紋理特征的車道線檢測方法，將直線模型算法成功移植到DM6437開發(fā)平臺。通過攝像頭實時采集道路圖像(25 S/s,圖像大小為720×576），實時統計車道線信息，并在城市道路上進行了大量的實驗測試,平均每幀圖像的算法耗時控制在50 ms以內，能夠較為準確地檢測出車道線的位置，具有較強的實時性和魯棒性。
參考文獻
[1] GOLDBECKA J, HUERTGENA B, ERNSTA S, et al. Lane following combining vision and DGPS[J]. Image and Vision Computing,2000,18：425-433.
[2] Lin Wei, Zhang Hongliang, DUAN B, et al. Vision-based real-time lane marking detection and tracking[J]. IEEE Intelligent Transportation Systems, 2008(11):49-54.
[3] 雷濤,樊養(yǎng)余,王小鵬,等，基于形態(tài)學結構元素建模的車道線檢測算法[J]. 計算機應用2009，29(2):441-445.
[4] 沈峘,李舜酩,柏方,等.結構化道路中車道線的單目視覺檢測方法[J].儀器儀表學報,2010,31(2):397-403.
[5] Liu Fuqing , Tian Min, Hu Zhengcheng. Research on vision-based lane detection and t racking for intelligent vehicles[J]. Journal of Tongji University:Natural Science, 2007,35(11):1535.
[6] 羅才彬,胡慶新,吳林成. 一種高速公路車道延伸方向的判斷方法[J].合肥工業(yè)大學學報(自然科學版)，2011,34(6):857-860.
[7] POMERLEAN D, JOCHEM T. Rapidly adapt ing machine vision for automated vehicle steering[J]. IEEE Intelligent Systems,1996,11(2):19-27.
[8] LEE T. Image representation using 2D Gabor wavelets[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence,1996,18(10):959-971.
[9] 陳志強,高 磊,吳黎慧,等.一種優(yōu)化的Canny算子邊緣檢測[J].電子測試，2011，6（6）:43-46.