魏庆媛，程文冬，沈云波

（西安工业大学 机电工程学院，西安710021）

在非驾驶人主观意志下，车轮接触或越过车道线的行为称车辆偏航．车辆偏航的诱因来自于外界环境因素（光照较弱，天气恶劣，车道线不清晰等）、驾驶人因素（疲劳驾驶，注意力分散等）和车辆因素（侧向滑移、车轮跑偏等）．研究表明在高速公路交通事故当中，由于车辆偏航导致碰撞事故的比例已经占到约30%［1］．如果能够实时监测车辆的横向位移状态，并对驾驶人产生预警信号或主动干预车辆，将会大大减少由于车辆偏航导致的交通事故［2］．正因如此，车辆偏航预警技术逐渐成为安全辅助驾驶、智能导航等领域的重要研究内容．

如何从复杂的道路监测图像中鲁棒提取车道线区域并进行线型拟合是实现偏航预警的首要问题．国内外学者常在道路感兴趣区域（Region of Interest，ROI）内获取图像灰度、边缘梯度等特征信息，再结合实际道路的曲率特征，将车道线拟合为直线模型［3］、二次曲线模型［4］或分段曲线拼接模型［5］．文献［3］采用直线与二次曲线模型研究了复杂路况下的车道线拟合方法，并运用Kalman滤波实现了车道线实时跟踪；文献［5］建立了方向可调滤波器检测远近场ROI窗口内的车道线，并采用分段直线建立拟合模型，具有较好的车道线检测与跟踪性能，但是该方法对于远场车道线拟合误差较大．尽管非直线模型在各种曲率道路中具有更高的拟合精度，但此类模型对车道线候选像素的需求量更大，算法更加复杂，不利于实时监测．另外在车辆偏航监测研究方面，许多方法［6］需进行道路坐标系与图像坐标系的转换，因此对摄像机标定结果的依赖性很强．在线标定和离线标定的计算量都很大，同时计算精度并不稳定．为此，文中对电荷耦合元件（Charge Coupled Device，CCD）前方道路图像进行ROI划分，利用Sobel算子进行车道线梯度边缘检测，运用双重特征约束提取特征边缘，通过Hough变换拟合内侧车道线，通过成像射影几何模型来判断车辆的横向运动状态，以期实现车辆偏航预警，提升车辆偏航预警的鲁棒性与准确性．

1 车道线的图像检测

1．1 ROI预处理

为了排除监测图像中的天空、路边环境物等冗余像素信息，首先通过设置ROI来提取道路区域，如图1所示．其中C和R分别表示监测图像横纵方向的像素数量．此方案可以将车道线完整信息包含进来，同时最大程度上排除道路以外的干扰信息．进而将ROI平均分割成左右对称两区域Rleft和Rright，用于左右车道线的后续识别．

图1 道路ROIFig．1 Road region of interest

虽然车道线从颜色、几何边缘上与其它道路区域存在显著差别，但是由于光照变动、车辆运动等干扰导致车道线灰度和边缘特征并不稳定．本文首先将RGB格式的彩色图像转换为灰度图像．考虑车道线与路面的灰度特性，灰度转换算法表示为

式中：R、G、B分别表示红、蓝、绿通道分量值；Gray表示转换后像素的灰度值．在此基础上采用多尺度Retinex法［7］对灰度图像进行增强，进一步凸显车道线的灰度特性．

1．2 自适应二值化

二值化处理将道路区域划分为车道线目标和道路背景两部分，其关键问题在于灰度阈值的设置．由于道路光照条件并不理想，同时CCD的自动增益控制（Automatic Gain Control，AGC）特性与光照非线性相关，最佳分割阈值的波动较大，因此采用单一固定阈值的方法提取车道线像素的效果不佳．文中采用基于概率分布的动态阈值法［8］．

ROI图像的灰度直方图如图2（a）所示，可近似视为灰度概率密度函数．该函数为混合在一起的两个具有单峰分布的密度函数，分别对应车道线区域和道路背景，两者的灰度差异显著，具有可分性，如图2（b）所示．在获取灰度直方图的基础上，寻求使得二值化错误概率最低的最佳阈值T．步骤如下：① 计算ROI内像素最大和最小灰度值Gmax和Gmin，求其平均值Ga＝（Gmax＋Gmin）／2；② 求得小于Ga像素的平均灰度值G1，再求得大于Ga像素的平均灰度值G2；③ 将G1和G2的平均值作为动态阈值T，依此对ROI中每个像素灰度f（x，y）进行二值化处理，具体为

最终获得车道线像素集如图3所示．

图2 ROI灰度分布Fig．2 Gray level distribution within ROI

图3 车道线像素集Fig．3 Pixel set of lane mark

1．3 特征边缘检测

车道线与路面具有显著的边缘特征，文中采用Sobel算子来提取车道线特征边缘．与Canny、Log等算子相比，Sobel算子对噪声具有良好的平滑作用，运算速度快，精度好．Sobel算子将接近模板中心的像素点作为检测目标并引入局部平均，在图像空间f（x，y）中运用3×3模板与目标像素进行水平与垂直方向邻域卷积为

式中：Gx，Gy分别为水平与垂直方向邻域卷积；i＝1，2，3；j＝1，2，3．

传统Sobel算子仅提供了水平和垂直方向梯度模板，因此对倾斜的车道线边缘不具有针对性．为强化Sobel算子对车道线边缘的检测能力，文中将二向边缘检测改进为八向，各方向的卷积模板如图4所示．对Sobel边缘进行斜率与长度特征过滤，排除路面标志、车辆等干扰边缘．经实验统计，左侧车道线的斜率Sleft分布于π／6～3π／4之间，右侧车道线斜率Sright的分布区间为5π／4～5π／6．由此斜率阈值初选边缘Edge-s为

由于车道线与其它干扰物在边缘长度上也具有明显区分，设置长度阈值Tlength排除干扰边缘，获得车道线边缘Edge为

图4 Sobel算子卷积模板Fig．4 Convolution templates of Sobel operator

图5所示为左右车道线特征边缘的提取过程．图5（a）为ROI图像，图5（b）为八向Sobel算子检测的梯度边缘，图5（c）为长度阈值约束后的边缘，图5（d）为斜率阈值约束后的边缘．经过双重阈值约束，车道线特征边缘在ROI内能够有效的提取，同时最大程度上排除非车道线边缘带来的干扰．

1．4 Hough直线变换

车辆偏航监测预警主要应用于车速高于60 km·h-1的高速公路环境中．根据我国公路工程技术标准，高速公路最小曲率半径为650m可证明在直线、二次曲线、分段接合曲线等模型中，直线模型有足够的精度来拟合近场车道线［9］，算法鲁棒且运算量小．基于监测实时性与拟合误差容忍度的考虑，本文用Hough直线变换模型［5］来拟合车道线．

Hough变换是最常用的图像边缘参数化拟合方法．它利用图像参数空间的点-线对偶性，遍历所有的特征像素点并映射到Hough参数空间，通过累加器进行投票并搜索累加器峰值来检测目标．图6是图5中左右特征边缘的Hough参数累加空间，峰值越高，Hough参数累加程度越高，则特征像素的直线聚类特性越显著．由于车辆发生偏航是以车轮接触车道线内边缘为判别准则，因此在Rleft和Rright两个区域内分别选择车道线内侧边缘进行直线拟合，图7是Hough变换的车道线检测示例．可见在各类光照与复杂道路的干扰下，文中算法均可鲁棒检测内侧车道线．

图5 车道线特征边缘Fig．5 Feature edges of lane marks

图6 Hough参数累加空间Fig．6 Accumulation spaces of Hough parameters

图7 车道线的直线拟合Fig．7 Straight line fitting for lane marks

2 偏航模型的建立

文中采用了基于图像成像射影原理的车辆偏航几何模型［9］．设左右车道线距离为L，车辆前向摄像机的光心为Oc，光轴与路面交点为G点，如图8所示．在非主观换道的前提下，车辆高速行驶时的偏航角度很小，因此可近似认为车辆行进方向、光轴在的路面投影CG均平行于左右车道线．由此可知则CG便是车辆纵向中轴线，Lleft和Lright则分别为车辆中轴线与左右车道线的横向距离，ΔL为车辆实际偏航距离．对于任意垂直与车道线的直线AB，C点为AB与光轴CG的交点，在图像平面内分别对应着A′、B′和C′，左右车道线相交于T点．图像平面上的斜线A′T和B′T即为Hough变换得到的左右车道线，水平倾角分别为α和β．根据图8中的几何关系可证明

图8 车辆偏航几何模型Fig．8 Geometric model of vehicle departure

设车辆横向偏离车道中线位置的程度为偏航率ε，则有

偏航率ε＞0表示车辆向右侧偏离，ε＜0表示向左偏离，ε绝对值越大表示车辆偏离越严重．当ε＝±1时表示车辆中轴线在路面投影线CG与车道线重合，此时车辆已经跨越车道线．应当结合实际车道和车辆宽度设置可调阈值Tε来判别车辆是否压线，再通过声音或者灯光信号向驾驶人进行预警．经过大量实验统计，Tε取0．5．该值既能够实现车辆前轮即将接触车道线时准确预警，又不会对正常行驶状态产生过度预警，具有较好的预警准确性与主观可接受性．预警逻辑为

其中Warning-signal为预警信号．

3 车辆偏航实验

实验车辆为某紧凑级轿车，车身宽度为1 790 mm．摄像装置型号为SONY-W380，帧率15fps，分辨率为480×640pixel，居中安装在车辆挡风玻璃上部，距地面高度约为1．4m．首先在静态条件下对提出的算法进行误差测试．设置相对误差ρ，计算方法为

式中：εImage和εActual分别表示算法检测结果与人工测量结果；｜ε｜max＝1．部分测试误差结果见表1．实验统计的平均相对误差为5．7%，车道线识别平均时间为58．3ms．可见算法具备较高的检测精度和实时性，能够满足预警监测要求．

实车实验在西安地区的连霍高速公路与京昆高速公路上进行，车速范围为60～100km·h-1．图9与图10分别为一段500帧（Frame）车道线倾角α和β的监测曲线与偏航率ε监控曲线．

表1 算法误差测试Tab．1 Error test of the algorithm

图9 车道线倾角连续监测Fig．9 Continuous monitoring of obliquity

在0～152帧内车辆不断向右偏航，但根据本文偏航算法可知车辆仍位于车道线之内．在第153～236帧，由于车辆偏航严重导致ε＞0．5，系统向驾驶人发出“Right Departure”预警．在237～466帧内车辆整体向左侧偏航，467～500帧内系统发出“Left Departure”预警．

图10 偏航率ε连续监测Fig．10 Continuous monitoring of departure rateε

图11为一组车道线拟合以及偏航监测结果．当车辆正常行驶在本车道线内，拟合的车道线颜色为绿色，系统不做任何警示．当车辆发生较大偏航使得｜ε｜＞0．5时，系统发出预警信号，同时偏航一侧的车道线显示为粗红色直线．实验表明，文中提出的车辆偏航预警策略能够有效的监测车辆横向偏移的变化规律，及时发现车辆出现严重偏航状态并进行预警．

图11 偏航预警实例Fig．11 Example of departure prewarning

4 结 论

文中旨在实现车辆偏航预警准确性、鲁棒性，结合自适应灰度阈值分割、Sobel梯度检测及双重阈值约束以获取车道线边缘信息，对内侧车道线进行了Hough直线拟合，得到结论为

1）偏航率ε＞0表示车辆向右侧偏离，ε＜0表示向左偏离，ε绝对值越大表示车辆偏离越严重．当ε＝±1时表示车辆中轴线在路面投影线CG与车道线重合，此时车辆已经跨越车道线．

2）利用成像射影几何原理构建了车辆偏航预警模型，结合偏航预警准确性与主观可接受性，给出了车辆偏航预警参数：车道线倾角α和β、偏航率ε及偏航阈值Tε．

3）道路实验证明，基于图像成像射影原理的车辆偏航预警模型无需进行相机内外部参数标定，复杂道路环境中车道线得以有效识别，抗干扰能力较非直线模型显著增强，偏航预警模型监测车辆横向运动状态更为有效，其相对误差为5．7%，满足车辆偏航预警的准确性与实时性要求．

［1］ AUFRERE R，GOWDY J，MERTZ C，et al．Perception for Collision Avoidance and Autonomous Driving［J］．Mechatronics，2003，13（10）：1149．

［2］ JUNG C R，KELBER C R．Lane Following and Lane Departure Using a Linear-parabolic Model［J］．Image and Vision Computing，2005，23（13）：1192．

［3］ WU P C，CHANG C Y，LIN C H．Lane-mark Extraction for Automobiles under Complex Conditions［J］．Pattern Recognition，2014，47（8）：2756．

［4］ 高嵩，张博峰，陈超波，等．一种基于双曲线模型的车道线检测算法［J］．西安工业大学学报，2013，33（10）：840．GAO Song，ZHANG Bo-feng，CHEN Chao-bo，et al．An Algorithm of Lane Line Detection Based on Hyperbola Model［J］．Journal of Xi’an Technological University，2013，33（10）：840．（in Chinese）

［5］ 郭磊，李克强，王建强，等．应用方向可调滤波器的车道线识别方法［J］．机械工程学报，2008，44（8）：214．GUO Lei，LI Ke-qiang，WANG Jian-qiang，et al．Lane Detection Method by Using Steerable Filters［J］．Chinese Journal of Mechanical Engineering，2008，44（8）：214．（in Chinese）

［6］ 余厚云，张为公．基于摄像机模型的运动车辆车道偏离检测［J］．东南大学学报：自然科学版，2009，39（5）：933．YU Hou-yun，ZHANG Wei-gong．Lane Departure Detection for Moving Vehicle Based on Camera Model［J］．Journal of Southeast University：Natural Science Edition，2009，39（5）：933．（in Chinese）

［7］ KIMME R，ELAD M，SHAKED D，et al．A Variational Framework for Retina［J］．International Journal of Computer Vision，2003，52（1）：7．

［8］ 龚建伟，王安帅，熊光明，等．一种自适应动态窗口车道线高速检测方法［J］．北京理工大学学报，2008，28（6）：486．GONG Jian-wei，WANG An-shuai，XIONG Guangming，et al．A Self-adaptive Dynamic Window Method for High Speed Lane Detection［J］．Journal of Beijing University of Technology，2008，28（6）：486．（in Chinese）

［9］ 余厚云，张为公．直线模型下的车道线跟踪与车道偏离检测［J］．自动化仪表，2009（11）：1．YU Hou-yun，ZHANG Wei-gong．Lane Tracking and Departure Detection Based on Linear Model［J］．Process Automation Instrumentation，2009（11）：1．（in Chinese）