龚天洋，陈 梅，王文扬，戎 辉

（1.吉林大学 a.汽车学院；b.交通学院，吉林 长春 130012；2.中国汽车技术研究中心有限公司，天津 300162）

大雾天气驾驶会造成驾驶员获取道路信息失败，心理紧张，驾驶员负荷加重，更容易疲劳，导致事故的发生。气象能见度定义为在标准视力的人眼在当时天气条件下，能够从天空背景看到和辨识出的黑体目标物的最大水平距离。目前，能见度检测方法主要分为基于能见度仪的检测方法、基于双目摄相机标定的检测方法、基于建立对比度模型的检测方法等。其中，基于能见度仪的检测方法存在价格十分昂贵等问题，要保证公路上的交通安全，尤其在团雾检测时，需要密集布置监测设备，从而成本居高不下，同时实时性、便携性不佳。基于双目摄相机标定的检测方法，由于需要标定模板、测量摄像机安装角度等受实际条件的限制，难以适用实时操作。基于建立对比度模型的检测方法，会产生较大误差，而且测量结果容易受到远方障碍物的不利影响。

南京大学陈钊正［1］等人提出了一种基于小波变换的视频能见度检测算法。山东大学刘建磊和刘晓亮［2］提出利用拐点线进行大雾能见度监测。北京工业大学的宋洪军［3］提出一种基于车道线检测与图像拐点的道路能见度估计方法。西安理工大学赵瑞［4］提出一种利用图像暗通道先验理论来估计能见度方法。长安大学许倩［5］提出了通过摄像机标定的高速公路能见度估计方法，研究对象是在高速公路环境下的监控图像。

随着处理器技术以及传感器技术的不断进步，越来越多的安全系统不断应用到车辆领域中，虽然当前有很多能见度检测方法，但是基于道路监控视频较多，针对实际道路平面的研究较少，利用车载相机实时检测道路能见度更少。本文提出的能见度检测方法具有简单、处理速度快的优点，仅使用一台摄像机来实时获得道路图像进行能见度检测。测量过程不会对驾驶人的正常驾驶行为造成干扰，并且传感器也适用于低能见度环境的特点。

1 能见度检测算法概述

本文提出的能见度检测算法是在车道线识别的基础上，因此车道线的准确识别对于道路能见度值的计算具有重要意义。基于车道线检测获取道路能见度方法流程图如图1所示。首先对原始图像进行图像预处理，突出车道特征，在原始图像中利用Hough变换获得检测到的直线参数，进行车道标线识别，利用区域生长法获得雾天道路与天空的分界线，基于透视投影变换估计道路与天空的分界线，结合车道线模型，估计能见度。本文提出的能见度检测方法可以作为智能驾驶辅助系统的重要部分。

图1 基于车道线检测获取道路能见度方法流程图

2 图像预处理

图像的阈值化处理是为了更加突出图像的边缘，目前有很多图像分割算法，但并不适用于所有的图像，需要根据具体图像特点，采用最佳方法，满足分割需要。雾天道路图像的特征包括道路、天空等，天空主体特征明显，在图像的上部，较暗的道路特征在图像的下部，整幅图像光线不均匀，近处图像较清晰，越远离摄像机图像越模糊，图像整体亮度受外界光照变化影响较大。因为车道线特征集中在图像的下部，图像整体灰度不均匀等因素，使得特征在灰度直方图上的分布不能很明确地表现出来，因此全局阈值并不满足要求。

通过动态阈值的方法提取车道线特征，利用二维高斯函数对原图像进行平滑处理，得到图像B之后，将平滑处理后的图像作为阈值面对图像进行二值化处理。

其中，G（x，y）=1，上式中二维高斯函数由公式（1）表示，图像B由公式 （2）表示，处理过程中只要对σ进行加减，就可以调整阈值面的平滑程度，所以选择合适的阈值面就变得非常容易。图2为CCD采集的道路图像及其预处理后的结果，由图2可以看出采用动态阈值的方法是非常有效的。

3 车道线检测及消失点计算

基于视觉的车道线检测方法主要分为两类：基于模型的方法和基于特征的方法。基于模型的方法被广泛用来解决车道线检测问题，其常用的几何模型有直线、抛物线、双曲线、样条曲线及回旋曲线等。复杂的车道线模型 （曲线或样条曲线）虽然能实现对车道较精确的拟合结果，但它们对噪声异常敏感。直线模型能很好地拟合实际车道线，并且能有效抑制图像中噪声的干扰。

图2 CCD采集的道路图像及其预处理后的结果

目前有很多学者对车道线检测相关方面做了研究，McCall［6］等总结了过去几十年来提出的各种车道线检测算法，主张依据系统的具体目标及不同的应用环境，对检测算法的各个环节进行针对性设计，并提出了一种基于转向滤波器的车道线检测方法。Son等人提出了光照变化条件下的车道检测系统［7］。Moghadam等人提出了在非结构化道路上的快速消失点检测方法［8］。Yang等人提出了一种可应用在不同类型道路上的快速消失点检测方法［9］。Yoo等人提出了一种基于消失点估计的车道检测方法［10］。Cheng等人提出了一种基于颜色信息的车道线检测方法［11］。Liu等人提出了一种基于RANSAC算法的车道线检测方法，并且基于卡尔曼滤波精确高效的追踪车道线［12］。Cui等人提出了一种在城市道路环境下多车道线检测和追踪方法［13］。Cheng等人提出了一种应用于结构和非结构化道路的多层车道检测系统［14］。Narote等人对当前先进的车道检测和偏离预警系统进行了详细总结［15］。Yi等人提出了一种基于改进的hough变换的车道检测和偏离预警方法［16］。Gaikwad和Lokhande提出了一种基于欧式距离的车道偏离预警方法［17］。

Hough变换于1962年由Paul Hough提出，它所实现的是一种从图像空间到参数空间的映射关系。由于道路直线模型，具有简单、计算量小，且不易受其他干扰因素影响的优点，因此，本文利用hough变换提取二维图像坐标系车道线参数，实现车道线的检测。原始图像中，左右车道线模型如公式 （3）所示。

式中：kl，bl——左车道线的斜率和截距；kr，br——右车道线的斜率和截距，因此，车道线的检测识别问题将转化为左右车道线参数的获取。

Hough直线检测器使用的是极坐标系表示，其方程可以用公式 （4）表示，每一对 （ρi，θi）对应一条直线，为了获得笛卡尔坐标系的坐标参数需要做相应的变换。

设两车道线的交点为 （x，y），根据公式 （3）得出，x=由于x是直线上的一点，将x代入到直线模型，得出，即得到两车道线的交点，经过hough变换，可以获得车道线参数，可求出交点坐标。图3为路图像左右车道线及消失点检测。

图3 路图像左右车道线及消失点检测

由于雾天水滴飘在空中光线变得模糊，主要集中在图像中最暗的道路区域，使天空部分在图像中下降，变成道路区域的一部分，因此雾天道路能见度估计即天空和路面的分割问题。如果是无雾条件，天空和路面的分割线与车道线消失点高度相同，在雾天，天空和路面的分割线比车道线的消失点高度低。

为了检验本方法的有效性，由于雾天图像较难获取，本文采用合成图像库进行验证。图4表示的是使用区域生长法获得的图像天空与道路的分界点。

图4 使用区域生长法获得的图像天空与道路的分界点

4 能见度值计算

提取出检测到的车道标识线参数后，经过公式 （3）的计算，获得了两直线的交点，即得到消失点的坐标 （Insertpoint.x，Insertpoint.y），原始图像坐标系左右车道线模型如图5所示。由于逆投影变换图像中的点与道路图像中的点具有一一映射关系，为了获得消失点的实际坐标，需要根据一定的先验知识，通过坐标转换获得二维图像坐标系消失点在实际车道中的位置信息。

图5 原始图像坐标系左右车道线模型

假设车辆行驶的道路为一个平面，摄像机的光轴与地面平行，世界坐标系与图像坐标系的相应坐标轴是平行的，f与Z轴在一条直线上，世界坐标系的一点 （XW，YW，ZW）与图像坐标系的一点 （u0，v0）具有一一映射关系。考虑到雾天主要影响的天空在图像中的高度，由于X轴对于雾的影响无关，因此选择Y轴表示能见度值。为了获得深度信息，即图像映射该点到3D世界中Z轴的坐标值，需要得到相对天空高度v和消失点的高度v0，通过计算相机的标定参数，深度距离可以用公式 （5）表示。

5 试验结果

为了方便验证，本文部分图片库采用合成图像，图6的能见度检测结果使用雾天FRIDA图片库［18］（http：／／www.lcpc.fr／en／produits／fog／），原始图片大小为480×640，拍摄的相机安装高度为1.38 m。

图6 合成图像的消失点以及天空道路分界线检测结果

由于雾天图像不必要拥有高分辨率，因此，为了减少整个算法处理时间，图像被归一化大小为320×240像素，实验平台为：AMD Athlon处理器，4 GB DDR3 RAM，Windows XP操作系统，vc++6.0测试环境。为了验证该能见度检测算法的可行性，对大量雾天图像进行测试。通过实验结果得出，可以实现实时输出当前环境下的能见度值，且该能见度检测算法耗时在16 ms左右。

图6中以消失点的横坐标保持不变，（a）得到消失点的坐标为 （160，129），天空道路分界线的坐标为 （160，140），能见度736 m。（b）得到消失点的坐标为 （161，118），天空道路分界线的坐标为 （161，132），能见度578 m。（c）得到消失点的坐标为 （159，128），天空道路分界线的坐标为（161，132），能见度1 025 m。

6 总结

为了提高驾驶安全性，本文提出了一种在结构化道路中基于车道线检测获取道路能见度方法，试验结果表明提出的能见度检测方法适用于雾天环境，实现了实时识别车道线以及能见度值的获取。该能见度方法具有成本低、处理速度快的优点，在智能驾驶系统中具有重要的参考意义，同时该能见度检测方法也可作为雾天图像恢复效果评价指标。未来该方法可以利用更多的视频序列进行测试，以证明该方法在真实情况下的执行结果，一旦在大量不同环境下被证明有效，该方法可嵌入到实车实时系统下工作。