李伟 张丽艳 刘健 刘鑫

摘要：传统基于边缘检测的边缘提取算法在进行车道线待选点提取时，难以控制边缘的范围，在真实场景中会将树木的阴影以及汽车自身的阴影提取出来，造成较大的噪声;传统基于滑动窗搜索拟合方法的车道线检测与跟踪方法在计算时，由于滑动窗本搜索算法自身的算法问题，导致计算速度较低，在实时性方面较差。针对这些问题，本文提出一种基于边缘提取算法与颜色空间模型相结合的复合模型，对滑动窗搜索拟合算法进行改进和优化的车道线检测方法，有效地降低了提取车道线待选点时的噪声，提高了车道线检测的准确性和实时性，在实际的应用中实用性更强。

关键词：车道线检测;颜色空间模型;Sobel算子;滑动窗搜索拟合

中图分类号：TP311      文献标识码：A

文章编号：1009-3044（2019）16-0170-02

开放科学（资源服务）标识码（OSID）：

1引言

车道线检测[1，2]作为智能交通的重要组成部分，将计算机视觉作为信息采集的一部分，极大地改善了驾驶员对行车环境信息的接受方式，提高了行车的安全性。传统的通过Canny算子[3]或Sobel算子边缘提取的车道线检测算法对车道线进行边缘都提取时，引入大量噪声而导致利用霍夫变换[4]进行对车道待选点的确定造成一定的误差，使得车道线检测效果不好。而且传统的滑动窗搜索拟合方法，对待每一帧图像都要进行滑动窗的搜索和拟合，计算量较大，导致对车道线的跟踪拟合速度较慢，无法满足实时性的要求。为此，本文提出了一种基于改进边缘提取方法和优化滑动窗搜索算法的车道线检测算法。

2 本文方法

2.1 传统的车道线检测算法步骤

传统的车道线检测算法[5，6]主要步骤有图像畸变矫正、图像处理和数据转换、车道线检测和车道线拟合。

2.1.1 图像畸变矫正

由于车载摄像头自身的硬件问题和车辆行驶过程中的颠簸等原因，会造成图像发生畸变。本文中使用opencv中的findchessboardCorners（）和calibrateCamera（）函数对图像进行标定和校准，在一定程度上消除畸变对于车道线检测的影响。由于图像拍摄镜头未完全平行与成像平面对齐，会产生切向失真，对于这种失真校准遵循公式（1）和公式（2）。

其中[p1]和[p2]为切向畸变系数。

2.1.2 图像处理和数据转换

图像处理的过程即对校准后的图像进行处理，将RGB图转化为二值图，方便选出车道线待选点。通常算法为基于边缘提取或者颜色空间，本文使用两种方式相结合，在提升准确度的同时还加快了计算速度。由于图片采集时视角问题，会使得路面形成一个梯形，加大了识别难度，所以要通過透视变换方法将视角变为俯视图之后进行处理，在原图中确定待选区域ABCD之后，可得到透视变换图。

2.1.3 车道线检测和车道线拟合

本文使用优化后的滑动窗口搜索算法对车道线的像素进行捕捉，考虑到车道线的复杂程度，本文使用二阶函数进行车道线的拟合，然后计算中心偏移量和弯道曲率半径。将像素单位转换为m，找出水平和垂直方向车道线的最大值，从而计算出中心的偏移量。利用车道线拟合的参数，半径的计算方式如公式（3）。

2.2基于双模型的车道线检测算法

本文采用基于Sobel算子[7]的边缘点检测算法相比Canny算法[8]减少了噪声，但是对边缘的提取出现了检测不全的情况，尤其是对白色车道线的边缘提取较为明显。针对以上问题，本文提出使用双模型对车道线待选点进行检测。首先提取基于颜色空间的HLS模型中的S通道，然后使用Sobel算法中的水平梯度提取车道线的边缘。将HLS模型和Sobel算法的水平梯度相结合方法提取出的车道线待选点较为清晰，为下一步的车道线搜索拟合奠定了良好的基础。

2.3 滑动窗搜索拟合算法

传统的车道线搜索算法使用霍夫直线变换在检测车道线时对输入图片质量要求较高，噪声过大时识别效果较差，在识别弯道时，较为困难，识别率较低，无法满足要求。本文采用滑动窗搜索算法对车道线进行识别和跟踪，首先挑选一张带有一定噪声的图片，使用本文双模型处理后的图片做直方图统计。在统计图中依次从下到上使用两个矩形取寻找直方图中值较大的位置，分别为左侧车道线和右侧车道线。本文双模型算法可以辨别真实车道线，准确率较高。但由于滑动窗搜索算法，本文中使用18个滑动窗进行车道线的搜索，每个窗都是在实时搜索，极其耗费时间。本文使用的视频素材是在车速为40km/左右时采集的素材，帧数为30帧/秒，大约一秒出现一个车道线，考虑到车道线的不变性，即在连续几帧的画面中车道线基本不会有较大变化，本文提出了对滑动窗搜索算法的优化方案。在搜索时每隔15帧进行搜索，在两次搜索中使用前一次搜索的车道线位置进行覆盖;当出现只检测到单车道时，另一车道一直使用最初搜索车道位置进行覆盖。当初线连续无法检测到车道线时，使用最初搜索车道线的位置进行覆盖。使用本文优化后的滑动窗搜索算法后，在准确率未明显降低的情况下，计算时间有极大提升。

3 仿真及结果与分析

本文基于双模型和优化滑动窗搜索算法后的检测效果如图2。本文采集了国内高速，国道，普通道路共10多个小时的行车记录仪视频，对比了传统基于边缘提取的车道线算法、本文使用的双模型算法、Sobel算法边缘检测算法和HLS颜色空间模型算法的准确度和计算时间，比较结果如表1。表1中使用了共9000帧图像进行测试，在准确率方面，完全使用颜色空间模型的方法最高，但是用时较长，速度大约为6帧/s，无法满足实时性要求;而完全使用边缘提取的方法准确率最低，但是用时最少，速度大约为40帧/s;混合模型准确率满足要求且速度较快大约为25帧/s满足实时性。

本文对原有滑动窗搜索算法进行优化，将实时的滑动窗搜索改为了每15帧进行一次车道线的搜索，间隔搜索之间的车道线使用上次搜索的结果。对比优化前后的算法如表2。从表2中可以看出，优化前的算法精确度较高，但是用时较长，大约为14帧/s，无法满足实时性要求。

4 结语

实验结果表明，基于混合模型的车道线待选点算法和优化后的滑动窗算法。本文算法结合了边缘提取算法和颜色空间算法的优点，并结合优化后的滑动窗搜索算法去除了不必要的搜索过程，加快了搜索速度。在国内的国道、高速和城镇道路上检测准确率较高，识别速度较快。

参考文献：

[1] 石林军，余粟.基于多约束条件下的霍夫变换车道线检测方法[J].计算机测量与控制，2018，26（09）：9-12+38

[2] 范延军. 基于机器视觉的先进辅助驾驶系统关键技术研究[D].东南大学，2016.

[3] 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.

[4] 張丽艳，张伟，龙美芳.一种基于PHOG特征的SVM的交通标志识别方法[J].电脑知识与技术，2018，14（27）：230-231.

[5] Zhong-xun Wang， Wenqi， Wang The research on edge detection algorithm of lane[J]. Image and Video Processing 2018：98.

[6] F. Liming， L. Bijun， Y. Yutong， Lane detection based on multiscale resampling[J]. Electronic Technology and Applications 2017，43（4）： 7–12.

[8] 李琳琳.自适应阈值的Sobel算子边缘检测研究[J].电子技术，2018，47（12）：24-25+12.

[9] 付卓栋. 图像分割的车牌定位算法的应用研究[D].大连交通大学，2016.

[10] 刘伸展. 实时车道线检测系统的设计和实现[D].电子科技大学，2017.

【通联编辑：光文玲】