余小角，陳賢富
(中國(guó)科學(xué)技術(shù)大學(xué) 信息科學(xué)技術(shù)學(xué)院，安徽 合肥 230026)
摘要：在駕駛過程中發(fā)生非意識(shí)車道偏離時(shí)，偏離預(yù)警系統(tǒng)采用報(bào)警方式保障行車安全。針對(duì)高速公路頻發(fā)的車道偏離事故，設(shè)計(jì)和實(shí)現(xiàn)了基于視頻處理的高速車道偏離預(yù)警系統(tǒng)（Highway Departure Warning System, HDWS）。算法處理上，分別進(jìn)行感興趣區(qū)域（Area of Interest, AOI）設(shè)定、圖像預(yù)處理和Otsu自適應(yīng)閾值二值化，應(yīng)用直線模型和改進(jìn)Hough變換提取車道線，采用像素距離與車道線斜率信息融合的偏離決策，并在MATLAB R2015a上仿真測(cè)試。仿真結(jié)果表明，該系統(tǒng)能提前1.2 s報(bào)警，準(zhǔn)確率高于95%，漏報(bào)率低于3%，滿足高速道路環(huán)境下偏離預(yù)警性能要求。
關(guān)鍵詞：車道偏離預(yù)警系統(tǒng)；感興趣區(qū)域；圖像處理；Hough變換
0引言
近年來，隨著汽車保有量快速增長(zhǎng)，高速公路交通事故不斷增加，而無意識(shí)的車道偏離是導(dǎo)致事故的重要因素。據(jù)統(tǒng)計(jì)，高速公路交通事故主要為車道偏離和追尾事故，其中車道偏離事故占33%。若能提前1 s報(bào)警，可避免90%的事故［1-2］。針對(duì)高速行車中駕駛員無意識(shí)車道偏離問題，偏離預(yù)警系統(tǒng)(Lane Departure Warning System, LDWS) 利用報(bào)警方式提醒駕駛員修正駕駛行為，減少或避免事故發(fā)生。因LDWS顯著提高了車輛主動(dòng)安全性而得到國(guó)內(nèi)外學(xué)術(shù)界和工業(yè)界的高度關(guān)注，其技術(shù)應(yīng)用代表有美國(guó)NavLab系統(tǒng)、意大利ARGO系統(tǒng)和日本DSS系統(tǒng)［1,3］，國(guó)內(nèi)有清華大學(xué)THMR系統(tǒng)、吉林大學(xué)JLUVALDW系統(tǒng)［1］、百度無人車系統(tǒng)等。因采用機(jī)器視覺技術(shù)獲取信息豐富且成本較低，使LDWS成為當(dāng)前智能車輛研究的熱點(diǎn)［4］。
在現(xiàn)有LDWS基礎(chǔ)之上［5-8］，本文設(shè)計(jì)和實(shí)現(xiàn)了基于視頻處理的高速車道偏離預(yù)警系統(tǒng)（Highway Departure Warning System, HDWS）。首先設(shè)定感興趣區(qū)域（Area of Interest, AOI），節(jié)約計(jì)算資源以提高實(shí)時(shí)性。根據(jù)高速道路車道線特點(diǎn)應(yīng)用直線模型和改進(jìn)Hough變換提取車道線，采用像素距離和車道線斜率信息融合方法進(jìn)行偏離決策，最后在MATLAB R2015a上實(shí)現(xiàn)系統(tǒng)仿真測(cè)試。實(shí)驗(yàn)結(jié)果表明，系統(tǒng)具有良好的實(shí)時(shí)性、可靠性和魯棒性。
1高速車道偏離預(yù)警系統(tǒng)
據(jù)國(guó)內(nèi)外報(bào)道，LDWS實(shí)現(xiàn)方式有磁引導(dǎo)技術(shù)、GPS技術(shù)及機(jī)器視覺技術(shù)等［2］。磁引導(dǎo)技術(shù)不受光線影響，但對(duì)現(xiàn)有道路設(shè)施改造成本高，實(shí)現(xiàn)難；GPS技術(shù)定位精度與成本難以折中；機(jī)器視覺技術(shù)采用“類人”方式，通過車載攝像機(jī)實(shí)時(shí)采集道路圖像，檢測(cè)車道線并提取圖像中其他有用信息用于判別車輛偏離及預(yù)警。獲取信息量大、相對(duì)成本低，成為研究重點(diǎn)。
針對(duì)高速道路行車速度快、車道偏離事故危害性大等問題，本文提出一種高速車道偏離預(yù)警系統(tǒng)。系統(tǒng)主要工作流程如圖1所示，其中圖像預(yù)處理、車道線檢測(cè)和車道偏離預(yù)警是關(guān)鍵模塊。
2圖像預(yù)處理
2.1感興趣區(qū)域設(shè)定
對(duì)采集到的彩色圖像分割出車道區(qū)域AOI，節(jié)約計(jì)算資源，提高實(shí)時(shí)性。AOI在當(dāng)前車道左右車道線交點(diǎn)以下區(qū)域選取，如圖2所示。
2.2圖像灰度化
獲取的彩色AOI圖像表示為三維RGB矩陣，為加快處理速度，將其灰度化。圖像灰度化方法較多，考慮到須符合人眼視覺特點(diǎn)，故采用如下公式［4］：
2.3圖像去噪
圖像在形成和處理過程中存在干擾，如光電轉(zhuǎn)換元件靈敏度不均、數(shù)字化過程量化噪聲、傳輸誤差等。系統(tǒng)采用中值濾波法，濾波消除噪聲，改善圖像質(zhì)量。該方法既能去除噪聲又能保護(hù)目標(biāo)邊界不被模糊，將每個(gè)像素點(diǎn)灰度值用其鄰域移動(dòng)窗口中像素灰度中值來替代，表示為：
式中Sf(x,y)表示像素點(diǎn)(x,y)的鄰域，窗口大小為3×3，求出中值并代替窗口中心原灰度值f(x,y)。
2.4圖像邊緣增強(qiáng)
邊緣增強(qiáng)突出車道線邊緣信息以利于識(shí)別，減少光照不均的影響。常用的算法有Robert算子、Sobel算子、Prewitt 算子和Canny算子等［7］，綜合效果與實(shí)時(shí)性，本文采用Sobel算子。該算子含2個(gè)3×3模板，將之與圖像進(jìn)行卷積，得出亮度差分近似值。設(shè)A代表原圖像，Gx、Gy分別為經(jīng)橫向及縱向邊緣檢測(cè)的圖像灰度值，其公式［9］如下：
圖像灰度值計(jì)算：
為提高計(jì)算效率，使用近似值：
2.5圖像自適應(yīng)二值化
邊緣增強(qiáng)后圖像質(zhì)量有所改善但包含背景。為提取車道線需進(jìn)行圖像二值化，關(guān)鍵是找出合適的閾值以區(qū)別目標(biāo)與背景。閾值過小易產(chǎn)生噪聲，過大會(huì)損失有用信息。同時(shí)，為適應(yīng)不同光線下路面環(huán)境，不可采用固定閾值。系統(tǒng)采用自適應(yīng)閾值Otsu法［3,9］進(jìn)行二值處理，統(tǒng)計(jì)圖像灰度分布特征，以類間方差為判據(jù)，選取使其最大的值作為閾值。
設(shè)圖像灰度分為1~m級(jí)，灰度值為i的像素?cái)?shù)為ni，則總像素?cái)?shù)N為：
各像素概率值為：
整體圖像的灰度統(tǒng)計(jì)均值μ為：
用K將1~ m分為C0和C1兩組，
C1則C0產(chǎn)生的概率為
對(duì)應(yīng)的均值為：
C1的概率為：
對(duì)應(yīng)的均值為:
兩組間的方差為:
從1,2,3,…,m間改變K值，使方差值最大的K作為閾值，將圖像二元化：
圖像預(yù)處理結(jié)果如圖3所示，車道線邊緣突出，為提取奠定了基礎(chǔ)。
3車道線檢測(cè)
3.1高速道路直線模型
為提高車道線建模精度，研究人員用二次或三次曲線模型［1,6］，但其實(shí)時(shí)性受限。高速道路設(shè)計(jì)有嚴(yán)格標(biāo)準(zhǔn)，120 km/h極限轉(zhuǎn)彎半徑為650 m，一般為1 000 m，近視野車道線可視為直線［1］，滿足精度要求并簡(jiǎn)化計(jì)算，故采用之。
3.2Hough變換提取車道線參數(shù)
Hough變換［13］對(duì)噪聲干擾不敏感，是一種直線檢測(cè)的有效工具。其思想是［2］：圖像中一條直線映射為參數(shù)空間中的一點(diǎn)，參數(shù)空間一點(diǎn)在圖像空間中表示一條直線。直線ρ=xcosθ+ysinθ(ρ為法線距離，θ為法線與x軸夾角)，將ρ和θ量化，對(duì)每個(gè)(x,y)點(diǎn)代入θ計(jì)算相應(yīng)ρ值，相應(yīng)小格計(jì)數(shù)器加1，最后找出最大計(jì)數(shù)小格對(duì)應(yīng)的(θ,ρ)。Hough變換示例如圖4所示?？紤]到Hough變換對(duì)計(jì)算資源的消耗問題，本文提出以下3點(diǎn)改進(jìn)意見：
(1)圖像預(yù)處理前進(jìn)行AOI區(qū)域剪裁。有針對(duì)性地從AOI區(qū)域提取信息，節(jié)約計(jì)算資源，使計(jì)算更加高效；
(2)預(yù)處理階段邊緣增強(qiáng)和二元化處理細(xì)化車道線，減少霍夫變換計(jì)算量；
(3)加入AOI區(qū)域中車道線的(θ,ρ)約束信息，本實(shí)驗(yàn)取［-78°,78°］，減少計(jì)算量。
4車道偏離預(yù)警模型
傳統(tǒng)預(yù)警模型有車輛當(dāng)前位置模型(Car′s Current Position, CCP)和車輛橫越車道邊界時(shí)間模型(Time to Lane Crossing, TLC)［1,5,8,10］。CCP檢測(cè)車道線，計(jì)算車輛位置與車道邊界距離，設(shè)定閾值適時(shí)預(yù)警。TLC預(yù)測(cè)車輛行駛軌跡并將估計(jì)偏離時(shí)間與閾值進(jìn)行比較，適時(shí)報(bào)警。這兩種模型涉及攝像機(jī)標(biāo)定和坐標(biāo)系參數(shù)轉(zhuǎn)換操作。在行車過程中，光線變化、車身抖動(dòng)等因素影響數(shù)據(jù)精確測(cè)量，換算過程誤差傳播放大，使系統(tǒng)難以實(shí)施準(zhǔn)確預(yù)警。
針對(duì)上述問題，本文提出一種基于圖像信息的預(yù)警方法，挖掘AOI中有用信息作為預(yù)警參數(shù)。車道模型如圖5所示，L1L2、R1R2分別是左右車道線，M1M2是AOI中軸線。本文方法描述如下：
(1)設(shè)車道線與AOI圖像交點(diǎn)坐標(biāo)分別為L(zhǎng)1(x1,y1)、L2(x2,y2)、R1(x3,y3)和R2(x4,y4), AOI寬度W，半寬度W1/2，設(shè)定偏離預(yù)警值TH=λ·W1/2；
(2)計(jì)算車道線和AOI底部交點(diǎn)與M1M2距離L2M2、R2M2，通過L2、M2、R2的橫坐標(biāo)關(guān)系區(qū)分左右車道線；
(3)計(jì)算L1L2、R1R2車道線斜率值，若車道線與x軸垂直，則賦以標(biāo)記值MAX；
(4)偏離決策：以車道斜率值為輔助信息，以像素距離為主要依據(jù)進(jìn)行偏離決策。若L2M2≤TH且L2M2<R2M2，則判斷為左偏；若R2M2<TH且R2M2<L2M2，則判斷為右偏；其他情況，判斷為正常駕駛。
5實(shí)驗(yàn)及結(jié)果分析
實(shí)驗(yàn)在PC(CPU為Intel i73770, 內(nèi)存8 GB)和MATLAB R2015a平臺(tái)進(jìn)行，采用安裝在車內(nèi)后視鏡處攝像機(jī)拍攝的高速路行車視頻，幀尺寸320 × 240。分別在晴天白天、陰霧天傍晚環(huán)境下進(jìn)行性能測(cè)試，逐幀取出結(jié)果圖片并進(jìn)行統(tǒng)計(jì)分析。車道線斜率、像素距離實(shí)時(shí)變化分別如圖6~圖8所示。由圖可知，當(dāng)車輛正常行駛時(shí)，曲線變化平穩(wěn)，當(dāng)出現(xiàn)左偏或右偏時(shí)，曲線劇烈波動(dòng)。測(cè)試中大量右偏行為也在圖8中很好地記錄下來，報(bào)警結(jié)果如圖9所示，數(shù)據(jù)統(tǒng)計(jì)于表1中。系統(tǒng)處理每一幀圖像耗時(shí)19.2 ms, 能提前1.2 s報(bào)警，準(zhǔn)確率高于95%，漏報(bào)率低于3%，具有較好的實(shí)時(shí)性和可靠性。
6結(jié)論
本文設(shè)計(jì)的基于視頻處理的高速車道偏離預(yù)警系統(tǒng)能夠有效檢測(cè)車道線并進(jìn)行正確的偏離報(bào)警。系統(tǒng)在車道圖像AOI中提取信息，采用自適應(yīng)閾值二值化圖像方法和改進(jìn)Hough變換提取車道線參數(shù)，融合車道線斜率值和像素距離方法進(jìn)行偏離預(yù)警。實(shí)驗(yàn)結(jié)果表明，該方法簡(jiǎn)單實(shí)用，誤警率低，抗干擾力強(qiáng)，具有很好的實(shí)時(shí)性和較強(qiáng)的通用性。下一步研究是進(jìn)行更廣泛的系統(tǒng)測(cè)試和車載嵌入式平臺(tái)下的移植工作。
參考文獻(xiàn)
?。?］ 初雪梅．基于機(jī)器視覺的車道偏離預(yù)警理論與算法研究［D］．長(zhǎng)沙：湖南大學(xué)，2013.
［2］ 呂柯巖，朱明，楊迪．單目視覺車道偏離預(yù)警系統(tǒng)的開發(fā)［J］. 計(jì)算機(jī)應(yīng)用，2012,32(S2)：196-198,241.
?。?］ 李金輝,吳樂林,陳慧巖,等.結(jié)構(gòu)化道路車道線識(shí)別的一種改進(jìn)算法［J］.北京理工大學(xué)學(xué)報(bào)，2007,27（6）：501-505.
?。?］ 朱淋，梁華為，王智靈，等. 基于視頻序列的車道線檢測(cè)和跟蹤［J］. 電子測(cè)量技術(shù), 2013，36(7): 43-47.
?。?］ 于兵，張為公，龔宗洋．基于機(jī)器視覺的車道偏離報(bào)警系統(tǒng)［J］．東南大學(xué)學(xué)報(bào)(自然科學(xué)版)，2009，39(5)：928-932.
?。?］ 劉軍，陶昌嶺，余節(jié)發(fā), 等. 基于汽車主動(dòng)安全的車載嵌入式平臺(tái)的研究［J］. 電子技術(shù)應(yīng)用, 2014, 40(7): 21-23.
［7］ AUNG T, ZAW M H. Video based lane departure warning system using Hough transform［C］. International Conference on Advances in Engineering and Technology, 2014: 29-30.
?。?］ GAIKWAD V, LOKHANDE S. Lane departure identification for advanced driver assistance ［J］. IEEE Transactions on Intelligent Transportation Systems, 2015,16(2)：910-918.
?。?］ RAFAEL C G， RICHARD E W.數(shù)字圖像處理［M］. 阮秋琦，阮宇智，等，譯. 北京：電子工業(yè)出版社，2011.
?。?0］ MAMMAR S，GLASER S，NETTO M. Time to line crossing for lane departure avoidance: A theoretical study and an experimental setting ［J］. IEEE Transactions on Intelligent Transportation Systems, 2006,7(2):226-241.