基于特征提取的车道线快速检测方法研究_徐嘉雯.pdf

基金项目：国家自然科学基金项目（编号：51968065）；云南省高层次人才支持项目（编号：YNR-QNBJ-2018-066，YNQR-CYRC-2019-001）；云南省教育厅科研基金项目（编号：2022Y571）收稿日期：20220817基于特征提取的车道线快速检测方法研究*徐嘉雯，何超，魏明洋，张慧蒙，罗鑫，刘学渊（西南林业大学 机械与交通学院，昆明650224）摘要：车道线检测是无人驾驶车辆及车道偏离预警等系统的关键技术。针对自动驾驶车辆当前道路可行驶区域检测精度不高、环境适应性差及实时性差的问题，提出了一种基于特征提取的快速检测车道线的方法。在图像预处理阶段，首先读取视频图像，把每一帧RGB图像转为灰度图，通过Canny算子对图像的边缘轮廓进行提取，然后绘制车道线的掩码区域，并与边缘检测结果图结合，对感兴趣区域（ROI），也就是对车道线所划分的汽车当前可行驶区域进行提取。最后进行概率霍夫变换和最小二乘拟合，并将得到的直线绘制到原图像中，最终对每一帧处理后的图像进行输出。该算法在多种边缘检测方法中选用Canny算法，并针对人为选取双阈值的复杂性问题，提出了自适应调节、选取阈值的方法；运用改进的概率霍夫变换对车道线进行检测，并进行离群值的过滤，有效提高了检测精度和速度。结果表明：该算法处理每一帧图像的时长为13.9 ms，且平均准确率达到97.6%，具有较好的实时性和准确性。关键词：自动驾驶；车道线检测；特征提取；图像处理中图分类号：TP391.4文献标志码：A文章编号：10099492(2023)02011805Research on Fast Lane Detection Method Based on Feature ExtractionXu Jiawen，He Chao，Wei Mingyang，Zhang Huimeng，Luo Xin，Liu Xueyuan（College of Mechanical Engineering and Transportation,Southwest Forestry University,Kunming 650224,China）Abstract:Lane line detection is the key technology of driverless vehicles and lane departure warning system.A fast lane line detection methodbased on feature extraction was proposed to solve the problems of low accuracy,poor environmental adaptability and poor real-time detection ofcurrent road drivable area of autonomous vehicles.In the image preprocessing stage,firstly,read every frame of the video,and every RGBimage needed to be converted to gray scale image,the edge contour of the image was extracted by Canny operator,and then the mask area of thelane line was drawn,which was combined with the edge detection result.Region of Interest(ROI),which was to extract the current drivableregion of cars divided by lane lines.Finally,probabilistic Hough transform and least square fitting were carried out,and the line obtained wasdrawn into the original image,and the processed image of each frame was output.In the algorithm,Canny algorithm was selected among manyedge detection methods,and adaptive adjustment and threshold selection methods were proposed to solve the complex problem of choosingdouble thresholds artificially.The improved probabilistic Hough transform was used to detect lane lines and filter outliers,which improveddetection accuracy and speed effectively.The results show that the processing time of single frame image is 13.9 ms,and the average accuracyis 97.6%,which has good real-time and accuracy.Key words:autonomous driving;lane detection;feature extraction;image processing2023年02月第52卷第02期Feb.2023Vol.52No.02机电工程技术MECHANICAL&ELECTRICAL ENGINEERING TECHNOLOGYDOI:10.3969/j.issn.1009-9492.2023.02.028徐嘉雯，何超，魏明洋，等.基于特征提取的车道线快速检测方法研究 J.机电工程技术，2023，52（02）：118-122.0引言随着全球智能网联汽车行业的快速发展，如何进一步实现汽车的智能化受到人们的广泛关注。研究表明1，大部分交通事故都是由于驾驶员注意力不集中或疲劳驾驶造成的，而先进驾驶辅助系统（Advanced Driving Assistance System，ADAS）可以在事故发生前采取必要的举措，从而减少事故和驾驶员的工作量2。车道偏离报警系统（Lane Departure Warning System，LDWS）3和车道 保 持 辅 助 系 统（Lane Keeping Assist Systems，LKAS）4等内容是ADAS的基本内容。因而，车道偏离报警系统和自动驾驶技术的应用是提高道路安全的重要创新技术，可以有效减少发生交通事故的概率5。随着对LDWS的深入研究，辅助驾驶功能也在不断完善和发展。其中，车道检测是先进驾驶辅助系统的基础，道路场景中车道线的正确检测对自动驾驶的应用也具有重要影响6-8。从现有技术水平来看，影响基于视觉的LDWS可靠性的最重要因素是车道线检测算法。因此，对于车道线的检测仍有很多研究需要继续9。目前，根据研究者们所提出的车道线检测方法，主要可以分为基于特征、模型和语义分割的方法10-12。针对基于特征和模型的方法，张勉等13通过统计得到车道线方向角的均值和方差，用以确定方向可调滤波器的方118向和概率霍夫变换的极角范围，有效地抑制了干扰、减小了搜索范围、提高了检测速度。Shen等14提出了一种针对复杂环境的车道线快速提取的方法，通过感兴趣区域（Region of Interest，ROI）的动态调整以及改进的firefly边缘检测算法，使其在复杂场景下具有较高的检测效果。Hajjouji等15设计了一种适用于直线车道线检测的霍夫变换（Hough Transform，HT）硬件结构，优化了 HT的结构和计算复杂度，减少了累加器的尺寸,使得检测速度有所提升。Gong等16提出了一种通用的快速车道线提取方法，通过提出的双阈值算法进行ROI区域的提取，并运用卡尔曼滤波快速预测后续图像序列的最佳阈值，从而实现了车道线的实时校正。Kumar等17针对在光线阴暗场景检测算法鲁棒性低的问题，利用 Kalman滤波跟踪检测车道线，然后通过B样条曲线对车道线进行拟合，具有较好的拟合效果。而基于语义分割的检测方法通过大量数据集对模型进行训练，使模型具有较强的特征提取能力，然而，随着模型的不断迭代，整个网络模型变得越来越复杂，也需要强大的计算能力来支持。目前，在一些场景中仍存在着车道线检测精度不足，道路场景中的车道线无法快速准确提取的情况，因此需要不断改进算法，在降低开发成本的同时提高算法的性能。而基于特征和模型的方法最为简单，直接提取图像特征，并进行车道线拟合，具有计算量小、效率高等特点，且在实时准确性方面具有优势，但其场景适应性差。鉴于上述原因，本文基于PyCharm软件，针对多种场景的变换提出了一种更加快速便捷的车道线检测方法，具体检测算法的流程如图1所示。1道路图像预处理为减少数据运算，首先需要将采集到的视频中的单帧图像灰度化，把原图的R、G、B三个通道转为单个通道，最终得到灰度图。通常有平均值法、最大值法、加权平均法3种处理方法,而加权平均法能够得出最能反映人眼特征的灰度值，灰度图的亮度Gray(x,y)公式如下：Gray(x,y)=0.299R(x,y)+0.587G(x,y)+0.114B(x,y)（1）式中：(x,y)为像素点坐标；R(x,y)、G(x,y)和B(x,y)分别为像素点在红、绿和蓝通道中的灰度值。本文采用式（1）方法对图像进行灰度化处理，结果如图2所示。2车道线特征提取2.1Canny边缘检测为使车道线边缘提取的效果更好，本文采用Canny检测算法寻找像素点局部最大值，也就是寻找图像中灰度变化量最大的位置。具体Canny边缘检测算法主要可分为以下几个步骤。（1）采用高斯滤波来平滑尖锐的噪声点，防止噪声点影响后续Hough变换直线的判断。为达到模糊图像从而实现去噪的目的，用到的二维高斯函数的计算公式为：G(a,b)=122e-a2+b222（2）式中：G(a,b)为点像素的灰度值；(a,b)为像素点坐标；为标准差。本文在此采用（55）的高斯卷积模板并利用 cv2.GaussianBlur（）函数对灰度图进行处理。（2）计算梯度，找寻图像的强度梯度。主要是计算各梯度方向上的一阶导数（垂直、水平和两对角方向）。此步骤可使用Sobel算子计算水平和竖直方向的图像梯度（Ga和Gb），并进一步求得边缘的梯度（G）和方向（），公式如下：Ga=|-101-202-101（3）Gb=|-1-2-1000121（4）G=G2a+G2b（5）=arctan(Gb/Ga)（6）（3）使用非极大值抑制的方法将模糊的边缘变得清晰，从而消除边缘误检。基本原理：比较像素点沿梯度方向的梯度强度变化量，把同一梯度方向上梯度值为极大值的像素点看作边缘点。（4）利用双阈值的方法来划分出可能的边缘点。尽管找出了可能是图像边缘的像素点，但是仍无法判定具体多大的像素梯度属于真正的边缘点，所以Canny使用了双阈值来进行划分，即梯度值大于高阈值的像素点被认为是强边缘，去除小于低阈值的像素点，并且在双阈值之间的弱边缘只有连接强边缘时才是真正的边缘点。图1车道线检测流程图2灰度图徐嘉雯，何超，魏明洋，等：基于特征提取的车道线快速检测方法研究119传统 Canny 算子人为设定高、低阈值，耗时较长，难以满足车辆的实时性要求。在此，本文为更好地体现图像边缘特征，设计了两种方法。方法一是制定一个窗口，给定高低阈值一个范围，调节阈值大小，从而能够更好地找到图像特征提取的最佳阈值范围，如图 3（a）所示。为了检测车道线的边缘，需要降低高阈值。经过