余小角，陳賢富
(中國科學技術大學 信息科學技術學院，安徽 合肥 230026)
摘要：在駕駛過程中發生非意識車道偏離時，偏離預警系統采用報警方式保障行車安全。針對高速公路頻發的車道偏離事故，設計和實現了基于視頻處理的高速車道偏離預警系統（Highway Departure Warning System, HDWS）。算法處理上，分別進行感興趣區域（Area of Interest, AOI）設定、圖像預處理和Otsu自適應閾值二值化，應用直線模型和改進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上仿真測試。仿真結果表明，該系統能提前1.2 s報警，準確率高于95%，漏報率低于3%，滿足高速道路環境下偏離預警性能要求。
關鍵詞：車道偏離預警系統；感興趣區域；圖像處理；Hough變換
0引言
近年來，隨著汽車保有量快速增長，高速公路交通事故不斷增加，而無意識的車道偏離是導致事故的重要因素。據統計，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報警，可避免90%的事故［1-2］。針對高速行車中駕駛員無意識車道偏離問題，偏離預警系統(Lane Departure Warning System, LDWS) 利用報警方式提醒駕駛員修正駕駛行為，減少或避免事故發生。因LDWS顯著提高了車輛主動安全性而得到國內外學術界和工業界的高度關注，其技術應用代表有美國NavLab系統、意大利ARGO系統和日本DSS系統［1,3］，國內有清華大學THMR系統、吉林大學JLUVALDW系統［1］、百度無人車系統等。因采用機器視覺技術獲取信息豐富且成本較低，使LDWS成為當前智能車輛研究的熱點［4］。
在現有LDWS基礎之上［5-8］，本文設計和實現了基于視頻處理的高速車道偏離預警系統（Highway Departure Warning System, HDWS）。首先設定感興趣區域（Area of Interest, AOI），節約計算資源以提高實時性。根據高速道路車道線特點應用直線模型和改進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行偏離決策，最后在MATLAB R2015a上實現系統仿真測試。實驗結果表明，系統具有良好的實時性、可靠性和魯棒性。
1高速車道偏離預警系統
據國內外報道，LDWS實現方式有磁引導技術、GPS技術及機器視覺技術等［2］。磁引導技術不受光線影響，但對現有道路設施改造成本高，實現難；GPS技術定位精度與成本難以折中；機器視覺技術采用“類人”方式，通過車載攝像機實時采集道路圖像，檢測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警。獲取信息量大、相對成本低，成為研究重點。
針對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警系統。系統主要工作流程如圖1所示，其中圖像預處理、車道線檢測和車道偏離預警是關鍵模塊。
2圖像預處理
2.1感興趣區域設定
對采集到的彩色圖像分割出車道區域AOI，節約計算資源，提高實時性。AOI在當前車道左右車道線交點以下區域選取，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，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，如光電轉換元件靈敏度不均、數字化過程量化噪聲、傳輸誤差等。系統采用中值濾波法，濾波消除噪聲，改善圖像質量。該方法既能去除噪聲又能保護目標邊界不被模糊，將每個像素點灰度值用其鄰域移動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(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
邊緣增強突出車道線邊緣信息以利于識別，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］，綜合效果與實時性，本文采用Sobel算子。該算子含2個3×3模板，將之與圖像進行卷積，得出亮度差分近似值。設A代表原圖像，Gx、Gy分別為經橫向及縱向邊緣檢測的圖像灰度值，其公式［9］如下：
圖像灰度值計算：
為提高計算效率，使用近似值：
2.5圖像自適應二值化
邊緣增強后圖像質量有所改善但包含背景。為提取車道線需進行圖像二值化，關鍵是找出合適的閾值以區別目標與背景。閾值過小易產生噪聲，過大會損失有用信息。同時，為適應不同光線下路面環境，不可采用固定閾值。系統采用自適應閾值Otsu法［3,9］進行二值處理，統計圖像灰度分布特征，以類間方差為判據，選取使其最大的值作為閾值。
設圖像灰度分為1~m級，灰度值為i的像素數為ni，則總像素數N為：
各像素概率值為：
整體圖像的灰度統計均值μ為：
用K將1~ m分為C0和C1兩組，
C1則C0產生的概率為
對應的均值為：
C1的概率為：
對應的均值為:
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：
圖像預處理結果如圖3所示，車道線邊緣突出，為提取奠定了基礎。
3車道線檢測
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］，但其實時性受限。高速道路設計有嚴格標準，120 km/h極限轉彎半徑為650 m，一般為1 000 m，近視野車道線可視為直線［1］，滿足精度要求并簡化計算，故采用之。
3.2Hough變換提取車道線參數
Hough變換［13］對噪聲干擾不敏感，是一種直線檢測的有效工具。其思想是［2］：圖像中一條直線映射為參數空間中的一點，參數空間一點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，對每個(x,y)點代入θ計算相應ρ值，相應小格計數器加1，最后找出最大計數小格對應的(θ,ρ)。Hough變換示例如圖4所示。考慮到Hough變換對計算資源的消耗問題，本文提出以下3點改進意見：
(1)圖像預處理前進行AOI區域剪裁。有針對性地從AOI區域提取信息，節約計算資源，使計算更加高效；
(2)預處理階段邊緣增強和二元化處理細化車道線，減少霍夫變換計算量；
(3)加入AOI區域中車道線的(θ,ρ)約束信息，本實驗取［-78°,78°］，減少計算量。
4車道偏離預警模型
傳統預警模型有車輛當前位置模型(Car′s Current Position, CCP)和車輛橫越車道邊界時間模型(Time to Lane Crossing, TLC)［1,5,8,10］。CCP檢測車道線，計算車輛位置與車道邊界距離，設定閾值適時預警。TLC預測車輛行駛軌跡并將估計偏離時間與閾值進行比較，適時報警。這兩種模型涉及攝像機標定和坐標系參數轉換操作。在行車過程中，光線變化、車身抖動等因素影響數據精確測量，換算過程誤差傳播放大，使系統難以實施準確預警。
針對上述問題，本文提出一種基于圖像信息的預警方法，挖掘AOI中有用信息作為預警參數。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)設車道線與AOI圖像交點坐標分別為L1(x1,y1)、L2(x2,y2)、R1(x3,y3)和R2(x4,y4), AOI寬度W，半寬度W1/2，設定偏離預警值TH=λ·W1/2；
(2)計算車道線和AOI底部交點與M1M2距離L2M2、R2M2，通過L2、M2、R2的橫坐標關系區分左右車道線；
(3)計算L1L2、R1R2車道線斜率值，若車道線與x軸垂直，則賦以標記值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進行偏離決策。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實驗及結果分析
實驗在PC(CPU為Intel i73770, 內存8 GB)和MATLAB R2015a平臺進行，采用安裝在車內后視鏡處攝像機拍攝的高速路行車視頻，幀尺寸320 × 240。分別在晴天白天、陰霧天傍晚環境下進行性能測試，逐幀取出結果圖片并進行統計分析。車道線斜率、像素距離實時變化分別如圖6~圖8所示。由圖可知，當車輛正常行駛時，曲線變化平穩，當出現左偏或右偏時，曲線劇烈波動。測試中大量右偏行為也在圖8中很好地記錄下來，報警結果如圖9所示，數據統計于表1中。系統處理每一幀圖像耗時19.2 ms, 能提前1.2 s報警，準確率高于95%，漏報率低于3%，具有較好的實時性和可靠性。
6結論
本文設計的基于視頻處理的高速車道偏離預警系統能夠有效檢測車道線并進行正確的偏離報警。系統在車道圖像AOI中提取信息，采用自適應閾值二值化圖像方法和改進Hough變換提取車道線參數，融合車道線斜率值和像素距離方法進行偏離預警。實驗結果表明，該方法簡單實用，誤警率低，抗干擾力強，具有很好的實時性和較強的通用性。下一步研究是進行更廣泛的系統測試和車載嵌入式平臺下的移植工作。
參考文獻
［1］ 初雪梅．基于機器視覺的車道偏離預警理論與算法研究［D］．長沙：湖南大學，2013.
［2］ 呂柯巖，朱明，楊迪．單目視覺車道偏離預警系統的開發［J］. 計算機應用，2012,32(S2)：196-198,241.
［3］ 李金輝,吳樂林,陳慧巖,等.結構化道路車道線識別的一種改進算法［J］.北京理工大學學報，2007,27（6）：501-505.
［4］ 朱淋，梁華為，王智靈，等. 基于視頻序列的車道線檢測和跟蹤［J］. 電子測量技術, 2013，36(7): 43-47.
［5］ 于兵，張為公，龔宗洋．基于機器視覺的車道偏離報警系統［J］．東南大學學報(自然科學版)，2009，39(5)：928-932.
［6］ 劉軍，陶昌嶺，余節發, 等. 基于汽車主動安全的車載嵌入式平臺的研究［J］. 電子技術應用, 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.
［8］ GAIKWAD V, LOKHANDE S. Lane departure identification for advanced driver assistance ［J］. IEEE Transactions on Intelligent Transportation Systems, 2015,16(2)：910-918.
［9］ RAFAEL C G， RICHARD E W.數字圖像處理［M］. 阮秋琦，阮宇智，等，譯. 北京：電子工業出版社，2011.
［10］ 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.