摘  要: 本文提出了一种新的车道标志线检测方法，该方法使用Hough变换在图象中分别检测车道的左右标志线，然后依据逆透视变换模型从车道线图象平面重建出世界坐标系下的车道平面模型，进一步得到左右车道标志线的参数方程。本文对该方法进行了详细介绍并给出了实验结果，结果表明该方法能够准确地从车道图象中重建车道平面模型，提取左右车道标志线。

   关键词: 车道平面模型；车道标志线；Hough变换；逆透视变换

1  引  言

   智能交通系统是当今世界研究的一个热点，而车辆自主驾驶系统一直是智能交通系统的研究重点。在车辆自主驾驶系统中，一个重要的研究任务是要准确快速的检测车道标志线信息，提取车辆在车道平面中的位置。各国对此都开展了深入的研究，也取得了不少成果。

   德国慕尼黑国防军大学的VaMoRs-P系统[1]使用回旋曲线作为简化的道路模型，避免了道路几何复杂的重构问题，提高了系统对阴影的鲁棒性，但需要复杂的公式匹配，而且当道路不符合模型假设时会失效。车载摄像机获取的道路图象具有强烈的透视效果，这样的车道标志线模型与世界坐标系下具有平行结构的车道标志线模型相比要复杂很多。为了能够使用简单的车道标志线模型展开研究，美国卡耐基-梅隆大学的RALPH系统[2]与意大利帕尔马大学的GOLD系统[3,4]通过逆透视变换的方法对道路图象进行处理，消除了图象的透视效果。这两个系统在假设道路宽度固定或变化缓慢的前提下，检测具有一定宽度的平行车道线，明显提高了系统对阴影和遮挡的鲁棒性，但是该假设并不适于宽度变换频繁的道路。

   本文基于逆透视变换的原理，针对结构化道路上车道标志线的特征，提出了一种新的车道标志线检测方法。该方法从道路图象中通过图象处理获取二维的车道标志线信息，然后依据逆透视变换重建真实的车道平面模型，获取车道标志线参数。

2  前处理

   由车载摄像机采集到的输入图象除了包含车道信息，还包含了路面障碍、车道旁以及远处的人或物和天空等非车道信息，而这些信息都会影响到对车道标志线的检测。所以，在对输入图象进行车道线检测前，需要对其进行前处理。本文所采用的图象前处理主要包括三个步骤：中值滤波、边缘检测和阈值分割。

2.1   中值滤波

   建立一个3×3的滤波器滑动窗口，按从左到右，从上到下的顺序对输入图象进行检测，对窗口内的9个像素点灰度值进行排序，取它们的中值作为窗口中心像素点的灰度值，遍历整幅输入图象后即实现了对图象的中值滤波。滤波后的图象在一定程度上去除了大噪声的影响，便于后面的处理。

2.2   边缘检测

   为了得到车道标志线的信息，最直接的方法就是提取车道标志线的边缘。利用边缘增强算子不仅可以得到车道线的边缘信息，还可以在一定程度上克服光照不均的影响。常用的边缘算子有：Robert算子、Sobel算子、Prewitt算子等，本文采用Robert算子对图象进行边缘检测。Robert算子是一种利用局部差分寻求边缘的算子，假设像素点处的灰度值为，那么，利用Robert算子进行边缘检测则有：用代替像素点处的原有灰度值，遍历整幅图象后，就得到如图1所示的边缘图象。

2.3   阈值分割

   经过边缘检测，车道标志线已经基本从图象中提取出来，但是为了进一步降低道路边沿以及远方景物在车道标志线检测中的干扰和影响，并将得到的灰度图象二值化，本文采用了基于幅度的图象分割方法。基于幅度的图象分割方法是根据图象的灰度来设置相应的阈值，把图象划分成不同的区域，从而实现图象的分割。图象分割的关键问题在于如何确定阈值。对于复杂的车道图象，因为光照条件、天气情况的不同，不同图象中前景与背景之间的灰度反差可能大有不同，这样的情况下，人为给定阈值或者简单地通过直方图计算确定阈值都很难做到将前景与背景准确的分割开来。本文采取迭代阈值法，通过多次迭代计算，求取车道图象对应的最佳阈值，并对图象进行二值化操作，实现前景与背景的分割。基于迭代的阈值能区分出图象中的前景和背景的主要区域所在，对于分割的精确性有了很大的提高，有利于后面车道标志线的检测和提取。首先，我们设初始阈值为

3  车道标志线检测

   在上文中，我们对输入图象进行了前处理，得到了道路图象的二值化图象。从图中可以看出，车道标志线的直线特征比较明显，所以本文考虑采用Hough变换的方法检测车道标志线。但是，用一般的Hough变换检测整幅图象存在着计算量大、易受图中其它边缘信息的干扰等缺点，所以，假设图象大小为，根据摄像头在车体中的安装位置和角度，我们对Hough变换加入了以下几点约束：

(1) 两条车道标志线近似为倾斜角在左右的直线；

(2) 图象的区域车道标志线信息量最大，干扰最小；

(3) 左、右标志线的信息主要分布在图象的左半和右半区域。

   根据以上约束，我们建立左右车道标志线的检测区域如图3所示，分别在L区域和R区域中搜索倾斜角在左右（本文取范围）的直线。这样，不仅减少了Hough变换的搜索范围，降低计算量，而且在一定程度上减小了非车道标志线对检测所造成的干扰和影响。

   由于Hough变换检测到的是两条直线，对于弯道并不完全适用，但是由于高速公路设计规范[5]要求道路具有连续且较小的曲率，所以我们可以认为，检测得到的结果与距车辆几十米内的道路是基本相符的。用该方法检测直道和弯道的结果图象如图4所示。

4  车道平面模型重建

   由车载摄像机获取的道路图象具有强烈的透视效果，主要表现为道路标志线在图象底部较直，在灭点附近成为比较复杂的曲线，这样的道路标志线模型与世界坐标系下具有平行结构的道路标志线模型相比显然要复杂很多。为了能够使用简单的道路标志线模型展开研究，在帕尔马大学的GOLD系统[4]的启发下，本文根据道路平坦假设，依据逆透视变换将检测到的图象坐标系下的车道标志线变换到世界坐标系下，消除了图象的透视效果，得到道路的准俯视图。

4.1   逆透视变换模型

   在欧式空间中定义两个坐标系和，分别表示世界坐标系和图象坐标系。

   本文使用的逆透视变换实质上就是将图象坐标系下的道路图象（也就是车载摄像机所获取的图象）变换到世界坐标系下的平面中，两者关系如图5所示。

   车载摄像机安装在车体中的位置在世界坐标系下的坐标为（见图5、图6、图7），摄像机的其它参数如下：

   摄像机光轴在平面的投影与轴的夹角（见图6）；

   摄像机光轴偏离平面的角度（见图7）；

   摄像机的视角（见图6、图7）；

   以图象的左下角为原点，表1给出了以上几幅道路图象用本文方法重建得到的车道标志线的相关参数。表中结果表明，直道检测时，两条车道标志线夹角在2°以内，基本保持平行；弯道检测时，由于反映的是车辆前方四十米的道路情况，标志线信息不如直道检测丰富，所以两条车道标志线夹角稍大，在4°以内。总的来说，该方法重建的道路平面模型简单可靠，为判定车道跑偏、估算前方障碍距离等研究提供了必要的支持。

参 考 文 献

[1]E.D.Dickmanns, R.Behringer, D.Dickmanns, T.Hildebrandt, M.Maurer, F.Thomanek and J.Schielen. The Seeing Passenger Car ‘VaMoRs-P’[C]. Proceedings of IEEE Intelligent Vehicles. 1994:68-73.

[2]D.A.Pomerleau. RALPH: Rapidly Adapting Lateral Position Handler[C]. Proceedings of IEEE Intelligent Vehicles. 1995:506-511.

[3]Massimo Bertozzi, Alberto Broggi, Gianni Conte, Alessandra Fascioli. Vision-Based Automated Vehicle Guidance: The Experience of the ARGO Vehicle[C]. Artificial Intelligence and Pattern Recognition Techniques for Computer Vision. 1998:35-40.

[4]Massimo Bertozzi, Alberto Broggi. GOLD: A Parallel Real-Time Stereo Vision System for Generic Obstacle and Lane Detection[J]. IEEE Transactions on Image Processing. 1998,7(1):62-81.

[5]交通部第一公路勘察设计院，“公路路线设计规范（JTJ011—94）”，人民交通出版社，1994