余小角，陈贤富

　　(中国科学技术大学 信息科学技术学院，安徽 合肥 230026)

       摘要：在驾驶过程中发生非意识车道偏离时，偏离预警系统采用报警方式保障行车安全。针对高速公路频发的车道偏离事故，设计和实现了基于视频处理的高速车道偏离预警系统（Highway Departure Warning System, HDWS）。算法处理上，分别进行感兴趣区域（Area of Interest, AOI）设定、图像预处理和Otsu自适应阈值二值化，应用直线模型和改进Hough变换提取车道线，采用像素距离与车道线斜率信息融合的偏离决策，并在MATLAB R2015a上仿真测试。仿真结果表明，该系统能提前1.2 s报警，准确率高于95%，漏报率低于3%，满足高速道路环境下偏离预警性能要求。

　　关键词：车道偏离预警系统；感兴趣区域；图像处理；Hough变换

0引言

　　近年来，随着汽车保有量快速增长，高速公路交通事故不断增加，而无意识的车道偏离是导致事故的重要因素。据统计，高速公路交通事故主要为车道偏离和追尾事故，其中车道偏离事故占33%。若能提前1 s报警，可避免90%的事故［1-2］。针对高速行车中驾驶员无意识车道偏离问题，偏离预警系统(Lane Departure Warning System, LDWS) 利用报警方式提醒驾驶员修正驾驶行为，减少或避免事故发生。因LDWS显著提高了车辆主动安全性而得到国内外学术界和工业界的高度关注，其技术应用代表有美国NavLab系统、意大利ARGO系统和日本DSS系统［1,3］，国内有清华大学THMR系统、吉林大学JLUVALDW系统［1］、百度无人车系统等。因采用机器视觉技术获取信息丰富且成本较低，使LDWS成为当前智能车辆研究的热点［4］。

　　在现有LDWS基础之上［5-8］，本文设计和实现了基于视频处理的高速车道偏离预警系统（Highway Departure Warning System, HDWS）。首先设定感兴趣区域（Area of Interest, AOI），节约计算资源以提高实时性。根据高速道路车道线特点应用直线模型和改进Hough变换提取车道线，采用像素距离和车道线斜率信息融合方法进行偏离决策，最后在MATLAB R2015a上实现系统仿真测试。实验结果表明，系统具有良好的实时性、可靠性和鲁棒性。

1高速车道偏离预警系统

　　据国内外报道，LDWS实现方式有磁引导技术、GPS技术及机器视觉技术等［2］。磁引导技术不受光线影响，但对现有道路设施改造成本高，实现难；GPS技术定位精度与成本难以折中；机器视觉技术采用“类人”方式，通过车载摄像机实时采集道路图像，检测车道线并提取图像中其他有用信息用于判别车辆偏离及预警。获取信息量大、相对成本低，成为研究重点。

　　针对高速道路行车速度快、车道偏离事故危害性大等问题，本文提出一种高速车道偏离预警系统。系统主要工作流程如图1所示，其中图像预处理、车道线检测和车道偏离预警是关键模块。

2图像预处理

　　2.1感兴趣区域设定

　　对采集到的彩色图像分割出车道区域AOI，节约计算资源，提高实时性。AOI在当前车道左右车道线交点以下区域选取，如图2所示。

　　2.2图像灰度化

　　获取的彩色AOI图像表示为三维RGB矩阵，为加快处理速度，将其灰度化。图像灰度化方法较多，考虑到须符合人眼视觉特点，故采用如下公式［4］：

　　2.3图像去噪

　　图像在形成和处理过程中存在干扰，如光电转换元件灵敏度不均、数字化过程量化噪声、传输误差等。系统采用中值滤波法，滤波消除噪声，改善图像质量。该方法既能去除噪声又能保护目标边界不被模糊，将每个像素点灰度值用其邻域移动窗口中像素灰度中值来替代，表示为：

　　式中Sf(x,y)表示像素点(x,y)的邻域，窗口大小为3×3，求出中值并代替窗口中心原灰度值f(x,y)。

　　2.4图像边缘增强

　　边缘增强突出车道线边缘信息以利于识别，减少光照不均的影响。常用的算法有Robert算子、Sobel算子、Prewitt 算子和Canny算子等［7］，综合效果与实时性，本文采用Sobel算子。该算子含2个3×3模板，将之与图像进行卷积，得出亮度差分近似值。设A代表原图像，Gx、Gy分别为经横向及纵向边缘检测的图像灰度值，其公式［9］如下：

　　图像灰度值计算：

　　为提高计算效率，使用近似值：

　　2.5图像自适应二值化

　　边缘增强后图像质量有所改善但包含背景。为提取车道线需进行图像二值化，关键是找出合适的阈值以区别目标与背景。阈值过小易产生噪声，过大会损失有用信息。同时，为适应不同光线下路面环境，不可采用固定阈值。系统采用自适应阈值Otsu法［3,9］进行二值处理，统计图像灰度分布特征，以类间方差为判据，选取使其最大的值作为阈值。

　　设图像灰度分为1~m级，灰度值为i的像素数为ni，则总像素数N为：

　　各像素概率值为：

　　整体图像的灰度统计均值μ为：

　　用K将1~ m分为C0和C1两组，C1则C0产生的概率为

　　对应的均值为：

　　C1的概率为：

　　对应的均值为:

　　两组间的方差为:

　　从1,2,3,…,m间改变K值，使方差值最大的K作为阈值，将图像二元化：

　　图像预处理结果如图3所示，车道线边缘突出，为提取奠定了基础。

3车道线检测

　　3.1高速道路直线模型

　　为提高车道线建模精度，研究人员用二次或三次曲线模型［1,6］，但其实时性受限。高速道路设计有严格标准，120 km/h极限转弯半径为650 m，一般为1 000 m，近视野车道线可视为直线［1］，满足精度要求并简化计算，故采用之。

　　3.2Hough变换提取车道线参数

　　Hough变换［13］对噪声干扰不敏感，是一种直线检测的有效工具。其思想是［2］：图像中一条直线映射为参数空间中的一点，参数空间一点在图像空间中表示一条直线。直线ρ=xcosθ+ysinθ(ρ为法线距离，θ为法线与x轴夹角)，将ρ和θ量化，对每个(x,y)点代入θ计算相应ρ值，相应小格计数器加1，最后找出最大计数小格对应的(θ,ρ)。Hough变换示例如图4所示。考虑到Hough变换对计算资源的消耗问题，本文提出以下3点改进意见：

　　(1)图像预处理前进行AOI区域剪裁。有针对性地从AOI区域提取信息，节约计算资源，使计算更加高效；

　　(2)预处理阶段边缘增强和二元化处理细化车道线，减少霍夫变换计算量；

　　(3)加入AOI区域中车道线的(θ,ρ)约束信息，本实验取［-78°,78°］，减少计算量。

4车道偏离预警模型

　　传统预警模型有车辆当前位置模型(Car′s Current Position, CCP)和车辆横越车道边界时间模型(Time to Lane Crossing, TLC)［1,5,8,10］。CCP检测车道线，计算车辆位置与车道边界距离，设定阈值适时预警。TLC预测车辆行驶轨迹并将估计偏离时间与阈值进行比较，适时报警。这两种模型涉及摄像机标定和坐标系参数转换操作。在行车过程中，光线变化、车身抖动等因素影响数据精确测量，换算过程误差传播放大，使系统难以实施准确预警。

　　针对上述问题，本文提出一种基于图像信息的预警方法，挖掘AOI中有用信息作为预警参数。车道模型如图5所示，L1L2、R1R2分别是左右车道线，M1M2是AOI中轴线。本文方法描述如下：

　　(1)设车道线与AOI图像交点坐标分别为L1(x1,y1)、L2(x2,y2)、R1(x3,y3)和R2(x4,y4), AOI宽度W，半宽度W1/2，设定偏离预警值TH=λ·W1/2；

　　(2)计算车道线和AOI底部交点与M1M2距离L2M2、R2M2，通过L2、M2、R2的横坐标关系区分左右车道线；

　　(3)计算L1L2、R1R2车道线斜率值，若车道线与x轴垂直，则赋以标记值MAX；

　　(4)偏离决策：以车道斜率值为辅助信息，以像素距离为主要依据进行偏离决策。若L2M2≤TH且L2M2<R2M2，则判断为左偏；若R2M2<TH且R2M2<L2M2，则判断为右偏；其他情况，判断为正常驾驶。

5实验及结果分析

　　实验在PC(CPU为Intel i73770, 内存8 GB)和MATLAB R2015a平台进行，采用安装在车内后视镜处摄像机拍摄的高速路行车视频，帧尺寸320 × 240。分别在晴天白天、阴雾天傍晚环境下进行性能测试，逐帧取出结果图片并进行统计分析。车道线斜率、像素距离实时变化分别如图6~图8所示。由图可知，当车辆正常行驶时，曲线变化平稳，当出现左偏或右偏时，曲线剧烈波动。测试中大量右偏行为也在图8中很好地记录下来，报警结果如图9所示，数据统计于表1中。系统处理每一帧图像耗时19.2 ms, 能提前1.2 s报警，准确率高于95%，漏报率低于3%，具有较好的实时性和可靠性。

6结论

　　本文设计的基于视频处理的高速车道偏离预警系统能够有效检测车道线并进行正确的偏离报警。系统在车道图像AOI中提取信息，采用自适应阈值二值化图像方法和改进Hough变换提取车道线参数，融合车道线斜率值和像素距离方法进行偏离预警。实验结果表明，该方法简单实用，误警率低，抗干扰力强，具有很好的实时性和较强的通用性。下一步研究是进行更广泛的系统测试和车载嵌入式平台下的移植工作。

　　参考文献

　　［1］ 初雪梅．基于机器视觉的车道偏离预警理论与算法研究［D］．长沙：湖南大学，2013.

　　［2］ 吕柯岩，朱明，杨迪．单目视觉车道偏离预警系统的开发［J］. 计算机应用，2012,32(S2)：196-198,241.

　　［3］ 李金辉,吴乐林,陈慧岩,等.结构化道路车道线识别的一种改进算法［J］.北京理工大学学报，2007,27（6）：501-505.

　　［4］ 朱淋，梁华为，王智灵，等. 基于视频序列的车道线检测和跟踪［J］. 电子测量技术, 2013，36(7): 43-47.

　　［5］ 于兵，张为公，龚宗洋．基于机器视觉的车道偏离报警系统［J］．东南大学学报(自然科学版)，2009，39(5)：928-932.

　　［6］ 刘军，陶昌岭，余节发, 等. 基于汽车主动安全的车载嵌入式平台的研究［J］. 电子技术应用, 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.数字图像处理［M］. 阮秋琦，阮宇智，等，译. 北京：电子工业出版社，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.