无人驾驶汽车中的车道线检测研究

胡秀敏，何志琴

（贵州大学电气工程学院，贵州 贵阳 550025）

0 引言

无人驾驶汽车集成了电子、机械、自动控制、计算机科学及人工智能等学科的先进技术，能有效缓解交通拥堵、减少交通事故、降低汽车油耗，已成为各国学者及汽车企业的研究热点[1-4]。本文采用图像处理技术，研究无人驾驶中的车道线识别。

1 图像预处理

图像预处理是对图像进行相应的处理，去除多 余的信息。便于后续的识别[5-8]。

1.1 图像灰度化

本文通过CCD 摄像头获得车道线图片，首先对其进行灰度化处理。灰度化即灰度化处理就是将 一幅色彩图像转化为灰度图像的过程。彩色图像分为R，G，B 三个分量，分别显示出红绿蓝等各种颜色，灰度化就是使彩色的R，G，B 分量相等的过程。灰度化方法有最大值法，平均值法，中值法。本文采用平均值法[9-12]。

1.2 图像去噪

图像去噪是数字图像处理中的重要环节和步骤。去噪效果的好坏直接影响到后续的图像处理工作如图像分割、边缘检测等[13]。图像信号在产生、传输过程中都可能会受到噪声的污染。目前比较经典的图像去噪算法主要有以下三种：中值滤波、高斯滤波、均值滤波[4]。本文采用中值滤波。效果如图1。

图1 图像去噪前后 Fig.1 before and after image denoising

2 形态学处理

2.1 腐蚀与膨胀

腐蚀的具体操作是：用一个结构元素(一般是3×3 的大小)扫描图像中的每一个像素，用结构元素中的每一个像素与其覆盖的像素做“与”操作，如果都为1，则该像素为1，否则为0[14]。膨胀的具体操作是：用一个结构元素(一般是3×3 的大小)扫描图像中的每一个像素，用结构元素中的每一个像素与其覆盖的像素做“与”操作，如果都为0，则该像素为0，否则为1[15]。

2.2 开运算与闭运算

开运算是先腐蚀后膨胀的过程，可以消除图像上细小的噪声，并平滑物体边界。闭运算时先膨胀后腐蚀的过程，可以填充物体内细小的空洞，并平滑物体边界。

本文采用开运算平滑物体边界，具体效果如图2。

图2 形态学处理 Fig.2 Morphological processing

3 车道线检测

3.1 OTSU 阈值分割

阈值分割法是图像分割中的经典方法，它利用图像中要提取的目标与背景在灰度上的差异，通过设置阈值来把像素级分成若干类，从而实现目标与背景的分离。算法流程：通过判断图像中每一个像素点的特征属性是否满足阈值的要求，来确定图像中的该像素点是属于目标区域还是背景区域，从而将一幅灰度图像转换成二值图像。

用数学表达式来表示，则可设原始图像f ( x, y )，T 为阈值，分割图像时则满足式（1）。

OTSU 是一种使用最大类间方差的自动确定阈值的方法。是一种基于全局的二值化算法，它是根据图像的灰度特性,将图像分为前景和背景两个部分。当取最佳阈值T1时，两部分之间的差别应该是最大的，在OTSU 算法中所采用的衡量差别的标准就是较为常见的最大类间方差。最大间类方差计算如下：

由式(2)~(3)可得：

前景点数占图像比例为0v ，平均灰度为0u ；背景点数占图像比例为1v ，平均灰度为1u ，图像的总平均灰度为u，前景和背景图象的方差g。分割效果如图3。

图3 阈值分割 Fig.3 Threshold segmentation

3.2 Sobel 算法

主要用于边缘检测，在技术上它是以离散型的差分算子，用来运算图像亮度函数的梯度的近似值， Sobel 算子是典型的基于一阶导数的边缘检测算子，由于该算子中引入了类似局部平均的运算，因此对噪声具有平滑作用，能很好的消除噪声的影响。Sobel 算子对于象素的位置的影响做了加权，与Prewitt 算子、Roberts 算子相比因此效果更好。

对数字图像 ( , )f x y ，Prewitt 算子的定义如下：

则

Sobel 算法思想：Sobel 算子包含两组3x3 的矩阵，分别为横向及纵向模板，将之与图像作平面卷积，即可分别得出横向及纵向的亮度差分近似值。图像的每一个像素的横向及纵向梯度近似值可用如下式（8）（9）结合，来计算梯度的大小及方向。

在阈值分割后，使用sobel 算法及Prewitt 算子对图像进行检测，检测效果如图4 所示。

图4 检测效果 Fig. 4 detection effect

可见，Sobel 算法效果优于Prewitt 算子。

4 结语

本文针对无人驾驶汽车中的车道线检测，设计了一种车道线识别方法。通过图像预处理后，先对图像进行二值化分割，然后采用 Sobel 算法和Prewitt 算子进行检测，结果表明，Sobel 算法具有很好的检测效果，能实现车道线的检测。