摘  要： 为了提高车道线检测的准确性和实时性,提出了一种快速准确的车道线检测方法。首先根据道路的纹理特征求出道路的消失点，再采用改进的Hough变换检测出车道线，结合车道线的一些特征以及摄像头的参数,在不影响测量结果的情况下缩小检测空间，快速准确地检测道路的车道线，并结合BRT车道(快速公交车道)的一些特征识别车辆所在车道是否为BRT车道，从而实现对BRT车道内前方车辆的监督。将代码移植到DM6437开发平台

关键词： 车道线；消失点；BRT车道；Hough变换；Gabor变换；DM6437

    随着经济以及道路的发展，我国的汽车保有量迅速上升，交通事故也成为人们普遍关注的焦点。为了提高驾驶的安全性以及操作的简单性，车辆安全辅助驾驶系统成为当今国际智能交通系统研究的重要内容。车道线检测作为车辆安全驾驶的一个重要研究方向，可以在车辆偏离航道时发出报警信息，有效地抑制事故的发生，具有重要的研究意义。
    目前,国内外学者已经提出了很多车道线检测算法，主要分为两类：一类是基于图像特征的检测方法，即特征驱动法，是基于道路图像的一些特征(如车道线颜色、宽度以及边缘等特征[1-4])将图像的所有点标记为车道线点和非车道线点，这种机制要求道路的车道线颜色较为明显，边缘较为清晰，否则无法得到准确的检测结果;另一类方法是基于模型的检测方法，是根据提取的特征对预先定义好的车道线模型进行匹配，将车道线的提取转化为车道线模型中参数的计算问题。模型的假设主要有直线模型[5]和曲线模型[6-8]两种，其优点是对噪音不敏感，能较好地处理图像中物体局部被遮挡和覆盖的情况。本文结合道路的纹理特征并建立模型进行车道检测，既充分利用图像的信息，又在一定程度上保证了算法的鲁棒性。
    本文首先对图像进行预处理，然后对图像进行Hough变换或者Gabor变换，得到车道线位置信息，判断出车辆是否在车道内行驶，如果不在则发出预警信号。
1 图像的预处理
    图像的预处理主要是对摄像头实时采集的图像进行前期处理，主要包括去除图像的各种噪声，并根据摄像机的位置调节算法中的一些参数提取图像的感兴趣区域（ROI），以及进行边缘检测等，目的是为了加强图像的有用信息，抑制干扰。
    标定摄像头以后，选取一定的区域作为车道线检测区域，进行平滑去噪，并对其边缘进行检测。本文采用Canny边缘检测[9]。图1为拍摄的原始道路图像，图2为不同环境下（白天、阴天、夜晚）的检测结果。

    Hough变换作为一种经典的车道线检测算法,具有很强的适应性，然而该算法较为耗时，当车道线外在环境因素较为不清晰，或者受道路上一些其他因素的影响下，结果受干扰较大。Hough变换检测结果如图3所示。

2.2 基于ROI区域改进的Hough变换的车道线检测
    针对图像中道路的车道线一般分布在道路左右两边的情况,本文对传统Hough变换的应用进行了改进，限定其投票空间的范围，也就是限定ρ和θ来调整其投票空间的范围。限定其左右车道线的极角和极径，调节好摄像头,通过不断的测试，得到目标点的极角约束区域和极径约束区域，也就得到感兴趣区域（ROI），如图4所示，只检测落在白色区域内的车道线。

    通过建立极角、极径约束区域，可以有效地去除大量的干扰点，滤除旁边车道以及路边树木建筑物的干扰，并能够很大程度地提高算法的运行速度。当车道线的极角极径在检测区域内时，可以快速准确地检测车道线的位置；然而当图像在转弯、变道或者摄像头位置偏移时，车道线很容易超出检测区域，使得结果出现很大的偏差。
3 基于Gabor滤波器的车道线检测
    针对道路车道线不清晰以及存在一些其他标志干扰的情况，本文提出了改进的车道线检测算法，即基于Gabor滤波器的车道线检测。通过Gabor找到图像的消失点，即图像中两条车道线的交点位置，再对消失点进行Hough变换,这样不仅提高了算法的适用性，还提高了算法的实时性。
3.1 Gabor变换原理
    Gabor滤波器与人眼的生物作用相仿,因此经常用于纹理识别，并取得了较好的效果。Gabor滤波器是带通滤波器, 它的单位冲激响应函数(Gabor函数)是高斯函数与复指数函数的乘积。它是达到时频测不准关系下界的函数, 具有最好的兼顾信号在时频域的分辨能力。高斯函数的局部性特征使得Gabor滤波器只在局部起作用, 即具有良好的尺度特性和方向特性。因此，Gabor滤波器被广泛用于图像处理和图像分析领域。
    本文通过对车辙印记以及车道线边缘等一些纹理特征进行分析,从而提取出道路的消失点以及车道线的信息。
    Gabor滤波器的模板计算方程如式(2)所示，该模板分为实部(式(3))和虚部(式(4))两部分。

    


    (2)车道线跟踪：根据上一帧测量的结果，限定角度在一定变化范围内(本文限制在10°范围，如图8(b)所示）进行Hough变换,这样大大减少了运算速度。当图像检测的消失点及车道线上的点少于所设定的阈值时，程序重新初始化。
4 车道识别
    本文在应用的基础上对合肥以及沈阳的BRT车道进行统计，其BRT车道相对其他车道具有如下特点：其左右车道线都为黄色，一般位于路的两边，道路的两边有栏杆或者路牙等特征。基于此特点，本文实现了BRT车道的识别系统，结合GPS判断其所在位置范围内有无BRT车道，若有则判断车道线颜色是否为黄色，即建立颜色模型，对车道线上的每一点颜色进行标记，并综合判断其左右车道线是否是黄色车道线,对黄色进行标记，如图9左图所示。由于车道线长期受到磨损有一定的失真，且在晚上黄光灯照射下不易准确地识别颜色，本文结合其栏杆、路牙等特征识别车道，对检测的车道线两边的一定区域（图9右图白色矩形区域）进行对比，比较其颜色边缘纹理等特征差别。通过大量的测试，本文得到了判断其是否为BRT车道的先验阈值,当矩形区域差别大于设定阈值时，则判断为公交专用车道，从而准确实现车道检测。

    本文首先通过GPS采集车辆所在区域的经纬度信息， 并建立道路经纬度信息库判断车辆所在位置附近是否具备BRT专用车道,若有，则进行车道线检测，找到车辆所在车道的左右车道线，并判断车道线上颜色信息以及车道线左右的边缘亮度等信息，分析其是否具备BRT快速公交车道的特征，如具备，则可以作为监控前方车辆是否违规驶入BRT车道的一个依据。
　    本文对合肥公交专用车道进行了大量的实验，实验结果表明，该算法具有很强的适用性，能够准确地检测到车辆所在车道的车道线，并对其车道作出正确的判断。车道识别结果如图11所示。

    本文提出了基于道路纹理特征的车道线检测方法，将直线模型算法成功移植到DM6437开发平台。通过摄像头实时采集道路图像(25 S/s,图像大小为720×576），实时统计车道线信息，并在城市道路上进行了大量的实验测试,平均每帧图像的算法耗时控制在50 ms以内，能够较为准确地检测出车道线的位置，具有较强的实时性和鲁棒性。
参考文献
[1] GOLDBECKA J, HUERTGENA B, ERNSTA S, et al. Lane following combining vision and DGPS[J]. Image and Vision  Computing,2000,18：425-433.
[2] Lin Wei, Zhang Hongliang, DUAN B, et al. Vision-based real-time lane marking detection and tracking[J]. IEEE  Intelligent Transportation Systems, 2008(11):49-54.
[3] 雷涛,樊养余,王小鹏,等，基于形态学结构元素建模的车道线检测算法[J]. 计算机应用2009，29(2):441-445.
[4] 沈峘,李舜酩,柏方,等.结构化道路中车道线的单目视觉检测方法[J].仪器仪表学报,2010,31(2):397-403.
[5] Liu Fuqing , Tian Min, Hu Zhengcheng. Research on vision-based lane detection and t racking for intelligent vehicles[J]. Journal of Tongji University:Natural Science, 2007,35(11):1535.
[6] 罗才彬,胡庆新,吴林成. 一种高速公路车道延伸方向的判断方法[J].合肥工业大学学报(自然科学版)，2011,34(6):857-860.
[7] POMERLEAN D, JOCHEM T. Rapidly adapt ing machine vision for automated vehicle steering[J]. IEEE Intelligent Systems,1996,11(2):19-27.
[8] LEE T. Image representation using 2D Gabor wavelets[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence,1996,18(10):959-971.
[9] 陈志强,高 磊,吴黎慧,等.一种优化的Canny算子边缘检测[J].电子测试，2011，6（6）:43-46.