一种车道线检测与跟踪方法

程， 如图 3 所示。Fra bibliotek3.3算法仿真结果
基于图像小波多尺度分解的边缘检测算法实验结果， 如
图 4~ 图 6 所示。图 4 为图像 cameraman.tif 的多尺度边缘检测
246
2011， 47 （3）
Computer Engineering and Applications 计算机工程与应用 （1） 读取原始图像， 并转成灰度图像。 （2） 采用小波边缘检测算法对其进行边缘检测， 得到二值 化的边缘图像。 （3） 对此边缘图像做 Hough 变换。 （4） 使用函数 houghpeaks 做峰值检测。函数 houghpeaks 的算法如下： ①找到包含有最大值的 Hough 变换单元， 并记下它的位置； ②把上步找到的最大值点的领域中的 Hough 变换单元设 为 0； ③重复该步骤， 直到找到需要的峰值数为止， 或者达到一 个指定的阈值时为止。 （5） 一旦在 Hough 变换中识别出了一组候选的峰波， 则还 要留待确定是否存在与这些峰值相关的线段及它们的起始和 终止为止。对每一个峰值来说， 第一步是找到图像中影响到 峰值的每一个非 0 值点的位置。为此， 编写函数 houghpixls 来 实现这一功能。 （6） 使用函数 houghlines 实现直线边缘连接， 函数 houghlines 的算法如下： ①将像素位置旋转 90° - θ ， 以便它们大概位于一条垂直 线上； ②按旋转的 x 值来对这些像素位置排序； ③使用函数 diff 找到裂口。忽略掉小裂口， 这将合并被小 空白分离的相邻线段； ④返回比最小阈值长的线段的信息。 （7） 编写主函数 houghmain （ ） 实现所用功能。 综上所述， 采用 Hough 变换法的直线边缘连接流程如图 10 所示。
f ( x y) Î L2 (R) ， 由两个小波 φ1( x y) 和 φ2 ( x y) 定义的小波变
（a） 原图
（b） Canny 法
（c） 多尺度边缘
换具有两个分量
W 1j f ( x y) = f*φ1 j ( x y) ， W 2j f ( x y) = f*φ 2 j ( x y)
244
2011， 47 （3）
Computer Engineering and Applications 计算机工程与应用
一种车道线检测与跟踪方法
王松波 WANG Songbo
湛江师范学院 商学院， 广东 湛江 524048 Zhanjiang Normal University， Zhanjiang， Guangdong 524048， China E-mail： songbowang@ WANG Songbo.A method of traffic lane detection and puter Engineering and Applications， 2011， 47 （3） ： 244-248. Abstract： In order to obtain the better edge images of traffic lane and the better traffic lane recognition， wavelet is used in the lane edge detection and edge connection.Then the Hough transform methods are used to get the traffic lane parameters， and finally the Kalman filter is used to achieve real-time traffic lane tracking.The experimental results show that this method has good reliability， robustness and real-time which ensures smart driving and solves the security. Key words：lane detection； edge detection； Hough transform； Kalman filter 摘 要： 为了得到较为理想的车道标识线边缘图像， 便于更好地对车道标识线进行识别， 采用小波方法实现对车道线的边缘检
基金项目： 湛江师范学院博士专项研究项目 （No.ZW0707） 。 作者简介： 王松波 （1971—） ， 男， 博士， 副教授， 研究方向为图形、 图像处理， 模式识别等。 收稿日期： 2009-06-16 修回日期： 2009-08-04
图 2 车道线识别系统流程图
由 Ulead GIF Animator 5 实现 AVI 视频文件到序列帧的 转换， 车道线检测部分采用基于小波变换的图像边缘检测实
3.1
原理
对于二维图像， 设一平滑函数 θ( x y) ， 它具有良好的局部
图 3 边缘检测算法流程图
化特性， 并且满足：
R R θ(x y)dxdy = 1
对平滑函数 θ( x y) ， 分别求 x 方向和 y 方向的偏导数， 则有： ¶θ( x y) ¶θ( x y) φ1( x y) = ， φ2 ( x y) = ¶x ¶y 则 φ1( x y) 和 φ2 ( x y) ， 可以看作二维小波函数。对于任意函数
在沿着梯度方向Ñ ( f*θ)( x y) 的局部最大值点。 根据前面的分析可以知道， 用小波系数的局部最大值点 可刻画出图像信号突变点的位置， 即图像边缘的位置， 小波变 换的最大值检测对应图像的边缘检测。
4.1
基于 Hough 变换的边缘连接
由于车道标识线绝大部分情况下是直线型的， 所以可以
3.2
a2
图1
车道标识线图
目前大部分的高速智能车辆其道路识别模块都将车道标 识线作为直线处理， 这样就将车道标识线的识别问题转化为 道路图像中具有一定特征的直线检测问题。目前采用较多的 直线检测方法是 Hough 变换[5-7]， 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。 在道路图像识别中， 为了得到较理想的车道的标识边缘，
2 2 2 2
（d） 2层 （e） 1层 （f） 0层 图 4 小波多尺度边缘检测结果 （示例 1）
梯度矢量为：
é W 1j f ( x y)ù ê 2 ú = sÑ ( f*θ)( x y) ê W 2j f ( x y)ú ë 2 û W 1j f ( x y) 和 W 2j f ( x y) 分别表征图像中 其中 s 为尺度系数，
与水平方向的夹角， 它正是图像边缘的方向。所以， 如果检测 边缘， 只需寻找梯度向量 Ñ ( f*θ)( x y) 的模的局部最大值点。 在每一个尺度 2j， 小波变换的模的最大值都定义为模 M j f ( x y)
2
4
图像边缘连接技术
由于噪声的原因及不均匀的照明而产生的边缘间断以及
其他由于引入虚假的亮度间断所带来的影响， 使得边缘检测 后的边缘会出现中断。因此， 典型的做法是在边缘检测后紧 跟着做边缘连接 [9]， 形成连续的、 有意义的边缘。本文选用 Hough 变换实现边缘连接。
2
W 2j f ( x y)
2 2
W 1j f ( x y)
2
|
（a） 原始图像 （b） 车道检测图像
因为小波变换的模 M j f ( x y) 正比于梯度向量Ñ ( f*θ)( x y) 的模， 而小波变换的幅角 A j f ( x y) 是梯度向量 Ñ ( f*θ)( x y)
2
图 6 基于小波变换的车道线检测
1
引言
导航路径的快速准确识别是智能车辆自主导航
[1-2]
采用了反对称双正交小波的图像边缘检测算法， 实现了车道 的关 标识线边界的提取。与传统方法相比较， 小波变换检测具有 很大的优越性， 可以通过多分辨率分析来分析信号， 获得满意 的效果。 文中车道标识线的识别跟踪部分分为两方面内容： 采用 Hough 变换提取车道线的参数； 使用 Kalman 滤波方法对车道 线参数进行跟踪。两方面内容相辅相成， 前者是基础， 后者是 目的， 以此实现车道标识线的识别与跟踪。
读入图像 转为灰度图像 设定小波函数 对图像进行 3 层小波变换 各层小波系数求极值点 极值点的梯度值 （角度） 极值点矩阵归一化 3 层小波分解的结果合并 图像边缘
3
基于小波变换的图像边缘检测
小波分析是自 1986 年以来迅速发展起来的一门新兴学
科。作为新兴的信号处理技术， 由于其良好的时频局部特征 非常适合图像处理， 因此得到了广泛的应用。不同尺度下， 图 像灰度的急剧变化点的集合对应图像的边缘。这就要求在检 测图像边缘时运用多尺度的思想， 而小波对图像信号的多分 辨率分析非常适合提取信号的局部特征， 所以小波是图像边 缘检测的一种有力的工具[8]。小波边缘检测的思想是： 选择较 大尺度过滤噪声， 识别边缘； 选择较小的尺度实现边缘的准确 定位； 综合不同尺度下的边缘图像得到检测结果。
算法流程
这种基于图像小波多尺度分解的边缘检测算法实现的流
考虑用 Hough 变换做车道线的连接工作。基于 Hough 变换的 边缘连接如图 7 所示。 基于 Hough 变换的边缘连接， 其基本原理是在图像中给 出 n 个点， 假设希望找到这些点中位于直线上的点组成的子 集， 一种可行的方法就是先寻找所有由每对点确定的直线， 然
键。作为大部分高速智能车辆的导航路径， 车道标识线快速 准确的识别就显得尤为重要。车道标识线举例如图 1 所示。 目前， 已经提出了很多基于视觉的车道标识线识别方法
[3-5]
。
当道路路面结构不均匀、 光照变化以及各种交通参与者的存 在使道路图像变得复杂时， 这些方法有时会出现误识别。究 其原因， 大部分是由于在预处理时的图像分割效果不好， 导致 后续的车道标识线的识别出现偏差。