【摘要】国内外学者对环境感知开展了深入的研究，车道线参数是所要感知的重要信息之一。车道线检测常采用视觉传感器，将俯视图转换成灰度图，寻找积分投影图中代表车道线的波峰位置，在灰度图中定位搜索窗口位置，记录窗口内部点的位置，进行二次曲线拟合，得到车道线方程。
【关键词】车道线，逆透视图，梯度差值法，颜色空间LUV，信息融合
1 图像预处理算法
在结构化道路上，一般会有较为明显的车道线标记。车道线颜色多为白色，也有黄色，在灰度图中，车道线的灰度值与深色路面的灰度值有较大差异，通过设定二者差值的阈值，较易分离车道线信息。但对于水泥路等浅色路面或车道线不清晰的情况而言，仅仅依靠灰度值差异来分离，可能达不到理想效果。本文提出的车道线分离算法，充分考虑了多种路面情况，采用了两种方法对图像进行预处理，即灰度图的梯度差值法和颜色空间LUV法。
1.1 梯度差值法
本算法基于IPM变换得到的俯视图，设置逆透视图分辨率为640x480。由于光照强度对于灰度图的影响很小，因此为了提高不同光照下算法的鲁棒性。
由于车道线的灰度值是高于路面的，即在车道线与路面交界处，梯度会发生突变。根据这一特性，只需对比相隔大约一个车道线宽度距离的点的灰度值，若二者差值满足设定阈值，则认为该点是车道线内的点，这就是梯度差值法。
（3.1）
.png)
其中为阈值化后图像中的第i行，第j列像素坐标处的灰度值。效果如所示：
.png)
图1.1 梯度差值法处理效果图
如上图所示，梯度差值法已将车道线较完整的分离出来。但同一阈值，对于不良路面的处理效果如图：
.png)
图1.2 梯度差值法不足之处
对于不良路面的处理，由于图像预处理时阈值的选择过大，导致路面左边车道线信息被过滤掉。由于路面条件恶劣，甚至无论怎么调整阈值，分离效果都不会理想。如图，若直接用这个分离图对车道线进行检测，显然会缺失掉左边那条线。为了弥补梯度差值法效果受限于路面条件的缺点，本文引入颜色空间LUV进行处理。
1.2 颜色空间LUV
颜色空间LUV，是基于人类对颜色的感知创建的，继承了Lab特性的同时，更加符合人类的视觉感受。可以考虑设置表示亮度的L通道阈值，对低亮度进行抑制。在极端路面条件下，车道线的亮度可能较低，而阈值为定值，可能会把车道线过滤掉；在非极端路况下，二者亮度差较大，所以设置的阈值不会受到路面情况变化的影响。分离效果如图：
图1.3 颜色空间LUV对于淡色路面的处理
.png)
图1.4 颜色空间LUV对于双黄线的处理
图1.2中，左边车道线分离失败，在设定了阈值参数后的LUV颜色空间下，成功分离了车道线。如图1.4右边的LUV处理结果图，最左边车道为双向车道的分界线，由于LUV对于黄色车道线敏感，导致将地面横向标志线当成了车道线分离出来了，这可能会造成车道线位置定位不准确的问题，继而造成车道线检测失败。
2 定位车道线位置
2.1 信息融合的载体选择
针对这两种方法处理图像的积分投影图，本文选择垂直积分投影图作为信息融的载体，统计图中每列的不为0的像素点个数，作为该列所在行的纵坐标。通过寻找图中代表车道线的波峰位置，定位后文设计的“动态搜索窗口”。
2.2 信息融合
弯道路段，车道线在近处和远处的积分投影图波峰横坐标不相同；在换道过程中，直线车道会在俯视图中呈现一定角度偏转，波峰位置与弯道路段情形一样。因此，不能以整体图像计算垂直积分投影图，否则会造成垂直积分投影图的波峰位置失去意义。本文将用两种方法处理后的图，自下而上均分为4个部分，针对每个部分做相同处理，以下均以图像最底层那部分为例。处理效果如图所示：
.png)
图2.1 信息融合后的垂直积分投影图
图中上部为梯度差值法处理结果，其右边为垂直积分投影图；中间为颜色空间LUV法处理效果图，其右边为垂直积分投影图；下部为信息融合后的垂直积分投影图。从波峰高度来看，显然图中车道线信息得到了加强。
3 车道线检测
3.1 波峰位置动态更新算法
设定车辆初始位置的路面条件良好，车道线缺失、破损等只存在于行驶途中。由于帧数的连续性，记录前一帧与当前帧每边车道线波峰横坐标的差值，表示某一边车道线前后帧位置变化幅度。以车辆所在车道的两条车道线为例，分别左右车道线前后帧的变化幅度为和；记录每一帧左右两边波峰横坐标差值为,表示俯视图中的车道宽度。设上一帧两条定位准确的车道线的波峰位置横坐标分别为和，当前帧的车道线出现了车道线模糊不清，且附近有强干扰的情况。用所述图像处理算法，得到此帧车道线波峰位置横坐标为和。
（1.1）
.png)
（1.2）
（1.3）
若，即当前帧代表的某一边车道线波峰横坐标相较于前一帧的变化幅度，超过了由上一帧波峰横坐标度量的车道宽度的1/4。可以认为，相邻帧图片经过处理后，得到的积分投影图中代表车道线波峰的横坐标变化幅度应该不大。由于车道中心处可能有道路导向箭头标志线，而干扰能力最强的就是标志的主干部，取车道宽度的1/4就可以有效的避开可能会存在的强干扰。接下来分情况讨论：
1.且
此情况说明，代表右边车道线的波峰横坐标变化幅度满足不等式，即当前帧处理得到的右边车道线变化幅度在可信范围内，记录此次变化幅度为，令当前帧的波峰位置作为下一帧的比较对象；由不等式得，左边车道线的波峰横坐标变化幅度较大，可能此处的路面突然受到了干扰或者缺失了，从而出现了误检现象。由于车辆不会完美的沿着车道中心线直线行驶，如果直接沿用上一帧的波峰位置，随着车辆的前进，以定位车道线位置的可信度会越来越低。考虑到车道线是相互平行的，左右两边的变化幅度相近。已知代表右边车道线的波峰位置可信，所以可以右边的变化幅度作为左边波峰的变化幅度，则根据如下公式更新左边车道线的波峰位置：
.png)
（1.4）
对于且的情况与之类似，不再赘述。
2.且
由不等式可知，代表左右两边车道线的波峰位置都定位失败了，说明此时道路条件突然变的恶劣，或是遇到了强干扰，如强光或大面积遮挡等。在垂直积分投影图层面看，往往会出现大量噪音或波峰数量很少甚至没有的两种极端情况，此时，以前一帧的波峰位置与前一帧的变化幅度之和，更新为当前帧的波峰位置，即：
（1.5）
.png)
（1.6）
利用这一算法的处理效果图如下：
.png)
图2.2 更新波峰位置效果图
3.2 拟合车道线
确定了代表车道线所在位置的波峰后，根据积分图中代表车道线的波峰位置对车道线进行拟合，就可得到车道线方程。具体步骤如下：
1.设计动态搜索窗口
该窗口的主要任务是在逆透视图的灰度图中搜索车道线上的点。对于窗口位置的确定，是根据上文分析的积分图中代表车道线的波峰位置确定。波峰位置每一帧都是动态更新的，因此，此搜索窗口也是动态的。对于窗口的尺寸选择，若过大，可能会引入不必要的噪音干扰。本文设定尺寸为40x120。窗口宽为40个像素，中心线为确定的波峰横坐标，高为120像素。
2.记录点坐标
搜索窗口根据波峰位置定位到灰度图中的某一部分，认为该部分就是车道线所在位置，则落入窗口内的点都是车道线点。在窗口内搜索灰度值不为0的点，记录这些点的坐标位置。
本文一开始就声明，将逆透视图自下而上均分4个部分，且只以第一部分为例，即图像最底层那部分。在循环处理了这4个部分后，将动态搜索窗口记录的点，以纵坐标递增规则重新排序，排序后的点坐标用作已知条件，计算相关参数。
3.二次曲线拟合
本文选定车道线拟合方程为：
（1.7）
.png)
其中，x,y为动态搜索窗口记录的点的横纵坐标。
对于参数、、可以通过最小二乘法求解。在计算出最优解后，式（1.7）即为已知方程，这就是车道线的二次曲线方程。效果如图：
.png)
参考文献：
[1] 石林军,余粟.基于多约束条件下的霍夫变换车道线检测方法[J].计算机测量与控制,2018,26(09):9-12+38.
[2] 狄帅. 车道偏离预警中车道线识别算法研究[D].河南工业大学,2013.
[3] 孙宇飞. 高级辅助驾驶中的车道线检测研究[D].北京交通大学,2018.