/ 導讀 /

車道線檢測算法分為傳統圖像處理方法和深度學習方法。本文詳細介紹用傳統圖像處理方法來解決車道線檢測問題,后文的算法源于Udacity無人駕駛課程的項目,僅做參考。

計算機視覺基礎

在正式開始算法之前,我們先簡單補充些計算機視覺的基礎知識。已有基礎的童鞋,可以略過直接看算法。

像素

像素Pixel,是picture和element的合成詞,表示圖像元素的意思,可以理解為構成圖像的最小單位。像素的大小與圖像的分辨率有關,分辨率越高,像素就越小,圖像就越清晰。

灰度圖像度化,即對彩色圖像進行灰度化處理。由于很多算法對顏色的依賴性不高,通常會對彩色圖像進行灰度化預處理,去除彩色信息,不僅能提高魯棒性,還可以提高處理速度。

灰度圖像的每個像素信息是由一個量化的灰度級來描述的,沒有彩色信息;而彩色圖像(例如RGB)的每個像素信息由RGB三原色構成的,RGB分別通過三個不同的灰度級來描述。

二值圖像

二值化就是將彩色圖像變成二值圖像。由于二值圖像的數據足夠簡單,只有兩個值,所以算法都依賴二值圖像。

二值圖像,即黑白圖像。二值圖像的每個像素只能是黑或白,沒有中間的灰度級過渡,像素值為0、1。最常用的就是采用閾值的方法進行二值化。最常用的二值化處理簡單來說,就是選取一個閾值,大于它的像素就視為白,小于它就視為黑。

色彩空間

不同色彩空間對顏色采用不同的表示方式,我們最常用的是RGB色彩空間,除此之外還有HLS、HSV、YUV、Lab色彩空間等。我們可以針對個人需求,轉換到適合的彩色空間中處理。

例如,RGB色彩空間中的R表示紅色Red,G表示綠色Green,B表示藍色Blue,這三種顏色以不同的量進行疊加,就可以顯示出所有顏色。HSL色彩空間即色相Hue、飽和度Saturation、亮度Lightness;HSV色彩空間則是由色相Hue、飽和度Saturation、明度Value組成。YUV色彩空間是由一個亮度Y和兩個色度UV決定的。而在Lab色彩空間中,L表示亮度Lightness,A表示從綠色到紅色的漸變;B表示從藍色到黃色的漸變。

顏色閾值過濾

閾值過濾需要設定一個數值,像素值高于此值的像素點變為白色,低于此值則變為黑色。具體來說,例如在RGB色彩空間中,R紅色是表示在一個區間內的連續數值;我們通過設置[min, max]值區間,將大小位于該區間內的數值保留,不在該區間的數值統一設置為0。通過這種操作,實現對圖像顏色特征的過濾。

邊緣檢測

這里要介紹的是使用圖像濾波的方式實現邊緣檢測。濾波,其實就是通過放大圖像中的某些頻段,同時濾掉或減弱某些頻段的方法。例如,低通濾波器的作用是消除圖像中的高頻部分,高通濾波器的作用是消除圖像中的低頻部分。

Sobel算法

Sobel算法是通過放大圖像中高頻部分,再對圖像進行二值化,可以實現邊緣檢測。雖然它只對垂直或水平方向的圖像頻率起作用,能夠分別得出x和y方向上的亮度函數的梯度近似值。x方向(水平方向)的Sobel濾波傾向于檢測垂直方向的邊緣,y方向(垂直方向)的Sobel濾波則傾向于檢測水平方向的邊緣。而在車道線檢測中,車道線是傾向于垂直方向的線,所以采用x方向的Sobel算法較為有效。

Canny算法

Canny算法通常是基于梯度算法,用兩個不同的閾值(高閾值和低閾值)來判斷那個點屬于邊緣,雙閾值可以有效降低邊緣的漏檢率。雖然Canny算法能夠精度高,能清晰檢測出所有邊緣,但在車道線檢測中,除了車道線還會檢測出各種陰影。因此相比之下Sobel單方向的檢測也許效果更好。

霍夫變換

霍夫變換是一種一般用于檢測直線(也可檢測圓形)的經典算法。可以結合上文的Canny算法檢測直線車道線。經過Canny算法得到邊緣分布圖像后,構建一個霍夫參數空間,利用點與線的對偶性,將原始圖像空間的直線變換為參數空間的一個點。這樣就把原始圖像中直線檢測問題轉變為尋找參數空間中的峰值問題。

簡單解釋下,元空間的點都對應霍夫參數空間的線,原空間的直線都對應參數空間中曲線的交點。即可以通過參數空間曲線的交點個數來尋找原空間中在一條直線上的點。

圖片來自Udacity無人駕駛課程

感興趣區域

感興趣區域,即ROI。在圖像處理過程中,我們可能會對圖像的某一個特定區域感興趣,只對該區域實施操作。對于車道線檢測來說,由于相機是固定安裝,可以選取一個區域以排除其他噪聲干擾。感興趣區域可以是任意圖形,例如四邊形或其他任意多邊形。