摘  要：在我国进入21世纪快速发展的新时期，市场经济在迅猛发展，社会在不断进步，该文基于计算机视觉基础，设计了一种车道线的检测与识别技术，通过汽车搭载的前置摄像头获取道路前方包含车道线等信息的实时画面，并对画面进行预处理、形态学运算、Canny边缘检测、累计概率Hough变换等一系列转换，得到正确的车道线信息。实验结果表明，该方法可以有效快速地检测和识别出正确车道线，满足了汽车无人驾驶系统的响应时间需求，在汽车无人驾驶的开发过程中有一定的现实研究意义。
　　关键词：计算机视觉;车道线;检测;识别
　　引言
　　经过一个多世纪的发展，汽车以其特有的优越性飞速发展，汽车保有量直线上升。但是，人们在享受汽车带来便捷的同时，也面临着严峻的交通问题。因此，智能车辆的研究如雨后春笋般在世界各国开展起来。基于机器视觉的车道线检测识别是智能车辆辅助驾驶系统的关键技术之一。车道线检测就是从摄像头获得的图像中，将车道线与背景进行分离，从而获得车道线的走向等信息。目前国内外已经提出了许多车道线的检测识别方法，早期的一些简单算法主要利用车道线固定且颜色明显（如黄色和白色）对车道线进行识别，往往有很大的局限性;后来的复杂算法抗干扰能力强，但是处理速度及实时性较差。因此，如何准确、快速地检测识别出车道线已成为智能车辆辅助驾驶系统的一个重要问题。针对道路特点以及对车道线识别的准确性和鲁棒性等要求，本文主要对图像分割（二值化）过程中的3种算法进行对比，得出效果较好的最大类间方差的算法;在边缘检测过程中对Sobel算法进行改进;在车道线识别的过程中应用了霍夫变换，有效准确地对车道线进行识别。
　　1机器视觉和机器学习
　　视觉是我们获取外界信息的首要途径，占据了日常信息流的60%以上。对于智能车辆，需要环境感知来进行下一步决策，机器视觉就是智能车的眼睛。机器视觉是人工智能的重要分支，目前机器视觉作为和图像处理、计算机视觉都有所交叉的学科，在自动控制、信号处理、机器学习、人工智能、生物医学等在内的各个领域都得到了广泛应用。机器视觉技术是智能交通系统的重要环节。基于图像识别技术，通过计算机视觉获取海量数据，通过算法实现检测、分类、识别等功能，去分析、辨识环境中的车辆、行人、标志等目标，获取分类信息，使车辆可以自主分析道路状况，是现阶段机器视觉的重要研究方向。目标检测是计算机视觉、图像处理和机器视觉中的经典问题，车道线和交通标志的检测和识别是综合机器视觉和机器学习的实际应用，对算法的鲁棒性和实时性都有很高的要求。传统机器学习算法推动了目标检测的快速发展，但仍有诸多不足，需要人工设计特征，而且易受复杂背景和光照不足的影响。相较之下，深度学习利用深层次的神经网络自动且高质量地提取目标特征，使得深度学习在目标检测领域发展迅速。机器学习是人工智能的核心，通过获取海量数据，使机器自主学习，实现目标检测、识别等功能。从网络的复杂度来讲，机器学习由浅层学习逐渐过渡到深度学习。浅层学习即网络层数较少，当样本和计算单元有限时，浅层的网络难以有效地拟合复杂函数，不能完成复杂的分类或回归问题。深度学习网络的隐含层层数较多，网络层次更深，特征表达能力更强，可以有效地拟合复杂函数，在分类或回归问题的表现和泛化能力较强。由于深度学习是对大量的训练数据自动地学习特征，更能够刻画数据的丰富内在信息，因此在语音识别，图像识别，自然语言处理领域应用广泛。
　　2计算机视觉的车道线检测与识别
　　2.1ROI选取
　　首先，车载摄像机采集到的实时图像中包含车辆、天空、树木等干扰信息，消除这些干扰信息不仅可以增强目标信息的可检测性和最大限度地提高算法运行效率，也为后续图像处理的任务降低难度;其次，车道线检测任务主要关注车辆前方2条车道宽度的区域。因此，由于车载相机一般固定于车辆前窗中间位置，考虑车辆上坡/下坡时的可视车道上下浮动的实际情况，在行车记录仪采集的图像中选取下2/3部分作为ROI。
　　2.2滤波
　　滤波技术能够只针对图像中的高频分量进行处理，而不影响其中低频分量的信息部分。高频分量在图像中主要体现在图像的边角处等灰度值差值较大的部分，或者说是灰度值的变化速度较快的位置，可以使用图像滤波技术，这样既可以有效地降低图像灰度值的落差，让图像变得平滑，又可以达到滤除图像中噪声信号的目的，最大程度保留车道线的轮廓信息，并削弱其他非车道线物体轮廓的影响。该文所用的高斯滤波，它是线性平滑滤波的一种技术手段，其主要目的就是去除高斯噪声。高斯滤波就是把画面进行加权平均处理，即任何一个像素点的数值都是它自身大小与相邻像素点的大小通过加权平均后得到，所以经过高斯滤波后会得到更加精确的焦外成像效果，可以增强图像效果，很大程度上区分车道线和非车道线。
　　2.3边缘检测
　　要想将车道线从图像中识别出来，主要是依靠车道线的边缘信息来提取。在数字图像处理中，目标边缘是图像最基本的特征之一，边缘勾勒出了目标的轮廓，集中了目标的大部分信息。常见的边缘信息提取主要采用的是基于灰度图像梯度的方法。灰度值发生明显变化的区域是灰度图像的边缘，具有方向和幅度两个特性：平行于边缘走向的像素灰度值变化平缓，而垂直于边缘走向的像素灰度值变化剧烈。灰度图像中局部区域的灰度值变化越剧烈，越容易提取边缘信息。在本课题中，使用几种不同的算子检测图像边缘特征。
　　2.4数据采集
　　交通标志处于自然场景下，算法进行检测识别时面临巨大的挑战，主要有以下几点困难：（1）阴雨天或处于光线较差的隧道和停车场，难以提取明显特征。（2）路面标志周围的环境比较复杂，周围白色的物体可能会导致检测算法的误检率升高。（3）路面标志由于车辆碾压，日久风化等自然因素，易受到磨损，边缘轮廓模糊难辨。（4）城市道路车辆拥挤，路面标志易被车轮遮挡，可利用的形状信息不完整。开启车载行车记录仪，针对广州市普通城市街道和高速公路实时拍摄道路交通视频信息。基于上述的环境干扰因素，实现路面标志的识别仍面临巨大困难。为了增强算法的鲁棒性，采集场景包含了晴天、雨天、光线充足、光线昏暗、能见度低等不同环境条件以及旋轉、部分遮挡、运动模糊等干扰因素。
　　2.5腐蚀
　　腐蚀和膨胀是相反的过程，腐蚀是求取图像区域最小值。通过给定的图形与设定的核进行卷积运算，将设定核所涉及区域内的像素点的最小值赋给参考点给定的像素，求解局部最小值。在膨胀操作以后进行腐蚀操作，可以将在膨胀操作中误连通的非车道线很大程度的还原回去，防止非车道线对检测的影响。
　　结语
　　本文对汽车智能辅助驾驶中的关键技术———车道线的检测做了详细研究，综合车道线检测中的关键问题，提出一种适应性强、鲁棒性好、实时性高的车道线检测方法，为汽车智能辅助驾驶技术的发展提供了理论依据，具有重要的现实意义。
　　参考文献
　　[1]  许宏科，秦严严.一种基于Hough变换的车道线检测新方法[J].徐州工程学院学报，2013（4）：1-4.
　　[2]  侯利龙.高速公路车道线检测算法研究[D].郑州：河南工业大学，2012.
　　[3]  侯立龙，狄帅.直线模型下的高速公路车道线检测方法研究[J].清远职业技术学院学报，2011（6）：73-76.
　　[4]  张铮，倪红霞，苑春苗，等.精通Matlab数字图像处理与识别[M].北京：人民邮电出版社，2013.
　　[5]  吴一全，潘喆.2维最大类间平均离差阈值选取快速递推算法[J].中国图象图形学报，2009，14（3）：471-476.