基于改进二维伽马函数的车道线检测算法
摘要：为了在光照不均匀条件下有效的检测车道线，提出改进二维伽马函数自适应亮度校正算法。采用快速引导滤波算法提取图像的光照分量，分析光照特性，利用其分布特性动态的调整二维伽马函数的参数，从而构建改进的二维伽马函数，实现对车道线图像亮度的自适应校正。对于校正处理后的图像用最大类间方差法提取出二值化图像，最后用Hough变换检测出车道线。在光照不均匀路况下的处理结果表明，该算法有较好的检测结果。
关键词：车道线检测；光照不均匀；快速引导滤波；二维伽马函数；Hough变换
中图分类号：TP391 文献标识码：A 文章编号：1009-3044（2018）09-0197-03
Abstract： In order to effectively detect the lane line under non-uniform illumination， an adaptive adjustment algorithm for brightness on 2D gamma function is proposed in this paper. The light component is extracted by the fast guided image filter， analyze the lighting characteristics， use its distribution characteristics to dynamically adjust the parameters of the two-dimensional gamma function to build an improved two-dimensional gamma function so that the brightness of the lane line image can be adaptively corrected. Ultimately， the binarized image is extracted by the method of maximum variance and finally detected by Hough transform. The results show that the algorithm can result in good detection.
Key words： lane detection； non-uniform illumination； fast guided image filter； two-dimensional gamma function； Hough transform；
在智能汽的辅助驾驶研究领域，车道线检测是车道偏离报警及车道跟踪等重要安全系统的关键技术之一。对车道线的检测方法有很多，一般是对采集到的图像预处理，然后利用边缘检测算子提取车道线的边缘信息并作二值化处理，最后采用Hough变换算法标识出车道线[1～3]。在光照均匀良好环境下，通常都有比较好的检测效果。但是对于光照不均匀的条件下，有些区域光照很强，而有些较弱，传统的车道线检测方法获取的检测结果并不能满足要求。
目前对于光照不均匀的车道线检测算法有同态滤波方法、伽马校正方法、Retinex算法等。伽马校正的方法能使图像的对比度增强，但是对于有些区域光照度过高的图像，该方法会出现过饱和或者欠饱和等问题[4]。Retinex算法主要是基于光照反射成像模型，将图像的光照分量和反射分量分开，并利用光照分量的特性改良图像的不均匀现象，对于普通光照不均匀图像有较好的改良效果，但是该算法运算复杂度高，执行速度慢，而且会出现“光晕”效应以及暗处噪声放大等问题[5～7]。因此，提出一种基于二维伽马函数并结合最大类间方差法及Hough变换的车道线检测技术。
1 改进的二维伽马函数的亮度校正
1.1快速引导滤波
根据光学的成像原理，图像[F（x，y）]可由其反射分量[R（x，y）]和光照分量[I（x，y）]的乘积获得，表达式：
本文利用快速引导滤波算法提取出图像的光照分量[8]。快速引导滤波在引导滤波的基础上被提出，主要原理是利用输入图像和引导图像的降采样图像，是一种最快的边缘保持滤波算法。其数学表达式为：
其中，[I]为引导图像，[q]为输出图像，[ak]和[bk]为线性变换系数，[ωk]为滤波窗口。由公式可知，在任意窗口内有梯度关系[?q=ak?I]，因此引导图像的边缘信息能最大限度的被保留。为使输入图像和引导的差值达到最小，即求[（ak， bk）]的最优解，在滤波窗口[ωk]中使用损失函数：
式中，[ε]为规则化参数。[p]为原始输入图像。损失函数为最小值时，[ak]和[bk]的解为最优值，
式中，[ω]为窗口[ωk]内像素点的数目；[σk]和[μk]分别为窗口中图像[I]的方差与均值；[pk]为窗口中[pk]的均值。由于[ak]和[bk]在不同的窗口的取值可能会不一样，并且这些不同的窗口会包含同一点像素，故此求出该点为中心的不同窗口中[ak]和[bk]的均值，并将其作为求[qi]的参数，其表达式为：
根据损失函数（3）中的约束条件可知，快速引导滤波算法能够将输入图像的总体边缘特征最大限度的提取出来，并有效的保留输入图像的亮暗变化细节。如图1所示，对图像（车道线图像），使用快速引导滤波算法提取光照分量信息。
1.2改进的二维伽马函数的亮度自适应矫正函数的构成
针对不均匀光照图像的特点，提出改进的二维伽马函数，其数学表达式为：
根据公式可知，二维伽马函数是将每个像素点处的光照值作为在该点处的参数，以实现光照不均匀图像的自适应校正，使得光照较暗区域的图像变亮，光照过亮区域的图像变暗，最终解决光照不均匀对车道线检测的影响。用多尺度Retinex（multi-scale Retinex， MSR）算法和本文提出的算法对车道线图像分别进行校正处理，从图2中可以看到，两种方法都可以使原图像中灰度值较低的区域提高，但对于灰度值较高的区域，本文算法使高亮区域得到了明显的衰减，保留原图像细节信息的同时，图像中的车道线上的光照强度也能得到均衡。为后续的车道线提取提供更高质量的车道线图像信息。 2 车道线提取
2.1最大类间方差法
对经过光照不均匀自适应校正的车道线图像进行二值化处理，本文利用最大类间方差法也称大津法，其优点为自适应寻求最佳阈值分割点。使图像中的标识目标和图像背景之间的像素类间方差最大，获取最佳分割。
此算法将图像分为黑色区域和白色区域，既灰度值分别为0和255。通过计算类间方差函数，求解方差最大时的阈值T，即为最佳分割点，大于T的区域像素值变为255，反之变为0。二值化Y果如图3所示。
2.2 Hough变换基本原理
Hough变换的基本原理主要体现在直角坐标系中的点唯一映射参数空间中的正弦曲线。根据对偶性，反之亦然。在数字图像空间中，直线I上所有点可以表示为：
式中，[ρ]为原点到直线[I]的垂直距离；[θ]为[x]轴与该垂线的夹角。其中参数[θ，ρ]即对应于参数空间中多条曲线的交点。
检测直线问题就转换为上述交点问题，把图像上的直线区域假设为容器，利用投票的方式，统计出每个容器里的交点数量，通过统计容器里点的数量，当其比较多时，此时的直线区域表示直线存在。
由于在道路图像中，上半部分为天空、树木等背景干扰信息，本文在进行Hough变换之前先对图像进行感兴趣区域截取。如图4所示，为道路图像截取后的Hough变换标识结果。
3 算法实现
由于在结构化道路中，存在树木、道路指示牌、隧道等障碍物，使道路中车道线受光照不均匀，如果直接使用大津法对道路图像进行二值化处理，得到的结果不理想，车道线信息会被严重弱化，因此提出改进二维伽马函数的亮度自适应校正函数，最大限度的解决光照不均匀问题。然后用大津法获取二值化图像，以提取车道线信息，最后利用Hough变换算法检测出图像中的车道线。算法的流程图如图4所示。
4 结束语
在强光照射、隧道进出口以及道路旁边干扰物阴影等环境条件下，导致结构化道路中的车道线受光照不均匀，为提高车道线的检测效果，本文提出一种基于改进二维伽马函数的车道线检测算法，获得了比较好的检测结果，并且与同类其他算法相比，也有比较明显的优势，同时为后续的车道线跟踪降低了难度，因此具有非常实用的应用前景。
参考文献：
[1] Guo Lei，Wang Jianqiang，Li Keqiang. Lane Keeping System Based on THASV-Ⅱ Platform[J]. IEEE International Conference on Vehicular Electronics and Safety，2006，10（2）：305-308.
[2] 郭斯羽， 周乐前， 温和，等. 基于二值图像邻域加权的直线Hough变换[J]. 电子测量与仪器学报， 2014， 28（5）：478-485.
[3] 满增光，邵烨，武星，等. 级联Hough变换直线特征提取方法[J]. 制造业自动化，2017，39（11）.
[4] 储霞，吴效明，黄岳山. 照度不均匀图像的自动Gamma灰度校正[J]. 微计算机信息，2009（18）：292-293.
[5] 刘志成，王殿伟，刘颖，等. 基于二维伽马函数的光照不均匀图像自适应校正算法[J]. 北京理工大学学报，2016， 36（2）：191-196.
[6] MD SHUKRI D Y S，ASMUNI H，OTHMAN R M，et al. An improved multiscale retinex algorithm for motion-blurred iris images to minimize the intra-individual variations[J]. Pattern Recognition Letters，2013，34（9）：1071-1077.
[7] JUNG C，SUN T，JIAO L. Eye detection under varying illumination using the retinex theory[J]. Neurocomputing，2013，113（596）：130-137.
[8] 王殿伟，王晶，许志杰，等. 一种光照不均匀图像的自适应校正算法[J]. 系统工程与电子技术，2017， 39（6）：1383-1390.