随着我国高速公路里程和汽车保有量的迅速增长，道路交通事故造成的死亡率逐年增高。据统计［1］，2014年全国道路交通事故死亡人数为34 292.34人，比2013年死亡人数增长8.5%；2015年死亡人数为36 178.8人，比2014年死亡人数增长约5.5%。研究表明［2］，约15%的道路交通事故是由车辆行驶偏航造成的。因此，准确检测车道线是实现车辆偏航预警、车辆横向控制的前提。

国内外学者针对车道线检测算法做了大量的研究，并取得了丰硕的研究成果。现有的车道线检测方法大体分为基于图像特征的［3］和基于模型匹配的车道检测算法［4］。基于图像特征的车道线检测方法易受光照、道路环境、道路标志线等因素的隐影响，不确定性和干扰性较大。基于模型匹配的方法主要是利用2维或3维曲线建立道路模型，常见的道路模型有直线、样条曲线、抛物线等［5-6］。直线模型实时性较好，但缺乏描述不同形状道路的能力；样条曲线模型可以较准确地描述各种道路模型但计算复杂；抛物线模型在处理车道直线与曲线连接处时连续性不好。针对车道识别算法在准确性和计算效率方面存在的问题，提出了一种基于双曲线模型的车道线检测算法。对采集的道路图像进行灰度化、边缘增强、二值化等预处理，利用Hough变换提取车道边界信息，结合车道边界信息和双曲线模型参数进行最小二乘法拟合，重构车道线，提高车道检测准确性和鲁棒性。

1 车道双曲线模型

实际道路线由直线和曲线组成，双曲线模型可以描述不同形状的道路，计算量小、精确度高且抗干扰能力较强。为准确描述车道线，采用双曲线建立车道线模型[7]。对近视场区域使用直线模型匹配车道线，对远视场区域则采用曲线模型，如图1所示。则近视场区域的直线车道线模型为

 

远视场区域的曲线车道线模型为

 

式中：x表示横向坐标；y表示纵向坐标；（x，y）表示道路图像任意边界点；b为车道线斜率；k为曲线斜率；aH为车道线距纵轴的距离。图1所示的道路形状采用双曲线模型：

 

Hough变换可有效检测出图像中的线性特征，提取精确度高，抗干扰能力强[10]。首先利用Hough变换得到初始图像消失点的初始位置；然后利用区域生长法提取道路边界线像素集合；最后运用最小二乘法拟合车道线。如图5所示，假设直角坐标系中存在直线l，则Hough变换在极坐标下表示为

盐城市区饮用水源生态净化工程综合自动化系统设计………………………………… 符新峰，仓基俊，陆惠萍(14.31)

  

图1 车道线图形

2 车道线识别算法

为提高车道线识别的实时性和鲁棒性，减少计算机运算强度，对摄像机采集的道路图形设定感兴趣区域，则原始图像和灰度化图像见图3。

  

图2 车道线识别算法

2.1 图像预处理

通常摄像机采集的图像信息包含很多随机干扰信息，如要对车道线进行检测和识别，首先要对图像进行预处理，有助于提高图像质量或是提高后续计算机的处理速度。图形预处理主要包含灰度化和滤波等。通过摄像机获取的图像为RGB彩色图像，彩色图像还原性好但占用内存也较大，增加处理器的负担，难以满足实时性的要求。而灰度图像所含信息量小，所需的内存空间为真彩色图像的1/3，降低算法的复杂度。

马国平凑到汪队长跟前，近乎低声下气：“我说老乡……巾帼英雄别样红，英姿飒爽是女兵！”马国平讪笑着，“老乡的福地，我还真舍不得走。”

为获取车道边界线，图像预处理后需进行车道线边缘增强。常用边缘检测算子有Robert梯度算子、Sobel算子、Laplacian算子、Prewitt算子和Canny算子等［9］。其中Sobel算子易在空间上实现，对灰度渐变和噪声较多的图像处理效果较好。因此选择Sobel算子，其计算公式为

创建于1951年的哈电集团哈尔滨电机厂有限责任公司（简称“哈电电机”）被誉为生产中、大、巨型发电设备的“共和国长子”，伴随着国家改革开放的步伐，从自力更生满足国家对电力装备的基本需求，到引进消化吸收再创新，一路砥砺前行，不断攀登，直至登顶行业技术制高点。她用60多年的创新发展，演绎着发电装备业的一个又一个传奇，用中国装备“装备”着中国，同时也“装备”着世界。

 

车道线识别主要基于机器视觉处理采集的道路图像，利用Hough变换提取车道线边界特征信息，建立双曲线车道线模型，实时监测车道线。具体识别算法如图2所示。

2.1 内源性细菌的除去 SD大鼠40只，用普通饲料喂养1周。在大鼠饮用水中加入氨苄西林2.4 mg∕mL、链霉素0.5 mg∕mL，除去大鼠口腔内的内源性细菌，连续3 d。第3天用棉签取大鼠口腔唾液，接种在TPY固体培养基上，37℃厌氧培养48 h，观察口腔内细菌生长情况。实验大鼠从第3天开始至实验结束都喂养致龋饲料2000#。

  

图3 道路图像

2.2 车道线边缘检测

由于人的视觉敏感度不同，相同量的红、蓝、黑混合往往得不到相同亮度的灰度值。而当RGB分量的比例为红色占30%、绿色占59%、蓝色占11%时，混合后可以得到合理的灰度值[8]，因此大部分采用的灰度模型公式为

 

梯度大小为

 

结合式（11）～（12），左右车道线的交点即消失点高度为

 

Sobel算子的2个卷积计算核分别为

 

式中：ρ为原点到直线的垂直距离；θ为垂线与x轴夹角；θ的范围为（-90°～90°）。

  

图4 Sobel边缘检测

2.3 车道线识别

式中：h为道路平面在图像平面上的消失点；k，b，aH为双曲线模型参数。图1中AB、CD段为近视场，道路模型用直线表示，则k为0；EB、CE段为远视场，道路模型用曲线表示，则b为0。

 

则边缘检测的结果如图4所示。

维生素C的国家推荐每日摄入量RDA只有60mg，仅仅是一个橙子的量。而最佳每日摄入量ODA是2000mg，这中间相差了1940mg，足以决定两个人截然不同的健康水平。对于最佳健康状态来说，RDA是不够的，我们所需要的ODA往往会是RDA的十倍之高。

近视场内左右车道线边缘为直线检测，则左右车道线的直线为

 

式中：kl和 kr为斜率；bl和 br为截距。

  

图5 Hough变换

或取绝对值也可表示为

 

进行曲线拟合之前，需建立车道线目标像素集合，像素集合数量足够多，以减少干扰造成额定误差。采用改进的区域生长法获取车道线目标像素集合：1）对像素进行扫描，找出尚没有归属的像素；2）不用新像素的灰度值与邻近像素的灰度值进行比较，而是以像素所在区域的平均灰度值与各邻域像素的灰度值进行比较，将小于阈值的像素合并；3）以新像素为中心，返回步骤2），检查新像素的区域，直至区域不能进一步生长；4）返回步骤1），继续扫描，获取所有的像素归属，生长过程结束。

以上掘进支护技术方案在9105工作面的实施过程如下，首先根据支护参数利用恒阻锚索来加固巷道，然后利用钻机在岩体上设置预裂钻孔，并根据切缝孔按照设定方向进行预裂爆破，从而使岩体中形成切顶卸压预裂切缝线，待9105工作面回采完成后，在留巷端头支架的后方及时布置一梁三柱进行支护，在采空区域中则设置可缩性U型、钢筋网及单体柱。等到巷道稳定以后撤除巷道中的单体柱和巷帮，然后维修巷帮周边的垮落区域，如果部分区域垮落不够充分，则需要增设爆破孔来进行补充爆破，以此保证巷道的切顶卸压效果良好，从而起到稳定巷帮的作用。

采集的图像如图6所示。结合收集到的车道线像素集合、左/右车道线交点等，基于最小二乘法原理，目标函数为

TIC-5213的SP值为115～120 ℃，TE-5213作为温度调节单元的PV值，CP=0.45×PID模块输出值，该CP值作为TIC-5212控制调节单元的SP，该比例系数是1个经验估算值。

 

求解车道线参数k，b，aH，即可得车道线模型。

  

图6 采集的图像

3 实验结果

为验证本算法的准确性和稳定性，采集白天和夜晚在直车道和弯车道的道路图像，进行车道线识别。由图7～8可知：基于双曲线模型的车道线检测算法可以准确识别直道和弯道等不同道路线形，白天和夜晚等不同环境下的车道线。

  

图7 直车道识别结果图

  

图8 弯车道识别结果图

4 结论

提出了一种基于双曲线模型的车道线检测算法。基于Hough变换提取车道线边界信息，运用最小二乘法获取车道线的双曲线模型。选择白天和夜晚、直道和弯道等不同复杂环境进行车道线识别并重建。结果表明：该算法可以在不同环境、不同车道线形下准确识别车道线，为智能监控交通的发展奠定了一定的理论基础。

参考文献：

［1］人民网.浅谈中国交通事故成因［EB/OL］.（2016-07-02）［2017-11-17］.http：//auto.people.com.cn/n1/2016/0702/c1005-28517746.html。

［2］NHTSA’s National Center for Statistics&Analysis.Traffic Safety Facts 2007［R］.National Highway Traffic Safety Administration，2008.

［3］龚树锋.基于机器视觉的道路检测与车辆检测算法研究［D］.广州：华南理工大学，2010.

［4］陈本智.基于双曲线模型的车道识别与偏离预警［J］.计算机应用，2013，33（9）：2562-2565.

［5］雷涛，樊养余，王小鹏，等.基于形态学结构元素建模的车道线检测算法［J］.计算机应用，2009（2）：440-443.

［6］许华荣，王晓栋，方遒，等.基于B样条曲线模型的结构化道路检测算法［J］.自动化学报，2011（3）：270-275.

［7］高嵩，张博峰，陈超波，等.一种基于双曲线模型的车道线检测算法［J］.西安工业大学学报，2013，33（10）：840-843.

［8］耿静静.基于单目视觉的车道线检测与识别［D］.哈尔滨：哈尔滨工业大学，2007.

［9］王晓云，王永忠.基于线性双曲线模型的车道检测算法［J］.杭州电子科技大学学报，2010，30（6）：64-67.

［10］王雷.一种基于双曲线模型的车道线检测算法设计与实现［D］.长春：吉林大学，2014.