基于改进Otsu阈值分割的车道线检测方法
唐阳山，张贵洋，葛丽娜，颜新阳
（辽宁工业大学 汽车与交通学院，辽宁 锦州 121001）
摘要：通过车道跑偏的判断预防车辆发生碰撞等危险时，需要运用图像处理进行车道标线检测，而检测方法能否适合多种背景环境条件以及检测的时效性十分关键。传统的Otsu方法在处理周围环境影响明显以及车道线存在明显污迹的情况时，标线识别效果较差。本文在Otsu阈值分割算法的基础上，按照预分割的图像灰度分成两类，并通过比较它们的中心距离确定最佳阈值，从而达到多个灰度峰值条件下的标线识别。最后利用MATLAB将实际采集的道路图像进行前期处理，分别采用采用Otsu阈值分割算法和改进的算法进行车道线的图像分割。实验结果表明，Otsu阈值分割算法的阈值T=144，改进的Otsu阈值分割算法的阈值最后选取为131，阈值相对较小，待标识的白色标线部分较多的体现出来，白色的标线与背景交汇的地方比较清晰，说明能很好地识别出标线。另外处理速度在0.453s以内，满足实时性要求。
关键词：车道线识别；图像处理；阈值分割
1 引言
随着计算机技术和机器视觉技术的在汽车研发上的应用，智能汽车正逐渐走进人们的生活，更加优秀的汽车安全系统已经不断的开发出来。车道偏离预警系统因为可以辅助驾驶员安全行驶避免由于驾驶员因素而带来的交通事故越来越受到汽车研发人员的重视[1]。道路标线的识别是车道偏离预警系统的关键问题之一，快速而准确地识别出车道标线可以很大程度上提高车道偏离预警系统的普及应用。
车道标线识别技术是指通过安装在汽车上的摄像机获取路面图像，处理器通过分析路面图像获得道路标线的位置信息，从而判断车辆在车道线内的行进位置，为车辆的安全驾驶和自动驾驶提供车道标线信息。完整的道路标线识别技术的处理流程如图1所示。
道路图像采集图像预处理图像分割标线识别与拟合
图1 道路标线识别流程图
通过道路标线识别流程图，不难发现图像分割是标线识别系统实现的重要步骤之一，图
像分割是从图像中把感兴趣的目标检测分离出来的过程，国内外学者对图像分割算法的研究从未停止过，图像分割主要有基于阈值、区域和边缘的分割方法，阈值分割方法因其具有计算量小、实现简单、性能较稳定的特点而成为图像分割中应用最广泛的分割技术。本文在研究最大类间方差法阈值分割算法的基础上，对算法进行了改进，提出了基于最大类间距离Otsu阈值分割算法。
2 道路图像预处理
图像预处理是所有数字图像处理工作的前提，由于天气、路况以及其它各种因素的影响，采集的道路图像包含了诸多不必要的噪声信息，这就要求系统对实时获取到的车道信息进行必要、有效的处理，消除图像中的无关信息，增强图像中的有用信息，实现车道标线检测的实时性和精确性[2]。
安装在汽车后视镜背面的摄像头采集的图像为彩色图像，为加快处理速度，要把彩色图像转换成灰度图像。由彩色图像转化为灰度的过程称为图像灰度化，在一幅彩色图像中，如果R=G=B时，则彩色表示一种灰度颜色，灰度图像每个像素只需一个字节存放灰度值，灰度范围为0~255。图像灰度化的方法有：分量法、平均值法、最大值法和加权平均法。这里采用加权平均法对图像进行灰度化，假如n?1矩阵Vgray代表图像各点的灰度值矩阵，
Ri，Gi，Bi分别代表图像点的红色、绿色、蓝色3种基本色的色度值，n?3矩阵A代表各点由R，G，B值构成的色度矩阵，C?[cr,cg,cb]T代表权重向量，则有
Vgray?A?C?[cr?Ri?cg?Gi?cb?Bi] (1)
由于人眼对绿色的敏感最高，对蓝色敏感最低，经过大量的实验发现，最符合人类视觉的R、G、B加权系数值分别为0.3,0.59,0.11,图像灰度化处理过程可以用如下经验公式进行变换。
Vgra?y0.3?R?0.59?G?0.11?B (2)
图3(a)为采集的道路原始图像，不难发现，图像上存在较多的噪声点，这是由于在图像在形成、传输、接收和处理的过程中，不可避免地存在着内外部干扰，如:光电转换过程中敏感元件灵敏度的不均匀性、数字化过程的量化噪声、传输过程中的误差以及人为因素等，为消除这些干扰需采用图像滤波技术。本文采用空间域的中值滤波对图像进行预处理。其原理是将图像上一点的邻域中所有像素点的灰度值按其大小排列，以序列的中值代替该点的灰
度值，取M为序列中点的个数(一般取为奇数) ，i为序列中心位置。用公式表示如下：
Y?Med{fi?v,?,fi,?,fi?v},i?Z,v?m?12 (3)
为了更加直观形象的了解中值滤波算法，滤波窗口大小是3?3，把二维窗口中的数据一维化并排序，求出其中值M，然后用中值M代替窗口中心D22原来的灰度，如图1所示。
图2 中值滤波窗口
图3 道路图像预处理
(a) 原图像 (b) 图像灰度化 (c) 图像中值滤波
2 改进的Otsu阈值分割算法
Otsu即最大类间方差法，是日本学者大津在1979年提出的[3]，它是基于图像所有灰度值的一种全局阈值选取法，基本思想是：将整幅图像的灰度值划分为两组，分别求得这两组灰度值的均值和方差及两类间的协方差，当某一阈值划分的两组灰度值的协方差最大时，则该阈值为整幅图像二值化的阈值。
传统的Otsu方法可以快速自适应的分割灰度值呈理想分布的双峰图像，最理想的阈值即是让目标部分和背景部分尽量远离图片中值的灰度值，这也体现了Otsu阈值分割的局限性。在获取的车道图像中，由于天空、周围环境因素的影响以及车道线存在明显污迹下，图像的直方图分布会存在着不规律性，对经过中值滤波的图像提取直方图分布，如图4所示。