摘要：针对实际道路驾驶技能考试中的车辆压线、不按规定变道等行为，提出一种基于视觉的车辆压线检测方法；该算法是对现有基于差分GPS考试评判系统的一种补充和完善，弥补了现有考试评判系统的缺陷，提高了考试评判系统的稳定性，使得考试更加公平、公正。
关键词：RTK GPS；视觉；压线；基准站；车道线
一、前言
本文针机动车驾驶人实际道路驾驶技能考试系统（后称科目三考试系统），借助于考试车辆顶部已经安装的摄像机实现车道线识别和车辆压线检测，弥补了基于差分GPS评判系统在有障碍物遮挡时评判的不稳定性。本文是以车道线的检测和压线评判作为研究目标，围绕这一目标设计出相应的检测算法，为了得到较理想的车道的标线边缘，利用车道线的边缘特征对车道图像进行二值化处理，对车道区域实现准确的边缘检测，然后利用Hough变换对噪声的不敏感性定位出车道标识线，完成对车道标识线的识别，最后采用具有预测功能Kalman算法完成对序列图像车道线持续跟踪。
二、现有科目三考试系统原理和存在问题分析
2.1、现有科目考试系统
现有科目三考试系统是采用基于网络的差分GPS定位技术来实现对考试车辆在道路上的位置进行实时动态定位和测距的，其精度达到厘米级，很好的满足了考试系统对考车定位和测距的高精度要求，其系统组成包括三部分：基准站（简称基站）、移动站（考试车辆）和通信单元。基准站通常设置在考试道路附近的建筑物或者路边立杆上，移动站安装在考试车辆上，通信单元用于实现基站和移动站之间的数据通信。
基于网络的RTK GPS技术是指在一个广阔的区域内均布设固定基站，并以这些基站为基准，计算和播发更正信息，对该区域内的卫星定位用户进行实时改正。
基站实时接收GPS卫星信号，并将观测量以广播的形式发送出去；移动站在（考试车辆）实时接收GPS卫星信号的同时接收基站发送的数据，通过特定的算法计算后得到厘米级的考试车辆位置信息。
通过对固定的实际考试道路进行测绘，将整个考试区域进行数字化处理，并将每个路段所属的基本考试项目准确的在地图上标识出来。实际考试过程根据车辆实时GPS信息、车辆信号和已经测绘的实际路段地图，通过特定的算法来对车辆压线和与压线有关的操作进行评判。
2.2、现有科目考试系统压线检测存在的问题
如上所述，现有系统评判的准确性、公平性依赖于实时动态定位和测距的精确度；而网络信号、GPS信号容易受受到外界环境的影响，导致定位不准和测距精度不够，进而产生误判和漏判，在一定程度上影响了考试的公平、公正。容易对网络信号和GPS信号产生影响的恶劣环境，包括单不限于：大型广告牌、茂密树木、桥洞和涵洞等的遮挡；另外大型车辆连续通过也容易对网络信号和GPS信号造成干扰。
针对科目三考试评判系统存在的问题，本文借助于考试车辆顶部已经安装的摄像机实现车道线识别和车辆压线检测，从而提高了考试过程的公平和公正，本系统主要包含以下几个关键部分：
三、基于视觉车道线检测算法
目前成熟的车道线检测技术大多都是适用于直道的，而实际的行车环境中即便是在高速或高等级的道路上，弯道出现的概率也不低，且据国家交通部公布的数据，每年弯道路段事故数量占总事故数平均约10%，故弯道检测的必要性是不言而喻的。通过准确定位车辆行驶前方弯道车道线位置可以避免弯道上行驶时无意识偏离本车道，也可以排除本车道区域以外非避撞目标对车辆行驶前方障碍物识别的干扰，提高识别准确率，还可以直接判断车辆前方道路可行驶区域以控制车辆的转向换道、加速、制动避撞等动作。
弯道检测技术难以成熟应用的主要原因是因为弯道形状多变、道路模型多样、干扰多。现有最常用也是普遍认为最有效的弯道视觉识别技术是采用基于道路模型的方法，通过建立一个最适应的车道曲线模型，然后基于车道线边缘点分布进行模型参数解算。在特定的结构化高等级公路上检测效果较好，但不同道路工况、车辆颠簸与否条件下的弯道模型都不同，预设模型不能适用于弯道幅度和形状多变的行车环境，同时边缘点是模型参数求解的计算依据，车道线以外的边缘点会对曲线模型准确性造成影响。
期刊文章分类查询,尽在期刊图书馆
采用已经验证可靠的识别算法进行直线车道线检测；根据直线检测结果与实际车道线的重叠状态判断当前行车环境是否是弯道且有实线，若是则依据车道线像素灰度的相似性检测实线一侧车道线，否则采用前述道路模型拟合的方法进行两侧车道线检测；在实线检测结束后融合实线分布状态、车道投影特征、单目测距模型实现虚线曲线的检测。
3.1线性车道线检测
智能车辆视觉系统通过摄像头采集RGB图像，根据通用的R、G、B分量提取方法按照30：59：11的比例进行图像灰度化以减少计算量；使用形态学进行图像预处理以消除掉部分非目标信息，凸显有用的目标信息；进行灰度拉伸增强图像对比度，便于后续的图像分割；针对已经形态学预处理车道线灰度特征明显的特点，采用计算量小的宽度比例法进行车道线二值化将车道线从背景中分割出来；依据车道线形状特性使用sobel左右分区45°算子进行边缘提取；根据车道线在图像中的分布范围利用设定区域约束的霍夫变换实现最终线性车道线的检测。对图像的有效信息进行分析不难发现道路上的车道线一般位于整个图像的下方约2/3区域，上方其余区域是天空等非路面区域。为了减少计算量，增强车道线检测的实时性、准确性，本文的算法只对整个图像下方的2/3区域进行处理。
3.2形态学处理提取车道线
形态学是以形态结构元素为基础对图像进行分析的数学工具，基本思想是用具有一定形态的结构元素去度量和提取图像中对应的形状，以达到消除图像中无关信息从而增强目标的可检测性和最大限度简化数据的目的。运用形态学可以从原图中将车道线特征提取出来，排除原图中大部分干扰因素。
采用尺寸较大的线性结构元对图像进行先腐蚀处理后膨胀处理可以将车道线及与其相似的特征从图像上去除，而将其它信息加以凸显。通过对比形态学处理前后的图像，从特征差异中提取出主要包含车道线信息的车道线特征图。再利用尺寸较小的3*3结构元对车道线特征图像进行先腐蚀后膨胀的处理以有效消除较小的干扰因素，如车道印迹。
3.3车道线二值化
图像本身信息已经简化，图像中目标相对单一，为了提高检测准确性并减少计算量，本文采用车道线宽度比例法实现车道线的二值化，其依据是车道线在图像中所占的宽度范围的可标定性。当摄像头安装角度固定时，车道线宽度的像素数范围即可通过MATLAB等软件进行确定，即车道线宽度所占像素数与图像总像素数比例范围Ф可定。根据经验和研究的可行性，我们一般将图像下方2/3区域分为两区，靠近图像底部的1/3部分为近视野区，其余部分为远视野区，
3.4车道线缺口填充
由于光照或路面干扰影响，有的图像中实线车道线二值化后不连续，会影响实线一侧的检测，形态学闭运算可以用来填充比结构元素小的区域内细小空洞、连接邻近区域并不明显改变其形状，利用形态学闭运算可以有效地对车道线上的缺口进行填充。
3.5 确定实线曲线检测的起始位置
实线一侧由部分直线和部分曲线拼接而成，在检测过程中直线部分保留前述检测结果，曲线部分采用基于局部灰度相似性进行检测，拼接的一个关键问题是正确如何确定直线和曲线的分离点来保证检测的鲁棒性，而该分离点在不同道路、不同行车工况和状态中是动态变化的，会随机出现在远视野区或近视野区的任何位置。
四、结语
基于视觉的车道线识别和压线检测技术作为未来智能交通的重要组成部分，已经在现今的道路安全中起到了举足轻重的作用，尤其在科三考试系统中的应用与现有的基于GPS定位技术的评判形成了良性互补，确保了考试的公平与公正。其涉及到了现代计算机视觉技术、模式识别技术、自动控制技术。该技术能大大减少交通事故的发生，减少人员财产损失。因此对基于视觉的车道线识别和压线检测技术的研究具有重要的意义。
参考文献：
[1]余厚云，张为公.直线模型下的车道线跟踪与车道偏离检测[J].自动化仪表，2009年11期
[2]黎华东.智能交通中的违章识别算法研究[D].哈尔滨工业大学，2014
[3]刘富强，张姗姗，朱文红，李志鹏.一种基于视觉的车道线检测与跟踪算法[J].同济大学学报（自然科学版），2010年02期
[4]杨磊，杨喜宁.应用多阶动态规划的车道线识别方法[J].机械工程学报，2011年08期
论文作者:孙喜涛
论文发表刊物:《基层建设》2018年第20期
论文发表时间:2018/8/13
标签：车道论文; 图像论文; 考试论文; 车辆论文; 弯道论文; 实线论文; 形态学论文; 《基层建设》2018年第20期论文;