基于OMAP3530平台的车道线识别检测的实现

引言

本文采用ARM+DSP双核架构的OMAP3530系列的处理器，道路图像处理部分由支持浮点运算的DSP核来完成，图像采集工作和系统的控制工作由ARM核来完成，这样的作业分配提高了系统的实时性、集成性和可靠性。

车道线识别算法研究

本文提出的车道线识别算法的流程如下图1所示，首先通过OV7670摄像头捕获道路图像，然后按照流程图中的步骤处理图像，最后得到清晰的车道标志线，为以后智能车辆路径规划和避障提供支持。

道路图像灰度化

图像灰度变换是对图像像素进行拉伸，从而扩大图像的灰度级范围，进一步扩展图像的对比度、增加图像的动态范围、使图像更加清晰、特征更加明显，是图像增强的有效手段。我们采集到的道路图像是彩色图像，颜色模型采用RGB模型。由于人眼对颜色的敏感度不同，等量的红、蓝、绿混合不能得到对应亮度相同的灰度值，大量的实验数据表明，当使用0.3份红色、0.59份绿色、0.11份蓝色混合后可以得到最合理的灰度图像，即如公式(1)所示：

灰度值=0.3R+0.59G+0.11B(1)

根据公式(1)就可以算出当前像素对应的灰度值，将其作为图像中彩色像素对应的灰度值。

道路图像滤波

原始图像都或多或少的存在噪声干扰，噪声影响了后续图像的分析。这就要求在分析图像之前对图像进行滤波，去除噪声和假轮廓，图像滤波的过程就是让图像的低频成分通过，阻止属于高频部分中的噪声信号，也就是平时所说的低通滤波。但是在图像平滑过程中也阻止了高频部分的图像边缘，使得图像边缘模糊化。所以应找到能消除噪声，同时尽量保持图像细节，边缘轮廓的算法，又要保证智能车辆视觉导航系统对实时性的要求。中值滤波能够在抑制高频信号中的随机噪声的同时不使边缘模糊，可以抑制随机的点状噪声，抑制持续期小于1/2窗口的脉冲信号，但不影响斜坡信号和阶跃信号，能够削弱三角信号中的顶部峰值信号，因而受到欢迎，它属于非线性滤波。

中值滤波是将邻域中的像素按灰度级排序，取其中间值为输出像素。中值计算过程中使用到的像素数和邻域的空间范围影响到中值滤波的效果。本文采用3×3方形中值滤波模板对图像进行预处理既能取得较好的滤波效果，又能节省运算时间。

图像边缘增强

在车辆视觉导航系统中，道路边缘信息可以提供路径保持和路径跟踪的位置信息，是实现车辆自主导航功能不可或缺的。边缘增强的目的在于突出道路的边缘信息，以利于道路车道线的识别，有助于克服道路光照不均的影响。我们对滤波后的图像从水平和垂直两个方向进行边缘增强，可以得到非常好的效果。

图像边缘检测

在图像的多目标检测和识别技术中，边缘检测作为一种预处理算法在机器视觉技术中占有重要地位。边缘检测的算法很多，参考各种算法的优缺点，并结合道路检测的复杂性，我们这里选用Sobel算子。

Sobel边缘算子是一种一阶差分算子。它可以有效地消除道路图像中的大部分无用信息。它可以有效的抑制图像中的噪声，它的计算量比较小，容易实现，对于实时性要求比较高的系统，该算法有很大的优势。

车道标志线提取

本文重点讨论道路区域车道线的提取。日常生活中最常见的路面边界是直线，车辆主要也是在直线路面上行驶的。平时见到的直线路面边界是成一定角度的两条直线，根据三维空间点投影到二维平面的特点，直线路面边界在二维平面上形成两条相交的直线，直线路面边缘提取算法如下：

(1)根据二维直线路面的实际情况，建立X-Y坐标系，并给出恰当的路面边缘解析方程。

(2)根据图像的特点，取一组合理的ρ、θ范围和步长，设置累加器为零。将图像的解析方程转化成极坐标下的形式，即ρ=xcosθ+ysinθ，如图2所示，ρ为原点到直线垂直距离，θ为X轴与垂线之间的夹角。

(3)对梯度图上超过门限值的每个点作Hough变换，并对相应的累加器加1.

(4)找出累加器A(ρ，θ)上的极大值ρM、θM.通过这两个值可以找出图像中极有可能的边界。

(5)去除干扰。根据三维物体在摄像机上成像的特点，三维空间中平行的路面边缘在二维平面形成两条成一定角度的相交直线，如图3中虚线所示。但由于路面噪声的影响，在累加器A(ρ，θ)上的极大值ρM、θM周围存在多个较大值，它们在X-Y轴上对应的直线如图3中两条实线所示，显然这不是要求的边缘，所以将累加器ρM、θM周围点置0.

(6)找出累加器A(ρ，θ)上次大值ρM、θM.A(ρ，θ)上的次大值对应图像中路面的另一条边界。

(7)得到相应的X-Y上对应直线方程。进一步可以得到