針對道路車道線不清晰以及存在一些其他標志干擾的情況，本文提出了改進的車道線檢測算法，即基于Gabor濾波器的車道線檢測。通過Gabor找到圖像的消失點，即圖像中兩條車道線的交點位置，再對消失點進行Hough變換，這樣不僅提高了算法的適用性，還提高了算法的實時性。

　　3.1 Gabor變換原理

　　Gabor濾波器與人眼的生物作用相仿，因此經(jīng)常用于紋理識別，并取得了較好的效果。Gabor濾波器是帶通濾波器， 它的單位沖激響應(yīng)函數(shù)（Gabor函數(shù)）是高斯函數(shù)與復(fù)指數(shù)函數(shù)的乘積。它是達到時頻測不準關(guān)系下界的函數(shù)， 具有最好的兼顧信號在時頻域的分辨能力。高斯函數(shù)的局部性特征使得Gabor濾波器只在局部起作用， 即具有良好的尺度特性和方向特性。因此，Gabor濾波器被廣泛用于圖像處理和圖像分析領(lǐng)域。

　　本文通過對車轍印記以及車道線邊緣等一些紋理特征進行分析，從而提取出道路的消失點以及車道線的信息。

　　Gabor濾波器的模板計算方程如式（2）所示，該模板分為實部（式（3））和虛部（式（4））兩部分。

　　通過建立K×K 大小的Gabor 模板，（x，y） 表示圖像空間的一點。其中，θ 表示模板的方向， 為確定最后的道路紋理方向， 這里選擇范圍為0~72 ;λ 表示路面的波長；σ表示噪聲容量， 本文取σ=K/9 。

　　3.2 消失點的求解

　　本文用不同方向的模板與圖像進行卷積， 對于圖像任意一點， 即可得到某一個方向上的卷積的結(jié)果為最大值， 這個最大值為紋理方向?qū)?yīng)的能量， 該方向為紋理的方向。

　　其中，α 表示模板對應(yīng)的方向， 對于圖像中的任意點I（x，y） 與α 方向的Gabor 模板進行卷積， 得到不同的t（x，y），求取其最大值， 將最大值對應(yīng)的方向作為圖像中（x，y）點的紋理方向， 同時將該最大值作為紋理方向上的紋理強度。

　　通 過計算可以得到圖像中每一點的紋理方向以及能量。為了計算出消失點， 對圖像中選取的點進行投票，這里選擇圖像下方一定的區(qū)域點， 如圖5 所示。當紋理能量大于設(shè)定閾值的點作為投票點，p 表示圖像中投票空間的點，θ （p） 表示p 紋理方向，v 表示消失點的候選點，a （p ，v） 表示p 點與v 點的夾角，n 為采用的Gabor 模板方向的個數(shù)，R 為定義的投票空間， 即圖6 對應(yīng)的方框區(qū)域， 通過vote （p，v） 來統(tǒng)計p 點對v 點的投票結(jié)果，votes （v ） 為對R 區(qū)域累加進行投票的統(tǒng)計結(jié)果，pvote 為最終被投票次數(shù)最多的點的坐標， 即消失點。

　　圖6 中的框表示選取的投票區(qū)域， 即在該區(qū)域內(nèi)選取400 個點進行Gabor 變換， 求出其紋理方及能量； 圓圈是求出的消失點位置。

　　

3.3 車道線檢測

　　對于傳統(tǒng)的Hough 變換， 需要對每個點每個角度進行遍歷， 這樣比較耗時。本文采用改進的Hough 變換， 對消失點及其周圍的有限個像素進行Hough 變換， 求取左右車道線的兩個峰值點，并繪制出車道線。該方法能夠有效地抑制圖像的其他邊緣噪聲干擾，提高算法的實時性。車道檢測結(jié)果如圖7 所示。

　　3.4 車道線跟蹤

　　跟蹤分為消失點的跟蹤和車道線的跟蹤。

　?。?） 消失點的跟蹤： 消失點一般較遠， 車輛在行進過程中消失點范圍變化不是很大，而靠近車道線的道路兩邊由于車輛輪胎接觸較為頻繁， 紋理較為明顯， 對消失點的貢獻較大。因此， 隨機選取靠近車道線兩邊100 個點對消失點及其周圍的若干個點（ 本文選取36 個點） 進行投票，如圖8 所示。

　?。?）車道線跟蹤：根據(jù)上一幀測量的結(jié)果，限定角度在一定變化范圍內(nèi)（本文限制在10°范圍，如圖8（b）所示）進行Hough變換，這樣大大減少了運算速度。當圖像檢測的消失點及車道線上的點少于所設(shè)定的閾值時，程序重新初始化。

　　4 車道識別

　　本文在應(yīng)用的基礎(chǔ)上對合肥以及沈陽的BRT車道進行統(tǒng)計，其BRT車道相對其他車道具有如下特點：其左右車道線都為黃色，一般位于路的兩邊，道路的兩邊有欄桿或者路牙等特征。基于此特點，本文實現(xiàn)了BRT車道的識別系統(tǒng)，結(jié)合GPS判斷其所在位置范圍內(nèi)有無BRT車道，若有則判斷車道線顏色是否為黃色，即建立顏色模型，對車道線上的每一點顏色進行標記，并綜合判斷其左右車道線是否是黃色車道線，對黃色進行標記，如圖9左圖所示。由于車道線長期受到磨損有一定的失真，且在晚上黃光燈照射下不易準確地識別顏色，本文結(jié)合其欄桿、路牙等特征識別車道，對檢測的車道線兩邊的一定區(qū)域（圖9右圖白色矩形區(qū)域）進行對比，比較其顏色邊緣紋理等特征差別。通過大量的測試，本文得到了判斷其是否為 BRT車道的先驗閾值，當矩形區(qū)域差別大于設(shè)定閾值時，則判斷為公交專用車道，從而準確實現(xiàn)車道檢測。

　　

3.3 車道線檢測

　　對于傳統(tǒng)的Hough 變換， 需要對每個點每個角度進行遍歷， 這樣比較耗時。本文采用改進的Hough 變換， 對消失點及其周圍的有限個像素進行Hough 變換， 求取左右車道線的兩個峰值點，并繪制出車道線。該方法能夠有效地抑制圖像的其他邊緣噪聲干擾，提高算法的實時性。車道檢測結(jié)果如圖7 所示。

　　3.4 車道線跟蹤

　　跟蹤分為消失點的跟蹤和車道線的跟蹤。

　?。?） 消失點的跟蹤： 消失點一般較遠， 車輛在行進過程中消失點范圍變化不是很大，而靠近車道線的道路兩邊由于車輛輪胎接觸較為頻繁， 紋理較為明顯， 對消失點的貢獻較大。因此， 隨機選取靠近車道線兩邊100 個點對消失點及其周圍的若干個點（ 本文選取36 個點） 進行投票，如圖8 所示。

　?。?）車道線跟蹤：根據(jù)上一幀測量的結(jié)果，限定角度在一定變化范圍內(nèi)（本文限制在10°范圍，如圖8（b）所示）進行Hough變換，這樣大大減少了運算速度。當圖像檢測的消失點及車道線上的點少于所設(shè)定的閾值時，程序重新初始化。

　　4 車道識別

　　本文在應(yīng)用的基礎(chǔ)上對合肥以及沈陽的BRT車道進行統(tǒng)計，其BRT車道相對其他車道具有如下特點：其左右車道線都為黃色，一般位于路的兩邊，道路的兩邊有欄桿或者路牙等特征?；诖颂攸c，本文實現(xiàn)了BRT車道的識別系統(tǒng)，結(jié)合GPS判斷其所在位置范圍內(nèi)有無BRT車道，若有則判斷車道線顏色是否為黃色，即建立顏色模型，對車道線上的每一點顏色進行標記，并綜合判斷其左右車道線是否是黃色車道線，對黃色進行標記，如圖9左圖所示。由于車道線長期受到磨損有一定的失真，且在晚上黃光燈照射下不易準確地識別顏色，本文結(jié)合其欄桿、路牙等特征識別車道，對檢測的車道線兩邊的一定區(qū)域（圖9右圖白色矩形區(qū)域）進行對比，比較其顏色邊緣紋理等特征差別。通過大量的測試，本文得到了判斷其是否為 BRT車道的先驗閾值，當矩形區(qū)域差別大于設(shè)定閾值時，則判斷為公交專用車道，從而準確實現(xiàn)車道檢測。