基于線性雙曲線模型的車道線檢測算法

王曉云,王永忠

(杭州電子科技大學(xué)信息與控制研究所,浙江杭州310018)

0 引 言

智能駕駛輔助系統(tǒng)通常需要實(shí)現(xiàn)車道偏離預(yù)警、車輛橫向控制和碰撞避免等功能[1]。其中基于視覺的車道線檢測是實(shí)現(xiàn)上述功能的關(guān)鍵。在國內(nèi)外研究中,現(xiàn)有的車道線檢測方法大體分為基于特征的[2,3]和基于模型的車道檢測算法[4-8]。但光照變化、陰影遮擋、噪聲、道路邊界或標(biāo)志線不連續(xù)性等因素都會影響基于特征方法的檢測效果?；谀Ｐ头椒ㄖ谐Ｒ姷牡缆纺Ｐ陀兄本€,樣條曲線[4],線性拋物線[5,6]等。本文提出一種新的基于線性雙曲線模型的車道線檢測算法。對經(jīng)二維FIR濾波后的圖像利用大津法實(shí)現(xiàn)車道邊緣檢測,可有效改善Canny邊緣檢測的不足,增加特征提取的準(zhǔn)確性。區(qū)別于線性拋物線模型,本文對提取的車道邊界點(diǎn)利用線性雙曲線模型進(jìn)行最小二乘擬合,可充分利用道路的邊界信息,在車道線遮擋的情況下也能實(shí)現(xiàn)準(zhǔn)確檢測,提高了算法的魯棒性。

1 線性雙曲線車道模型

道路模型在車道線檢測過程中具有重要作用。簡單的道路模型計(jì)算量小,如直線模型,但缺乏描述不同形狀道路的能力;復(fù)雜的道路模型靈活且適用于不同形狀的道路,如B-Snake模型[4],但易受噪聲和其他干擾因素的影響。

采用直線模型描述的道路可以表述為u=b(v-h)+e,其中(u,v)為圖像上的道路邊界點(diǎn),h是道路消失點(diǎn)在圖像中的v軸坐標(biāo)值,b,e是直線模型的參數(shù)。一般而言,如圖1所示,對于近處道路,AB,DC(v＞h+δ),直線模型通?？梢詼?zhǔn)確地描述車道。但此時對于遠(yuǎn)端道路BE,CE(h＜v＜h+δ),直線模型將無法滿足。

圖1 線型雙曲線模型

對于遠(yuǎn)端道路BE,CE可以近似為雙曲線模型u=k/(v-h)+d,k,d是雙曲線模型參數(shù)。為了準(zhǔn)確表示圖1中復(fù)雜的道路形狀,可以將雙曲線模型與直線模型組合起來,構(gòu)成線性雙曲線模型,其表達(dá)式為:

式中,k,b,c是線性雙曲線模型的參數(shù),f1(v)=k/(v-h),f2(v)=b(v-h)。對于遠(yuǎn)端道路BE,CE,即當(dāng)v-h＜δ時,f2(v)bδ,且隨v減小,f2(v)減小,而f1(v)增大。此時u主要由k/(v-h)項(xiàng)決定,符合遠(yuǎn)端道路為雙曲線模型的假定。同理,對于近處道路AB,DC。當(dāng)v-h＞δ時,f1(v)k/δ,且隨v增大,f1(v)減小,而f2(v)增大,此時u主要由b(v-h)項(xiàng)決定,符合近處道路為直線模型的假定。

2 車道線檢測

2.1 圖像預(yù)處理

在對圖像進(jìn)行邊緣檢測之前,本文首先對圖像進(jìn)行預(yù)處理。利用道路的彩色信息分割邊界增加了邊界檢測的難度同時會影響計(jì)算速度,為此將彩色圖像轉(zhuǎn)化為灰度圖像。為了消除光照變化和噪聲的影響,本文通過構(gòu)建FIR濾波器算子對圖像進(jìn)行濾波平滑處理,實(shí)現(xiàn)圖像特定區(qū)域的增強(qiáng)。

2.2 邊緣檢測

在對圖像進(jìn)行預(yù)處理后,為了獲得車道邊界,需要對圖像進(jìn)行邊緣檢測。常用的邊緣檢測算法有:Canny算子、Sobel算子、Robert算子等,但這些算子都存在一些缺點(diǎn)。因此,本文在對直路、左右轉(zhuǎn)彎、陰影和車輛部分遮擋等典型道路圖像進(jìn)行二維FIR濾波的基礎(chǔ)上,采用經(jīng)典大津法[3,7],檢測車道邊緣,檢測結(jié)果如圖2所示。大津法的基本思想是選取的最佳閾值應(yīng)當(dāng)使得用該閾值二值化得到的兩類間具有最好的分離性。

圖2 車道線存在部分遮擋的二值化效果圖

圖2給出了不同道路狀況下利用Canny算子和大津法以及本文所用方法進(jìn)行邊緣檢測的實(shí)驗(yàn)結(jié)果?？梢钥闯?當(dāng)車道線存在部分遮擋時,Canny算子可以檢測出道路邊緣,但同時也檢測出破損路面的邊緣;直接利用大津法時,車道線或被高亮度區(qū)域淹沒或車道線丟失,基本無法辨識;而經(jīng)FIR濾波后再利用大津法則可以準(zhǔn)確地實(shí)現(xiàn)邊緣檢測。

2.3 車道線提取

經(jīng)過大津法閾值分割后,本文首先利用Hough變換初步獲得道路的中線和消失點(diǎn)。Hough變換的直線參數(shù)方程可以表述為如下形式:

式中,ρ是直角坐標(biāo)系的原點(diǎn)到直線L的距離,θ是ρ與x軸的夾角。θ的取值范圍為-90°～+90°,

在實(shí)際應(yīng)用過程中,可以拒絕那些不落在搜索區(qū)域內(nèi)的直線。例如,在拍攝的視頻圖像中,水平線不可能是車道邊界。因此本文先剔除Hough變換矩陣中θ值大于78°的象素值,將Hough變換搜索空間中每邊的角度都限制在30°窗口內(nèi),并計(jì)算檢測出的車道線的長度,當(dāng)長度大于閾值,就認(rèn)為其是車道線。由檢測出的左右車道線的Hough變換參數(shù),可以得到車道線在圖像空間的投影消失點(diǎn),進(jìn)而得到線性雙曲線模型中的參數(shù)h。

在獲得消失點(diǎn)坐標(biāo)后,本文采用Mid-to-Side[9]搜索方法得到車道左右側(cè)車道線的內(nèi)部邊界點(diǎn)集L(l)和L(r)。將L(l)、L(r)和消失點(diǎn)坐標(biāo)h代入線性雙曲線模型中,利用最小二乘擬合法可計(jì)算出模型中的未知參數(shù)k,b,c,獲得線性雙曲線模型表示的車道線。

3 實(shí)驗(yàn)結(jié)果及分析

為驗(yàn)證本算法的有效性,本文利用卡內(nèi)基梅隆大學(xué)的測試視頻序列對本文提出的車道線檢測算法進(jìn)行了仿真實(shí)驗(yàn)。測試序列中每幀的圖像大小都是240×256的RGB圖。不同環(huán)境下利用本文算法和線性拋物線模型[5,6]進(jìn)行車道標(biāo)志線檢測的實(shí)驗(yàn)結(jié)果如圖3所示,其中第一行是本文方法的檢測結(jié)果,第二行是線性拋物線模型的檢測結(jié)果。從實(shí)驗(yàn)結(jié)果可以看出,本文算法對直線和曲線道路,存在陰影,光照變化和車道線被部分遮擋時都能實(shí)現(xiàn)很好的檢測。文獻(xiàn)5,6在擬合圖3(b)、(c)、(d)中的彎曲道路時不夠光滑,主要是因?yàn)檫M(jìn)行線性模型和拋物線模型選擇的分界點(diǎn)不具有自適應(yīng)性。在圖3(c)、(d)道路存在陰影和車道線被部分遮擋的情況下,利用線性拋物線模型擬合時,出現(xiàn)了明顯的偏差,不能準(zhǔn)確地檢測出車道線。

圖3 本文方法與文獻(xiàn)5,6的實(shí)驗(yàn)結(jié)果比較

4 結(jié)束語

本文提出了一種新的基于線性雙曲線模型的車道線檢測算法,對經(jīng)二維FIR濾波后的圖像利用大津法實(shí)現(xiàn)車道的邊緣檢測,克服了直接采用大津法進(jìn)行圖像二值化或采用Canny等邊緣檢測算法在陰影、光照變化和車道線部分遮擋存在時,無法準(zhǔn)確實(shí)現(xiàn)邊緣檢測的缺點(diǎn)。通過Hough變換初步獲得車道的中心線及消失點(diǎn)的基礎(chǔ)上,準(zhǔn)確地提取車道的邊界點(diǎn),進(jìn)而采用最小二乘擬合獲得車道的線性雙曲線模型。實(shí)驗(yàn)中選取直路和彎曲道路,以及有陰影和車輛遮擋的道路進(jìn)行了測試,并與采用線性拋物線模型的方法進(jìn)行了比較,結(jié)果驗(yàn)證了本文算法可以在有陰影、輕微遮擋及光照變化等情況下準(zhǔn)確可靠地提取出道路的邊界。

[1] McCall JC,TrivediM M.Video-based lane estimation and tracking for d river assistance:survey,system,and evaluation[J].Intelligent Transportation Systems,2006,7(1):20-37.

[2] Assidiq A A M,Khalifa O O,Islam M R,et al.Real time lane detection for autonomous vehicles[C].Kuala Lumpur:2008 International Con ference on Computer and Communication Engineering,2008:82-88.

[3] 管欣,賈鑫,高振海.基于道路圖像對比度-區(qū)域均勻性圖分析的自適應(yīng)閾值算法[J].吉林大學(xué)學(xué)報,2008,38(4):758-763.

[4] Wang Y,Teoh E,Shen D.Lane detection and tracking using B-snake[J].Image and Vision Computing,2004,22(4):269-280.

[5] 郭磊,王建強(qiáng),李克強(qiáng).存在車輛干擾的車道線識別[J].汽車工程,2007,29(5):372-376.

[6] King H L.Lane Detection and Kalman-Based Linear-Parabolic Lane Tracking[C].Hangzhou Zhejiang:2009 International Conference on Intelligent Human-Machine Systems and Cybernetics,2009:351-354.

[7] 盧衛(wèi)娜,史忠科.基于單目視覺的車道和道路邊界同步檢測[J].傳感技術(shù)學(xué)報,2007,20(5):1 171-1 175.

[8] 劉富強(qiáng),張姍姍,朱文紅.一種基于視覺的車道線檢測與跟蹤算法[J].同濟(jì)大學(xué)學(xué)報,2010,38(2):223-229.

[9] Chen Q,Wang H.A Real-Time Lane Detection Algorithm Based on a Hyperbola-PairModel[C].Tokyo:2006 IEEE Intelligent Vehicles Symposium,2006:1-6.