基于線性拋物線模型的車道檢測(cè)與跟蹤方法

洪 敏，周鳴爭(zhēng)，梁祥君，修 宇 （安徽工程大學(xué)計(jì)算機(jī)與信息學(xué)院，安徽蕪湖241000）

目前，車道標(biāo)識(shí)線的檢測(cè)方法基本上可以分2大類［1］：基于特征的方法和基于模型的方法?；谔卣鞯姆椒ㄖ饕抢玫缆仿访嫔系囊恍┨卣?，如顏色特征、紋理特征、灰度梯度等，從所獲取的圖像中提取出這些道路信息，實(shí)現(xiàn)道路的區(qū)域分割，這種方法的主要特點(diǎn)是算法比較簡(jiǎn)單，實(shí)時(shí)性好，但對(duì)環(huán)境因素不敏感；基于模型的方法主要是利用二維道路圖像模型進(jìn)行道路識(shí)別的方法；這種方法具有較高的魯棒性，但處理的計(jì)算量比較大，實(shí)時(shí)性較差。

由于現(xiàn)實(shí)中的道路多種多樣，道路路面容易受到外部影響，如噪聲、光照、陰雨天氣以及道路標(biāo)識(shí)線缺失等復(fù)雜情況，常用的算法大多數(shù)是基于模型的方法：文獻(xiàn) ［2］采用車道變換模型 （該模型已廣泛用于車道檢測(cè)和跟蹤），這種方法依賴于數(shù)學(xué)模型來(lái)擬合道路邊界，在一般情況下，簡(jiǎn)單的模型 （如直線）不提供精確匹配，復(fù)雜的模型 （如拋物線和曲線）更加靈活；文獻(xiàn) ［3］采用B樣條曲線模型，并采用最大偏向定位方法，但當(dāng)?shù)缆仿访娌皇撬綍r(shí)，算法就會(huì)出現(xiàn)較大偏差；文獻(xiàn) ［4］提出了一個(gè)線性拋物模型可以遵循的車道線，他們用固定寬度的跟蹤來(lái)偵測(cè)可能的邊緣；文獻(xiàn) ［5］特定興趣區(qū)域假設(shè)。僅對(duì)圖像中特定區(qū)域進(jìn)行處理，從而縮短處理時(shí)間，降低算法的復(fù)雜度以及誤判率；文獻(xiàn) ［6］在跟蹤方面采用了粒子濾波方法，粒子濾波可以用多種特征加權(quán)度量，但粒子濾波的誤差方差陣是手工加入的，太大太小都會(huì)影響濾波器性能。因此，筆者提出一種基于線性拋物線模型的車道檢測(cè)與跟蹤，并用卡爾曼濾波方法對(duì)模型參數(shù)進(jìn)行更新，仿真結(jié)果表明所提出的方法性能良好。

1 車道檢測(cè)

1．1 攝像機(jī)的定標(biāo)

通過(guò)攝像機(jī)獲取汽車前方一定范圍內(nèi)的圖像數(shù)據(jù)。其裝設(shè)位置位于車輛前擋風(fēng)玻璃與車內(nèi)后視鏡之間，由于車道檢測(cè)必須在影像坐標(biāo)上進(jìn)行，車道線的影像處理結(jié)果由二維圖像經(jīng)透視法［7］轉(zhuǎn)換，還原到物體的三維空間坐標(biāo)，以獲得車道的真實(shí)空間的位置，如圖1所示。因此，將影像平面的物體轉(zhuǎn)化為式 （1）、（2）、（3）之實(shí)際物體的世界坐標(biāo)值，然后將轉(zhuǎn)換式帶入道路模型中。其中，X、Y、Z是世界坐標(biāo)系；X′、Y′、Z′是攝像機(jī)坐標(biāo)；u、v是圖像坐標(biāo)；H是攝像機(jī)距地面的高度；mθ攝像機(jī)傾斜斜率。

圖1 攝像機(jī)投影模型

1．2 車道線檢測(cè)感興趣區(qū)域的確定

筆者采用在道路前方設(shè)置水平搜索帶和左右探測(cè)區(qū)域的方法限制車道線檢測(cè)區(qū)域，實(shí)現(xiàn)車道線檢測(cè)算法。算法的基本思路是：以前一幀識(shí)別結(jié)果為中心，左右一定寬度范圍為探測(cè)區(qū)域。在世界坐標(biāo)系下，設(shè)置等間隔水平線，以水平線上下一定寬度范圍的區(qū)域?yàn)樗剿阉鲙?。水平搜索帶與探測(cè)區(qū)域相交的區(qū)域?yàn)檐嚨谰€檢測(cè)感興趣區(qū)域 （ROI），然后算法將在ROI內(nèi)搜索車道線上點(diǎn)。探測(cè)區(qū)域、水平搜索帶和ROI設(shè)置原理如圖2所示。

探測(cè)區(qū)域是以前一楨的識(shí)別結(jié)果為中心，左右一定寬度范圍的區(qū)域。左車道對(duì)應(yīng)有左探測(cè)區(qū)域，右車道對(duì)應(yīng)有右探測(cè)區(qū)域，探測(cè)區(qū)域表示了當(dāng)前車道線可能出現(xiàn)的位置。在確定探測(cè)區(qū)域的寬度時(shí)，以車道標(biāo)志線的寬度為基準(zhǔn)設(shè)置，具體方法是：

圖2 感興趣區(qū)域 （ROI）的設(shè)置

式中，mi表示ROI在第i條掃描線上的寬度；Mi是圖像坐標(biāo)系下第i條掃描線上車道標(biāo)志線的寬度；α是一個(gè)設(shè)定的常數(shù)，它表示了ROI寬度與標(biāo)志線寬度之間的關(guān)系。

1．3 道路邊緣檢測(cè)

道路邊緣檢測(cè)從某種意義上說(shuō)實(shí)質(zhì)是邊緣像素的提取，常用的邊緣檢測(cè)算子有Sobel、Canny、Laplace、Prewitt、Roberts等。其中，Prewitt、Roberts和Sobel是基于一階導(dǎo)數(shù)的邊緣算子；Laplace是基于二階導(dǎo)數(shù)的邊緣算子；Canny是另外一類邊緣算子。Roberts、Canny、Laplace算子對(duì)噪聲敏感，Sobel受噪聲影響較小，對(duì)噪聲具有平滑作用，Sobel算子可以增大道路邊界與道路其他部分的灰度值差異。綜合考慮算子的性能與實(shí)時(shí)性，筆者提出的算法采用Sobel算子進(jìn)行邊緣提取。道路圖像經(jīng)過(guò)Sobel算子處理后，得到道路邊緣，由于現(xiàn)實(shí)環(huán)境中道路標(biāo)識(shí)線往往受到樹蔭、水跡、光照等影響，使得圖像中還可能存在很多雜點(diǎn)。為此，筆者引入多區(qū)域雙閾值算法［7］來(lái)解決這個(gè)問(wèn)題。算法采用的方法是將原圖像灰度閾值和Sobel算子處理后圖像相結(jié)合進(jìn)行處理，凡是邊緣強(qiáng)度大于高閾值的一定是邊緣點(diǎn)，凡是邊緣強(qiáng)度小于低閾值的一定不是邊緣點(diǎn)。如果邊緣強(qiáng)度在兩者之間，則要看這個(gè)像素的臨接像素中有沒有超過(guò)高閾值的邊緣點(diǎn)，如果有，就是邊緣點(diǎn)；如果沒有，就不是邊緣點(diǎn)。分割的標(biāo)準(zhǔn)如下：

式中，pixelorigin是原圖像的像素值；pixelsobel是原圖像經(jīng)過(guò)Sobel算子處理后的像素值；thresholdorigin是對(duì)原圖像中車體前方特定區(qū)域進(jìn)行采樣后得到的閾值；thresholdsobel為常數(shù)，通常為254。算法對(duì)圖像進(jìn)行閾值處理。圖3（a）為原圖像，圖3（b）為Sobel算子邊緣圖像，圖3（c）為使用雙閾值算法之后的邊緣圖像，顯然降低了噪聲。

1．4 道路標(biāo)識(shí)線提取

目前，Hough變換和最小二乘法是常用的道路標(biāo)識(shí)線提取的方法：Hough變換的特點(diǎn)是精度高，提取準(zhǔn)確，但它的實(shí)時(shí)性比較差；最小二乘法的特點(diǎn)是速度快，但當(dāng)外界干擾較大時(shí)，它的精度就會(huì)降低。綜合考慮，筆者采用Hough變換提取車道線。

圖3 邊緣提取效果圖

Hough變換經(jīng)常用來(lái)在圖像中尋找直線。假設(shè)有一條與原點(diǎn)距離為λ，方向角為θ的一條直線，如圖4所示。則直線上的每一點(diǎn)都滿足以下方程：

圖3（a）經(jīng)過(guò)Hough變換得到如圖5所示。

圖4 直線的極坐標(biāo)表示

圖5 Hough變換

2 車道線跟蹤

2．1 車道模型

圖6 車道圖像劃分

車道模型的估計(jì)在跟蹤過(guò)程中起很重要的作用。道路模型在車道線檢測(cè)過(guò)程中具有重要作用。直線模型比較簡(jiǎn)單，它的計(jì)算量小，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［7］，但易受噪聲和其他干擾因素的影響。在此，采用線性拋物跟蹤模型構(gòu)造左右跟蹤線方法。正如在圖6所示，將車道圖像分為近景和遠(yuǎn)景2段，ym是它們之間的邊界。

車道模型：

車道線通常均是以線段對(duì)線段連接方式，出現(xiàn)于特定范圍，進(jìn)而形成車道邊界，因此，f（y）在點(diǎn)ym連續(xù)并可微［10］，利用連續(xù)性和可微得：

將式（8）帶入式（7）中，可將車道模型改寫為：

式中，（xni，yni）表示近景中邊緣圖像的非零像素點(diǎn)，i的取值是1到m；（xfj，yfj）表示遠(yuǎn)景中像素點(diǎn)的坐標(biāo)，j的取值是從1到n。

式（9）可以改寫成矩陣形式：

J=HA

J是估計(jì)車道邊緣的輸出，H是已知的變量，A是未知的狀態(tài)參數(shù)x是希望輸出的像素：

式中，下標(biāo)L和R表示左和右車道邊界參數(shù)。

2．2 Kalman濾波

目前，車道跟蹤算法有很多種，常用的算法有卡爾曼濾波、粒子濾波和Meam Shift算法。Kalman濾波方法可以用來(lái)更新未知的狀態(tài)參數(shù)為左右邊緣參數(shù)，通過(guò)大量的文獻(xiàn)比較，筆者將采用道路模型與Kalman濾波算法相結(jié)合的方法來(lái)更新參數(shù)，實(shí)現(xiàn)對(duì)車道線實(shí)時(shí)、準(zhǔn)確的跟蹤。

線性狀態(tài)方程和測(cè)量方程的定義如下：

式中，Ak包含車道模型參數(shù)；矩陣Fk表示狀態(tài)由k時(shí)間點(diǎn)到k＋1時(shí)間點(diǎn)的狀態(tài)轉(zhuǎn)移矩陣；Hk稱為觀測(cè)矩陣；zk是測(cè)量得到的數(shù)據(jù)；wk是均值為零的高斯噪聲；vk是另一個(gè)均值為零的高斯噪聲。

3 試驗(yàn)結(jié)果

視頻路段是安徽工程大學(xué)附近，分別對(duì)不同環(huán)境 （直道，彎道，有標(biāo)示路段）進(jìn)行試驗(yàn)。由下圖可知，算法能成功地提取車道邊界。

圖7中圖像為直線道路，邊緣圖像很容易分辨得出道路邊界，算法能很好地?cái)M合并跟蹤出了道路邊界；圖8中道路為彎道，由于通過(guò)路面是上面是高架橋，光照有亮變暗，致使前方道路很難分辨出道路邊界，但算法還是有效擬合并跟蹤出了道路邊界；圖9中道路有多條標(biāo)識(shí)線，算法還是能很好提取道路標(biāo)識(shí)線，擬合道路邊界，完成道路跟蹤。

圖7 直線道路

圖8 有彎道的道路圖像

圖9 有多條標(biāo)識(shí)線的道路圖像

4 結(jié) 語(yǔ)

筆者提出了基于線性拋物線模型的車道檢測(cè)與跟蹤方法。與傳統(tǒng)模型模型相比，該方法提高抗噪聲能力，對(duì)直線和彎曲道路都具有良好的檢測(cè)效果，且誤判率低，實(shí)時(shí)性好，準(zhǔn)確性高，為工程硬件實(shí)現(xiàn)打下基礎(chǔ)。下一步工作是將算法移植到DSP硬件上，做進(jìn)一步硬件測(cè)試。

［1］余天洪，王榮本，顧柏園園，等 ．基于機(jī)器視覺的智能車輛前方道路邊界及車道標(biāo)識(shí)識(shí)別方法綜述 ［J］．公路交通科技，2006，23 （1）：140-142．

［2］Enkelmann W，Struck G，Geisler J，ROMA．A system for model based analysis of road markings ［C］．Proceedings of IEEE Intelligent Vehicles Symposium，Detroit，USA，2005：356-360．

［3］Huarong Xu，Xiaodong Wang，Hongwu Huang，et al．A fast and stable lane detection method based on B-spline curve ［J］．IEEE，2009：1036-1040．

［4］Jung C R，Kelber C R．Lane following and lane departure using a linear-parabolic model ［J］．Image and Vision Computing，2005 （23）：1192-1202．

［5］畢雁冰，管欣，詹軍 ．車道識(shí)別過(guò)程中搜索車道線的方法 ［J］．汽車工程，2006，28（5）：439-442．

［6］Chunzhao Guo，Seiichi Mita，David McAllester．Lane Detection and Tracking in Challenging Environments based on a Weighted Graph and Integrated Cues ［C］．Proc of the 2010IEEE on Intelligent Robots and Systems．Taipei，2010：5543-5550．

［7］邱茂林，馬頌德，李毅 ．計(jì)算機(jī)視覺中攝像機(jī)定標(biāo)綜述 ［J］．自動(dòng)化學(xué)報(bào)，2000，26（1）：43-54．

［8］Wang Y，Dahnoun N，Achim A．A novel system for robust lane detection and tracking ［J］．Singnal Process，2012 （92）：319-334．

［9］Abdulhakam A M，Assidiq，Othman O，et al．Real time lane detection for autonomous vehicles ［C］．Proc of the International Conference on Computer and Communication Engineering 2008．Kuala Lumpur，2008：82-88．

［10］Chen Q，Wang H．A real time lane detection algorithm based on hyperbola pair model［C］．Tokyo：2006IEEE Intelligent Vehicles Symposium，2006：1-6．