基于車輛跟蹤線的車道檢測算法

摘 要：針對夜晚環(huán)境和車道標(biāo)線不明確的情況，本文提出了全新的車道檢測算法，利用道路上的車輛運行軌跡的有效統(tǒng)計來得到路面結(jié)果。實驗結(jié)果顯示此方法消減了環(huán)境因素的影響，并在現(xiàn)場檢測中效果明顯，適用于實時視頻監(jiān)控系統(tǒng)。

關(guān)鍵詞：跟蹤線；車道檢測；視頻監(jiān)控系統(tǒng)

中圖分類號：TP391.41

近年來，智能交通檢測系統(tǒng)在高速公路和城市交通中得到了廣泛的應(yīng)用。隨著技術(shù)的進(jìn)步，人工配置車道逐漸被自動檢測車道區(qū)域所代替，各種道路車道檢測方法出現(xiàn)。常用的車道檢測方法可分為兩類，基于特征和基于模板的方法。前者[1-2]主要是提取圖像中的特征，利用圖像的邊緣信息來檢測車道，這種方法要求車道上沒有車輛且車道標(biāo)線清晰，在夜晚不能進(jìn)行檢測；而后者[3-4]通過車道的模型匹配，該方法對架構(gòu)明確的車道檢測效果良好，但是對于特殊的車道不能檢測。

本文提出的方法是利用道路上的過車信息，大部分車輛都會按照車道線來行駛，利用這個特性提出跟蹤線來決定車道線的具體位置，更具準(zhǔn)確性、適用性。首先介紹了車道檢測算法的原理，然后利用多組高速公路的實際畫面來得到過車的跟蹤線數(shù)據(jù)，經(jīng)過統(tǒng)計和計算分別得到車道中心線和車道寬度信息，初始得到車道信息。最后采用車道線的更新策略，保證車道線隨著時間的推移會更加準(zhǔn)確。

1 路面車道檢測算法原理

對視頻中的車輛分兩個方向記錄每輛車的過車詳細(xì)路徑，將每一幀車輛的位置坐標(biāo)，對這些數(shù)據(jù)進(jìn)行統(tǒng)計，利用點坐標(biāo)的前后關(guān)系以及每個點的過車頻率來推測出車道的中心線。最后利用最小二乘法來進(jìn)行擬合，利用過車的車體寬度來推斷出車道的每個位置的寬度，優(yōu)化后得到最恰當(dāng)?shù)能嚨绤^(qū)域。

1.1 跟蹤線數(shù)據(jù)提取和統(tǒng)計

在視頻檢測中對于經(jīng)過的有效跟蹤線進(jìn)行保存，統(tǒng)計的數(shù)據(jù)包括三部分：第一部分是跟蹤線上每個點的像素坐標(biāo)S（u，v），第二部分是每個跟蹤點的關(guān)系點X（u，v），第三部分是每個點上的車體的寬度用來估算車道的寬度W（u，v）。

1.2 車道中心線計算

根據(jù)1.1的統(tǒng)計結(jié)果，由于大部分車輛會根據(jù)車道行駛，第一步計算車道線高概率點，利用車道線之間的間隔來計算出道路上的車道數(shù)。最為關(guān)鍵的部分，是車道中心線的計算算法，由于圖像頂部的車道可能會出現(xiàn)交點，不能準(zhǔn)確的區(qū)分，車道計算的起點從圖像底部的高概率點作為起點。利用關(guān)系點和概率點推斷上一個點，以此類推，得到整個中心線，可能呈現(xiàn)直線也可能會是一條曲線，利用最小二乘法進(jìn)行擬合。根據(jù)公式（1）和（2）來反推得到中心線。

方向向上 （1）

方向向下 （2）

1.3 車道線寬度計算

在初始獲得中心線的位置之后，利用過車車輛的寬度對整個車道進(jìn)行標(biāo)定，這個標(biāo)定只是簡單的計算，大致確定車道寬度。在如果分點來確定寬度可能會由于跟蹤存在偏差，圖像底部車體太大導(dǎo)致車體寬度是整個畫面的寬度。分析以上因素，在寬度的統(tǒng)計上也利用最小二乘法擬合，這樣就舍棄了車輛運動過程中寬度不準(zhǔn)確的幾個點。另一個修正的要點是兩個車道不會存在交疊，當(dāng)檢測到兩個或兩個以上的車道時，就可以利用兩個中心線之間的距離對車道寬度進(jìn)行限制，得到更加準(zhǔn)確的結(jié)果。

2 路面車道區(qū)域更新

以上內(nèi)容介紹的是初始得到的車道區(qū)域，如果一個車道沒有車輛經(jīng)過，這個車道就會漏檢，但是加入車道更新算法之后整個畫面的車道區(qū)域在后續(xù)的檢測中就會出現(xiàn)。在后續(xù)的更新中，中心線的位置可以利用均值進(jìn)行更新，而寬度同樣可以采用1.3中的方法限制，這樣就可以保證車道區(qū)域的檢測更加準(zhǔn)確。每次計算的結(jié)果分為更新線、相交線和完全新出現(xiàn)的車道線三種。出現(xiàn)第一種更新線的時候利用均值的方法進(jìn)行更新，而完全新出現(xiàn)的車道加入到原來的車道信息中，相交線的出現(xiàn)是不合理的，如果是高速公路上不會出現(xiàn)相交的情況，如果連續(xù)出現(xiàn)，那么可能是場景移動也可能是初始的車道線學(xué)習(xí)不準(zhǔn)確，那么從這就可以判斷出車道更新可能出錯?？梢郧宄褜W(xué)習(xí)的車道重新開始學(xué)習(xí)。

3 實驗結(jié)果

實驗中采用了三個高速公路實際的畫面，分別統(tǒng)計20條、50條、100條跟蹤線的數(shù)據(jù)，計算得到中心線，結(jié)果表明條數(shù)的增加并沒有提高準(zhǔn)確率，所以在后面都采用20條的數(shù)據(jù)來計算和更新。如圖1、2和3所示，是初始得到車道中心線和車道寬度的結(jié)果。在圖1中最右邊的車道是應(yīng)急車道，所以一般沒有車輛經(jīng)過，在圖2中最左邊的車道在經(jīng)過更新之后會準(zhǔn)確的檢測到。

圖1

圖2

圖3

4 結(jié)束語

車道檢測算法一般用于視頻檢測系統(tǒng)當(dāng)中，利用車輛來檢測車道方法的優(yōu)勢在于車道標(biāo)線不清晰、被遮擋都沒有關(guān)系，夜晚的環(huán)境也沒有影響，這種方法在不常變道的高速路等場景中還是非常有效的。但是還是存在一些重要的影響因子，例如車輛跟蹤的準(zhǔn)確性，只有保證準(zhǔn)確的跟蹤線才能計算得到準(zhǔn)確的中心線，同樣要保證大部分車輛是按照車道來行駛的。

參考文獻(xiàn)：

[1]Yu H. SVMC： Single-class classification with support vector machines[C].Proc of IJCAI，2003.

[2]馬瑩，李克強(qiáng)，徐友春等.基于改進(jìn)的投影變換公式的車道識別方法[J].清華大學(xué)學(xué)報（自然科學(xué)版），2005，45（11）：1530-1533.

[3]Claudio Rosito Jung，Christian Roberto Kelber.A lane departurewarning system based on a linear-parabolic lane model[C].IEEE Intelligent Vehicles Symposium，2004：891-895.

[4]Claudio Rosito Jung，Christian Roberto Kelber.A lane departure warning system using lateral offset with uncalibrated camera[C].IEEE Conference on Intelligent Transportation Systems，2005：348-353.

作者簡介：朱成榮（1976.06-），男，現(xiàn)任城市交通事業(yè)部副總經(jīng)理，1998年畢業(yè)于重慶大學(xué)工業(yè)自動化專業(yè)，獲工學(xué)學(xué)士學(xué)位，2007年6畢業(yè)于浙江工業(yè)大學(xué)，獲物流工程碩士專業(yè)學(xué)位，2006年10月獲中級工程師職稱，曾在《自動化博覽》上發(fā)表“城市路網(wǎng)和快速公路交通流的分散協(xié)調(diào)控制”一文。

作者單位：浙江浙大中控信息技術(shù)有限公司，杭州 310053