基于雙向窗口特征提取技術(shù)的車道線檢測(cè)算法

范延軍，張為公

(1.東南大學(xué)儀器科學(xué)與工程學(xué)院，南京210096;2.中國(guó)計(jì)量學(xué)院計(jì)算機(jī)科學(xué)與技術(shù)系，杭州310018)

基于雙向窗口特征提取技術(shù)的車道線檢測(cè)算法

范延軍1，2，張為公1

(1.東南大學(xué)儀器科學(xué)與工程學(xué)院，南京210096;2.中國(guó)計(jì)量學(xué)院計(jì)算機(jī)科學(xué)與技術(shù)系，杭州310018)

為提高車道線檢測(cè)算法的準(zhǔn)確性與穩(wěn)定性，提出一種基于雙向窗口特征提取技術(shù)的車道線檢測(cè)算法。融合運(yùn)用Hough變換與邊緣分布函數(shù)技術(shù)得到車道線的直線特征點(diǎn);運(yùn)用雙向窗口特征提取技術(shù)獲得所有車道線特征點(diǎn)，包括直線部分與彎曲部分。獲得直線與雙曲線相結(jié)合的車道線模型:在近視場(chǎng)，應(yīng)用直線車道線模型能獲得較好的魯棒性;在遠(yuǎn)視場(chǎng)，使用雙曲線模型可有效檢測(cè)出車道線的彎曲部分。實(shí)驗(yàn)結(jié)果表明，相較于已有的車道線檢測(cè)算法，該方法可有效提高多種場(chǎng)景下車道線檢測(cè)的準(zhǔn)確性和穩(wěn)定性。

車道線檢測(cè);雙向窗口特征提取技術(shù);Hough變換;車道線模型

0 引 言

基于視覺的車道線檢測(cè)技術(shù)［1-5］已經(jīng)被廣泛應(yīng)用于眾多應(yīng)用領(lǐng)域，比如智能車輛［6-9］、先進(jìn)輔助駕駛系統(tǒng)(ADAS)［10-12］、和汽車主動(dòng)安全［13］等。在這些應(yīng)用場(chǎng)景中，穩(wěn)定的車道線檢測(cè)算法是一項(xiàng)關(guān)鍵步驟，關(guān)系到整個(gè)系統(tǒng)的優(yōu)劣。截至目前，世界范圍內(nèi)眾多的研究者已經(jīng)提出了許多基于視覺的車道線檢測(cè)算法。然而，由于實(shí)際應(yīng)用環(huán)境變化巨大，如陰影、車輛遮擋、車道線磨損、車輛自身運(yùn)動(dòng)、光照變化、雨雪等多種情況均會(huì)給檢測(cè)結(jié)果帶來意想不到的影響。所以，截至目前，基于視覺的車道線檢測(cè)技術(shù)仍然是世界范圍內(nèi)的一個(gè)研究熱點(diǎn)。

目前，基于視覺的車道線檢測(cè)方法主要分為兩類:基于模型的方法和基于特征的方法?；谀Ｐ偷姆椒ǎ?4-16］被廣泛用來解決車道線檢測(cè)問題。在這些方法中，直線、曲線或樣條曲線模型經(jīng)常被用來擬合道路邊界。通常，諸如直線之類的簡(jiǎn)單模型并不能很好地?cái)M合實(shí)際車道線，但它們能有效抑制圖像中噪聲的干擾。另一方面，復(fù)雜的車道線模型(曲線或樣條曲線)雖然能得到較精確的擬合結(jié)果，但它們對(duì)噪聲也異常敏感。在基于特征的方法［17，18］中，邊緣等圖像特征首先被提取出來，然后按照某種篩選規(guī)則選出特征點(diǎn)組成車道線標(biāo)記特征。基于特征的方法最大的優(yōu)勢(shì)在于它對(duì)車道線的形狀不敏感，并且具有較強(qiáng)的魯棒性。Lee等［19］提出了一種基于特征的車道線檢測(cè)方法，邊緣分布函數(shù)被用來確定車道線標(biāo)志的位置，實(shí)驗(yàn)結(jié)果表明，該方法具有很強(qiáng)的抗噪聲干擾能力。然而，由于基于Hough變換計(jì)算，所以在檢測(cè)曲線車道線時(shí)，邊緣分布函數(shù)(EDF:Edge Distribution Function)方法往往會(huì)失效。Jung等［20］提出了一種改進(jìn)的邊緣分布函數(shù)方法，應(yīng)用于車道線檢測(cè)與跟蹤。在車道線跟蹤階段，他們使用了直線與拋物線相結(jié)合的車道線模型，從而實(shí)現(xiàn)了對(duì)彎曲車道線的跟蹤。

在Lee等［19］或Jung等［20］的研究工作中，Hough變換用來檢測(cè)車道線邊緣。然而，對(duì)于彎曲車道線部分，如何提取特征點(diǎn)的問題至今仍未得到有效解決。如果能在車道線檢測(cè)階段盡早檢測(cè)出任何形狀(包含直線、曲線)車道線的特征點(diǎn)，則將為車道線跟蹤階段帶來更為精確的計(jì)算結(jié)果。筆者根據(jù)車道線的梯度分布特性，提出了一種新的車道線檢測(cè)算法，該檢測(cè)算法能同時(shí)提取出直線和曲線部分的車道線特征。在該算法中，每幀圖像都是獨(dú)立處理的，并未用到相鄰幀之間的時(shí)域相關(guān)性。其目標(biāo)是:不僅在沒有環(huán)境因素影響的理想條件下能否提取車道線特征點(diǎn)，而且在大量諸如陰影遮擋、光照條件變化、車道線磨損等噪聲影響條件下也要求能穩(wěn)定地檢測(cè)出車道線。

1 基于雙向窗口特征提取技術(shù)的車道線特征點(diǎn)提取算法

圖1 圖像坐標(biāo)系與近視場(chǎng)、遠(yuǎn)視場(chǎng)定義Fig.1 The coordinate system and the definition of the near and far fields

1.1 近視場(chǎng)與遠(yuǎn)視場(chǎng)

首先，圖像的坐標(biāo)系如圖1所示，接近攝像機(jī)的車道線往往呈現(xiàn)類似直線的形狀，而遠(yuǎn)離攝像機(jī)的車道線有可能包含類似曲線的形態(tài)。因此，為了處理這兩種不同情況，將圖像分割成近視場(chǎng)和遠(yuǎn)視場(chǎng)兩部分，如圖1所示。

1.2 邊緣分布函數(shù)

邊緣分布函數(shù)是依據(jù)梯度方向生成的邊緣梯度幅度的累積直方圖。圖像I(x，y)的梯度幅度和方向可表示為

則邊緣分布函數(shù)的定義如下

圖2 邊緣分布函數(shù)Fig.2 The edge distribution function

其中n(d)表示梯度方向角為 d的像素點(diǎn)的數(shù)量，▽I(x，y)表示(x，y)點(diǎn)處的梯度幅度值。為計(jì)算方便，設(shè)定梯度方向角 θ(x，y)的取值范圍為［0，180°］，并且量化為90個(gè)子間隔區(qū)間(每個(gè)區(qū)間覆蓋2°的范圍)。這樣，即可預(yù)先得到一簡(jiǎn)單的查找表(每個(gè)Gy/Gx值對(duì)應(yīng)相應(yīng)的角度)，用來查找 θ(x，y)的值，從而避免了式(2)的反正切計(jì)算。

圖2是對(duì)圖1邊緣分布函數(shù)的計(jì)算結(jié)果?？梢钥闯?，在EDF圖中存在一組局部極大值。這些局部極大值中的最大值所對(duì)應(yīng)的梯度角θ就是圖像中一條車道線的方向角，而另一條車道線的方向角可運(yùn)用對(duì)稱性獲得。如圖2所示，這些局部極值中的最大值(θ1=62°)對(duì)應(yīng)于圖1中的左車道線，與其對(duì)稱的局部極值(θ2=133°)對(duì)應(yīng)于圖1中的右車道線。

1．3 圖像預(yù)處理

首先，應(yīng)用Canny邊緣檢測(cè)算子得到灰度圖像的邊緣信息;然后，依據(jù)式(3)計(jì)算出圖像的邊緣分布函數(shù)，進(jìn)而運(yùn)用邊緣分布函數(shù)方法確定左、右兩條車道線的方向角。因此，具有不同梯度方向角的邊緣點(diǎn)將會(huì)被濾除(見圖3)。

圖3 圖像預(yù)處理結(jié)果Fig.3 The illustration of the image preprocessing

從圖3b中可以發(fā)現(xiàn)，使用車道線方向角濾除后的結(jié)果看起來似乎是近視場(chǎng)區(qū)域內(nèi)的車道線的直線部分。事實(shí)上，通過在這些點(diǎn)集上應(yīng)用Hough變換，確實(shí)可得到車道線的近似直線擬合模型。

1.4 Hough變換

圖4為左、右車道線參數(shù)之間的關(guān)系。利用Hough變換，可以獲得直線參數(shù)ρ，θ的候選值:如果邊緣點(diǎn)滿足直線方程ρ=x cosθ+y sinθ，則將候選值ρ，θ的計(jì)數(shù)加1。通常為簡(jiǎn)化計(jì)算，θ和ρ一般會(huì)作量化處理，就得到計(jì)數(shù)數(shù)組A(ρm，θn)。統(tǒng)計(jì)結(jié)束后，A(ρm，θn)中的極大值就可以確定一條直線，這條直線就是車道線的直線部分。

從圖4中可得出結(jié)論:Hough變換中的參數(shù)θ等于對(duì)應(yīng)車道線邊緣的梯度方向角。因此，只需尋找另一個(gè)參數(shù)ρ的極大值ρm即可。如果ρθ1是數(shù)組A(ρ，θ1)的極大值，則圖1左車道線在近視場(chǎng)中的直線部分可表示為

得到兩條車道線的直線擬合模型(見圖5)后，可以確定算法中一些參數(shù)的初始值，如起始掃描的圖像行、道路寬度(在圖像場(chǎng)中的)、道路的中心點(diǎn)和每條車道線的方向角。

圖4 左、右車道線直線參數(shù)之間的關(guān)系 Fig.4 The relationship between parameters

圖5 利用EDF方法進(jìn)行直線擬合后的結(jié)果Fig.5 The result of line fitting based on EDF the orientation of lane boundaries

在圖像場(chǎng)中，假設(shè)左車道直線模型的起始行是dl行，而右車道直線模型的起始行從dr行開始。

則尋找車道線的起始掃描的圖像行是d，車道寬度w以及車道的中心點(diǎn)v計(jì)算如下

進(jìn)而，每條車道線的方向角可以使用θ1和θ2作為初始值。

1．5 雙向窗口特征提取技術(shù)

筆者采用采用雙向窗口技術(shù)提取直線和曲線車道線的特征點(diǎn)。顯然，如果某條車道線是直線，則所有這條車道線上邊界點(diǎn)的梯度方向角的值將圍繞著某個(gè)常量波動(dòng)。圖1中左車道線邊界點(diǎn)的梯度分布曲線如圖6所示。從圖6中可以得到:1)在車道線的直線部分內(nèi)，梯度方向角的值一直圍繞著一個(gè)中軸線(即常量值，在圖中用虛線表示)在一定范圍內(nèi)上下波動(dòng);2)當(dāng)?shù)缆废蛴曳綇澢鷷r(shí)，梯度方向角的值逐漸變小，直到又在一個(gè)新的范圍內(nèi)上下波動(dòng)(因?yàn)橛肄D(zhuǎn)彎后，左車道線又呈類似直線狀)。依據(jù)車道線的梯度方向分布特征，提出一種基于雙向窗口技術(shù)的車道線特征提取算法，并將它應(yīng)用于車道線識(shí)別與跟蹤。

圖6 圖1中左車道邊界點(diǎn)的梯度方向特征分布圖Fig.6 The gradient orientation distribution of left lane edge points

基于雙向窗口技術(shù)的車道線特征提取方法描述如下。首先，選用水平方向上的滑動(dòng)窗口(HSW: Horizontal ScanningWindow)從下至上掃描每行圖像，確定每條車道線上的特征點(diǎn)。在滑動(dòng)窗口內(nèi)的所有邊緣點(diǎn)，只有梯度方向角與出現(xiàn)位置滿足特定條件的邊緣點(diǎn)才被提取作為車道線的特征點(diǎn)。同時(shí)，沿車道線方向另選一個(gè)滑動(dòng)窗口LBDSW(Lane-Boundary-Directional Sliding Window)，計(jì)算選出的特征點(diǎn)的梯度方向角的平均值，然后用這個(gè)平均值作為衡量下一行水平窗口內(nèi)邊緣點(diǎn)的梯度方向角是否是車道線特征點(diǎn)的基準(zhǔn)。

雙向窗口特征提取技術(shù)如圖7所示，算法描述如下。

1)對(duì)各個(gè)參數(shù)進(jìn)行初始化。對(duì)應(yīng)于左、右車道線的水平HSW的中心點(diǎn)為。左、右車道線的方向角分別用θL和θR表示，并且初始化為。

圖7 雙向窗口特征提取技術(shù)Fig.7 The illustration of bi-directional sliding window technique

2)取T為梯度方向角的差異閾值，取Wh為水平HSW的寬度。在實(shí)驗(yàn)中，取T=5，Wh=15。

3)分別在左、右車道線上使用筆者提出的車道線檢測(cè)算法。現(xiàn)以左車道線為例介紹該算法:從d行開始，在水平HSW中，從中心點(diǎn)CL向右側(cè)逐個(gè)掃描每個(gè)像素點(diǎn)，直到找到滿足條件的邊緣點(diǎn)P，則跳轉(zhuǎn)到步驟 6)。此處，θP是 P點(diǎn)的梯度方向角。

4)繼續(xù)從CL向左尋找滿足條件的邊緣點(diǎn)P，則跳轉(zhuǎn)到步驟6)。

5)設(shè)ΔL為下一行水平滑動(dòng)窗口中心點(diǎn)的增量值(ΔL的初始值取0)，則ΔL累積為，且下一行的水平滑動(dòng)窗口中心點(diǎn)，跳轉(zhuǎn)到步驟7)。

7)假定右車道線用同樣的算法處理后，得到下一行右車道線對(duì)應(yīng)水平滑動(dòng)窗口的中心點(diǎn)為，更新車道寬度 w和車道中心點(diǎn)，。

8)令d=d-1，跳轉(zhuǎn)到步驟3)，循環(huán)處理，直到w≤0或到達(dá)圖像的頂部。其中閾值T和水平滑動(dòng)窗口的寬度Wh需隨行數(shù)d的變化而自適應(yīng)調(diào)整。通常，Wh的值應(yīng)隨行數(shù)d的減小而逐步變小，而閾值T在近視場(chǎng)內(nèi)可保持不變，在遠(yuǎn)視場(chǎng)內(nèi)閾值T的值需要適當(dāng)增加，以適應(yīng)彎曲車道線的情況。

雙向窗口特征提取技術(shù)的算法流程圖如圖8所示(以左車道為例說明)。

圖8 雙向窗口特征提取技術(shù)的算法流程圖Fig.8 The flow diagram of bi-directional sliding window feature extraction

2 直線與雙曲線相結(jié)合的車道線模型

在第1節(jié)，使用雙向窗口特征提取技術(shù)獲得了車道線的特征點(diǎn)，只要選用合適的車道線模型，用車道線模型擬合這些特征點(diǎn)，計(jì)算出車道線模型中的待定參數(shù)，就可得到最終的車道線檢測(cè)結(jié)果。在本文中，車道線模型采用分段模型，在近視場(chǎng)區(qū)域選用直線模型對(duì)車道線特征點(diǎn)進(jìn)行擬合，而在遠(yuǎn)視場(chǎng)選用雙曲線模型對(duì)車道線特征點(diǎn)進(jìn)行擬合。在近視場(chǎng)，采用基于直線模型提取近視野車道線參數(shù)，同時(shí)采用基于雙曲線模型提取遠(yuǎn)視野車道線參數(shù)。

2．1 基于直線模型的近視場(chǎng)車道線參數(shù)的提取

近視場(chǎng)車道線可用直線模型表示。采用Hough變換檢測(cè)直線，其基本思想是利用點(diǎn)與直線的對(duì)偶性。Hough變換采用投票機(jī)制，即輸入空間中的每個(gè)點(diǎn)對(duì)對(duì)應(yīng)的輸出空間的某些參數(shù)組合進(jìn)行投票，獲得票數(shù)最多的參數(shù)組合勝出。

如圖9所示，圖像中屬于該直線上的任一點(diǎn)(x，y)，被映射成為參數(shù)空間(θ，ρ)內(nèi)的一條正弦曲線。而直線上的所有點(diǎn)，將通過同一(θ，ρ)點(diǎn)。通過檢測(cè)(θ，ρ)的累積分布求得具有最大值的(θ，ρ)點(diǎn)，進(jìn)而求得參數(shù)方程，得到該直線的參數(shù)描述。

對(duì)圖10中的車道線邊緣特征點(diǎn)圖像進(jìn)行Hough變換并提取票數(shù)最多的兩個(gè)參數(shù)，得到其左側(cè)車道線參數(shù)為θl=42，ρl=86，右側(cè)車道線參數(shù)為θr=-46，ρr=42。

圖9 Hough變換原理圖 Fig.9 The illustration of Hough transform

圖10 近視場(chǎng)直線參數(shù)Fig.10 The linear parameters in the near far fields

2．2 基于雙曲線模型的遠(yuǎn)視場(chǎng)車道線參數(shù)的提取

Kluge在文獻(xiàn)［21］中提出一種模型，認(rèn)為每條車道邊緣線在圖像中呈一條雙曲線。像平面中的車道邊緣線表示為

其中h為地平面消失線在像平面中的縱坐標(biāo)，k、b和vp為彎道參數(shù)。

由于該模型能較好的表征曲線車道線形狀且具有數(shù)學(xué)形式簡(jiǎn)單的特點(diǎn)，筆者采用該模型表示遠(yuǎn)視場(chǎng)的車道線。世界坐標(biāo)系下的車道線是平行的，因此像平面上代表遠(yuǎn)視場(chǎng)車道線的曲線是一個(gè)雙曲線對(duì)，且該雙曲線對(duì)之間具有一定的約束關(guān)系，通過文獻(xiàn)［21］可知，它們具有相同的k、h和vp。所以，遠(yuǎn)視野車道線可表示為

其中參數(shù)h控制車道消失點(diǎn)遠(yuǎn)近，vp控制車道線的水平位移，由bl和br共同控制車道的寬度變化及角度偏移，k控制道路的轉(zhuǎn)向。

因?yàn)檫h(yuǎn)視野區(qū)域的車道線是近視野區(qū)域車道線的延續(xù)，因此，利用近視場(chǎng)求得的直線模型參數(shù)可以很容易地確定雙曲模型中的參數(shù)b、h以及vp。由近視場(chǎng)中左右車道線直線參數(shù)容易求得其相交點(diǎn)

至此，對(duì)雙曲模型參數(shù)的求解就是簡(jiǎn)化為參數(shù)k的確定。從雙曲線對(duì)模型中可以看出:當(dāng)?shù)缆窞橹本€時(shí)，k為零;當(dāng)前方道路為左轉(zhuǎn)時(shí)，k為負(fù)值;當(dāng)前方道路為右轉(zhuǎn)時(shí)，k為正值。

通過觀察，發(fā)現(xiàn)當(dāng)?shù)缆酚休^大曲率時(shí)，參數(shù)k的值將達(dá)到103數(shù)量級(jí)，而在曲率較小時(shí)，k僅在10～102數(shù)量級(jí)。因此，筆者對(duì)k的值進(jìn)行非線性分隔，以加快搜索速度?；谝陨显瓌t，定義

搜索間隔α=1°。

因此，可知每個(gè)k值對(duì)應(yīng)一個(gè)雙曲線對(duì)。此處采用雙曲線上對(duì)應(yīng)邊緣點(diǎn)的個(gè)數(shù)作為評(píng)價(jià)指標(biāo)，落在曲線上的邊緣點(diǎn)越多，則認(rèn)為該k值所表征的雙曲線對(duì)和車道線越接近。

以圖11a為例，通過近視場(chǎng)車道線直線模型，得到 bl=0．899 7，br=-1．034 7，h=183，vp=322。依照式(10)對(duì)落在不同k值上的邊緣點(diǎn)進(jìn)行統(tǒng)計(jì)，得到邊緣點(diǎn)統(tǒng)計(jì)圖。

從圖12中可發(fā)現(xiàn)，當(dāng)α=-24°時(shí)，有最多的邊緣點(diǎn)落在曲線上，從而得到雙曲線模型

原始圖像和原始圖像上標(biāo)記出雙曲線模型曲線，如圖11所示，雙曲線模型統(tǒng)計(jì)圖如圖12所示。

圖11 遠(yuǎn)視場(chǎng)車道線雙曲線模型Fig.11 The hyperbolamodels in the far fields

3 實(shí)驗(yàn)結(jié)果與分析

筆者使用車道線檢測(cè)算法在眾多的車道線圖像上進(jìn)行了大量的實(shí)驗(yàn)，這些車道線圖像包括彎曲的車道線、虛線車道線、車道線被樹蔭或車輛遮擋等多種情況。實(shí)驗(yàn)結(jié)果證明，該車道線檢測(cè)算法擁有較為理想的檢測(cè)準(zhǔn)確性和穩(wěn)定性，在噪聲干擾、車道線突然彎曲等復(fù)雜情況下，仍能獲得準(zhǔn)確的檢測(cè)結(jié)果。為與已有算法進(jìn)行比較，選用了公用的車道線圖像庫(kù)，該圖像庫(kù)包括158幅256×240色的圖像(http://vasc.ri.cmu.edu//idb/htm l/road/may30_ 90/)。該算法存在6個(gè)錯(cuò)誤識(shí)別結(jié)果和4個(gè)檢測(cè)失敗結(jié)果，錯(cuò)誤檢測(cè)率3.8%，檢測(cè)失敗率2.53%，正確檢測(cè)率93.67%。而在文獻(xiàn)［16］中，應(yīng)用B樣條曲線的方法檢測(cè)車道線的正確檢測(cè)率為82%，錯(cuò)誤檢測(cè)率為13%，檢測(cè)失敗率為5%。在文獻(xiàn)［15］中，應(yīng)用改進(jìn)的EDF方法，獲得的正確檢測(cè)率為88%。

在圖13中，最左側(cè)一欄是原始圖像;中間靠左一欄是應(yīng)用EDF獲得的車道線直線模型結(jié)果，中間另一欄是應(yīng)用雙向窗口特征提取技術(shù)提取出的車道線特征點(diǎn)結(jié)果;而最右側(cè)一欄是運(yùn)用直線與雙曲線相結(jié)合的車道線模型對(duì)特征點(diǎn)擬合后的車道線檢測(cè)結(jié)果。圖13a展示了車道線向右彎曲的情況，并且車道線還受到陰影的干擾。盡管陰影產(chǎn)生的噪聲點(diǎn)有時(shí)也滿足車道線標(biāo)記的檢測(cè)條件，但是，筆者的算法依然能準(zhǔn)確地檢測(cè)出車道線以及彎曲部分。圖13b是車道線突然向左方大幅度彎曲的情況，這種情況在文獻(xiàn)［15］中根本無法得到左車道線的特征點(diǎn)，而筆者的算法依然能清晰地檢測(cè)出左、右車道線。圖13c的車道線被陰影干擾嚴(yán)重，從實(shí)驗(yàn)結(jié)果可以看到，盡管存在大量雜亂的點(diǎn)，但利用車道寬度限制，筆者算法仍然能得到穩(wěn)定的檢測(cè)結(jié)果。圖13d中的車道線形態(tài)包括實(shí)線和虛線，顯然，筆者提出的算法能有效地處理這兩種情形。圖13e中的車道線被行駛車輛遮擋，但筆者提出的算法依然能有效地檢測(cè)出車道線邊緣。

圖12 雙曲線模型統(tǒng)計(jì)圖Fig.12 The statistical diagram of the hyperbolamodels

圖13 實(shí)驗(yàn)結(jié)果Fig.13 Some of the experimental results

4 結(jié) 語

筆者提出了一種基于雙向窗口特征提取技術(shù)的車道線檢測(cè)算法。采用邊緣分布函數(shù)和Hough變換技術(shù)獲得車道線的直線特征點(diǎn);基于這些車道線直線特征點(diǎn)，應(yīng)用雙向窗口特征提取技術(shù)獲得出車道線的特征點(diǎn)，包括直線部分和曲線部分;在近視場(chǎng)區(qū)域內(nèi)，使用直線模型對(duì)近視野車道線特征點(diǎn)進(jìn)行擬合，同時(shí)采用基于雙曲線模型對(duì)遠(yuǎn)視野車道線特征點(diǎn)進(jìn)行擬合，獲得最終的車道線檢測(cè)結(jié)果。

實(shí)驗(yàn)結(jié)果表明，筆者提出的方法是一種魯棒的車道線檢測(cè)算法，能在各種復(fù)雜環(huán)境下穩(wěn)定的檢測(cè)出的車道線。今后，在運(yùn)用筆者提出的基于雙向窗口特征提取技術(shù)的車道線檢測(cè)算法的基礎(chǔ)上，將進(jìn)一步重點(diǎn)研究車道線跟蹤技術(shù)、車道偏離預(yù)警策略和前車檢測(cè)技術(shù)在汽車安全輔助駕駛方面的應(yīng)用。

［1］YENIKAYA S，YENIKAYA G，DUVEN E.Keeping the Vehicle on the Road-A Survey on On-Road Lane Detection Systems［J］.ACM Computing Surveys，2013，46(1):43.

［2］YOU F，ZHANG R H，ZHONG L S，et al.Lane Detection Algorithm for Night-Time Digital Image Based on Distribution Feature of Boundary Pixels［J］.JOpt Soc Korea，2013，17(2):188-199.

［3］BAR HILLEL A，LERNER R，LEVID，et al.Recent Progress in Road and Lane Detection:A Survey［J］.Machine Visionand Applications，2014，25(3):727-745.

［4］FERNANDO S，UDAWATTA L，HORAN B，et al.Real-Time Lane Detection on Suburban Streets Using Visual Cue Integration Regular Paper［J］.Int JAdv Robot Syst，2014，11:20.

［5］WU PC，CHANGCY，LIN CH.Lane-Mark Extraction for Automobiles under Complex Conditions［J］.Pattern Recognition，2014，47(8):2756-2767.

［6］BERTOZZIM，BROGGIA.GOLD:A Parallel Real-Time Stereo Vision System for Generic Obstacle and Lane Detection［J］. IEEE Transactions on Image Processing，1998，7(1):62-81.

［7］HOFMANN U，RIEDER A，DICKMANNS E D.EMS-Vision:Application to Hybrid Adaptive Cruise Control［C］∥Proceedings of the IEEE Intelligent Vehicles Symposium 2000.［S.l.］:IEEE，2000:468-473.

［8］BERTOZZIM，BROGGIA，CELLARIO M，et al.Artificial Vision in Road Vehicles［J］.Proceedings of the IEEE，2002，90(7):1258-1271.

［9］韻卓，陳龍冬，劉富.基于飛思卡爾單片機(jī)的智能電動(dòng)小車設(shè)計(jì)［J］.吉林大學(xué)學(xué)報(bào):信息科學(xué)版，2013，31(3): 272-278. YUN Zhuo，CHEN Longdong，LIU Fu.Design of Intelligent Electric Vehicle Based on Freescale Microcontroller［J］.Journal of Jilin University:Information Science Edition，2013，31(3):272-278.

［10］ENKELMANNW.Video-Based Driver Assistance-from Basic Functions to Applications［J］.International Journal of Computer Vision，2001，45(3):201-221.

［11］BIFULCO G N，PARIOTA L，BRACKSTIONE M，et al.Driving Behaviour Models Enabling the Simulation of Advanced Driving Assistance Systems:Revisiting the Action Point Paradigm［J］.Transp Res Pt C-Emerg Technol，2013，36:352-366.

［12］DAZA IG，BERGASA L M，BRONTE S，et al.Fusion of Optimized Indicators from Advanced Driver Assistance Systems (ADAS)for Driver Drowsiness Detection［J］.Sensors，2014，14(1):1106-1131.

［13］裴曉飛，齊志權(quán)，王保鋒，等.汽車前向主動(dòng)報(bào)警/避撞策略［J］.吉林大學(xué)學(xué)報(bào):工學(xué)版，2014，44(3):599-604. PEIXiaofei，QIZhiquan，WANG Baofeng，et al.Vehicle Frontal Collision Warning/Avoidance Strategy［J］.Journal of Jilin University:Engineering and Technology Edition，2014，44(3):599-604.

［14］WANG Y，SHEN D G，TEOH E K.Lane Detection Using Spline Model［J］.Pattern Recognition Letters，2000，21(8): 677-689.

［15］TRUONG Q B，LEE B R，HEO N G，et al.Lane Boundaries Detection Algorithm Using Vector Lane Concept［C］∥2008 10th International Conference on Control Automation Robotics＆Vision.Hannoi，Vietnam:IEEE，2008:2319-2325.

［16］XU H R，WANG X D，HUANG HW，et al.A Fastand Stable Lane Detection Method Based on B-Spline Curve［C］∥2009 IEEE 10th International Conference on Computer-Aided Industrial Design＆ Conceptual Design.［S.l.］:IEEE，2009:1036-1040.

［17］BERTOZZIM，BROGGIA IEEE.Real-Time Lane and Obstacle Detection on the Gold System［M］.New York:IEEE，1996.

［18］LEE JW，YIU K，BAEK K R.A Cumulative Distribution Function of Edge Direction for Road-Lane Detection［J］.IEICE Trans Inf Syst，2001，E84D(9):1206-1216.

［19］LEE JW，KEE C D，YIU K.A New Approach for Lane Departure Identification［C］∥IEEE Iv2003:Intelligent Vehicles Symposium，Proceedings.［S.l.］:IEEE，2003:100-105.

［20］JUNG C R，KELBER C R.A Lane Departure Warning System Based on a Linear-Parabolic Lane Model［C］∥2004 IEEE Intelligent Vehicles Symposium.［S.l.］:IEEE，2004:891-896.

［21］KLUGE K.Extracting Road Curvature and Orientation from Image Edge Points without Perceptual Grouping into Feature［C］∥Proceedings of the Intelligent Vehicles'94 Symposium.Paris，F(xiàn)rance:［s.n.］，1994:109-114.

(責(zé)任編輯:張潔)

Lane Detection Algorithm Based on Bi-Directional Sliding Window Feature Extraction Technology

FAN Yanjun1，2，ZHANGWeigong1

(1.School of Instrument Science and Engineering，Southeast University，Nanjing 210096，China; 2.Department of Computer Science and Technology，China Jiliang University，Hangzhou 310018，China)

In order to enhance the accuracy and stability of lane detection，a lane detection algorithm based on bi-directional sliding window technology is proposed.Firstly，a combination of EDF(Edge Distribution Function) and Hough transform is used to obtain the linear models of lane boundaries.Secondly，bi-directional sliding window feature extraction technique is applied to detect real lanemarkings.Finally，a linear-hyperbolic lanemodel is used:in the near vision field，a linearmodel is used to obtain robust information about lane orientation;in the far vision field，a hyperbolic function is used，the curved parts of the road can be efficiently detected. Experimental results indicate that the proposed method can enhance the adaptability to deal with the random and dynamic environment of road scenes，such as curved lane markings，sparse shadows，object occlusions and bad conditions of road painting.

lane detection;bi-directional sliding window feature extraction;hough transform;lanemodel

TP391.41

A

1671-5896(2015)04-0485-09

2014-10-22

范延軍(1977— )，男，河南洛陽人，中國(guó)計(jì)量學(xué)院講師，東南大學(xué)博士研究生，主要從事機(jī)器視覺、汽車輔助駕駛技術(shù)、汽車主動(dòng)安全技術(shù)、計(jì)算機(jī)圖像處理研究，(Tel)86-13989811495(E-mail)fanfyi@seu.edu.cn;張為公(1959— )，男，杭州人，東南大學(xué)教授，博士生導(dǎo)師，主要從事無人駕駛車輛技術(shù)、新型傳感器技術(shù)、汽車試驗(yàn)用機(jī)器人技術(shù)研究，(Tel) 86-13809031886(E-mail)zhangwg@seu.edu.cn。