基于均值漂移的車(chē)道線(xiàn)檢測(cè)模型

韓高格　方周　夏盼　葛東東

摘 要：無(wú)人駕駛、輔助駕駛是目前人工智能領(lǐng)域最火熱的前沿研究方向之一，它具有巨大的商業(yè)價(jià)值和發(fā)展前景.道路車(chē)道線(xiàn)檢測(cè)是無(wú)人駕駛系統(tǒng)中幾個(gè)重要核心技術(shù)之一，它可以為無(wú)人駕駛系統(tǒng)提供行駛決策規(guī)劃、外部感知.本文提出了一種基于均值漂移的道路車(chē)道線(xiàn)檢測(cè)算法，首先對(duì)道路圖像的車(chē)道線(xiàn)區(qū)域進(jìn)行感興趣區(qū)域（ROI）選取，再進(jìn)行下采樣處理和逆透視變換.再進(jìn)一步采用基于均值漂移算法對(duì)道路圖像進(jìn)行圖像分割，對(duì)分割所得的車(chē)道線(xiàn)進(jìn)行非線(xiàn)性回歸方法擬合車(chē)道線(xiàn).實(shí)驗(yàn)表明，該方法可以有效檢測(cè)出道路車(chē)道線(xiàn)，可以適應(yīng)復(fù)雜道路場(chǎng)景中的陰影、遮擋、模糊、彎曲道路等情況中的車(chē)道線(xiàn)檢測(cè)，并且具有魯棒性好、精確度高的特點(diǎn).

關(guān)鍵詞：車(chē)道線(xiàn)檢測(cè);無(wú)人駕駛;均值漂移算法;圖像分割

中圖分類(lèi)號(hào)：TP391? 文獻(xiàn)標(biāo)識(shí)碼：A? 文章編號(hào)：1673-260X（2019）11-0051-03

1 引言

近年來(lái)，無(wú)人駕駛技術(shù)日趨火熱，隨著社會(huì)經(jīng)濟(jì)發(fā)展、城市交通的不斷完善、汽車(chē)數(shù)量的增多、高新技術(shù)的發(fā)展，人們對(duì)生活質(zhì)量有著更高的要求、汽車(chē)行駛安全也成為人們關(guān)心的話(huà)題.無(wú)人駕駛技術(shù)也應(yīng)運(yùn)而生，它可以利用計(jì)算機(jī)技術(shù)幫助人們實(shí)現(xiàn)汽車(chē)的自動(dòng)行駛，使人們的生活變得更加智能和便捷、社會(huì)的運(yùn)作更加高效，由于無(wú)人駕駛的高度安全性，也將會(huì)大大減少交通事故的發(fā)生.

無(wú)人駕駛系統(tǒng)是一個(gè)復(fù)雜的計(jì)算機(jī)控制系統(tǒng)，它包含了很多復(fù)雜技術(shù)，它分為感知層、認(rèn)知層、決策層、控制層四層.車(chē)道線(xiàn)檢測(cè)作為無(wú)人駕駛系統(tǒng)認(rèn)知層中關(guān)鍵性技術(shù)，是最近幾年研究的熱點(diǎn).車(chē)道線(xiàn)檢測(cè)的結(jié)果可以為無(wú)人駕駛系統(tǒng)提供路徑的規(guī)劃決策、確保汽車(chē)的行駛正確以及駕駛輔助系統(tǒng)的車(chē)道偏離報(bào)警系統(tǒng).公路車(chē)道線(xiàn)容易遭受磨損以及受道路陰影、光照、天氣等因素影響，導(dǎo)致車(chē)道線(xiàn)模糊不清.所以它是一項(xiàng)十分具有難度與挑戰(zhàn)的任務(wù).

到目前為止，多數(shù)的車(chē)道線(xiàn)檢測(cè)方式是采用基于道路規(guī)則化約束[1]的方式，首先對(duì)獲取圖像灰度化預(yù)處理，然后利用一些圖像邊緣提取算法提取圖像的邊緣信息，選取一定的感興趣區(qū)域（ROI）進(jìn)行深度處理，最后利用霍夫變換去擬合道路車(chē)道線(xiàn).這種方案優(yōu)點(diǎn)是計(jì)算資源消耗少，處理速度快，但是對(duì)于彎曲道路、等檢測(cè)效果較差.還有基于圖像分割的方式[2]，首先將RGB圖像轉(zhuǎn)化到CIE顏色空間，采用K均值進(jìn)行圖像分割、提取特征，最后采用二次曲線(xiàn)方法進(jìn)行車(chē)道線(xiàn)的擬合.

本文針對(duì)道路車(chē)道線(xiàn)檢測(cè)，提出了一種基于均值漂移的道路車(chē)道線(xiàn)檢測(cè)算法.主要步驟有：（1）圖像預(yù)處理，對(duì)采集到的道路車(chē)道線(xiàn)圖片，先進(jìn)行感興趣區(qū)域的選取和下采樣處理，用于盡可能地去除與道路無(wú)關(guān)的圖像信息和減少不必要的圖像運(yùn)算.（2）道路圖像分割，采用基于均值漂移算法對(duì)道路車(chē)道線(xiàn)進(jìn)行圖像分割，以獲取圖像中的車(chē)道線(xiàn).（3）車(chē)道線(xiàn)擬合，采用非線(xiàn)性回歸的方法去擬合道路車(chē)道線(xiàn)，可以高精度的擬合車(chē)道線(xiàn)的各種形狀.

2 ROI選取和下采樣處理

由于原始的道路圖像包含了天空、樹(shù)木等與車(chē)道線(xiàn)檢測(cè)無(wú)關(guān)的內(nèi)容，所以為了避免不必要的圖像運(yùn)算，對(duì)原圖進(jìn)行ROI選取，盡可能多的包含車(chē)道對(duì)象.另外，車(chē)道線(xiàn)檢測(cè)無(wú)須過(guò)高的分辨率，所以進(jìn)一步進(jìn)行一定的下采樣處理，在不損失車(chē)道線(xiàn)檢測(cè)精度的情況下，最大程度地減少計(jì)算機(jī)對(duì)圖像的計(jì)算，本文采用的是雙線(xiàn)性插值的方法，公式的定義如下：

如果對(duì)圖像每一個(gè)樣本點(diǎn)都進(jìn)行計(jì)算以得到其密度最大點(diǎn)，無(wú)疑需要進(jìn)行大量的計(jì)算.考慮到從樣本點(diǎn)xi開(kāi)始，最終收斂到點(diǎn)xc，在其質(zhì)心移動(dòng)過(guò)程中，路徑上的那些樣本點(diǎn)若進(jìn)行迭代搜索計(jì)算也會(huì)最終收斂到點(diǎn)xc.所以在一點(diǎn)搜索結(jié)束后，對(duì)于其搜索路徑上的所有點(diǎn)pi，i=1，2，…，N也進(jìn)行賦值操作pi=xc，這可以顯著降低整幅圖片計(jì)算復(fù)雜度，提升車(chē)道線(xiàn)檢測(cè)實(shí)時(shí)性.

最后將收斂到同一點(diǎn)的各類(lèi)像素點(diǎn)合并，本文綜合考慮了像素點(diǎn)的顏色相似性以及坐標(biāo)相似性.若兩樣本點(diǎn)xi和xj滿(mǎn)足條件||xis-xjs||<ts或||xir-xjr||<tr就將兩點(diǎn)合并.同時(shí)再?gòu)男潞喜⒌狞c(diǎn)出發(fā)繼續(xù)進(jìn)行合并操作，直到碰到不相似的點(diǎn)或者該點(diǎn)已經(jīng)屬于其他類(lèi).而對(duì)于含有像素點(diǎn)個(gè)數(shù)少于閾值m的區(qū)域，則將它與其最相似的區(qū)域合并，達(dá)到消除雜點(diǎn)的作用.

4 車(chē)道線(xiàn)擬合

多數(shù)的插值方法擬合曲線(xiàn)往往擬合曲線(xiàn)的精度不夠，本發(fā)明采用神經(jīng)網(wǎng)絡(luò)進(jìn)行非線(xiàn)性回歸的方法取擬合道路車(chē)道線(xiàn).設(shè)置6節(jié)點(diǎn)的網(wǎng)絡(luò)隱藏層，采用tanh激活函數(shù)進(jìn)行非線(xiàn)性變化.首先進(jìn)行線(xiàn)性的變換，公式如下：

6 結(jié)語(yǔ)

本文所提出的基于均值漂移的道路車(chē)道線(xiàn)檢測(cè)算法，經(jīng)過(guò)實(shí)驗(yàn)得知，具有以下優(yōu)點(diǎn)：（1）可以對(duì)不同的道路曲線(xiàn)進(jìn)行擬合，無(wú)論是曲線(xiàn)還是直線(xiàn)都可以達(dá)到很高的準(zhǔn)確性.（2）對(duì)多種道路場(chǎng)景，諸如道路陰影、遮擋、明暗交替、車(chē)道線(xiàn)模糊都有很好的檢測(cè)效果，并且魯棒好、精確度高.

參考文獻(xiàn)：

〔1〕錢(qián)基德，陳斌，錢(qián)基業(yè)，陳剛.基于感興趣區(qū)域模型的車(chē)道線(xiàn)快速檢測(cè)算法[J].電子科技大學(xué)學(xué)報(bào)，2018，47（03）：356-361.

〔2〕MA Chao， XIE Mei. A method for lane detection based on color clustering[C]//Third International Conference on Knowledge Discovery and Data Mining. Phutet： IEEE Computer Society， 2010： 200-203.

〔3〕李向陽(yáng).基于單目視覺(jué)的機(jī)動(dòng)車(chē)道路檢測(cè)和跟蹤研究[D].上海交通大學(xué)，2015.

〔4〕Li， X.， Fang， X.， Wang， C.， & Zhang， W. （2014）. Lane Detection and Tracking Using a Parallel-snake Approach. Journal of Intelligent & Robotic Systems， 77（3-4）， 597–609.

〔5〕Neven， D.， Brabandere， B. D.， Georgoulis， S.， Proesmans， M.， & Gool， L. V. （2018）. Towards End-to-End Lane Detection： an Instance Segmentation Approach. 2018 IEEE Intelligent Vehicles Symposium （IV）.

〔6〕Gurghian， A.， Koduri， T.， Bailur， S. V.， Carey， K. J.， & Murali， V. N. （2016）. DeepLanes： End-To-End Lane Position Estimation Using Deep Neural Networks. 2016 IEEE Conference on Computer Vision and Pattern Recognition Workshops （CVPRW）.

〔7〕Huang， Y.， Chen， S.， Chen， Y.， Jian， Z.， & Zheng， N. （2018）. Spatial-Temproal Based Lane Detection Using Deep Learning. Artificial Intelligence Applications and Innovations， 143–154.

〔8〕Comaniciu， D.， & Meer， P. （2002）. Mean shift： a robust approach toward feature space analysis. IEEE Transactions on Pattern Analysis and Machine Intelligence， 24（5）， 603–619.

〔9〕胡秀敏，何志琴.無(wú)人駕駛汽車(chē)中的車(chē)道線(xiàn)檢測(cè)研究[J].新型工業(yè)化，2018，8（12）：57-60.

〔10〕黃思育，柳培忠.一種自適應(yīng)的車(chē)道線(xiàn)檢測(cè)算法[J].東莞理工學(xué)院學(xué)報(bào)，2019，26（01）：45-49.

〔11〕張家搏.基于圖像的規(guī)則化道路檢測(cè)與跟蹤算法研究[D].哈爾濱工業(yè)大學(xué)，2017.