一种基于视觉的车道线检测与跟踪算法图文精.docx
《一种基于视觉的车道线检测与跟踪算法图文精.docx》由会员分享，可在线阅读，更多相关《一种基于视觉的车道线检测与跟踪算法图文精.docx（15页珍藏版）》请在冰豆网上搜索。
一种基于视觉的车道线检测与跟踪算法图文精
万方数据
万方数据
第2期刘富强。
等:
一种基于视觉的车道线检测与跟踪算法
利用式（2求得的X便是车道线参数模型（1
中的h:
.此外,利用消隐点可进行坐标变换,即将图
像坐标系内的点映射到世界坐标系中,这样便可得
到实际场景下的车道线.变换原理L15]如下简述:
如图2,设矩形QABC宽为Ⅳ,长为L,它经过
摄影变换投影为四边形oabc,d为平面oabc上任意
一点,已知0,a,b,e,d摄影变换后的坐标,求d变
换前的对应点D在QABC上的坐标.
由于AB//oc,推出口c与曲的交点秽。
即为所
有与AB平行的直线摄影变换后对应的消隐点;同
理,oa与6c的交点口z也是所有与OA平行的直线变
换后对应的消隐点.
根据消隐点可求出Vzd与口6的交点m,即为
D点在All上投影M摄影变换后的对应点;可。
d与
伽的交点n,即为D点在OA上的投影Ⅳ的对应点.
图2基于消隐点的坐标变换图示
Fig.2CalibrationbasedOnvanishingpoint
根据交比不变性,有:
（诹;栅2=（04;N%（bm;avl=（跚;AVl
可以分别得到:
、0n×a',2
0N×AV2
‘0口;n移22二=:
l—_==2二==——===2
anxo',2A』v×0K
=O三N:
（OA;毗
AN
.、ba×ml,】BA×MV1
（mn;avl2二==—==三2====_—_===2
ma×bl,1MAxBVI
些:
（BM;AV2
朋A
变换得到:
一ON:
A~N×竺娑
（3
an×o耽
而:
丽×竺些（4
b口×mv1
根据式（3和式（4,便可将图像中的车道线转换成实际车道线,效果如图3所示.
图3利用坐标变换对车道线图像进行转换
Fig.3Calibrationoflaneill[1a曙e
2车道线检测算法分析
2.1图像预处理
首先,将彩色图像（见图4a转换为灰度图像（见图4b.本文选用如式（5的色彩特征空间:
F={t1R+t2G+t3B},ti={一2,一1,0,1,2},
i=1,2,3（5式中,R,G,B分别为红色、绿色和蓝色分量.
实验表明,t1=1,t2=1,和t3=0的这种形式最适合于车道线的检测.因为采用该形式进行灰度提取后的图像可以使得:
车道线场景图片中的红色和绿色信道对于白线和黄线均具有很好的对比特性.
为了获取图像的边缘信息,输入图像.厂（∞,可的梯度值用3×3的Sobel算子以很低的阈值计算得出.因此,可以得到两幅图片:
一幅灰度边缘幅度图,m（z,可（见图4c,表示输入图像的方向幅度值,和一幅灰度边缘方向图厂g（刃,∥（见图4d,表示输入图像垂直和水平方向的梯度幅度值的比值.
fx（∞,可={,（∞+1,可一1+2f（刃+l,秒+
（∞+1,可+1一,（∞一1,可一1+
2f（刃,Y一1+,（刃一1,∥+1（6f口（∞,可={-厂（∞一1,可+1+2f（∞,Y+1+
（z+1,∥+1}一{/’（刃一1,可一1+
2f（∞,Y一1+,（∞+1,可一1（7,m（∞,可=￣/（^（∞,可2+（,Ⅳ（∞,可2≈
{f。
（∞,可l+IfⅣ（∞,可I（8^（∞,可=^（刃,y/f。
（∞,可（92.2自适应随机霍夫变换算法
霍夫变换（Houghtransform,HT是从图像中提取出曲线的一种很普遍的方法,它被广泛用来进行车道线的检测.
本文采用了一种自适应的随机霍夫变换（randomHoughtransform,RHT[16l,用来计算车道
线参数模型中的参数曲率c和切线方向ta的值.这
万方数据
同济大学学报（自然科学版第38卷
种方法兼顾了霍夫变换和随机霍夫变换的优点.
图4图像预处理效果图示
Fig.4Imagepre-processing
根据推导,一对像素点P1（z1,Y1和P2（z2,Y2,从灰度边缘图中被随机地采样出来,当点P。
和P2的灰度方向值满足一定条件,即jarctan（91一arctan（92I<￡hre时,认为该两点有可能位于车道线上,这时,参数曲率C和切线方向t。
的值可以按照如下的公式计算出来:
（∞l一∞2+以（z1,Y1（Yl—h:
一,g（∞2,耽（Y2一h:
2（1/（Y1一h:
一1/（Y2一h:
（10td=刃1—2c/（yl—h。
+^（∞1,Y1（Yl—h:
（11
在进行了大量的随机点采样后,需要选取可能性最大的一组参数值作为本次自适应随机霍夫变换的结果.不妨建立一个分别以参数c和参数ta为横纵坐标的二维坐标系,每次采样的参数计算结果都对应于该坐标系中的一个点,当一次自适应随机霍夫变换迭代结束时,该坐标系下已经存在很多个点,而可以找到一个圆心位置合适并且半径满足误差需求的圆,这个圆内容纳了该坐标系下尽可能多的点,这时,这个圆心对应的坐标（C,ta便作为本次自适应随机霍夫变换的最终参数结果.
2.3禁忌搜索算法
本文采用了基于最大后验概率的禁忌搜索（Tabusearch,TS算法[17]来求解参数O的值.TS算法是一种交互式的全局最优搜索方法.它从当前解8开始,据定义好的移动准则产生一个邻域集合s7.对于产生的每一个解s7都需要计算其对应的最优化的目标函数的函数值,且选择最好的s7作为新的当前解,即使它比s要差.因此,这样可避免目标函数
的局部最优值.接着,一次新的迭代被执行:
将从新的当前点开始,前一过程被重复,直到满足给定的停止条件.如果一个被访问过的点再次作为邻近点而产生,那么这个算法,可能进入无限循环.为了避免这种情况,最近产生的m个当前点需要被存储在一个列表中,该列表被称之为“Tabu列表”.当前点的邻近点如果属于“Tabu列表”,就会被忽略.
选用的目标函数是最大后验概率（MAP估计.一个似然概率密度函数p（oI刃,表示了由参数向量x=[c,O,,0:
td]T确定的车道线形状在观测图像中的概率.由此最大后验概率估计如下:
x‘=argmaxp（x}z（12通过利用贝叶斯概率理论,可以得出:
x’=argmaxp（zI工p（x（13真实世界中的车道线的宽度是有一定范围的,所以一个先验概率密度函数P（工可以由车道线模型参数来建立,由这些参数得出的先验知识如下:
P（膏。
Cexpf一丝二掣1（14
（膏。
CI一二三—二}二}（14
、or‘,
于是,
工’=argmaxexp（一坠芋型・
盯2
/
≥二（,m（z,可s（m（∞,可・ICOS0LI+
（￡,可∈J
.f.m（刃,可S（弧（∞,可lCOS口R（15其中,MDL（刃,∥和M环（刃,矽分别表示点（刀,可到左边车道线和右边车道线的最短距离,在这里,为了提高算法的实时性,MDL（z,Y和MDR（刃,可的计算采用了下面的近似:
首先找到经过点（∞,Y的水平线与曲线的交点（刃7,Y7;过点（z7,可7作曲线的切线;计算点（刃,∥到该切线的距离.在车道线曲率不是很大的情况下,该近似误差可以忽略不计.0。
和靠分别表示点（刃,可的梯度方向与左线和右线切线方向问的夹角.S（D是一个打分函数,用来衡量距离的权重系数.其中,S（0=1,S（D随着D从0到R单调递减,并且当D≥R时,S（D=1.S（D被定义为
s（D:
je∥以。
0≤D≤R（16
10其他
采用随机生成的方法产生邻域,参数向量工的第i个分量的第J个邻域为
{!
IYJ=ggi+RjWiSb（17
式中,Rj是一个在区间[一1,1]之间的随机数;Wi 万方数据
万方数据
同济大学学报（自然科学版第38卷
动态时域模型,以隐含着的时间为自变量.状态空间
模型包括两个模型:
①是状态方程模型,反映动态系
统在输入变量作用下在某时刻所转移到的状态;②
是输出或观测方程模型,它将系统在某时刻的输出
和系统的状态及输入变量联系起来.
由于该车载导航系统仅仅使用摄像机作为单一
传感器,无法获得转向角等其他参数,所以本文采用
的状态方程模型为简单的动力系统模型:
~1+r（1
∞（t一1+r钆（t一1+Vtd（t一1+r2
m赤川3,4
（19
式中:
可是车辆沿着水平地面上竖直方向行驶的速度;t是当前帧捕获的瞬间时刻;向量,=[r（1,r（2,r（3,r（4]是用于描述环境中各项干扰的随机向量;At表示连续两帧之间的时间差.从式（19可以看出,在车辆行驶过程中,车道线的曲率参数,切线方向参数,以及车道线的宽度变化量很小,而参数钆随着车辆的行驶进行实时更新.
给定系统状态的一种假设,车道线模型中的各个参数都可计算如下:
fc=c（芒
0】=一口。
・（W（t一钆（t/口j-/
02=一口。
・钆（t/口j-/
【亡d=芒d（t
式中:
口。
a。
分别是摄像机的水平和竖直比例因子;H是摄像机的高度.在对目标状态的传播进行“假设”之后,就需要利用得到的观测量（t时刻对其进行验证,这一步也就是系统观测.采用的观测量是前文用到的最大后验概率估计,如式（15所示.
车道线的检测结果可以被用来初始化跟踪算法的粒子集合.初始粒子来自于一个正态分布,该正态分布的均值是由检测算法获得的状态确定的.图7是采用粒子滤波器进行车道线跟踪的迭代流程图.首先进行粒子滤波器的初始化,包括:
粒子集合初始化,系统状态模型设定和系统观测模型的设定.其次通过采样的方式预测各个粒子的初始位置,通过观测值的分布来计算各个粒子的重要性权值并进行归一化.然后,根据最大后验概率估计作为权重值对粒子重新进行采样.最后,根据式（19计算得到车道线参数向量,返回第二个步骤,执行整个跟踪流程.
<警子滤波器初始I匕>
’tt
I粒子集合初始化Il系统状态模型设定Il系统观测模型设定1
II
~l利用MAP估计计算
一l各个粒子的权值
●
根据权值对粒
子进行重采样
●
厂粒子加权确定、、
L当前状态向量/
●
l根据状态向量计算
l道路标志线参数向量
图7粒子滤波器进行车道线跟踪流程图
ng.7Flowchartofla淝particlefiltertrackingalgorithm4实验结果
4.1车道线检测结果
本文提出的车道线检测算法不仅能够检测直道,而且能够适应弯道的检测,对车道线形状具有很好的适应性.图8a分别展示了本文提出的算法检测直道和弯道的结果,其中图8a中车道线位于严重阴影下,且右线上出现了较大斑块的车辆遮挡,但该算法仍然很准确地提取了车道线.
图8不同车道线形状下车道线检测结果
Fig.8Detectionresultsoflaneswithdifferentshapes本文提出的车道线检测算法对不同的车道线环境具有良好的适应性,即在各种干扰条件下都能进行鲁棒的车道线线检测.图9是在高速公路上的实验结果,光照条件不理想,且多车道的干扰及车道线旁边栏杆的干扰都对文中算法提出了较高的挑战,其中图9a中地面上出现了大范围路标线的干扰,图9b中右线被车辆严重遮挡,图9c中右线严重缺失,尤其是图9d中存在车辆遮挡,左线为虚线及地面斑块等多种干扰,充分考验了本文算法的鲁棒性.
4.2车道线跟踪结果
为了验证算法的可行性,在不同的交通场景中
做了大量实验,结果如下:
图10展示了在校园车载
万方数据
第2期刘富强,等:
一种基于视觉的车道线检测与跟踪算法
实验中若干变化较小帧的车道线跟踪的结果.由图可见,在粒子滤波器的跟踪机制下,车道线的提取结果趋于稳定.这说明在状态变化不剧烈的情形下,跟踪效果十分明显,系统也很稳定.
围9不同干扰下车道线检测结果
Fig.9
Detectionresultsoflaneswith
differentinterfefences
图10弯道车道线提取6帧图示
Fig.10
Tracking
resultsofcurved
lanes（6frames
图11展示了在阴天光照条件不理想条件下车道线提取的结果.从图中可看到,在第102帧和第103帧时由于右线信息缺失较严重,使得右线出现了
一定程度的偏差,但是,在后续的跟踪中,逐渐得到了比较准确的结果,这都要归功于粒子滤波器的更新机制的调整作用.这说明即使跟踪过程发生一定程度的场景变化,最终也会逐渐恢复稳定,算法具备较好的鲁棒性.
本文一共选取了3段不同场景,每种场景均使
用了1000帧图片进行分析单纯使用心mT检测算
法进行检测时,有2746帧图片检测准确,主要的误检发生在车道线的缺失,复杂的车道线和车辆干扰,遮挡等情况下.为了测试算法实时性,使用的PC性能为Intel酷睿2代2.00
GHzCPU,2.0
G内存,此
时处理平均速度为12.8帧・S~,而在加入粒子滤波器后,车道线的检测准确率提高到94.3%.同时由于粒子滤波器提供的信息使得禁忌搜索需要搜索的范围进一步减少,虽然增加跟踪算法,算法的处理速
度反而提升为14.2帧・s一.同时进行的实时车载实验表明,在车速30km・h。
的情况下算法能较好工作,超过此速度会出现间断性的帧漏检情形.
本文与主要的参考文献E15—16]相比主要有以下优势:
文献[15]主要利用自适应随机霍夫变换算法进行车道线的检测,虽然算法效果很好,但是论文并未提出任何跟踪算法.本文则提出了基于粒子滤波器的跟踪算法,这样在车道线出现缺失、遮挡等情况下算法不会存在较大偏差,也能逐渐进行自适应的恢复.同时跟踪算法提供的知识可以提高算法的实时性.而文献[16]的车道线检测算法中将所有的车道线模型参数均使用Tabusearch算法进行搜索
并使用后验概率来评估,这样并未充分利用图像中
车道线的信息.本文则结合了自适应随机霍夫变换算法充分利用了车道线的信息和模型特点,直接、准确地获取了参数c和￡a,极大地提高了算法的实时性和准确率.
5
总结
本文提出的利用自适应随机霍夫变换方法和
Tabu
search算法求解参数的车道线检测算法,并且
结合基于粒子滤波器的跟踪算法,可以对车道线进行稳定的快速的提取.大量的实验验证了算法的有效性和实时性.本文中的算法既可以检测直道,也能适应弯道的检测,而且,对不同的光照条件具有良好
的:
壬击一陆
图11阴天环境下车道线提取结果图示
…““。
工‘
....
Fig.1l。
Extraction№sults
of
lanes帆cioudy
days
（下转第306页
万方数据
万方数据
一种基于视觉的车道线检测与跟踪算法
作者:
刘富强,张姗姗,朱文红,李志鹏
作者单位:
同济大学,电子与信息工程学院,上海,200092
刊名:
同济大学学报（自然科学版
英文刊名:
JOURNALOFTONGJIUNIVERSITY（NATURALSCIENCE
年,卷（期:
2010,38（2
被引用次数:
4次
参考文献（18条
1.KastrinakiV;ZervakisM;KalaitzakisKAsurveyofvideoprocessingtechniquesfortrafficapplications[外文期刊]2003（01
2.BetkeM;HaritaogluE;DavisLSReal-timemultiplevehicledetectionandtrackingfromamovingvehicle[外文期刊]2000（02
3.ZhangJ;NagelHTexture-basedsegmentationofroadimages[外文会议]1994
4.BertozziM;BroggiAGOLD:
aparallelreal-timestereovisionsystemforgenericobstacleandlanedetection[外文期刊]1998（01
5.KreucherC;LakshmananSLANA:
alaneextractionalgorithmthatusesfrequencydomainfeatures
1999（02
6.刘富强;田敏;胡振程智能汽车中基于视觉的道路检测与跟踪算法[期刊论文]-同济大学学报（自然科学版
2007（11
7.MaB;LakshmananS;HeroAOSimultaneousdetectionoflaneandpavementboundariesusingmodel-basedmulti-sensorfusion2000（02
8.SouthallB;TaylorCJStochasticroadshapeestimation[外文会议]2001
9.LeeJWAmachinevisionsystemforlane-departuredetection[外文期刊]2002（01
10.LeeJW;KeeCD;YiUKAnewapproachforlanedepartureidentification[外文会议]2003
11.KangDJ;JungMHRoadlanesegmentationusingdynamicprogrammingforactivesafetyvehicles2003（13
12.McCallC;MohanMVideo-basedlaneestimationandtrackingfordriverassistance:
survey,system,andevaluation2006（01
13.NedevschiS;SchnidtR;GrafT3Dlanedetectionsystembasedonstereovision[外文会议]2004
14.McLeanGF;KotturiDVanishingpointdetectionbyLineclustering1995（08
15.RasmussenChristopherGroupingdominantorientationforill-structuredroadfollowing2004
16.LIQing;ZHENGNanning;CHENGHongSpringrobot:
aprototypeautonomousvehicleanditsalgorithms
forlanedetection[外文期刊]2004（04
17.ZHOUYong;XURong;HUXiaofengArobustlanedetectionandtrackingmethodbasedoncomputer
vision2006（14
18.IsardMA;BlakeCondensation-conditionaldensitypropagationforvisualtracking1998（01
本文读者也读过（7条
1.龚建伟.王安帅.熊光明.刘伟.陈慧岩.GONGJian-wei.WANGAn-shuai.XIONGGuang-ming.LIUWei.CHENHui-yan一种自适应动态窗口车道线高速检测方法[期刊论文]-北京理工大学学报2008,28（6
2.徐岩.雷涛.XUYan.LEITao基于形态学方法的车道线检测算法研究[期刊论文]-铁道学报2009,31（1
3.张云港基于视觉的车道线检测算法[学位论文]2005
4.吴林成基于视觉的高速公路车道线检测算法研究[学位论文]2010
5.杨喜宁.段建民.高德芝.郑榜贵.YangXining.DuanJianmin.GaoDezhi.ZhengBanggui基于改进Hough变换的车道线检测技术[期刊论文]-计算机测量与控制2010,18（2
6.沈峘.李舜酩.柏方超.李芳培.缪小冬.ShenHuan.LiShunming.BoFangchao.LiFangpei.MiaoXiaodong结构化道路中车道线的单目视觉检测方法[期刊论文]-仪器仪表学报2010,31（2
7.林国余.陈旭.张为公.LinGuoyu.ChenXu.ZhangWeigong基于多信息融合优化的鲁棒性车道检测算法[期刊论文]-东南大学学报（自然科学版2010,40（4
引证文献（4条
1.许宏科.秦严严一种基于Hough变换的车道线检测新方法[期刊论文]-徐州工程学院学报（自然科学版2013（4
2.王晓云.王永忠基于线性双曲线模型的车道线检测算法[期刊论文]-杭州电子科技大学学报2010（6
3.周君基于时空马尔可夫随机场交通参数采集系统研究[期刊论文]-计算机科学2013（10
4.张惠玲.李克平.钱红波.李鑫基于视频双截面的信号控制交叉口延误检测[期刊论文]-同济大学学报（自然科学版2011（7
本文链接:
升级会员 