一种实时的城市道路车道线识别方法及实现-不知不识网

摘要

针对智能驾驶中，城市道路车道线识别面临的光照、污损、阴影、遮挡问题，本文提出了一种实时、鲁棒的车道线识别方法。本方法对图像进行预处理后，利用选择空间定向高斯卷积核进行滤波，并用改进的基于贝兹曲线的RANSAC曲线拟合方法寻找车道线表达式。本文算法利用实车采集的包含4大场景的21400帧图片进行实验，准确率高达88.5%，平均处理时延22ms，达到了实时要求。采用本文方法的智能车辆参加2014中国智能车未来挑战赛，在全国22个参赛车队中获得第四名。

【关键词】智能驾驶路权雷达图改进的MPC方法

智能驾驶技术从根本上改变了传统的“人-车-路”闭环系统中的车辆驾驶方式，将驾驶员从疲劳驾驶中解放出来，利用先进的传感器以及信息技术控制车辆行驶，让驾驶活动中常规、持久、低级、重复的操作自动完成，能够极大地提高交通系统的效率和安全，提高人类移动生活的品质，具有广泛的社会应用价值。其中，车道线识别技术作为智能驾驶的重要组成部分，自上世纪80年代以来就受到了一定的关注。实现车道线识别的方法种类繁多，从单目视觉到立体视觉，，从使用简单的单目处理算子，到用复杂的概率组方法。然而很多研究都仅针对高速公路/城际快速路，而城市道路环境的车道线识别则要难得多，主要体现在以下方面：城市道路车流量密集，路上行车、路边泊车对车道线识别影响较大；高速公路车道线相对清晰，而城市道路车道线磨损较为严重；城市道路地面各类标识复杂，道路边缘形状相对不规则……这些问题都增加了城市环境下的车道线识别的难度。

针对城市道路车道线识别的难题，本文提出了一种相对简单快速、鲁棒有效的车道线识别算法。

1 城市道路的车道线识别算法

1.1 逆透视映射（IPM）

本文车道线识别算法的第一步是进行逆透视映射，将车载摄像头得到的图像转换成行驶道路的俯视图。这样做有以下好处：

（1）避免了由于车载摄像头安装位置的不同造成的图像视角差距，经过逆透视映射（IPM）之后的车道线大体是竖直而平行的。

（2）经过IPM后，在识别过程中可以仅关注图像的部分区域，可以有效降低算法的计算复杂度，提高实时性。

为了得到IPM图，我们假设路面是平整的，世界坐标系为，相机坐标系为，图像坐标系为，假设摄像头光轴在世界坐标系的XwYw平面上。因此，图像上任一点P={u，v，1，1，}在道路平面上的投影都可以由以下其次变换给出：

表示图像平面上的点iP对应在地面上的点的位置，其中，分别为水平和垂直焦距，是摄像头光心坐标，因此，转换矩阵可以表示为：

其中c1=cosα，c1=cosβ， s1= cosβ ，s1= sinβ 。

应用这两种变换，我们可以得到一个有关输入图像的感兴趣区域。

1.2 高斯核分类器与二值化

经过IPM转换后，我们对图像进行两次空间高斯核过滤。竖直方向使用平滑高斯，由以下高斯核函数给出：

其中，σy根据识别道路线的长度需求给出。水平方向上的分类使用高斯函数的二阶导，具体公式如下：

其中，σx根据期望的线宽调节而来。

图1最左侧为所用卷积核，中间为图像卷积后的结果，右侧为二值化后的结果。从图中可以看出，这样的分类器刚好被调节到对较暗背景下的明亮竖直白线最敏感，这也正是我们对车道线形式的基本期望。我们仅保留了原图像q%的分数值，而所有小于阈值的部分将被全部舍弃。在本次实验中，q的取值为97.5.但是与此同时，为了保证算法的鲁棒性，在二值化之后，我们同时也会将近似竖直的线保留下来，在接下来的步骤中使用。

1.3 车道线检测

经过二值化后，我们利用以下两种技术进行车道线检测：

（1）使用简化的Hough变换找出图像中线的数量。

（2）使用RANSAC曲线拟合鲁棒地拟合曲[4]。

简化的hough变换先得到二值化后图像中每一栏的车道线value值的加和，这个用高斯分类器平滑这个加和，找出最大值，以确定目标线段的可能位置。接下来，将可能的线段以像素级精度拟合成抛物线，最后，在得到的线段中，去除一部分距离过近的线段，以去除同一条线的多余响应。

完成此步骤后，即可开始对得到的候选车道线进行RANSAC拟合。对上面每一条检测到的线段，我们定义一个兴趣窗口，并在此窗口中执行RANSAC程序。

对上面得到的候选车道线，我们在其所在原图位置设置一个窗口，并在此窗口中执行曲线拟合算法。本实验中采用的拟合工具为3次贝兹曲线（Bezier spline），其具体定义如下：

其中，，，其中点P1，P2决定了曲线的形状。

算法1描述了RANSAC曲线拟合的算法。其基本函数如下：

（1）getRandomSample（）：本函数从进入RANSAC步骤的感兴趣区域中随机选取样点，利用加权抽样的方法，其权重与样本点坐标有关。

（2）fitSpline（）：取若干点，利用基于最小次方的贝兹曲线拟合。给定任意一包含n个点的曲线，我们指派给每个点一个值，其中由ti下式给出：

其中， t1=0，tn=1，那么我们定义如下两个矩阵：

则P可由其广义逆矩阵计算出来：

P=（TM）*QP

（3）computeSplineScore（）：在本函数中，选取各点到拟合曲线的法向距离来评价拟合结果的好坏，将得分记录。

2 实验结果及分析

2.1 实验数据来源

我们在车顶安装高清摄像头，实车采集了北京园博园大道21400余张图片（相机采集周期60ms，平均车速40km/h）。

2.2 实验结果及分析

我们对21400张图片进行实车实时处理，其流程如图2所示，

得到原图（a）后，先对其做逆透视映射，得到IPM图（b），再对IPM图做滤波和二值化，识别车道线，使用RANSAC拟合出车道线方程，并显示出来，如图2c所示。21400张图片处理结果如表1所示：

3 结语

（1）实验结果证明本方法可以达到实时识别，且具有良好效果。

（2）总正确率达到88.5%，说明本算法基本可用，但是作为单一导航仍存在较大风险，主要原因在于本算法未加入帧间关联与跟踪，因此与带有跟踪的算法相比仍有一定差距。

（3）本原型系统在常熟2014中国智能车未来挑战赛中表现优异，获得22个车队中第四名的成绩。

参考文献

[1]Car accidents.http：//en.wikipedia.org/wiki/ car_accident.

[2]M.Bertozzi and A. Broggi. Real-time lane and obstacle detection on the gold system. In Intelligent Vehicles Symposium，Proceedings of the IEEE，pages 213-218，19-20 Sept.1996.

[3]M.Bertozzi，A.Broggi，G.Conte，and A.Fascioli.Obstacle and lane detection on argo.In Intelligent Transportation System，IEEE Conference on，pages 1010-1015，9-12 Nov.1997.

[4]David A.Forsyth and Jean Ponce.Computer Vision：A modern approach.Prentice Hall，2002.

[5]U.Franke，D.Gavrila，S.Gorzig，F.Lindner， F.Puetzold， and C.Wohler.Autonomous driving goes downtown. Intelligent Systems and Their Applications，IEEE， 13（6）：40-48，Nov.-Dec.1998.

[6]U. Franke and I.Kutzbach.Fast stereo based object detection for stop & go traffic.In Intelligent Vehicles Symposium，Proceedings of the IEEE，pages 339-344，19-20 Sept.1996.

[7]Zu Kim.Realtime lane tracking of curved local road. In Intelligent Transportation Systems.Proceedings of the IEEE，pages 1149-1155，Sept.17-20，2006.

[8]K. Kluge.Extracting road curvature and orientation from image edge points without perceptual grouping into features.In Intelligent Vehicles Symposium， Proceedings of the，pages 109-114，24-26 Oct.1994.

[9]C.Kreucher and S.Lakshmanan. Lana： a lane extraction algorithm that uses frequency domain features. Robotics and Automation，IEEE Transactions on， 15（2）：343-350，April 1999.

[10]J.C.McCall and M.M.Trivedi.Video-based lane estimation and tracking for driver assistance：survey，system，and evaluation.Intelligent Transportation Systems，IEEE Transactions on，7（1）：20-37，March 2006.

[11]D.Pomerleau.Ralph：rapidly adapting lateral position handler. IEEE Symposium on Intelligent Vehicles，pages 506-511，25-26 Sep 1995.

[12]David Solomon.Curves and Surfaces for Computer Graphics.Springer，2006.

[13]C.Taylor，J.seck，R.Blasi，and J.Malik. A comparative study of vision-based lateral control strategies for autonomous highway driving.International Journal of Robotics Research， 1999.

[14]Hong Wang and Qiang Chen.Real-time lane detection in various conditions and night cases.In Intelligent Transportation Systems，Proceedings of the IEEE，pages 1226-1231，Sept.17-20，2006.

[15]A.Zapp and E.Dickmanns.A curvature-based scheme for improved road vehicle guidance by computer vision. In Proc.SPIE Conference on Mobile Robots，1986.

作者单位

1.解放军理工大学研究生管理大队研一队江苏省南京市 210007