王寶鋒， 齊志權(quán)， 馬國成， 陳思忠

(北京理工大學 機械與車輛學院，北京 100081)

?

基于線性逼近的車道線彎道識別方法

王寶鋒， 齊志權(quán)， 馬國成， 陳思忠

(北京理工大學 機械與車輛學院，北京 100081)

為提高車道線識別算法在大曲率彎道下的識別性能，提出一種基于線性逼近的彎道識別方法. 基于車道線先驗知識，利用改進的局部逆透視變換和Hough變換對車道線進行初步提取. 根據(jù)初步提取結(jié)果，對未知區(qū)域進行循環(huán)線性逼近并提取車道線邊界點. 通過最小二乘法利用B-樣條曲線完成車道線擬合. 實驗證明，該算法對大曲率彎道的車道線識別具有較高的精確性.

彎道識別；線性逼近；逆透視變換；Hough變換

先進駕駛員輔助系統(tǒng)(advanced driver assistance system， ADAS)的應(yīng)用，可以有效地避免駕駛員因為誤操作而造成的交通事故，提高車輛行駛安全性. 作為ADAS系統(tǒng)的重要組成部分，車道線識別系統(tǒng)通過視傳感器對車輛所行駛的路面進行監(jiān)測，確定車輛所在車道橫向的位置及前方道路的趨勢，并為車道偏離預(yù)警、車道保持及自適應(yīng)巡航控制等ADAS系統(tǒng)提供車道信息.

近年來，國內(nèi)外學者對于基于視覺的車道標識線及道路邊界的識別方法進行了大量的研究. 姜巖等[1]采用了一種改進的Hough變換的車道線識別方法，并通過感興趣區(qū)域動態(tài)規(guī)劃減少了運算量，提高了車道線識別速度和可靠性. 但該方法基于車道線近距離為直線的假設(shè)，無法進行彎道識別，不具備車道線延伸趨勢預(yù)測的能力. 王寶鋒等[2]提出了基于動態(tài)區(qū)域劃分的車道線識別方法，并將直線和B-樣條曲線用于車道線重構(gòu). 為了更好地提取車道線幾何特征；McCall[3-4]利用逆透視變換(inverse perspective mapping，IPM)將原始圖像全部轉(zhuǎn)化為俯視圖，并利用平行特性對車道線進行提取. IPM的引入提高了車道線識別的精度，但是IPM運算量巨大，處理效率較低. 車道線識別算法的難點在于車道線模型的選取及模型對于復(fù)雜車道線的適應(yīng)能力. 為了提高車道線模型的適應(yīng)性，Wang Yue等[5]將B-樣條曲線應(yīng)用于車道線擬合過程中，并提出了CHEVP(Canny/Hough estimation of vanishing points)的車道線識別方法. 實驗發(fā)現(xiàn)當車道線曲率較大時(盤橋匝道)，分區(qū)內(nèi)依然是曲線，無法滿足分區(qū)內(nèi)車道線直線假設(shè).

針對以往研究車道線模型適應(yīng)性差，彎道車道線邊界提取能力差等缺點. 文中作者提出一種連續(xù)函數(shù)線性逼近的彎道識別方法. 首先根據(jù)攝像頭內(nèi)外部參數(shù)及消失點對圖像識別感興趣區(qū)域(region of interest，ROI)進行規(guī)劃，然后利用改進的局部逆透視變換及先驗知識對車道線進行初步提取. 在車道線初步提取的基礎(chǔ)上，利用線性逼近原理對車道線延伸方向及區(qū)域進行循環(huán)估計并提取邊車道線邊界點. 在車道線邊界點的基礎(chǔ)上通過B-樣條曲線對車道線進行重構(gòu)，完成車道線識別.

1 攝像頭標定及車道識別區(qū)域規(guī)劃

1.1 攝像頭標定

攝像頭安裝在前擋風玻璃上，后視鏡下方. 如圖1在整個車道線識別系統(tǒng)中共有3個坐標系：車輛坐標系Ov-xyz，攝像頭坐標系Oc-xyz，及圖像坐標系OI-xy. 攝像頭安裝完畢后，文中利用Matlab Toolbox進行標定，通過對不同姿態(tài)下標定板圖像處理，最終獲得攝像頭內(nèi)外部參數(shù)及坐標系變換關(guān)系

(1)

(2)

(3)

1.2 車道識別區(qū)域規(guī)劃

原始圖像中包含大量非車道信息，如天空、發(fā)動機艙蓋等如圖2(a)所示. 如果對原始圖像進行全局處理，不但增加系統(tǒng)算法的運算量，降低算法實時性，而且該區(qū)域無效信息也會對車道線信息造成干擾，影響車道線識別的精度. 因此，在車道線識別之前首先對車道線識別感興趣區(qū)域進行規(guī)劃，剔除無效信息.

透視原理中將水平無窮遠出的點在圖像中的投影稱為消失點，消失點所在的水平線為消失線，即地面和天空的分界線. 圖像中所有的道路信息都處于消失線下方，因此將消失線以上的區(qū)域剔除，其中消失點在圖像中的坐標可通過式(1)～(2)求出. 此外，圖像底部區(qū)域被發(fā)動機艙蓋覆蓋，由于攝像頭與車輛的相對位置是固定的，因此該區(qū)域不會發(fā)生變化，可以直接剔除.

2 車道線初步提取

2.1 圖像逆透視變換

在俯視圖中車道線呈現(xiàn)明顯的平行特性，所以在俯視圖中車道線更容易被識別. 為避免全局IPM運算量大的缺點，文中通過兩種手段對逆透視變換過程進行加速. 首先縮小圖像處理范圍，僅對車輛前方10 m×10 m的范圍進行逆透視變換，如圖3所示.

其次，對逆透視變進行模塊化處理，并在攝像頭標定中完成，在車道識別過程中僅需要通過查表便可完成整IPM過程，大大提高了運算速度.

公路路線設(shè)計規(guī)范JTGD20—2006規(guī)定，高速公路彎道極限最小半徑為250 m，所以該俯視圖范圍內(nèi)的車道弧度為0.04 rad，且sin(0.04)≈0.04，因此在車道線提取中將該區(qū)域內(nèi)車道線近似為直線. 首先采用Canny算子對俯視圖進行梯度化，獲得邊界信息強的二值圖像，如圖4. 然后根據(jù)車道線在俯視圖中近似垂直的特性對二值圖像進行基于θ角規(guī)劃的Hough變換[2]，定義θ∈[-5°，5°]，從而有效剔除其他干擾直線，得到候選車道線如圖4中直線所示.

2.2 車道內(nèi)邊界提取

識別出的候選車道線中既含有內(nèi)側(cè)邊界線，又含有外側(cè)邊界線. 如果直接忽略車道線寬度直接進行車道重建，不但影響車道描述的精度，而且降低車道跟蹤能力.

為了更準確地描述車輛與車道線的位置關(guān)系，提高算法在車道重建結(jié)果的穩(wěn)定性，文中統(tǒng)一將車道內(nèi)邊界作為車道線識別邊界，并提出了一種基于向量叉乘原理的車道內(nèi)邊界檢測方法.

以右側(cè)候選車道線為例，如圖5所示，假設(shè)存在n條候選車道線psipei，i∈{1，2，…，n}. 分別取任一起始點psj和終止點pek，j，k∈{1，2，…，n}. 然后根據(jù)式(3)進行叉乘運算求取符號函數(shù)Sjk，

(4)

如果在定義域范圍內(nèi)，符號函數(shù)Sjk全部大于0，則候選車道線psjpek為車道內(nèi)邊界. 最后通過車道寬度和平行性等先驗知識對車道得到的內(nèi)側(cè)邊界進行驗證，并根據(jù)式(1)～(2)利用透視變換將其轉(zhuǎn)換到原始圖像中，如圖6所示.

3 基于線性逼近的彎道識別

車道線初步提取完成后，獲得近距離的車道邊界信息. 公路路線設(shè)計規(guī)范要求所有道路路徑都是連續(xù)平滑曲線，基于該先驗知識在已檢測出的邊界信息基礎(chǔ)上，利用牛頓-拉夫遜迭代法對未知區(qū)域進行線性逼近，并完成車道線邊界點搜索.

設(shè)已獲得的車道線直線部分邊界點集為P={Pi=(xi，yi)|i=1，2，3，…，n}. 如圖7所示，取總點集P中最后m個點進行線性擬合獲得逼近直線y=f(x). 過點Pn做其切線L，L方程為

(5)

以l為步長，根據(jù)擬合所得的直線對未知區(qū)域進行規(guī)劃，

(6)

(7)

將點(xn，yn)和點(xe，ye)之間左右距離小于d的區(qū)域作為車道線規(guī)劃范圍，并將該范圍內(nèi)檢測到的點作為車道線邊界候選點. m個擬合點，規(guī)劃范圍內(nèi)候選點分別如圖7中所示.

根據(jù)車道線灰度特征對邊界候點進行驗證. 如圖8(a)所示，首先在原始圖像內(nèi)對候選點所附近的矩形區(qū)域Lm×n進行采樣，然后按式(8)，(9)對采樣區(qū)域進行灰度分布運算：

(8)

(9)

式中：p(j)為車道線橫截面的灰度分布. 如圖8(b)所示，典型的車道線橫截面輪廓呈明顯的單峰特性，通過對p(j)進行輪廓分析對檢測到的候選點進行驗證，然后采用擾動分析的方法對基于候選點進行篩選，從而得到真正的車道邊界并將其存入邊界點點集P. 重復(fù)循環(huán)上述過程直到所有車道線邊界點都被搜索出，當搜索范圍內(nèi)搜索結(jié)果為空，或者出現(xiàn)奇異點(導(dǎo)致車道線斜率發(fā)生突變)時，減小步長l并重新進行搜索，最終完成彎道區(qū)域邊界點搜索.

樣條曲線具有易實現(xiàn)任意形狀曲線擬合，以及光滑、連續(xù)等優(yōu)點，能夠?qū)崿F(xiàn)車道線的準確表達. 在上述步驟采集到的車道線邊界點的基礎(chǔ)上，利用最小二乘法基于3次B樣條曲線進行車道線重構(gòu). 最終獲得車道線識別結(jié)果如圖9所示.

4 實驗結(jié)果

為驗證車道線識別算法的性能，在北京北五環(huán)和京承等高速路匝道進行實車實驗采集視頻數(shù)據(jù)，并對數(shù)據(jù)進行離線處理. 圖像采集過程中利用大恒GV400UM圖像傳感器，并配置6 mm固定光圈鏡頭，圖像分辨率為752×480，攝像頭內(nèi)外部參數(shù)標定結(jié)果見表1.

車道線識別處理算法采用Matlab 2012a實現(xiàn)，典型識別結(jié)果如圖10所示. 圖中可以看出算法在直道、彎道(左右向)及駛?cè)氤鰪澋谰休^好的識別結(jié)果，并對樹影、路面拼接等干擾具有較強的魯棒性. 算法在未進行代碼優(yōu)化，未進行任何硬件加速的情況下，在Intel Core i5 CPU，2.5 GHz，2.5 GB內(nèi)存環(huán)境下，每幀圖像處理時間為100 ms左右.

攝像頭內(nèi)部參數(shù)攝像頭內(nèi)部參數(shù)等效焦距[fcufcv]/像素像主點[cucv]/像素像素夾角αc/(°)平移向量Tcv旋轉(zhuǎn)矩陣Vcv[1020.2 1020.2][375.5 239.5]0[68.2 564.0 1370.6][-3.05 0.0095 0.045]

5 結(jié)束語

實驗結(jié)果表明，提出的一種基于線性逼近原理的彎道車道線識別算法對環(huán)道、匝道等大曲率車道線的識別有較強的適應(yīng)性和準確性，在不同彎道曲率下均能準確識別車道線. 但文中僅對識別算法進行了初步論證，算法的優(yōu)化及實時性有待研究. 此外，車道線識別只是車道線檢測系統(tǒng)的初始化過程，為了提高系統(tǒng)的準確性和實時性，在后續(xù)工作中需對車道線跟蹤算法進行探究.

[1] 姜巖，趙熙俊，龔建偉，等.簡單城市環(huán)境下地面無人駕駛系統(tǒng)的設(shè)計研究[J].機械工程學報，2012，48(20):103-112.

Jiang Yan， Zhao Xijun， Gong Jianwei， et al. System design of self-driving in simplified urban environments[J]. Journal of Mechanical Engineering， 2012，48(20):103-112.(in Chinese)

[2] 王寶鋒，齊志權(quán)，馬國成，等.基于動態(tài)區(qū)域規(guī)劃的雙模型車道線識別方法[J].北京理工大學學報：自然科學版，2014，34(5):485-489.

Wang Baofeng， Qi Zhiquan， Ma Guocheng， et al. A lane detection system based on region dynamically planning and dual model fitting[J]. Transactions of Beijing Institute of Technology， 2014，34(5):485-489.(in Chinese)

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

[4] Borkar A， Hayes M， Smith M. A novel lane detection system with efficient ground truth generation[J]. IEEE Transaction on Intelligent Transportation Systems, 2012(13):365-374.

[5] Wang Yue， Shen Dinggang， Eamakhwang Teoh. Lane detection using spline model[J]. Pattern Recognition Letters， 2000,21:677-689.

(責任編輯：孫竹鳳)

Novel Lane Curve Detection Method Using Linear Approximation

WANG Bao-feng， QI Zhi-quan， MA Guo-cheng， CHEN Si-zhong

(School of Mechanical Engineering， Beijing Institute of Technology， Beijing 100081， China)

In order to improve the performance of lane detection for curve road, a lane detection system was presented with a linear approximation method. Based on the priori knowledge of lane geometry, some initial edge points of the lane were extracted through inverse perspective mapping and Hough transformation. Considering the initial results, a method of linear approximation was applied to search the future lane edge points. Finally, the detected points were used to rebuild the lane according to a B-spline model using least square method. Test of this system shows a promising detection result for curve lanes.

curve lane detection; linear approximation; inverse perspective mapping; Hough transformation

2014-12-17

國家自然科學基金資助項目(51005019)

王寶鋒(1987—)男，博士生，E-mail：wang_bao_feng@126.com.

齊志權(quán)(1976—)男，講師，E-mail:qizhiquan@bit.edu.cn.

U 463

A

1001-0645(2016)05-0470-05

10.15918/j.tbit1001-0645.2016.05.006