摘 要：為提高高速公路上車道線識(shí)別的快速性和魯棒性，提出了一種有效的車道線檢測(cè)與跟蹤方法。采用霍夫變換進(jìn)行車道線檢測(cè)，具有較強(qiáng)的抗干擾能力，能夠準(zhǔn)確地識(shí)別車道線。車道線跟蹤利用Kalman預(yù)測(cè)參數(shù)建立感興趣區(qū)域，然后用掃描線法搜索車道線邊界點(diǎn)，在車道線間斷區(qū)域利用Kalman預(yù)測(cè)器定位車道線邊界。由于搜索限制在預(yù)測(cè)范圍內(nèi)，提高了搜索精度，減少了搜索范圍，保證了實(shí)時(shí)性能，且對(duì)虛線車道線識(shí)別特別有效。仿真實(shí)驗(yàn)結(jié)果表明，對(duì)于不同的天氣狀況和車道線種類，該算法均有較好的識(shí)別效果。



關(guān)鍵詞：車道線檢測(cè)與跟蹤;Hough變換;Kalman預(yù)測(cè)器;感興趣區(qū)域

中圖分類號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1004-373X(2008)09-180-04

Research on Lane Detection and Tracking Algorithm of Highway



TIAN Bingxiang，ZHENG Banggui，WU Qing

(College of Electronic Information Control Engineering，Beijing University of Technology，Beijing，100022，China)



Abstract：An efficient method of lane detection and tracking is proposed to improve robustness and efficiency of lane recognition of highway.Lane detection based on Hough Transform(HT) has good robustness and can identify lane accurately.In lane tracking，the Region of Interest (ROI) is established using parameters predicted through the Kalman predictor.Then lane boundary points are searched by scan line method in ROI.The lane boundary in discontinuous area is located using Kalman predictors.The algorithm can improve searching precision，reduce the search area，and ensure real-time performance due to restricted searching area，especially for dashed lanes.Simulated experiment results show that the algorithm has good performance under different weather conditions and lane models.



Keywords：lane detection and tracking;Hough transform;Kalman predictor;region of interest

1 引 言

當(dāng)今社會(huì)，公路交通事故已經(jīng)成為人們普遍關(guān)注的問(wèn)題，尤其高速公路上發(fā)生事故的幾率正呈逐年上升的趨勢(shì)，其造成的危害也是各類交通事故中最為嚴(yán)重的。為了提高駕駛的安全性和操作的簡(jiǎn)單性，世界各國(guó)都在積極研究開(kāi)發(fā)汽車輔助駕駛系統(tǒng)。基于機(jī)器視覺(jué)的車道線檢測(cè)與跟蹤是智能車輛輔助駕駛系統(tǒng)的關(guān)鍵技術(shù)之一，他是實(shí)現(xiàn)車道偏離報(bào)警、車道保持等主動(dòng)安全功能的基礎(chǔ)。目前已經(jīng)提出了很多車道線識(shí)別方法，簡(jiǎn)單算法對(duì)于車道線大部分被遮擋、各種交通參與者存在的情況，往往出現(xiàn)誤識(shí)別；復(fù)雜算法抗干擾能力強(qiáng)，但是實(shí)時(shí)性又不好。如何準(zhǔn)確、快速地檢測(cè)車道線已成為智能車輛視覺(jué)導(dǎo)航中的一個(gè)重要問(wèn)題。

針對(duì)高速公路的特點(diǎn)以及對(duì)車道線識(shí)別的實(shí)時(shí)性和魯棒性的要求，本文提出了一種基于Hough變換(Hough Transform，HT)和Kalman預(yù)測(cè)的快速車道線檢測(cè)與跟蹤算法。采用PEST2001圖像序列(一組車輛正前方的單目圖像序列)作為測(cè)試序列(圖片大小為768×576)，取得了很好的檢測(cè)效果。

2 車道線檢測(cè)

車道線初始檢測(cè)的準(zhǔn)確性直接影響了后續(xù)跟蹤的效果，檢測(cè)算法的選擇十分關(guān)鍵。檢測(cè)算法主要分為兩步：圖像預(yù)處理和車道線識(shí)別。

2.1 圖像預(yù)處理

本文采用基于二維特征的算法，僅利用灰度特征和灰度差分特征。用3×3的滑動(dòng)窗口進(jìn)行中值濾波，保留細(xì)節(jié)，去除干擾噪聲，再根據(jù)圖像灰度直方圖進(jìn)行灰度變換，提高對(duì)比度，然后利用大津自動(dòng)閾值分割法自適應(yīng)求得圖像閾值，最后用卷積核為



012－101－2－10

和

－2－10－101012

的Sobel邊緣檢測(cè)算子檢測(cè)車道線邊界點(diǎn)，得到二值圖像。這種卷積核的優(yōu)點(diǎn)是增強(qiáng)45°和135°方向的邊界線，同時(shí)可以消除其他方向邊界線，減少其他物體邊緣對(duì)于車道線識(shí)別的干擾。

2.2 車道線識(shí)別

2.2.1 建立車道線模型

高速公路屬于結(jié)構(gòu)化道路，其車道線的檢測(cè)與跟蹤需基于以下假設(shè)：

(1) 車道線直線性假設(shè)：在文獻(xiàn)［1-3］中分別采用多項(xiàng)式曲線、回旋曲線和樣條曲線匹配車道線，這些方法受到模型的影響很大，而且曲線擬合的運(yùn)算相對(duì)復(fù)雜，在有陰影等干擾下可能失效。由于高速公路的特點(diǎn)，車輛大部分時(shí)間是行駛在直線車道上，在高速公路上即使有彎道，彎道的曲率也很小，可近似當(dāng)作直線車道處理。

(2) 車道線連續(xù)性假設(shè)^[4]：對(duì)于虛線車道線，假設(shè)其間斷區(qū)域也存在虛擬的邊緣點(diǎn)，將虛線車道線當(dāng)作連續(xù)的車道線來(lái)處理。

(3) 邊緣點(diǎn)位置的可預(yù)測(cè)性假設(shè)：對(duì)序列圖像進(jìn)行實(shí)時(shí)處理，由于車速較高，連續(xù)采集的兩幀圖像中車道線位置偏差不會(huì)太大，邊緣點(diǎn)位置具有可預(yù)測(cè)性。

2.2.2 Hough變換檢測(cè)車道線

HT是一種依據(jù)全局統(tǒng)計(jì)信息的直線提取方法，他基于圖像空間點(diǎn)向參數(shù)空間對(duì)應(yīng)位置投票累加并搜索參數(shù)空間峰值獲得直線方程。

HT的基本原理如圖1所示。式(1)為圖1(a)，(b)的直線方程，式(2)為該直線對(duì)應(yīng)的極坐標(biāo)表示，其中(ρ，θ)定義了一個(gè)從原點(diǎn)到直線上最近點(diǎn)的向量?？梢钥闯鰔，y平面上的任意一點(diǎn)對(duì)應(yīng)于ρ，θ平面上的一條正弦曲線，x，y平面上的任意一條直線對(duì)應(yīng)ρ，θ平面上的一個(gè)點(diǎn)，如圖1(b)，(c)所示。



y=kx+b

(1)

ρ=xcos θ+ysin θ

(2)



圖1 Hough變換原理

為了找到x，y平面上的直線，可以將ρ，θ空間量化成等間隔的小直網(wǎng)格，這個(gè)直網(wǎng)格對(duì)應(yīng)一個(gè)計(jì)數(shù)陣列，每個(gè)小格對(duì)應(yīng)一個(gè)計(jì)數(shù)陣元。根據(jù)式(2)每一個(gè)(x0，y0)點(diǎn)對(duì)應(yīng)ρ，θ平面上的一條曲線，這條曲線所經(jīng)過(guò)的小格，對(duì)應(yīng)的計(jì)數(shù)陣列元素加1。于是計(jì)數(shù)陣元的數(shù)值等于通過(guò)對(duì)應(yīng)小格的曲線的數(shù)目。根據(jù)攝像機(jī)的安裝位置和投影理論，路面區(qū)域均位于圖像的下半平面，為了減少計(jì)算量，避免道路背景中復(fù)雜的自然景物對(duì)車道線識(shí)別的影響，在檢測(cè)模塊中將感興趣區(qū)域取為圖像下半部分。遍歷感興趣區(qū)域中的全部(x，y)點(diǎn)，對(duì)小格進(jìn)行檢驗(yàn)，大計(jì)數(shù)值的小格對(duì)應(yīng)于共線點(diǎn)，其(ρ，θ)可用做直線擬合參數(shù)。其中小計(jì)數(shù)值的小格則認(rèn)為是孤立點(diǎn)，不構(gòu)成直線，應(yīng)該去除。

用Hough變換識(shí)別車道線，抗噪性能強(qiáng)，對(duì)直線斷裂、局部遮擋等缺陷不敏感，能將斷開(kāi)的邊緣連接起來(lái)，非常適合用于檢測(cè)不連續(xù)的車道線。

3 車道線跟蹤

由于序列圖像的時(shí)空連續(xù)性，連續(xù)兩幀圖像的車道線位置偏差不會(huì)太大，利用相鄰幀之間車道線位置具有的相關(guān)性，可以用前一幀圖像獲得的信息指導(dǎo)下一幀車道線的檢測(cè)，提高處理速度和魯棒性，這就是車道線跟蹤。

3.1 基于Kalman預(yù)測(cè)器動(dòng)態(tài)建立感興趣區(qū)域(ROI，Region of Interest)

本文將車道線檢測(cè)模塊檢測(cè)到的車道線參數(shù)作為Kalman預(yù)測(cè)器的狀態(tài)變量的初始值，可防止預(yù)測(cè)器發(fā)散。由于誤差協(xié)方差矩陣可以隨著圖像動(dòng)態(tài)更新，可以給他一個(gè)較大的初值。3.2 掃描線法搜索車道線邊界點(diǎn)

以左邊車道線為例，在如圖3所示的左邊車道線的ROI中采用掃描線法搜索車道線邊界點(diǎn)，其基本思路是從圖像的最下邊界開(kāi)始搜索，在同一條掃描線上，以直線(kldown，bldown)上的點(diǎn)作為起始點(diǎn)向左搜索，直到搜索到第一個(gè)邊界點(diǎn)，然后再進(jìn)入上一行掃描線繼續(xù)進(jìn)行搜索；對(duì)于虛線車道線，由于存在間斷區(qū)域，可能在ROI內(nèi)都沒(méi)有搜索到邊界點(diǎn)，則采用Kalman預(yù)測(cè)器預(yù)測(cè)的當(dāng)前幀車道線參數(shù)來(lái)估計(jì)邊界點(diǎn)的位置，并將此位置作為當(dāng)前掃描行中車道線邊界；如果在圖像的某一行沒(méi)有搜索到車道線邊界點(diǎn)，同時(shí)又沒(méi)有預(yù)測(cè)的邊界點(diǎn)時(shí)，則舍棄記錄該行邊界點(diǎn)位置。由于采用Kalman預(yù)測(cè)器來(lái)預(yù)測(cè)車道線邊界點(diǎn)位置，減少了搜索范圍，提高了車道線識(shí)別的實(shí)時(shí)性和魯棒性。搜索算法流程圖如圖4所示。

3.3 失效判別模塊

當(dāng)受到嚴(yán)重干擾時(shí)，如車道線受前方行駛車輛遮擋很嚴(yán)重，或者在車輛換道、轉(zhuǎn)彎時(shí)，算法會(huì)產(chǎn)生較大誤差甚至失效。因此，系統(tǒng)加入算法失效判別模塊，一旦判定算法失效則啟動(dòng)車道線檢測(cè)模塊對(duì)車道線進(jìn)行識(shí)別。本文判定算法失效方法如下：

(1) 當(dāng)前幀的車道線信息與上一幀比較發(fā)生突變(一般認(rèn)為直線的斜率和截距的變化量不應(yīng)超過(guò)某個(gè)閾值，否則認(rèn)為車道線的信息發(fā)生突變)則認(rèn)為算法失效。

(2) 在ROI中檢測(cè)到車道線的實(shí)際邊界點(diǎn)數(shù)目若小于某個(gè)閾值，則認(rèn)為算法失效。

(3) 判斷車道線置信度，包括車道線的平行度、寬度等，如果低于置信度指標(biāo)，則認(rèn)為算法失效。

圖3 感興趣區(qū)域示意圖(二)

圖4 搜索算法流程

4 實(shí)驗(yàn)結(jié)果

車道線檢測(cè)與跟蹤算法流程圖如圖5所示。算法啟動(dòng)后，前幾幀圖像用車道線檢測(cè)模塊進(jìn)行識(shí)別，對(duì)檢測(cè)到的車道線置信度進(jìn)行確認(rèn)，包括車道線的平行度、寬度等，如果通過(guò)置信度檢測(cè)，則進(jìn)入車道線跟蹤模塊。

車道線跟蹤模塊首先進(jìn)行圖像預(yù)處理(與車道線檢測(cè)模塊相同)得到二值圖像，然后通過(guò)Kalman預(yù)測(cè)器預(yù)測(cè)的參數(shù)動(dòng)態(tài)建立ROI，在ROI中搜索車道線邊界點(diǎn)，用最小二乘法擬合車道線，將得到的車道線參數(shù)送入Kalman預(yù)測(cè)器，預(yù)測(cè)下一幀車道線參數(shù)，再進(jìn)入判別模塊判斷算法是否失效，如果沒(méi)有失效則繼續(xù)用跟蹤算法處理下一幀圖像，否則轉(zhuǎn)到車道線檢測(cè)模塊進(jìn)行處理。

車道線檢測(cè)和跟蹤算法仿真實(shí)驗(yàn)結(jié)果如圖6所示。

本算法使用VC++6.0編程實(shí)現(xiàn)，進(jìn)行了大量仿真實(shí)驗(yàn)，選取其中的600幀虛線車道線圖像序列進(jìn)行分析。前6幀用車道線檢測(cè)模塊進(jìn)行識(shí)別，然后進(jìn)入跟蹤模塊，直到第299幀跟蹤算法都能準(zhǔn)確地識(shí)別車道線，到第300幀時(shí)出現(xiàn)偏差，到第400幀偏差很大，系統(tǒng)自動(dòng)啟動(dòng)檢測(cè)模塊，則第401幀能很好地識(shí)別車道線，之后系統(tǒng)又能很好地進(jìn)行車道線跟蹤。在檢測(cè)模塊一幀圖像處理時(shí)間大概70 ms，跟蹤模塊平均運(yùn)行時(shí)間在38 ms左右。由仿真結(jié)果可看出本算法基本滿足高速公路上汽車輔助駕駛系統(tǒng)的實(shí)時(shí)性和魯棒性要求。

圖5 車道線檢測(cè)與跟蹤算法流程圖

5 結(jié) 語(yǔ)

本文在車道線檢測(cè)模塊采用Hough變換識(shí)別車道線，具有準(zhǔn)確性和魯棒性的優(yōu)點(diǎn)。在跟蹤模塊利用Kalman預(yù)測(cè)參數(shù)動(dòng)態(tài)建立ROI，采用掃描線法搜索邊界點(diǎn)，

有效解決車道線識(shí)別中計(jì)算量大和由于CCD抖動(dòng)或路面不平等隨機(jī)因素的影響，提高了車道線識(shí)別的快速性和魯棒性，尤其對(duì)虛線車道線檢測(cè)具有很好的識(shí)別效果。由于加入算法失效判別模塊，系統(tǒng)能及時(shí)處理跟蹤算法失效的情況，更適合于實(shí)際應(yīng)用。

圖6 車道線識(shí)別仿真結(jié)果

參 考 文 獻(xiàn)

［1］Kenue K S Lanelok.An Algorithm for Extending the Lane Sensing Operating Range to 100 Feet ［J］.Mobile Robots V，1990:222-233.



［2］Redmill K A，Upadhya S，Krishnamurthy A.A Lane Tracking System for Intelligent Vehicle Applications ［J］.IEEE，2001:273-279.



［3］Wang Yue，Shen Dinggang，Teoh E K.Lane Detection Using Spline Model ［J］.Pattern Recognition Letters，2000，21:677-689.



［4］董因平，高振海．基于統(tǒng)計(jì)預(yù)測(cè)的車道邊緣點(diǎn)搜索算法［J］．微計(jì)算機(jī)應(yīng)用，2004，25(3):348-352，356.



［5］游峰．智能車輛自動(dòng)換道與自動(dòng)超車控制方法的研究［D］．吉林：吉林大學(xué)，2005.



［6］鄧自立.最優(yōu)估計(jì)理論及其應(yīng)用——建模、濾波、信息融合估計(jì)［M］.哈爾濱：哈爾濱工業(yè)大學(xué)出版社，2005.



作者簡(jiǎn)介

田炳香 女，1982年出生，河北滄州人，碩士研究生。從事機(jī)器視覺(jué)、圖像處理、多傳感器融合方面的研究。

注：本文中所涉及到的圖表、注解、公式等內(nèi)容請(qǐng)以PDF格式閱讀原文。