葛平淑,徐國凱,宮長明,趙秀春
(大連民族學院機電信息工程學院,遼寧大連 116605)
高速公路彎道是交通事故的多發(fā)路段,其事故發(fā)生概率大且事故嚴重程度高。單位里程的公路,彎道上的事故次數(shù)明顯高于直線路段發(fā)生的事故數(shù),這是因為車輛在彎道路段易發(fā)生側(cè)滑甚至側(cè)翻。根據(jù)《中華人民共和國道路交通事故統(tǒng)計年報》,2006年,彎道路段發(fā)生的事故數(shù)量占全部交通事故的9.31%,從事故嚴重程度來看,受傷人數(shù)和死亡人數(shù)分別占事故總?cè)藬?shù)的11.2%和12.23%,直接經(jīng)濟損失占全部交通事故損失的11.47%。因此,保證車輛在高速公路彎道路段的行駛安全性至關重要,對于汽車安全輔助駕駛技術而言,能夠準確識別彎道邊界并判斷道路彎曲方向是實現(xiàn)車道偏離預警、車道保持等主動安全功能的技術關鍵。
目前,國內(nèi)外彎道檢測的相關研究主要采用基于道路模型的檢測方法,常見的道路模型主要有二項式模型[1]、拋物線模型[2]、雙曲線模型[3]、直線 -拋物線模型[4]、廣義曲線模型[5]等。文獻[1-5]均采用基于道路模型的傳統(tǒng)方法,研究了彎道分道線的檢測提取算法。該方法大致可分為兩個基本步驟:一是建立道路的曲線模型,二是求解模型的數(shù)學參數(shù)。上述傳統(tǒng)方法對特定的結(jié)構(gòu)化道路或等級較高的公路有較好的檢測效果,但一種車道模型很難普遍應用于多種不同的道路,適用性較差。在國內(nèi),曲線道路邊界的識別技術還不成熟,主要原因在于曲線識別的模式復雜、情況多樣、道路模型難以統(tǒng)一,并且由于算法的復雜性,很難滿足準確性和實時性的要求[6]。因此,本文提出了一種基于特征點提取的彎道車道線檢測新算法,在提取車道線直線段上的特征點后,根據(jù)道路彎曲方向提取曲線段上的特征點,并對車道線候選特征點進行濾波,最終逐點連線分段擬合出彎道車道線。該方法主要基于以下考慮:①彎道圖像的近景部分可以近似看成是直線道路;②由微分法可知,長度很短的曲線段,可看成是直線段[7]。另外,文中方法與基于道路模型的傳統(tǒng)方法的區(qū)別在于,省略了曲線模型建立和數(shù)學參數(shù)求解的復雜過程,通過依次連接車道線特征點,分段擬合實現(xiàn)彎道的識別和二維重建,算法簡單、實時性高,且普遍適用于一般等級的高速公路彎道路段。
車輛在行駛時需要的周圍道路環(huán)境信息,是通過機器視覺傳感器來獲取的。在車輛的正前方安裝CCD圖像傳感器獲取視覺信息,得到一系列數(shù)字圖像。本實驗用VC++驅(qū)動彩色光學CCD圖像傳感器獲取圖像并對圖像進行預處理,最后轉(zhuǎn)換為二值圖。
首先對彩色圖像進行灰度化處理,再采用雙邊濾波對灰度圖像進行平滑,選用基于大津法的自適應閾值算法[8]進行閾值分割,然后將分割所得二值圖和濾波所得灰度圖進行邏輯與運算,這樣在對圖像進行二值化的同時保留了原圖和背景中相同的部分,去除了不同的部分。實驗證明,用上述方法對圖像進行預處理,能夠?qū)⒌缆愤吔巛^清晰的突顯出來,且對不同的光照條件和天氣變化具有良好的適應性。實驗結(jié)果如圖1,(a)為原始圖像,(b)為對應預處理后的圖像。從左往右依次為正常光照、陰影遮蓋和陰雨干擾下的道路圖像。
圖1 圖像預處理結(jié)果
根據(jù)CCD的標定參數(shù)及其視距,參考高速公路設計和建設標準,從大量的實驗道路圖像中得出結(jié)論:車輛前方40 m視距以內(nèi)的彎道分道線在圖像上都可近似為直線[9]。由實驗道路圖像可知,在大多數(shù)情況下該近似模型都能成立。通過上述分析可建立如圖2的彎道模型。
圖2 彎道模型
在準確識別彎道邊界的基礎上,為縮短車道線識別的時間,本文提出了一種基于特征點提取的彎道標志線識別算法。該算法首先利用Hough變換獲得左、右車道線的兩直線方程;接著分別確定對應車道線直線段上的特征點;然后按照文中給出的判斷準則求解道路的彎曲方向;從而根據(jù)彎道方向搜索曲線段上的特征點,并對車道線候選特征點進行濾波;最終逐點連線分段擬合當前車道線,進而實現(xiàn)車道線的二維重建。整個算法的流程如圖3。
圖3 彎道標志線識別算法流程圖
彎道分道線的近似直線段一般位于道路圖像的下半?yún)^(qū)域,因此,將圖像下方1/2區(qū)域定為預搜索區(qū)域。這樣可減少圖像控件中被投票的目標點數(shù),縮小Hough變換的投票空間,在一定程度上提高算法的實時性和穩(wěn)定性。
在此基礎上,為縮小搜索范圍,減少算法時間,文中將左、右車道線的檢測分開處理。由經(jīng)驗可知,左車道線的直線傾角angleleft一般小于90°,而右車道線的直線傾角angleright通常情況下為90°~180°。為進一步減少搜索時間,對近百幀不同道路環(huán)境下圖像的試驗結(jié)果進行統(tǒng)計分析,最終將 angleleft確定在40°~70°之間,同 時 將 angleright確定為 110°~160°,上下浮動各5°。此時,左、右車道線的斜率分別設為kl、kr,如圖4,其中(a)為左車道線模型,(b)為右車道線模型。
圖4 車道線模型
本文采用上述Hough變換方法對Sobel算子運算后的圖片進行處理,通過比較提取Hough變換后參數(shù)平面上的峰值點,由此分別獲得圖像中左、右車道線直線段的方程。
根據(jù)左、右車道線直線段的方程,可分別確定道路圖像中兩車道線的最低點pointbottom和最高點pointtop,即車道線直線段的特征點。一般情況下,在圖像中左車道最低點的橫坐標為0,最高點的縱坐標為0,對右車道而言,最低點的縱坐標通常為圖像最大高度Height,最高點的橫坐標為0。直線段上特征點的確定示意圖如圖5。
圖5 直線段特征點的確定
另外,為保證直線上段特征點提取的準確性,這里考慮了特征點溢出圖像的情況。左車道線特征點的溢出情況如圖6。其中,圖(a)為最低點pointbottom溢出的情況,此時理論上的最低點應為A1,但由于A1超過圖像的最大高度,溢出圖像邊界,故需將實際最低點設定為該車道線與圖像最大高度處的交點A2;圖(b)則表示最高點pointtop溢出的情況,此時B1應為理論最高點,但鑒于B1已超過圖像的最大寬度,因此將該車道線與圖像最大寬度處的交點B2定為實際最高點。同時,右車道線特征點的溢出情況如圖7。其中,圖(a)表示最高點 pointtop溢出,圖(b)表示最低點pointbottom溢出。同理,此時需將C2設定為右車道線的實際最高點,D2設定為右車道線的實際最低點。在獲得左、右車道線的兩直線方程后,兩直線的交點pointmeet也隨之確定。
圖6 左車道線特征點溢出情況
圖7 右車道線特征點溢出情況
(1)初步確定兩車道線的候選拐點。將車道線最低點pointbottom與兩車道線直線部分交點pointmeet間的直線段設為預搜索區(qū)域,從最低點處按規(guī)定步長從下往上依次掃描。當滿足設定的停止準則時,搜索停止,此時的像素點可初步確定為該車道線上直線段與曲線段的交點,即所謂的拐點pointtemp。實驗中當搜索到一個黑色像素點,且已搜索到的白色像素點大于指定數(shù)量時,搜索停止。若任一車道線的拐點不能按上述搜索條件確定,則令該車道線拐點的縱坐標與另一已知車道線拐點的縱坐標相等,從而初步確定該車道線的拐點。
(2)對車道線候選拐點進行濾波。為保證定位準確需對上述所得的車道線候選拐點進行濾波,方法為:首先確定實驗圖像中左、右車道線候選拐點中的較高點,將該點與另一車道線候選拐點間的直線段作為濾波區(qū)域,然后在該區(qū)域自上而下依次掃描,當搜索到第一個白色像素點時,停止搜索,此像素點即為濾波后所得的該車道線的準確拐點。
(3)判斷車道線彎曲方向。將左、右車道線的拐點pointtemp與兩車道線直線段交點pointmeet間的區(qū)域設為搜索區(qū)域,分別在各車道線區(qū)域從下往上掃描,在圖像每一行中,從對應車道線直線方程上的點開始,分別向左、右兩側(cè)各遍歷5列,并統(tǒng)計直線段兩側(cè)白色像素點的個數(shù)。其中,將左車道線左、右兩側(cè)白色像素點的個數(shù)分別記為numll、numlr,同時將右車道線左、右兩側(cè)白色像素點個數(shù)分別記為numrl、numrr。
其中N為常數(shù),試驗中設為10。
車道線彎曲方向求解的流程圖如圖8。
圖8 車道線彎曲方向求解流程圖
在已知車道線彎曲方向和車道線拐點的前提下,設定曲線段上特征點的搜索準則:從當前車道線直線方程上的點開始,向該車道的彎曲方向遍歷N列,當搜索到第一個白色像素點時停止掃描,實驗以此確定各車道線曲線段的特征點。例如,如果當前車道是左彎道,在各車道線拐點point-temp與兩車道線直線部分的交點pointmeet間從下往上依次掃描,在圖像每一行中,從對應車道線直線方程上的點開始,向左遍歷10列,當搜索到第一個白色像素點時,即停止搜索。此點即為左彎道對應曲線段在該行的像素點。另外,根據(jù)大量試驗得出,此時兩直線段交點pointmeet的縱坐標不應小于0.4倍圖像高度。由上述方法同理可得右彎道分道線上曲線段的系列特征點。
在這里,試驗也沒有采用傳統(tǒng)方法中先根據(jù)求解所得的數(shù)學參數(shù)確定道路曲線模型,再對車道線建立對應曲線模型進行二維重建[10]的模式,而是調(diào)用OpenCV庫的cvLine函數(shù)依次連接車道線特征點,分段擬合并重建當前車道的直線段和曲線段。由于車道線各相鄰特征點距離僅1-2個像素,根據(jù)微分原理可得到相對平滑的分道線曲線。
為了測試文中方法的準確性和魯棒性,試驗使用性能為 AMD Sempron(tm)×2、2.41GHz CPU、1.0G內(nèi)存的PC機對道路圖像進行測試,圖像大小為320*240(像素)。實驗對不同形狀車道線的識別結(jié)果進行統(tǒng)計分析,統(tǒng)計結(jié)果見表1。
表1 對不同形狀道路識別實驗結(jié)果統(tǒng)計
結(jié)果表明,該算法不僅能準確識別不同形狀的彎道車道線,而且對直線車道也有良好的識別效果,平均識別率約為91.72%。不同車道線形狀下的車道識別結(jié)果如圖9,上行為原始圖像,下行為識別結(jié)果,圖像上綠色線段為車道線重建結(jié)果,紅色文字表示車道線彎曲方向。
圖9 不同車道線形狀下車道識別結(jié)果
另外,對文中方法與基于道路模型的傳統(tǒng)方法的實時性進行了比較,實驗結(jié)果表明,其算法時間較傳統(tǒng)方法減少了27 ms,同時識別準確率提高了20%。隨機抽取150幀320*240的彎道圖像進行試驗后的統(tǒng)計結(jié)果見表2。為進一步驗證文種方法的有效性,實驗又選取了部分存在不同干擾的道路圖像進行測試,識別結(jié)果現(xiàn)舉例如圖10,上行為原始圖像,下行為識別結(jié)果。
表2 兩種方法的實驗比較
圖10中,(a)列是存在地面路標干擾時的原圖和識別結(jié)果,(b)列有大面積陰影遮蓋的原圖和識別結(jié)果,(c)列為存在車道線遮擋時的原圖和識別結(jié)果,(d)列是陰雨天氣下的原圖和識別結(jié)果。從識別結(jié)果可以看出該方法識別虛線型分道線的有效性。
圖10 不同干擾下車道線識別結(jié)果
為降低高速公路彎道處的交通事故發(fā)生率,研究了一種基于特征點提取的高速公路彎道識別算法,采用準確提取車道線直線段和曲線段上各相關特征點的方法,逐點連線分段擬合從而實現(xiàn)彎道路段分道線的識別與重建。通過對大量的道路圖像進行驗證測試,在多數(shù)情況下,該算法都能準確區(qū)分彎道的方向,而且計算復雜度均在應用要求規(guī)定的范圍內(nèi),但該算法僅限于識別當前車輛所在車道的分道線。為保證車輛在高速公路變換車道時的安全性,需改進文中方法以實現(xiàn)多車道分道線的檢測與重建。另一方面,為實現(xiàn)彎道路段的車道偏離預警,還需要實時計算彎道的曲率半徑,進而結(jié)合控制理論確定車輛在彎道處的臨界安全車速和合適的汽車方向盤轉(zhuǎn)角,以此提高駕駛的安全性。這將作為下一步研究的重點。
[1]CHIU K Y,LIN S F.Lane detection using color-based segmentation[C]∥Proceedings of IEEE Intelligent Vehicles Symposium,Washington,DC:IEEE,2005:706-711.
[2]WANG Y F,DAHNOUN N,ACHIM A.A novel system for robust lane detection and tracking[J].Signal Processing,92(2012),319-334.
[3]KHALIFA O O,KHAN I M,ASSIDIQ A M.A hyperbola-pair based lane detection system for vehicle guidance[C] ∥World Congress on Engineering and Computer Science,San Francisco,CA,2010:585 -588.
[4]JUNG L R,KELBER C R.A lane departure warning system based on a linear- parabolic lane model[C]∥IEEE Intelligent Vehicles Symposium,2004:891-895.
[5]劉富強,張姍姍,朱文紅,等.一種基于視覺的車道線檢測與跟蹤算法[J].同濟大學學報:自然科學版,2010,38(2):223 -229.
[6]馬雷,武波濤,李昊.基于蟻群算法的彎曲道路邊界的識別[J].兵工學報,2009,30(9):1236 -1241.
[7]許波文,張建明,劉志強.基于分段歸類擬合算法的車道檢測系統(tǒng)[J].計算機工程與設計,2009,(30)20:4766-4769.
[8]管欣,賈鑫,高振海.基于道路圖像對比度-區(qū)域均勻性圖分析的自適應閾值算法[J].吉林大學學報:工學版,2008,38(4):758 -763.
[9]劉濤,黃席樾,周欣,等.高速公路彎道識別算法[J].重慶大學學報:自然科學版,2003,26(7):24-27.
[10]高德芝,段建民,楊磊,等.應用多階動態(tài)規(guī)劃的車道線識別方法[J].機械工程學報,2011,47(8):141-145.
(責任編輯 劉敏)