摘 要：針對夜晚環(huán)境和車道標線不明確的情況，本文提出了全新的車道檢測算法，利用道路上的車輛運行軌跡的有效統(tǒng)計來得到路面結果。實驗結果顯示此方法消減了環(huán)境因素的影響，并在現場檢測中效果明顯，適用于實時視頻監(jiān)控系統(tǒng)。

關鍵詞：跟蹤線；車道檢測；視頻監(jiān)控系統(tǒng)

中圖分類號：TP391.41

近年來，智能交通檢測系統(tǒng)在高速公路和城市交通中得到了廣泛的應用。隨著技術的進步，人工配置車道逐漸被自動檢測車道區(qū)域所代替，各種道路車道檢測方法出現。常用的車道檢測方法可分為兩類，基于特征和基于模板的方法。前者[1-2]主要是提取圖像中的特征，利用圖像的邊緣信息來檢測車道，這種方法要求車道上沒有車輛且車道標線清晰，在夜晚不能進行檢測；而后者[3-4]通過車道的模型匹配，該方法對架構明確的車道檢測效果良好，但是對于特殊的車道不能檢測。

本文提出的方法是利用道路上的過車信息，大部分車輛都會按照車道線來行駛，利用這個特性提出跟蹤線來決定車道線的具體位置，更具準確性、適用性。首先介紹了車道檢測算法的原理，然后利用多組高速公路的實際畫面來得到過車的跟蹤線數據，經過統(tǒng)計和計算分別得到車道中心線和車道寬度信息，初始得到車道信息。最后采用車道線的更新策略，保證車道線隨著時間的推移會更加準確。

1 路面車道檢測算法原理

對視頻中的車輛分兩個方向記錄每輛車的過車詳細路徑，將每一幀車輛的位置坐標，對這些數據進行統(tǒng)計，利用點坐標的前后關系以及每個點的過車頻率來推測出車道的中心線。最后利用最小二乘法來進行擬合，利用過車的車體寬度來推斷出車道的每個位置的寬度，優(yōu)化后得到最恰當的車道區(qū)域。

1.1 跟蹤線數據提取和統(tǒng)計

在視頻檢測中對于經過的有效跟蹤線進行保存，統(tǒng)計的數據包括三部分：第一部分是跟蹤線上每個點的像素坐標S（u，v），第二部分是每個跟蹤點的關系點X（u，v），第三部分是每個點上的車體的寬度用來估算車道的寬度W（u，v）。

1.2 車道中心線計算

根據1.1的統(tǒng)計結果，由于大部分車輛會根據車道行駛，第一步計算車道線高概率點，利用車道線之間的間隔來計算出道路上的車道數。最為關鍵的部分，是車道中心線的計算算法，由于圖像頂部的車道可能會出現交點，不能準確的區(qū)分，車道計算的起點從圖像底部的高概率點作為起點。利用關系點和概率點推斷上一個點，以此類推，得到整個中心線，可能呈現直線也可能會是一條曲線，利用最小二乘法進行擬合。根據公式（1）和（2）來反推得到中心線。

方向向上 （1）

方向向下 （2）

1.3 車道線寬度計算

在初始獲得中心線的位置之后，利用過車車輛的寬度對整個車道進行標定，這個標定只是簡單的計算，大致確定車道寬度。在如果分點來確定寬度可能會由于跟蹤存在偏差，圖像底部車體太大導致車體寬度是整個畫面的寬度。分析以上因素，在寬度的統(tǒng)計上也利用最小二乘法擬合，這樣就舍棄了車輛運動過程中寬度不準確的幾個點。另一個修正的要點是兩個車道不會存在交疊，當檢測到兩個或兩個以上的車道時，就可以利用兩個中心線之間的距離對車道寬度進行限制，得到更加準確的結果。

2 路面車道區(qū)域更新

以上內容介紹的是初始得到的車道區(qū)域，如果一個車道沒有車輛經過，這個車道就會漏檢，但是加入車道更新算法之后整個畫面的車道區(qū)域在后續(xù)的檢測中就會出現。在后續(xù)的更新中，中心線的位置可以利用均值進行更新，而寬度同樣可以采用1.3中的方法限制，這樣就可以保證車道區(qū)域的檢測更加準確。每次計算的結果分為更新線、相交線和完全新出現的車道線三種。出現第一種更新線的時候利用均值的方法進行更新，而完全新出現的車道加入到原來的車道信息中，相交線的出現是不合理的，如果是高速公路上不會出現相交的情況，如果連續(xù)出現，那么可能是場景移動也可能是初始的車道線學習不準確，那么從這就可以判斷出車道更新可能出錯。可以清除已學習的車道重新開始學習。

3 實驗結果

實驗中采用了三個高速公路實際的畫面，分別統(tǒng)計20條、50條、100條跟蹤線的數據，計算得到中心線，結果表明條數的增加并沒有提高準確率，所以在后面都采用20條的數據來計算和更新。如圖1、2和3所示，是初始得到車道中心線和車道寬度的結果。在圖1中最右邊的車道是應急車道，所以一般沒有車輛經過，在圖2中最左邊的車道在經過更新之后會準確的檢測到。

圖1

圖2

圖3

4 結束語

車道檢測算法一般用于視頻檢測系統(tǒng)當中，利用車輛來檢測車道方法的優(yōu)勢在于車道標線不清晰、被遮擋都沒有關系，夜晚的環(huán)境也沒有影響，這種方法在不常變道的高速路等場景中還是非常有效的。但是還是存在一些重要的影響因子，例如車輛跟蹤的準確性，只有保證準確的跟蹤線才能計算得到準確的中心線，同樣要保證大部分車輛是按照車道來行駛的。

參考文獻：

[1]Yu H. SVMC： Single-class classification with support vector machines[C].Proc of IJCAI，2003.

[2]馬瑩，李克強，徐友春等.基于改進的投影變換公式的車道識別方法[J].清華大學學報（自然科學版），2005，45（11）：1530-1533.

[3]Claudio Rosito Jung，Christian Roberto Kelber.A lane departurewarning system based on a linear-parabolic lane model[C].IEEE Intelligent Vehicles Symposium，2004：891-895.

[4]Claudio Rosito Jung，Christian Roberto Kelber.A lane departure warning system using lateral offset with uncalibrated camera[C].IEEE Conference on Intelligent Transportation Systems，2005：348-353.

作者簡介：朱成榮（1976.06-），男，現任城市交通事業(yè)部副總經理，1998年畢業(yè)于重慶大學工業(yè)自動化專業(yè)，獲工學學士學位，2007年6畢業(yè)于浙江工業(yè)大學，獲物流工程碩士專業(yè)學位，2006年10月獲中級工程師職稱，曾在《自動化博覽》上發(fā)表“城市路網和快速公路交通流的分散協(xié)調控制”一文。

作者單位：浙江浙大中控信息技術有限公司，杭州 310053