陳 濤，張洪丹，陳 東，譚 純

(湖南大學(xué)，汽車車身先進(jìn)設(shè)計(jì)制造國(guó)家重點(diǎn)實(shí)驗(yàn)室，長(zhǎng)沙 410082)

2016032

基于優(yōu)先像素與卡爾曼濾波追蹤的車道線檢測(cè)*

陳 濤，張洪丹，陳 東，譚 純

(湖南大學(xué)，汽車車身先進(jìn)設(shè)計(jì)制造國(guó)家重點(diǎn)實(shí)驗(yàn)室，長(zhǎng)沙 410082)

針對(duì)車道線檢測(cè)不能滿足實(shí)時(shí)性與魯棒性要求的問題，提出了一種新的車道線檢測(cè)方法?；赗，G和B三原色在灰度圖像中所占比例的多樣性、車道線與道路的亮度差，將黃色、白色像素作為優(yōu)先像素處理。首先通過圖像的形態(tài)學(xué)禮帽算法去除大量噪聲，再經(jīng)最大類間方差法(OTSU)將圖像二值化，最終通過輪廓的篩選標(biāo)注車道線，后續(xù)視頻幀采用卡爾曼濾波追蹤處理，確定新的感興趣區(qū)域。本算法大大減少數(shù)據(jù)計(jì)算量，提高了處理效率，同時(shí)正確提取感興趣區(qū)域，提高了算法的魯棒性，降低車道線檢測(cè)的誤檢率。

車道檢測(cè)；偏離車道；優(yōu)先像素；最大類間方差法；卡爾曼濾波追蹤

前言

隨著汽車工業(yè)的發(fā)展，高速公路交通事故也呈現(xiàn)出增長(zhǎng)的趨勢(shì)，調(diào)查報(bào)告顯示，50%的交通事故是由車道偏離引發(fā)的。軌道偏離預(yù)警系統(tǒng)能在駕駛員由于疲勞駕駛而偏出車道的時(shí)候提前報(bào)警，提醒駕駛員回到正常行駛的車道內(nèi)，促進(jìn)安全駕駛。

目前，基于視覺的軌道偏離預(yù)警系統(tǒng)[1-3]占主導(dǎo)地位，通過對(duì)視頻幀的處理，提取車輛與道路的位置關(guān)系，判斷是否偏離車道。基于視覺的軌道偏離預(yù)警系統(tǒng)由兩大模塊組成：(1)視頻處理模塊，通過攝像頭采集圖片，經(jīng)主控制器處理，提取車道線信息；(2)控制策略模塊，通過車道線信息判斷是否偏離車道。其中視頻處理模塊為軌道偏離預(yù)警系統(tǒng)的核心模塊。準(zhǔn)確提取車輛與車道線的位置信息，才能使軌道偏離預(yù)警系統(tǒng)精確預(yù)警。

車道線檢測(cè)方法[2-3]大都是通過大量的計(jì)算來實(shí)現(xiàn)車道線檢測(cè)，其中包括轉(zhuǎn)換灰度圖像、濾波、邊緣檢測(cè)和Hough變換，通過層層過濾，噪聲得到了有效的去除。最終精確地提取車道線。但是大量的處理過程必然導(dǎo)致計(jì)算耗時(shí)增加而影響系統(tǒng)的實(shí)時(shí)性。

實(shí)時(shí)性可以通過提高運(yùn)行速度和減少數(shù)據(jù)計(jì)算量?jī)煞N方式實(shí)現(xiàn)。運(yùn)行速度的提高對(duì)硬件的要求也會(huì)相應(yīng)提高，在同樣硬件配置下只有通過減少計(jì)算量來實(shí)現(xiàn)實(shí)時(shí)性。同時(shí)，數(shù)據(jù)計(jì)算量的減少，導(dǎo)致系統(tǒng)在應(yīng)對(duì)復(fù)雜工況時(shí)的魯棒性急劇下滑，從而導(dǎo)致車道線誤檢現(xiàn)象的發(fā)生。目前車道線檢測(cè)算法，有些采取固定的感興趣區(qū)域[2-3]，因而不能根據(jù)不同的環(huán)境做出調(diào)整，穩(wěn)定性不強(qiáng)，耗時(shí)長(zhǎng)。

為了精確提取出車道線，必須同時(shí)兼顧少的數(shù)據(jù)計(jì)算量和高的系統(tǒng)魯棒性。本文中提出一種使用卡爾曼濾波器追蹤的方法動(dòng)態(tài)地確定感興趣區(qū)域(平行于車道線的周圍區(qū)域)。根據(jù)車道線位置的不同，動(dòng)態(tài)確定包含有車道線的感興趣區(qū)域，能提高車道線提取的魯棒性，同時(shí)，處理的數(shù)據(jù)減少，保證了算法的實(shí)時(shí)性。

1 車道線檢測(cè)算法流程

針對(duì)傳統(tǒng)車道線檢測(cè)算法在兼顧算法的實(shí)時(shí)性和魯棒性方面存在不足，提出了一種新的車道線檢測(cè)算法，彌補(bǔ)了邊緣檢測(cè)算子車道線檢測(cè)穩(wěn)定性方面的不足，同時(shí)放棄使用在直線檢測(cè)方面計(jì)算量較大，耗時(shí)較長(zhǎng)的Hough變換。

通過圖像形態(tài)學(xué)禮帽算法[3]與優(yōu)先像素凸顯車道線在道路背景下的亮度，在真彩圖轉(zhuǎn)換到灰度圖過程中不是通過固定公式灰度化，而是將真彩圖像分解為3個(gè)單通道圖像單獨(dú)處理，保留優(yōu)先像素的優(yōu)勢(shì)，然后通過OTSU算法[4]得到的閾值，將灰度圖像二值化，進(jìn)而通過輪廓的篩選，保留符合車道線特征的輪廓，最終通過對(duì)車道線輪廓邊緣點(diǎn)的擬合標(biāo)注車道線，成功提取出車道線，之后根據(jù)車道線的參數(shù)信息，通過卡爾曼濾波器追蹤感興趣區(qū)域，如果出現(xiàn)連續(xù)追蹤不到車道線，則跳出追蹤模式，重新回到最初的感興趣區(qū)域，在提取出車道線后再次回到追蹤模式，以此循環(huán)交替。

本文中的算法以擬合車道線輪廓邊緣點(diǎn)來標(biāo)注車道線替換了耗時(shí)較多的Hough變換尋找車道線的方法。通過提取優(yōu)先像素的方法取代了灰度圖濾波和邊緣檢測(cè)等方法。同時(shí)在感興趣區(qū)域的選取方面，最初的感興趣區(qū)域選取目的是為了穩(wěn)定地提取車道線，但是在實(shí)時(shí)性方面存在欠缺；而卡爾曼濾波器追蹤到的感興趣區(qū)域，在魯棒性方面存在不足。兩者的結(jié)合兼顧了算法的實(shí)時(shí)性與魯棒性。算法流程如圖1所示。

2 感興趣區(qū)域的確定

2.1 最初感興趣區(qū)域的確定

感興趣區(qū)域的選取在算法當(dāng)中起著舉足輕重的作用，它直接關(guān)系到檢測(cè)算法能否滿足實(shí)時(shí)性要求。而車道線是否包括在感興趣區(qū)域內(nèi)，直接涉及到算法的魯棒性。

調(diào)整攝像機(jī)的外部參數(shù)，使選取的圖像感興趣部分為道路部分，如圖2所示，感興趣區(qū)域即框選部分區(qū)域。且給定圖像感興趣區(qū)域的大小{w,h}。通過對(duì)道路部分圖像處理，得到最初的車道線并提取車道線的信息，為后續(xù)跟蹤感興趣區(qū)域的劃定奠定基礎(chǔ)。

對(duì)于感興趣區(qū)域的確定方法，劃分最初的感興趣區(qū)域?yàn)榈缆凡糠蛛m保證算法的魯棒性，但存在處理速度慢的不足，因此，提出了卡爾曼跟蹤模式下的感興趣區(qū)域的概念，目的是在保證算法穩(wěn)定的前提下，提高算法的運(yùn)行速度。

2.2 追蹤時(shí)感興趣區(qū)域的確定

經(jīng)過最初的感興趣區(qū)域的處理，提取出最初的車道線后，可以根據(jù)車道線參數(shù)信息(斜率、起始點(diǎn)坐標(biāo)等)，利用卡爾曼濾波器追蹤車道線[5-6]確定感興趣區(qū)域(如圖3所示，灰色區(qū)域?yàn)樽粉櫮Ｊ较碌母信d趣區(qū)域)，能減少數(shù)據(jù)的計(jì)算量，減少計(jì)算時(shí)間。然而在車輛變道等車道線突變的情況下，由于卡爾曼追蹤靈敏度的不足，可能出現(xiàn)追蹤失敗的情況，在這種情況下，系統(tǒng)會(huì)在兩種感興趣區(qū)域模式下轉(zhuǎn)換，以利用感興趣區(qū)域兩種模式下的優(yōu)勢(shì)，摒棄其不足。

3 車道線識(shí)別

3.1 圖像形態(tài)學(xué)處理

圖像形態(tài)學(xué)廣泛運(yùn)用在圖像處理中，形態(tài)學(xué)操作中的禮帽處理由膨脹和腐蝕兩種基本算法組成，運(yùn)用禮帽算法可凸顯車道線在道路背景中的位置，增加目標(biāo)與背景之間的亮度差，以提高車道線與背景的辨別度。首先將24位真彩圖片拆分成R和G單通道圖像，分別進(jìn)行禮帽處理，以凸顯車道線的亮度。

最初感興趣區(qū)域部分(道路部分)，即使在存在陰影或其它干擾的情況下，車道線的亮度也會(huì)高于周圍的亮度，所以在此采用圖像形態(tài)學(xué)的禮帽處理，即通過原圖src與原圖開運(yùn)算open(src)作差值運(yùn)算，凸顯出車道線的亮度，減少噪聲的影響，如圖4所示。

禮帽處理后的圖像為

TopHat(src)=src-open(src)

(1)

3.2 確定優(yōu)先像素

對(duì)于感興趣區(qū)域，基于車道線的像素值一般大于背景的像素值，提取前50%亮度的像素作第一次優(yōu)先處理，即50%處的像素值f(x0,y0)為閾值Ts，像素值大于閾值的保持原值不變，小于閾值的作歸零操作，即

(2)

處理的數(shù)據(jù)不包括像素值為0的像素，這樣能減少數(shù)據(jù)計(jì)算量，使通過OTSU算法確定的閾值能將道路與背景更精確地分割，如圖5所示。

車道線檢測(cè)算法中將真彩圖像轉(zhuǎn)換為灰度圖像過程中，采用固定的轉(zhuǎn)換公式，削弱了車道線像素的優(yōu)勢(shì)，不能根據(jù)車道線顏色對(duì)部分像素優(yōu)先處理和分類，增加了后續(xù)去除噪聲的難度，導(dǎo)致車道線檢測(cè)算法復(fù)雜度增加，程序運(yùn)行時(shí)間過長(zhǎng)。對(duì)車道線像素作為優(yōu)先像素處理能提高車道線檢測(cè)的穩(wěn)定性，增加了車道線像素的保有率。在采取優(yōu)先像素值處理后，車道線亮度被明顯加強(qiáng)，如圖6所示。從圖中可以看出，優(yōu)先像素的加入，促使OTSU算法更好地將目標(biāo)與背景分離。

Sobel算子和canny算子[7]作為傳統(tǒng)的算法廣泛的運(yùn)用于檢測(cè)輪廓的邊緣，canny算子的雙閾值能很好地提取輪廓邊緣，一般同Hough變換結(jié)合使用，但只是提取邊緣信息，會(huì)造成車道線像素的大量丟失，增加車道線提取的難度。

車道線的顏色一般為黃色和白色，黃色和白色像素的R，G和B的值分別為[255,255,0]和[255,255,255]，以黃和白色像素中R和G部分比例與R和G像素值的相關(guān)性作為兩個(gè)約束提取車道線像素，分別對(duì)單通道的R和G兩張圖片[8]，經(jīng)OTSU算法求取兩張圖片閾值Tr和Tg，保留下來的像素需要滿足如下條件：

(3)

式中f(xr,yr)和f(xr,yr)分別表示R和G圖片單個(gè)像素值。即對(duì)白、黃色像素作為優(yōu)先像素處理，以此增加車道線像素的占有率，增加目標(biāo)與背景的對(duì)比度。

3.3 車道線輪廓的篩選

傳統(tǒng)的尋找直線方法為Hough變換，通過對(duì)二值圖像中的每個(gè)白色像素點(diǎn)的笛卡爾坐標(biāo)轉(zhuǎn)換成極坐標(biāo)，通過坐標(biāo)的轉(zhuǎn)換，實(shí)現(xiàn)點(diǎn)到曲線的轉(zhuǎn)換，以極坐標(biāo)下曲線交點(diǎn)個(gè)數(shù)作為閾值來判斷直線是否存在，保留二值圖中符合車道線特征的邊緣點(diǎn)，這種方法計(jì)算量比較大，耗時(shí)長(zhǎng)。而單一地篩選出符合車道線輪廓之后，對(duì)輪廓的邊緣點(diǎn)進(jìn)行直線或曲線的擬合能減少數(shù)據(jù)計(jì)算量。

從二值圖像篩選符合車道線特征的輪廓的過程也是去噪的過程，去掉不符合車道線特征的輪廓，通過計(jì)算輪廓的斜率Cslope和輪廓的面積Carea來進(jìn)行輪廓的篩選，如圖7所示，其步驟如下：

(1) 遍歷二值圖像中所有輪廓，計(jì)算每個(gè)輪廓的面積Carea和斜率Cslope；

(2) 根據(jù)計(jì)算輪廓中心位置的橫坐標(biāo)和圖像中心橫坐標(biāo)的大小，保留圖像中線左右兩邊每邊面積最大的4個(gè)輪廓，Contour1，Contour2，…，Contour8，圖7中中線左右各4個(gè)；

(3) 計(jì)算出這8個(gè)輪廓的斜率，取最接近斜率(輪廓高比寬)為[0.5,∞]的4個(gè)輪廓，左右各兩個(gè)；

(4) 根據(jù)輪廓的斜率計(jì)算每個(gè)輪廓與圖片上端的交點(diǎn)橫坐標(biāo)xw，保留中線兩邊橫坐標(biāo)離中線橫坐標(biāo)w/2最近的輪廓。

如圖7所示，保留與圖片頂端交點(diǎn)為L(zhǎng)2和R1的兩個(gè)輪廓，即輪廓Contour2和Contour4，并且確定這兩個(gè)輪廓為車道線輪廓，只保留車輛所在的左右兩邊車道線。

4 車道線的提取與跟蹤

4.1 車道線的提取

標(biāo)注車道線是車道線檢測(cè)算法中最后一個(gè)環(huán)節(jié)，通過標(biāo)注得到的車道線，可以得到車輛與道路的位置關(guān)系，為預(yù)警策略提供輸入信號(hào)。

經(jīng)典的Hough變換通過對(duì)點(diǎn)的擬合得到直線上的一點(diǎn)和直線的斜率，從而得到標(biāo)注車道線的直線方程。為了避免Hough變換計(jì)算量大和高耗時(shí)等不足，并考慮車道線檢測(cè)算法中不存在邊緣檢測(cè)，故不采用Hough變換尋找直線，而采用最小二乘法擬合車道線輪廓的點(diǎn)的方法標(biāo)注車道線。

軌道偏離系統(tǒng)主要面向高速公路使用，假設(shè)車道為直線，在彎曲道路可對(duì)邊緣點(diǎn)進(jìn)行二次方程擬合，本文中只對(duì)車道線作一次函數(shù)擬合，車道線擬合點(diǎn)的選取方法如圖8所示。

通過從左至右掃描輪廓，將掃描到的第一個(gè)白色點(diǎn)放入點(diǎn)集(xi,yi)中，直到輪廓掃描結(jié)束。假設(shè)直線的方程為p(x)=a+bx，直線的均方誤差為

(4)

在微積分極值理論中，Q(a,b)達(dá)到極小時(shí)，a,b滿足

(5)

整合得到擬合曲線滿足：

(6)

該方程稱為擬合曲線法方程。

(7)

對(duì)點(diǎn)集(xi,yi)進(jìn)行直線擬合，得到直線方程為p(x)=a+bx，并根據(jù)直線信息，在圖中標(biāo)注出車道線。

4.2 卡爾曼濾波器追蹤車道線

視頻圖像序列中目標(biāo)的檢測(cè)和追蹤，一直在智能視覺領(lǐng)域中占據(jù)重要地位，而在理想情況下，經(jīng)典卡爾曼濾波器(即無偏最小方差估計(jì))能夠很好地追蹤到目標(biāo)，但在視頻圖像序列中，在運(yùn)動(dòng)目標(biāo)發(fā)生突變的情況下，經(jīng)典卡爾曼濾波進(jìn)行追蹤會(huì)出現(xiàn)目標(biāo)丟失的現(xiàn)象，導(dǎo)致濾波誤差增大和追蹤性能下降的情況。為應(yīng)對(duì)卡爾曼濾波器追蹤的不足，在卡爾曼濾波器追蹤的運(yùn)動(dòng)目標(biāo)出現(xiàn)突變狀況時(shí)(變道或突然避讓)，轉(zhuǎn)為處理最初感興趣區(qū)域，重新找到目標(biāo)位置，再次成功提取車道線后轉(zhuǎn)為卡爾曼濾波器的追蹤模式，從而彌補(bǔ)了經(jīng)典卡爾曼濾波器在運(yùn)動(dòng)目標(biāo)追蹤方面的不足。由于運(yùn)動(dòng)目標(biāo)突變的情況很少發(fā)生，且在兩種模式下均能高效地檢測(cè)到車道線，算法的穩(wěn)定性不會(huì)受到影響。

卡爾曼濾波器是能夠通過K時(shí)刻實(shí)測(cè)值和K-1時(shí)刻最優(yōu)值來確定K時(shí)刻目標(biāo)最優(yōu)位置或狀態(tài)的一種算法。對(duì)于K時(shí)刻最優(yōu)值的預(yù)測(cè)僅僅依靠上一時(shí)刻K-1時(shí)刻狀態(tài)，而不是通過前K-1個(gè)狀態(tài)的累計(jì)值來進(jìn)行預(yù)測(cè)，這樣能大大減少計(jì)算工作量，實(shí)現(xiàn)實(shí)時(shí)跟蹤。本文中應(yīng)用卡爾曼濾波器追蹤車道線，并根據(jù)運(yùn)動(dòng)目標(biāo)位置參數(shù)，劃定感興趣區(qū)域，減少計(jì)算量。

卡爾曼濾波器運(yùn)用在車道線追蹤方面的原理為：在首次提取車道線以后，將車道線作為K-1時(shí)刻最佳值，隨之感興趣區(qū)域劃定為平行與車道線的周圍區(qū)域[9-10]，但當(dāng)出現(xiàn)車道線漏檢的情況，算法的適應(yīng)性會(huì)被削弱，為了克服類似的問題，當(dāng)應(yīng)用卡爾曼濾波器追蹤車道線出現(xiàn)漏檢的情況時(shí)，可通過卡爾曼的預(yù)測(cè)特性繼續(xù)追蹤。

經(jīng)典卡爾曼的5個(gè)重要的公式和1個(gè)測(cè)量值如下。

狀態(tài)方程：

x(k|k-1)=Fx(k-1|k-1)+wk

(8)

觀測(cè)方程：

zk=Hkxk+vk

(9)

式中：F為傳遞矩陣；Hk為觀測(cè)矩陣；wk和vk分別為符合高斯分布N(0,Qk)和N(0,Rk)的系統(tǒng)噪聲向量和觀測(cè)向量；zk為測(cè)量值。

誤差協(xié)方差：

(10)

卡爾曼增益:

(11)

K時(shí)刻最優(yōu)值：

(12)

驗(yàn)后誤差方差陣：

(13)

迭代過程中，卡爾曼追蹤計(jì)算得出卡爾曼增益來逼近最優(yōu)解，通過不停地迭代出驗(yàn)后誤差方差與K時(shí)刻最優(yōu)值作為下一時(shí)刻的最優(yōu)解的輸入值。

卡爾曼濾波器追蹤方法的運(yùn)用，成功實(shí)現(xiàn)了對(duì)車道線周圍感興趣區(qū)域的追蹤。將車道線與圖片(圖7所示)上端的交點(diǎn)L2和R1與車道線的斜率S1和S2作為系統(tǒng)狀態(tài)量。在追蹤車道線過程中會(huì)出現(xiàn)“斷層”現(xiàn)象，即視頻中沒有檢測(cè)到車道線的存在，無法標(biāo)注車道線，如圖9左側(cè)圖所示。

圖9為兩種感興趣區(qū)域轉(zhuǎn)換對(duì)比，左側(cè)為跟蹤模式，右側(cè)為最初車道線檢測(cè)模式。從圖9(c)中可以看出，左圖漏檢右邊車道線，這種情況下，前一幀車道線的最優(yōu)值會(huì)保存到下一幀，即這張圖片仍然能進(jìn)行車道線的標(biāo)注，如果出現(xiàn)多于T(根據(jù)試驗(yàn)，本文中取5)張圖片沒有跟蹤到車道線的情況，則會(huì)跳回到最初的感興趣部分，如圖中右邊圖片所示，重新定位并追蹤車道線，在重新標(biāo)注車道線以后，跳回到卡爾曼濾波追蹤模式。追蹤流程如圖10所示。

5 車道線算法試驗(yàn)檢測(cè)

5.1 無車道變更

車輛在單一車道時(shí)，車道線作小范圍的變更，這種情況下，經(jīng)典卡爾曼濾波器能追蹤到車道線，并保留當(dāng)前位置作為下一時(shí)刻的最優(yōu)值作為輸入?；赗GB原色比例及卡爾曼濾波器追蹤所識(shí)別出的車道線的效果如圖11所示。該算法針對(duì)模糊不清、殘缺的車道線、有外界文字與指示標(biāo)志干擾的工況，表現(xiàn)出了很強(qiáng)的魯棒性。

5.2 車道變更

在車輛變道時(shí)，對(duì)于運(yùn)動(dòng)目標(biāo)突變的情況經(jīng)典卡爾曼濾波器追蹤車道線的效果會(huì)受到很大的影響，本文中提出的算法通過切換感興趣區(qū)域很好地克服了經(jīng)典卡爾曼在追蹤突變目標(biāo)時(shí)的不足，表現(xiàn)出了良好的魯棒性，如圖12所示。

本文中展示的實(shí)驗(yàn)均在電腦平臺(tái)中進(jìn)行測(cè)試，測(cè)試環(huán)境如表1所示。

表1 測(cè)試環(huán)境

測(cè)試環(huán)境中，圖片處理速度為62f/s，對(duì)時(shí)速120km/h的車輛，平均每隔0.54m處理一幀圖片，從表1可以看出，與文獻(xiàn)[11]相比，處理速度得到了很大的提升。

6 結(jié)論

本文中提出了一種車道線檢測(cè)的新方法，通過卡爾曼濾波器跟蹤車道線感興趣區(qū)域，不僅提高了車道檢測(cè)的精確性，也提高了算法的運(yùn)行速度。試驗(yàn)表明，該方法對(duì)于不同的情況有很強(qiáng)的適應(yīng)性，能夠準(zhǔn)確地識(shí)別出車道線，同時(shí)能很好地應(yīng)對(duì)車道變更的情況，從而滿足了軌道偏離預(yù)警系統(tǒng)的實(shí)時(shí)性和魯棒性的要求。

[1] BRADSKI Gary, KAEHLER Adrian.學(xué)習(xí)OpenCV(中文版)[M].于仕琪,劉瑞禎,譯.北京:清華大學(xué)出版社,2009.

[2] LI Qingquan, CHEN Long, LI Ming, et al. A Sensor-Fusion Drivable-Region and Lane-Detection System for Autonomous Vehicle Navigation in Challenging Road Scenarios[J]. IEEE Transactions on Vehicular Technology,2014,63(2):540-555.

[3] YANG Jianyu, LI Zhuo, LI Liangchao. Lane Detection Based on Classification of Lane Geometrical Model[J] . IEEE Signal Processing (ICSP),2012,2:842-846.

[4] 李進(jìn),陳杰平,易克傳,等.不同光照下基于自適應(yīng)圖像閾值的車道保持系統(tǒng)設(shè)計(jì)[J].機(jī)械工程學(xué)報(bào),2014,50(2):146-152.

[5] 尤小泉,彭映杰.結(jié)合分塊Hough變換與Kalman預(yù)測(cè)的車道線檢測(cè)方法[J].科學(xué)技術(shù)與工程,2013,13(24):7087-7092.

[6] 胡會(huì)珍,黃晉英.卡爾曼濾波器模型的建立及其對(duì)車道線的跟蹤[J].機(jī)械工程與自動(dòng)化,2008,148(3):52-53.

[7] YOO Hunjae, YANG Ukil. Gradient-Enhancing Conversion for Illumination-Robust Lane Detection[J]. IEEE Transactions on Intelligent Transportation Systems,2013,14(13):1192-1202.

[8] 楊益,何穎.基于RGB空間的車道線檢測(cè)與識(shí)別方法[J].計(jì)算機(jī)與現(xiàn)代化,2014,222(2):86-90.

[9] 陳效華,孫銳,陳軍.基于FPGA的車道偏離預(yù)警系統(tǒng)關(guān)鍵技術(shù)研究[J].汽車工程,2013,35(11):986-990.

[10] 高鋒,桂瀚洋,張強(qiáng),等.基于FPGA的車道線檢測(cè)系統(tǒng)開發(fā)[J].汽車工程學(xué)報(bào),2010,1(5):493-498.

[11] 沈峘.智能車輛視覺環(huán)境感知技術(shù)的研究[D].南京:南京航空航天大學(xué),2010.

Lane Detection Based on High Priority Pixels and Tracking by Kalman Filter

Chen Tao, Zhang Hongdan, Chen Dong & Tan Chun

HunanUniversity,StateKeyLaboratoryofAdvancedDesignandManufacturingforVehicleBody,Changsha410082

Aiming at the defect of lane detection in meeting both real-time performance and robustness, a novel lane detection algorithm is proposed. Based on the diverse proportion of the red, green and blue three primary colors in gray image and the brightness difference between lane markings and road surface, yellow and white pixels are selected as the high priority pixels to be processed. A great number of noises are removed first with top hat algorithm in image morphological operations. Then image binaryzation is conducted by using OTSU algorithm. Finally the lane markings are fixed by profile screening, the subsequent video frames are tracked by Kalman filter, and the new region of interest is determined. With the algorithm proposed, the computation efforts are greatly reduced, the operation efficiency is enhanced, the ROIs are correctly extracted, with the robustness of the algorithm raised and false detection rate reduced.

lane detection; lane departure; high priority pixels; OTSU algorithm; tracking by Kalman filter

*湖南省自然科學(xué)基金(14JJ3055)和國(guó)家863計(jì)劃項(xiàng)目(2012AA111802)資助。

原稿收到日期為2014年7月23日，修改稿收到日期為2014年9月25日。