戴秋菊，陳賢富

(中國(guó)科學(xué)技術(shù)大學(xué) 信息科學(xué)技術(shù)學(xué)院，安徽 合肥 230027)

基于單目視覺(jué)的車道偏離預(yù)警算法研究

戴秋菊，陳賢富

(中國(guó)科學(xué)技術(shù)大學(xué) 信息科學(xué)技術(shù)學(xué)院，安徽 合肥 230027)

隨著科技的發(fā)展，智能交通已成為當(dāng)前的研究熱點(diǎn)，自適應(yīng)巡航是智能交通主要應(yīng)用之一，而車道偏離預(yù)警在主動(dòng)安全、自適應(yīng)巡航中起著關(guān)鍵性的作用。因此，提出一種基于視頻的車道偏離預(yù)警算法。把檢測(cè)到的車道線的ROI分割為兩個(gè)子區(qū)域，兩個(gè)子區(qū)域分別應(yīng)用霍夫變換尋找左右車道線。分割的方法可以提高車道線檢測(cè)的計(jì)算速度。綜合車輛駕駛狀態(tài)、駕駛環(huán)境等相關(guān)影響因素，基于混合高斯隱型馬爾科夫模型建立了駕駛?cè)藫Q道意圖識(shí)別模型，以提高駕駛員換道意圖辨別的準(zhǔn)確率與靈敏度。

視覺(jué);車道偏離;換道意圖識(shí)別;隱型馬爾科夫模型

0 引言

在高速公路上，由于車道偏離引起的交通事故在總交通事故數(shù)量中占了很大一部分比重。在科技不斷進(jìn)步的今天，發(fā)展與應(yīng)用駕駛員輔助系統(tǒng)(包括安全車距預(yù)警、車道偏離預(yù)警[1-2]、疲勞駕駛檢測(cè)、變道輔助系統(tǒng)、自適應(yīng)巡航等)引起了高度的重視。

本文主要針對(duì)車道偏離預(yù)警展開研究，比較經(jīng)典的預(yù)測(cè)車道偏離的方法有跨道時(shí)間(TLC)[3]與跨道距離(DLC) ，但這兩個(gè)方法都只考慮了車與路，誤警率、虛警率比較高，容易使駕駛員分心。

國(guó)內(nèi)外學(xué)者在駕駛員意圖識(shí)別、換道行為等方面展開了一定的研究[4-5]，如模糊推理、神經(jīng)網(wǎng)絡(luò)、認(rèn)知模型、動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)等，但大多數(shù)是基于模擬器的仿真或采用不能描述隨時(shí)間變化的特征信號(hào)[6]，所以在真實(shí)駕車環(huán)境下誤警率及虛警率比較高，因此本文采用HMM模型并綜合考慮自車與周圍車輛的動(dòng)力學(xué)關(guān)系，如橫向速度、偏向角、角速度等動(dòng)力學(xué)特征，進(jìn)行駕駛員駕駛意圖識(shí)別，進(jìn)而降低車道偏離預(yù)警的虛警率。

1 興趣區(qū)域分割

1.1 興趣區(qū)域

圖1 ROI劃分

興趣區(qū)域的選擇是影響車道線檢測(cè)算法計(jì)算復(fù)雜度的關(guān)鍵因素，在車道線檢測(cè)的圖片當(dāng)中只有40%左右的ROI是有效的車道線區(qū)域，車輛前部遮擋、天空、車道周邊環(huán)境占了大部分，如圖1所示。ROI的選取可以減少計(jì)算復(fù)雜度，提高算法的實(shí)時(shí)性，因此本文只針對(duì)ROI應(yīng)用車道線檢測(cè)算法，并針對(duì)該區(qū)域計(jì)算出用于駕駛員換道意圖預(yù)測(cè)的特征參數(shù)。

通過(guò)將ROI區(qū)域(圖1)劃分為左、右兩個(gè)子區(qū)域，并且分別實(shí)施霍夫變換[7]，檢測(cè)左右車道線標(biāo)記。如圖2所示，霍夫變換的中間點(diǎn)初始位于W/2(W是ROI區(qū)域的寬)，根據(jù)檢測(cè)到的左右標(biāo)線邊界不斷的改變中間點(diǎn)(圖2中細(xì)實(shí)線)的位置。

圖2 車道線提取

1.2 車道線提取與跟蹤

車道線檢測(cè)是決定車道偏離預(yù)警算法實(shí)時(shí)性與魯棒性的關(guān)鍵因素之一。在近視端，車道線可近似為直線，因此本算法是基于上文所述ROI區(qū)域進(jìn)行霍夫變換的，獲取車道線位置，并利用卡爾曼濾波器進(jìn)行跟蹤。

圖3 系統(tǒng)流程圖

由于高速公路車道線分為4車道、6車道不等，因此本文假設(shè)視頻中車道線數(shù)目最多為12條，建立12組卡爾曼跟蹤模型。每個(gè)濾波器定義對(duì)應(yīng)的計(jì)數(shù)向量，在跟蹤的過(guò)程中，如果檢測(cè)結(jié)果與預(yù)測(cè)輸出值匹配，將檢測(cè)結(jié)果作為濾波器的觀測(cè)值輸入，并將對(duì)應(yīng)的計(jì)數(shù)位加1，反之輸出預(yù)測(cè)結(jié)果作為觀測(cè)值，并將計(jì)數(shù)自減1。設(shè)定一定閾值，當(dāng)連續(xù)不匹配次數(shù)占對(duì)應(yīng)濾波器總迭代次數(shù)的比率大于閾值，則重新跟蹤。算法流程圖如3所示。

2 混合高斯隱型馬爾科夫模型

駕駛員駕駛意圖是一系列不能直接觀察到的內(nèi)部狀態(tài)，但是它可以通過(guò)觀察自車與周圍駕駛環(huán)境的相對(duì)狀態(tài)來(lái)推測(cè)，如橫向車速、轉(zhuǎn)向角、角速度、相對(duì)運(yùn)動(dòng)狀態(tài)等，而且此刻的狀態(tài)與前一刻狀態(tài)和采取的動(dòng)作有關(guān)。隱形馬爾科夫鏈(HMM)[8]不僅可以描述隨著時(shí)間變化的觀察信號(hào)，還能推測(cè)駕駛員的駕駛意圖。

HMM是一個(gè)雙重隨機(jī)過(guò)程，其中之一是Markov鏈，它描述了狀態(tài)之間的轉(zhuǎn)移，另一個(gè)隨機(jī)過(guò)程描述狀態(tài)和觀測(cè)序列之間的統(tǒng)計(jì)關(guān)系，如圖4所示。

圖4 狀態(tài)轉(zhuǎn)移圖

本文選取的觀察值為連續(xù)信號(hào)，并將觀測(cè)矢量的PDF(概率分布函數(shù))擬合稱為混合高斯概率密度函數(shù)，避免矢量化時(shí)信息丟失和減少誤差，因此本文選擇混合高斯隱型馬爾科夫鏈來(lái)識(shí)別駕駛員的駕駛意圖。

3 實(shí)驗(yàn)結(jié)果

由于駕駛行為與一個(gè)時(shí)間序列的動(dòng)力學(xué)狀態(tài)相關(guān)，因此本文還考慮將橫向車速、加速度、轉(zhuǎn)向角、角速度作為特征參數(shù)。駕駛狀態(tài)劃分為三類：保持、左偏和右偏。橫向速度由相鄰兩幀圖像獲取的橫向距離計(jì)算而來(lái):

(1)

其中，T為相鄰幀時(shí)間間隔，do當(dāng)前幀橫向偏移量，dpre為前一幀橫向偏移量。偏向角由極坐標(biāo)下求得的theta獲得，同理可求得角速度和橫向加速度。駕駛行為是一個(gè)連續(xù)的過(guò)程，而且當(dāng)前的狀態(tài)僅依賴于上一個(gè)狀態(tài)，基于以上所選的特征參數(shù)，每個(gè)意圖模型的隱含狀態(tài)參數(shù)為3個(gè)，高斯混合數(shù)為3個(gè)。其中觀測(cè)向量如式(2)所示，分別為橫向偏移do、橫向速度vo、加速度ao、偏向角thetao、角速度ωo。

(2)

特征變化曲線如圖5所示，第一列是車輛右偏時(shí)的變化曲線，第二列是車輛左偏時(shí)的變化曲線，橫坐標(biāo)是用圖像幀表示的時(shí)間序列，縱坐標(biāo)為特征幅值。可以看出不同駕駛行為特性向量的時(shí)間序列所呈現(xiàn)出動(dòng)力學(xué)特性，例如右偏駕駛時(shí)，到右車道線的橫向距離逐漸減小，橫向速度、橫向加速度與角速度在一定范圍內(nèi)波動(dòng)，偏向角逐漸變大。

本文采用t=2 s、3 s、4 s、5 s作為時(shí)間窗(實(shí)驗(yàn)驗(yàn)證2 s時(shí)間窗效果最佳)，分別訓(xùn)練意圖識(shí)別模型，包括：左偏離狀態(tài)模型(HMM-Left)、右偏離狀態(tài)模型(HMM-Right)、車道保持模型(HMM-Keep)。得到HMM-Left模型部分參數(shù)如下：

π=[0 1.0 0]T

(3)

圖5 特征變化曲線

(4)

(5)

類似可以得到另外兩個(gè)模型的參數(shù)。本文實(shí)驗(yàn)選取測(cè)試時(shí)間序列長(zhǎng)度為15幀，得到駕駛?cè)藫Q道意圖識(shí)別結(jié)果為樣本分別在3個(gè)模型中的最大log-likehood值，部分樣本測(cè)試結(jié)果分布如表1所示，20個(gè)車道保持樣本檢測(cè)正確率達(dá)到100%，左偏測(cè)試樣本檢測(cè)正確率85%，右偏測(cè)試樣本檢測(cè)正確率90%。

表1 樣本測(cè)試結(jié)果分布

據(jù)Daimler Benz調(diào)查顯示，如果能夠提前0.5 s發(fā)出危險(xiǎn)警告，可以防止60%的碰撞，提前1.5 s可防止90%的碰撞危險(xiǎn)，本算法可以提前2 s對(duì)駕駛偏離狀態(tài)發(fā)出警告，故本算法是可靠的。

4 結(jié)論

通過(guò)算法仿真結(jié)果表明，本算法對(duì)駕駛員駕駛行為辨別有較高的準(zhǔn)確率，針對(duì)感興趣區(qū)域提取車道線，使得算法滿足實(shí)時(shí)性要求，采用基于馬爾科夫鏈模型的駕駛行為辨別模型，可以提前2 s發(fā)出危險(xiǎn)警告，算法可靠性較強(qiáng)。

[1] 劉媛. 基于機(jī)器視覺(jué)的車道偏離預(yù)警系統(tǒng)關(guān)鍵算法研究[D].長(zhǎng)沙：湖南大學(xué),2013.

[2] 李克強(qiáng),陳濤,羅禹貢,等. 智能環(huán)境友好型車輛——概念、體系結(jié)構(gòu)及工程實(shí)現(xiàn)[J]. 汽車工程,2010(9):743-748，762.

[3] MAMMAR S, GLASER S, NETTO M. Time to line crossing for lane departure avoidance: A theoretical study and an experimental setting[J]. IEEE Transactions on Intelligent Transportation Systems, 2006,7(2): 226-241.

[4] GAIKWAD V, LOKHANDE S. Lane departure identification for advanced driver assistance[J]. IEEE Transactions on Intelligent Transportation Systems, 2015, 16(2): 910-918.

[5] 張磊,王建強(qiáng),楊馥瑞,等. 駕駛員行為模式的因子分析和模糊聚類[J]. 交通運(yùn)輸工程學(xué)報(bào),2009,9(5):121-126.

[6] 劉軍,陶昌嶺,余節(jié)發(fā)，等.基于汽車主動(dòng)安全的車載嵌入式平臺(tái)的研究[J].電子技術(shù)應(yīng)用,2014,40(7):21-23,26.

[7] 劉富強(qiáng),張姍姍,朱文紅,等. 一種基于視覺(jué)的車道線檢測(cè)與跟蹤算法[J]. 同濟(jì)大學(xué)學(xué)報(bào)(自然科學(xué)版),2010，38(2):223-229,306.

[8] RABINER L R. A tutorial on hidden Markov models and selected applications in speech recognition[J]. Proceedings of the IEEE, 1989, 77(2): 257-286.

Research oflane departure warning algorithm based on monocular vision

Dai Qiuju，Chen Xianfu

(School of Information Science and Technology, University of Science and Technology of China, Hefei 230027, China)

With the development of science and technology, intelligent transportation has become a current research hot spot. Adaptive cruise is one of the main applications of intelligent transportation, and lane departure warning plays a key role in active safety and adaptive cruise. This paper proposes a method of lane departure warning based on video. The ROI of the detected lane lines is divided into two sub regions. The two sub regions are applied to find the left and right lane line by using Hough transform respectively. The segmentation method can improve the speed of the lane detection. Considering vehicle driving condition, driving conditions and related influencing factors comprehensively, the paper established model for driver lane-changing intention recognition based on the Gaussian mixture hidden Markov models to improve the accuracy and sensitivity of the intention identification.

visual; lane departure; lane-changing intention recognition; hidden Markov model;

TP3

A

1674-7720(2016)04-0020-03

戴秋菊，陳賢富．基于單目視覺(jué)的車道偏離預(yù)警算法研究[J] .微型機(jī)與應(yīng)用，2016，35(5)：20-22.

2015-10-29)

戴秋菊(1989-)，女, 碩士研究生, 主要研究方向：智能信息處理。

陳賢富(1963-),男,博士,副教授, 主要研究方向：復(fù)雜系統(tǒng)與計(jì)算智能。