康渴楠

摘? 要：識(shí)別前方車道并依此定位智能汽車在車道中的位置是安全輔助駕駛及自動(dòng)駕駛中的關(guān)鍵技術(shù)。采用圖像識(shí)別技術(shù)可以有效地獲取車道線等地面非立體特征，本文詳細(xì)介紹了利用多閾值分割消除背景和基于逆透視變換的滑動(dòng)窗多項(xiàng)式擬合提取車道特征。結(jié)果表明，基于滑動(dòng)窗多項(xiàng)式擬合的方法可以有效快速的檢測(cè)車道線。

關(guān)鍵詞：智能汽車;車道檢測(cè);滑動(dòng)窗多項(xiàng)式擬合;機(jī)器視覺

中圖分類號(hào)：D580.2010? ? 文獻(xiàn)標(biāo)識(shí)碼：A? ? ?文章編號(hào)：1005-2550（2019）02-0030-04

1? ? 前言

隨著近年來交通系統(tǒng)的不斷完善和發(fā)展，世界范圍內(nèi)汽車保有量都在不斷增多，汽車整體速度也在不斷提高，伴隨著汽車帶給人們的出行便利，隨之而來的交通事故和問題也日益增多。每年因交通事故造成的人員傷亡和財(cái)產(chǎn)損失不斷增多且數(shù)量驚人，已成為各國尤其是我國這類人口大國面臨的重要社會(huì)問題。據(jù)調(diào)查，20%的交通事故是由于駕駛員注意力分散造成的。

因此，現(xiàn)代汽車逐漸開始配備各式各樣的駕駛輔助系統(tǒng)，如車道保持等。車道保持功能可以使車輛將自身的位置保持在車道線以內(nèi)，這也是一些更高級(jí)的輔助駕駛系統(tǒng)的關(guān)鍵技術(shù)。由于車道線具有鮮明的導(dǎo)向作用且具有較為統(tǒng)一的特征，準(zhǔn)確識(shí)別車道線又是車道保持技術(shù)中的關(guān)鍵技術(shù)。

基于計(jì)算機(jī)視覺的車道檢測(cè)是目前主流的解決方法，諸多方法中先是關(guān)于直線檢測(cè)的研究，如基于Hough變換的算法在光照、天氣條件良好的情況下對(duì)直線實(shí)現(xiàn)有效快速的檢測(cè)[1-3]。在對(duì)彎道檢測(cè)的研究中，多采用各種曲線進(jìn)行擬合。文獻(xiàn)[4]和[5]使用 LMedSquare曲線進(jìn)行彎曲車道線檢測(cè)，此方法在擬合時(shí)數(shù)據(jù)點(diǎn)要求多，計(jì)算量大。文獻(xiàn)[6]以二次曲線為模型，通過計(jì)算多條候選拋物線經(jīng)過的像素區(qū)域各子塊灰度均值及子塊間灰度方差，并以此作為圖像特征構(gòu)造合理的目標(biāo)函數(shù)，運(yùn)用蟻群算法優(yōu)化拋物線參數(shù)，識(shí)別道路邊緣，此方法在擬合時(shí)需要蟻群算法對(duì)多條候選二次曲線的參數(shù)進(jìn)行多次迭代，計(jì)算量較大且需要質(zhì)量較好的二值圖作為輸入。本文以拋物線為回歸曲線，采用滑動(dòng)窗在鳥瞰變換圖底部車道特征點(diǎn)處沿車道線自下往上迭代滑動(dòng)的方式識(shí)別出離散的坐標(biāo)點(diǎn)。實(shí)驗(yàn)平臺(tái)采用英偉達(dá)嵌入式超級(jí)電腦開發(fā)套件Nvidia Jetson TK1實(shí)現(xiàn)圖像的實(shí)時(shí)處理。

2? ? 檢測(cè)算法概述

算法實(shí)現(xiàn)在經(jīng)過標(biāo)定的相機(jī)的基礎(chǔ)上，如圖1所示首先由裝在汽車前擋風(fēng)玻璃上的攝像頭拍攝畫面并傳至計(jì)算平臺(tái)，通過OpenCV以三維矩陣的數(shù)據(jù)格式讀入圖像，并通過特征圖匹配的方法矯正圖像因相機(jī)參數(shù)引起的畸變。將圖像矩陣依次經(jīng)過顏色閾值分割、sobel算子分割后合成為一張二值圖，其中顏色分割使用多種顏色空間以應(yīng)對(duì)車道線的不同顏色，又分為全局顏色變化梯度分割、hls顏色空間分割、luv顏色空間分割、lab顏色空間分割。閾值分割后的二值圖經(jīng)過透視變換獲得鳥瞰圖，通過滑動(dòng)窗法獲得一系列離散的有效像素坐標(biāo)點(diǎn)，從而將車道線擬合成二次多項(xiàng)式。

4? ? 滑窗檢測(cè)

在滑窗檢測(cè)中，首先需要?dú)v遍逆透視變換圖中像素值不為零的所有像素點(diǎn)的坐標(biāo)并存入數(shù)組中。

其次，確定基點(diǎn)坐標(biāo)。本文使用逆透視圖像下半部分的像素在x軸上的分布作為尋找依據(jù)。對(duì)于圖4的像素分布統(tǒng)計(jì)如圖5所示，在左右車道附近出現(xiàn)兩個(gè)明顯尖峰，以其尖峰的橫坐標(biāo)作為滑動(dòng)窗檢測(cè)的起始左右基點(diǎn)。

圖6展示了滑動(dòng)窗檢測(cè)的基本流程，首先設(shè)置必要的初始化參數(shù)，包括滑窗的迭代個(gè)數(shù)并依此計(jì)算窗高、初始基點(diǎn)坐標(biāo)、窗寬基數(shù)和建立存儲(chǔ)數(shù)組等。在程序迭代循環(huán)中，對(duì)窗內(nèi)像素進(jìn)行歷遍并記錄非零像素值的坐標(biāo)，對(duì)于窗內(nèi)有效像素個(gè)數(shù)小于預(yù)設(shè)最小值時(shí)，以窗寬基數(shù)為單位遞增窗寬直到滿足最小像素個(gè)數(shù)為止。以滑動(dòng)窗內(nèi)有效像素橫坐標(biāo)的平均值作為下一個(gè)滑動(dòng)窗的基點(diǎn)坐標(biāo)，依次迭代檢測(cè)直至滿足循環(huán)數(shù)。循環(huán)結(jié)束后，以二次曲線作為擬合目標(biāo)曲線，使用最小二乘法進(jìn)行擬合。對(duì)圖4采用滑動(dòng)窗個(gè)數(shù)為9的檢測(cè)結(jié)果如圖7所示，黃色標(biāo)出有效像素、紅線為左側(cè)車道擬合曲線，藍(lán)線為右側(cè)車道擬合曲線，綠色矩形框則標(biāo)出了所有滑動(dòng)窗的邊界。

所得車道擬合曲線的坐標(biāo)關(guān)系為逆透視變換圖中的坐標(biāo)關(guān)系，因此，需利用逆變換矩陣將曲線還原到原始圖像上。其效果圖如圖8所示，綠色區(qū)域?yàn)檐嚨谰€范圍。

5? ? 結(jié)論

本文提出一種基于滑動(dòng)窗檢測(cè)的車道線檢測(cè)算法。首先需要對(duì)攝像機(jī)采集到的彩色原始圖像進(jìn)行畸變矯正并得到相機(jī)參數(shù)，對(duì)圖像進(jìn)行灰度處理。其次采用多閾值過濾處理得到二值圖，并對(duì)二值圖進(jìn)行逆透視變換。在變換圖上進(jìn)行滑動(dòng)窗檢測(cè)，提取車道信息生成擬合曲線。滑動(dòng)窗檢測(cè)的有點(diǎn)在于重點(diǎn)關(guān)注窗內(nèi)有效像素，與全圖歷遍相比加快了計(jì)算速度提高了車道檢測(cè)的實(shí)時(shí)性，且在嵌入式計(jì)算平臺(tái)上的檢測(cè)結(jié)果令人滿意。

參考文獻(xiàn)：

[1]He Peng，Gao Feng. Study on Lane Detection Based on Computer Vision [J]. Advanced Materials Research， 2013（765-767）：2229-2232.

[2]Jiang Yan，Gao Feng，Xu Guoyan. Computer Vision Based Multiple-Lane Detection on Straight Road and in a Curve [C]// IEEE International Conference on Image Analysis and Signal Processing， 2010.

[3]Jiang Yan，Gao Feng，Xu Guoyan.Self-Calibrated Multiple-Lane Detection System [C]. IEEE Position Location and Navigation Symposium，2010.

[4]管欣，董因平，高振海.基于 LMedSquare 的車道曲線擬合算法[J].吉林大學(xué)學(xué)報(bào)（工學(xué)版），2004，34（2）：194-197.

[5]季聰.基于雙目視覺的智能車輛路徑識(shí)別方法研究 [D].蘭州：蘭州交通大學(xué)，2013：37-38.

[6]馬雷，武波濤，王連東.彎曲道路識(shí)別方法與目標(biāo)函數(shù)選取的研究 [J].汽車工程，2008（7）：561-565.

[7 ]袁啟平，宋金澤，吳濤.基于逆透視投影變換的圖像拼接方[J].微計(jì)算機(jī)信息，2010： （26）：208-209.