李茂月 呂虹毓 王 飛 賈冬開(kāi)

哈爾濱理工大學(xué)機(jī)械動(dòng)力工程學(xué)院，哈爾濱，150080

0 引言

車道線檢測(cè)是利用數(shù)字圖像處理與模式識(shí)別技術(shù)，在采集到的路面圖像中提取目標(biāo)特征信息進(jìn)行計(jì)算與分析來(lái)擬合車道線。車道線精準(zhǔn)的檢測(cè)提取，為自動(dòng)巡航駕駛、原有車道位置保持、車輛變道超車等技術(shù)提供重要的信息基礎(chǔ)，為車輛的可靠駕駛提供安全保證。基于機(jī)器視覺(jué)的車道線檢測(cè)技術(shù)可以檢測(cè)出理想的道路標(biāo)志線，以便使下一步智能駕駛決策環(huán)節(jié)順利進(jìn)行，同時(shí)可預(yù)判汽車的可行駛區(qū)域，并為無(wú)人駕駛行駛規(guī)劃提供重要依據(jù)，因此，它也是智能駕駛系統(tǒng)的重要組成部分之一[1]。

對(duì)于復(fù)雜道路環(huán)境的車道線檢測(cè)問(wèn)題，王永忠等[2]針對(duì)陰影、路面破損及遮擋等因素導(dǎo)致車道檢測(cè)不準(zhǔn)確的問(wèn)題，提出利用結(jié)構(gòu)化道路兩側(cè)車道線上具有相反方向梯度的性質(zhì)，將兩側(cè)車道線的檢測(cè)轉(zhuǎn)化為梯度點(diǎn)對(duì)約束下的車道中線及寬度進(jìn)行檢測(cè)。趙翔等[3]提出了一種基于視覺(jué)傳感器與毫米波雷達(dá)的車道區(qū)域確定方法，通過(guò)攝像頭檢測(cè)車道線，用圓曲線模型進(jìn)行擬合，并使用雷達(dá)檢測(cè)道路兩旁的護(hù)欄邊沿，獲取道路的邊界信息，然后對(duì)比車道線與道路邊沿的相對(duì)位置關(guān)系，從而進(jìn)行車道定位。KAZUYUKI等[4]將模板匹配技術(shù)與Hough變換相結(jié)合，在此基礎(chǔ)上設(shè)計(jì)了一種帶有反射鏡面相機(jī)裝置的試驗(yàn)車，通過(guò)實(shí)驗(yàn)證明了該方法具有一定的消除室外光暈影響的效果。ZHOU等[5]提出了一種基于Gabor濾波器與幾何模型的車道線識(shí)別方法，在智能車前方存在車道標(biāo)示線的前提下，通過(guò)局部Hough變換和感興趣區(qū)域(region of interest,ROI)定位估算所需參數(shù)，確定最優(yōu)模型并完成與實(shí)際車道線的匹配。LPEZ等[6]提出除了常用的邊緣特性之外，還可利用分析道路脊線提取車道線。另外，趙逸群等[7]和CAO等[8]采用色域轉(zhuǎn)換方法，解決了受光照影響的視覺(jué)檢測(cè)問(wèn)題且效果較好。

針對(duì)車道線識(shí)別算法效率問(wèn)題，KIM[9]提出了一種基于隨機(jī)樣本一致性和粒子濾波的快速魯棒算法，可以迅速對(duì)樣本進(jìn)行評(píng)估和分組，將基于似然的目標(biāo)識(shí)別算法與馬爾可夫過(guò)程理論相結(jié)合，可應(yīng)用于一般的基于車道線的目標(biāo)跟蹤問(wèn)題。姜朝曦等[10]提出一種全新的車道圖像識(shí)別處理方式，根據(jù)運(yùn)動(dòng)的動(dòng)態(tài)信息縮小敏感區(qū)的范圍，既可以可靠地定位車道線，又能夠提高準(zhǔn)確性、實(shí)時(shí)性。郭克友等[11]提出一種車道線分類檢測(cè)算法，采用LSD算法檢測(cè)灰度圖像中的直線部分并確定車道線的方向,在此基礎(chǔ)上，選取符合車道線灰度范圍內(nèi)的像素點(diǎn)，對(duì)遠(yuǎn)距離的像素點(diǎn)采用拋物線擬合，近距離的像素點(diǎn)采用直線擬合。張偉偉等[12]設(shè)計(jì)了一種基于FPGA算法的車道線識(shí)別方法，提出關(guān)于多尺度匹配濾波方法，并根據(jù)改進(jìn)的恒虛警率檢測(cè)模型來(lái)預(yù)測(cè)局部噪聲情況，從而對(duì)目標(biāo)進(jìn)行動(dòng)態(tài)提取。

綜上所述，車道線檢測(cè)存在的主要問(wèn)題如下：易受環(huán)境影響，在車道環(huán)境復(fù)雜情況(光照強(qiáng)度多變、陰影遮擋、道路線缺損)下難以完整識(shí)別車道線或造成誤檢測(cè)。另外，近年來(lái)深度學(xué)習(xí)的迅速發(fā)展使卷積神經(jīng)網(wǎng)絡(luò)在圖像識(shí)別領(lǐng)域應(yīng)用廣泛，但存在需要訓(xùn)練模型、算法復(fù)雜、對(duì)硬件水平要求較高等問(wèn)題[13-14]。針對(duì)以上情況，本文提出一種適用于較復(fù)雜環(huán)境的魯棒車道線識(shí)別方法。

1 道路敏感區(qū)域提取

ROI作為智能視頻編碼的一種方法，其作用是在圖像質(zhì)量不受損的前提下提高處理過(guò)程的效率。在進(jìn)行車道線檢測(cè)時(shí)存在無(wú)用信息，合理去除冗余信息，有助于消除噪聲干擾以及提高特征檢測(cè)效率。

1.1 基于像素候選統(tǒng)計(jì)的自適應(yīng)ROI選定

確定ROI，首先要把非車道區(qū)域與路面區(qū)域分割處理。傳統(tǒng)方法大多以道路消失線為參考，同時(shí)采用基于固定坐標(biāo)位置的區(qū)域分割方法。該方法對(duì)于不同環(huán)境，如車輛在上坡與下坡時(shí)，由于相機(jī)視線與地平線之間夾角發(fā)生變化，導(dǎo)致固定位置的ROI劃分方法對(duì)不同環(huán)境的車道敏感區(qū)域劃分不準(zhǔn)確。然而，先進(jìn)汽車輔助駕駛功能的實(shí)現(xiàn)往往需要準(zhǔn)確的車道環(huán)境信息為依據(jù)，所以合理且準(zhǔn)確劃分車道敏感區(qū)域極其重要。不同駕駛情況下的道路消失線如圖1、圖2所示。

圖1 上坡車道消失線位置

圖2 下坡車道消失線位置

針對(duì)以上問(wèn)題，本文提出一種基于像素候選統(tǒng)計(jì)的道路消失線自適應(yīng)確定方法。將灰度圖分割為多個(gè)子統(tǒng)計(jì)區(qū)域，圖像分割流程如圖3所示。

圖3 消失線統(tǒng)計(jì)域分割流程

將圖像完成分割后的對(duì)應(yīng)區(qū)域的像素判斷值定義為Cij，并對(duì)該部分進(jìn)行候選分類，將大于閾值的記為1，否則為0，公式如下：

(1)

其中，g(xi,yj)為道路消失線所在候選點(diǎn)的灰度值，σ為道路邊界的閾值。對(duì)候選點(diǎn)完成分類后所得的有效像素點(diǎn)數(shù)值進(jìn)行求和，并將其定義為第i個(gè)子計(jì)算像素區(qū)域中所包含的有效候選像素點(diǎn)個(gè)數(shù)Si：

(2)

為了使統(tǒng)計(jì)結(jié)果更直觀，將λ定義為增強(qiáng)系數(shù)，取值大小不影響整體結(jié)果。分別計(jì)算S0,S1,…,Sn，之后統(tǒng)計(jì)每個(gè)子計(jì)算空間中的候選點(diǎn)數(shù)，候選子區(qū)域峰值所對(duì)應(yīng)橫坐標(biāo)即為道路消失線所在位置。具有最多有效像素?cái)?shù)Si的子計(jì)算區(qū)域中的統(tǒng)計(jì)像素點(diǎn)數(shù)V為

V=max(Si)

(3)

消失線候選位置投票統(tǒng)計(jì)結(jié)果如圖4所示，統(tǒng)計(jì)圖中峰值處對(duì)應(yīng)坐標(biāo)為(257.661 pixel,465.016)。由統(tǒng)計(jì)結(jié)果計(jì)算并得到車道區(qū)域的分割結(jié)果，如圖5所示。

圖4 消失線候選位置投票統(tǒng)計(jì)結(jié)果

圖5 道路消失線及感興趣區(qū)域劃分的效果

1.2 雙邊濾波

由于在傳感器采集及傳輸過(guò)程中會(huì)導(dǎo)致圖片質(zhì)量受損，故本研究采用雙邊濾波算法，在消除噪聲的同時(shí)有效保留邊緣，其公式如下：

(4)

其中，f(k,l)為原始圖像中點(diǎn)(k,l)的像素值，g(i,j)代表濾波后圖像中的點(diǎn)(i,j)的像素值，ω(i,j,k,l)為權(quán)重系數(shù)，等于空間高斯濾波器核函數(shù)ωd(i,j,k,l)與值域?yàn)V波核函數(shù)ωr(i,j,k,l)的乘積，分別表示為

(5)

其中，σd為空域?yàn)V波半徑，σr為值域?yàn)V波半徑。各濾波算子檢測(cè)效果的對(duì)比如圖6所示。圖6顯示，雙邊濾波算子同時(shí)具有較好的去噪效果和優(yōu)秀的保邊能力。

(a) 高斯濾波效果

2 多尺度車道特征檢測(cè)算子

目前，對(duì)于目標(biāo)邊緣特征的提取多基于Canny算子或Sobel算子。Canny算子可以提取精細(xì)的車道邊緣，但同時(shí)也提取出路面標(biāo)志、路邊陰影、減速帶等干擾物體的邊緣信息，這些干擾信息不僅降低車道線檢測(cè)效率，而且影響車道線識(shí)別精度[15-16]。對(duì)比效果如圖7、圖8所示，通過(guò)比較可以發(fā)現(xiàn)：采用Sobel算子可以避免提取干擾特征。所以對(duì)于路面場(chǎng)景，本文選用Sobel算子進(jìn)行特征檢測(cè)，同時(shí)對(duì)Sobel算子進(jìn)行合理改進(jìn)以提高檢測(cè)精度。

圖7 Canny算子檢測(cè)效果

圖8 Sobel算子檢測(cè)效果

由于傳統(tǒng)的邊緣檢測(cè)算子采用水平、豎直梯度方向進(jìn)行邊緣檢測(cè)，不能根據(jù)實(shí)際情況的需要進(jìn)行合理匹配，且無(wú)法解決車道線檢測(cè)存在的易受噪聲干擾及需要一定的檢測(cè)精度等問(wèn)題，故本研究設(shè)計(jì)了一種多尺度Sobel算子，使用Lab色域、LUV色域?qū)嚨谰€特征值進(jìn)行閾值過(guò)濾，可以有效保留有用信息，針對(duì)復(fù)雜環(huán)境下的車道線識(shí)別具有較好的效果。

2.1 多角度邊緣檢測(cè)

首先，對(duì)原始圖像濾波得到可處理的平滑圖像。其次，由于車道線邊緣梯度方向不確定，尤其是在復(fù)雜環(huán)境下的檢測(cè)效果欠佳。因此，本文對(duì)濾波平滑后的圖像，采用改進(jìn)劃分角度的檢測(cè)算子進(jìn)行邊緣檢測(cè)。

由于傳統(tǒng)Sobel算子存在一定局限性(僅對(duì)水平與豎直方向邊緣敏感)，在道路圖像中若僅考慮兩個(gè)方向的梯度值，會(huì)在邊緣檢測(cè)的過(guò)程中造成漏檢，無(wú)法獲得較高的邊緣精度。本文對(duì)Sobel算子在檢測(cè)角度上進(jìn)行優(yōu)化，對(duì)算子進(jìn)行四方向梯度加權(quán)，劃分檢測(cè)梯度方向分別為0°、45°、90°、135°，角度劃分如圖9所示，其3×3模板卷積核如圖10所示。

圖9 道路檢測(cè)角度劃分結(jié)果

(a) 0°卷積核

算子根據(jù)像素點(diǎn)上下、左右鄰點(diǎn)灰度加權(quán)結(jié)果，在邊緣處達(dá)到極值這一現(xiàn)象來(lái)檢測(cè)邊緣。邊緣梯度值Gi計(jì)算公式為

(6)

i=0°, 45°, 90°, 135°

其中，Ki為對(duì)應(yīng)角度的卷積核矩陣，A為待計(jì)算圖像像素矩陣，m、n代表矩陣值對(duì)應(yīng)的位置，x、y為矩陣中心點(diǎn)坐標(biāo)。通過(guò)式(6)計(jì)算相應(yīng)的邊緣梯度值結(jié)果，以0°方向?yàn)槔?jì)算梯度值、最終計(jì)算結(jié)果G分別為

G0°=(f(x+1,y-1)+2f(x+1,y)+f(x+1,y+1))-

(f(x-1,y-1)+2f(x-1,y)+f(x-1,y+1))

(7)

(8)

邊緣圖像處理效果對(duì)比如圖11所示。通過(guò)比較圖11a、圖11b的效果可以看出，相較傳統(tǒng)檢測(cè)算子，多尺度Sobel算子刻畫(huà)的邊緣圖像更為準(zhǔn)確清晰。

(a) 傳統(tǒng)3×3 Sobel算子梯度處理效果

2.2 多色域處理的車道特征提取

具有復(fù)雜環(huán)境的車道如圖12所示，其中，存在陰影遮擋、光照不均勻等情況。傳統(tǒng)Sobel算子圖像檢測(cè)效果如圖13所示。

圖12 復(fù)雜環(huán)境車道圖像

圖13 傳統(tǒng)Sobel算子圖像檢測(cè)效果

圖13中，傳統(tǒng)檢測(cè)算法對(duì)于此類場(chǎng)景的識(shí)別效果不夠理想，其原因如下：①傳統(tǒng)方法無(wú)法解決圖像中車道線在強(qiáng)光照影響下使其邊緣特征鈍化的問(wèn)題；②無(wú)法有效區(qū)分由于光線照射產(chǎn)生的其他物體陰影遮擋形成新的邊緣，所以對(duì)車道線識(shí)別造成一定干擾。為此，本文采用多尺度Sobel算子計(jì)算邊緣，并將原始圖像從RGB色域分別轉(zhuǎn)為L(zhǎng)ab色域、LUV色域，對(duì)車道圖像的閾值進(jìn)行過(guò)濾。

Lab顏色模型彌補(bǔ)了RGB和CMYK兩種色彩模式的不足。Lab顏色模型由三個(gè)要素組成，第一個(gè)要素L是亮度(light)，另外兩個(gè)要素為a和b，分別代表兩個(gè)顏色通道。a包括的顏色是從深綠色到灰色再到亮紅色，b是從亮藍(lán)色到灰色再到黃色。這種顏色混合后將會(huì)產(chǎn)生亮度效果。因此，針對(duì)黃色車道線目標(biāo)采用Lab色域三通道中的b通道進(jìn)行閾值過(guò)濾、保留目標(biāo)信息。Lab色域模型如圖14所示。

圖14 Lab顏色模型 Fig.14 Lab color model

首先，RGB色域與CIE 1931 XYZ色域(后文簡(jiǎn)稱XYZ)轉(zhuǎn)換關(guān)系為

(9)

其中，T為色域轉(zhuǎn)換矩陣，公式內(nèi)系數(shù)的確定可參考文獻(xiàn)[17]，將系數(shù)代入整理得

(10)

然后，將XYZ轉(zhuǎn)為L(zhǎng)ab，即可完成轉(zhuǎn)換，關(guān)系式如下：

(11)

其中，Xn、Yn、Zn為固定值，分別取95.047，100.0，108.883。f(t)的表達(dá)式為

(12)

對(duì)圖像中強(qiáng)光下的白色虛線部分采用LUV色域的L通道進(jìn)行過(guò)濾及效果增強(qiáng)。其中，L為亮度，U、V表示色差，LUV模型如圖15所示。

圖15 LUV色域模型

在RGB-LUV轉(zhuǎn)換過(guò)程中，通過(guò)式(9)、式(10)確定RGB色域與XYZ色域轉(zhuǎn)換關(guān)系后，將XYZ色域轉(zhuǎn)換為L(zhǎng)UV色域關(guān)系：

(13)

其中，u′、v′、u′n、v′n的表達(dá)式分別為

(14)

完成色域轉(zhuǎn)換后，為得到二值化邊緣的最終結(jié)果，將多尺度Sobel算子與Lab、LUV色域過(guò)濾后的二值邊緣結(jié)果進(jìn)行或運(yùn)算：

Ebin=ESob|ELab|ELUV

(15)

采用以上方法可以有效提取復(fù)雜光照環(huán)境下的黃色、白色車道線，最終效果如圖16所示。與圖13相比，本文提出的多尺度Sobel算子可較完整地檢測(cè)出圖16中的車道線。

圖16 優(yōu)化二值圖像處理效果

3 車道圖像的理論視角恢復(fù)

由于車載傳感器安裝時(shí)與地面有一定角度，導(dǎo)致車道圖像呈現(xiàn)近大遠(yuǎn)小的情況，使原本平行的左右車道線產(chǎn)生傾斜角度，對(duì)車道線產(chǎn)生影響，不利于車道線檢測(cè)，因此，對(duì)車道圖像采用透視變換，將實(shí)際車道圖像轉(zhuǎn)換為車道俯視圖，恢復(fù)車道線平行關(guān)系。

圖像透視變換坐標(biāo)轉(zhuǎn)換原理如圖17所示。即把平面Ⅰ中的A1、B1、C1、D1點(diǎn)的包圍區(qū)域，將O點(diǎn)為基準(zhǔn)向平面Ⅱ投影，對(duì)應(yīng)的投影點(diǎn)分別為A2、B2、C2、D2。兩平面中對(duì)應(yīng)點(diǎn)的關(guān)系如下：

(16)

圖17 透視變換坐標(biāo)轉(zhuǎn)換原理

整理式(16)可得

(17)

(18)

u、v為投影前UV坐標(biāo)系下的點(diǎn)坐標(biāo)，x、y為前者在投影后在XY坐標(biāo)系中對(duì)應(yīng)點(diǎn)的坐標(biāo)，將式(16)中3×3矩陣記為a，它代表坐標(biāo)轉(zhuǎn)換矩陣。其中，當(dāng)透視變換為二維坐標(biāo)系轉(zhuǎn)換關(guān)系時(shí)，w'=w=1。相機(jī)俯視視角車道模型與轉(zhuǎn)換后視角車道模型如圖18所示。

圖18a所示為實(shí)際檢測(cè)區(qū)域，圖18b所示為理論檢測(cè)區(qū)域。以圖像中的對(duì)應(yīng)點(diǎn)A1(u,v)、B1(u,v)、C1(u,v)、D1(u,v)與A2(x,y)、B2(x,y)、C2(x,y)、D2(x,y)的點(diǎn)坐標(biāo)為依據(jù)，即可確定原視角與理論視角圖透視變換的轉(zhuǎn)換矩陣a。轉(zhuǎn)換效果如圖19所示。

圖19a、圖19c、圖19e為相機(jī)拍攝的原始圖像，圖19b、圖19d、圖19f為車道透視變換后的理論俯視圖。通過(guò)對(duì)車道圖像采取透視變換,可使相機(jī)的檢測(cè)視角轉(zhuǎn)換為理論視角，從而更有利于車道線檢測(cè)。

(a) 轉(zhuǎn)換前車道視角

(a) 原始圖像1

4 車道線模型擬合及優(yōu)化

4.1 DBSCAN車道線聚類

為了獲取更細(xì)致的道路信息，采用DBSCAN(density-based spatial clustering of applications with noise)聚類方法結(jié)合Hough變換，設(shè)計(jì)了一種車道線預(yù)篩選方法。首先，參考Hough變換原理，將圖像坐標(biāo)系轉(zhuǎn)化為極坐標(biāo)系，利用極坐標(biāo)系下的每個(gè)對(duì)應(yīng)點(diǎn)(ρ，θ)映射原始圖像中的特定線段,即

ρ=xsinθ+ycosθ0°<θ<180°

(19)

根據(jù)直角坐標(biāo)系中線段與x軸夾角進(jìn)行直方圖投影。由于車道與路面邊緣平行，所以直方圖中θ值為90°處即為視場(chǎng)內(nèi)的車道線方向?？紤]到由于車輛行駛過(guò)程中俯仰角變化，影響圖像透視變換結(jié)果，所以根據(jù)直方圖投影結(jié)果，將峰值左右5°內(nèi)的線段進(jìn)行篩選并做聚類處理。投影統(tǒng)計(jì)結(jié)果如圖20所示，聚類結(jié)果如圖21所示。

圖20 極坐標(biāo)下車道線θ值投影統(tǒng)計(jì)

圖21 車道線聚類統(tǒng)計(jì)

4.2 NURBS曲線

NURBS(non-uniform rational B-splines)曲線具有控制靈活、適于計(jì)算機(jī)編程、自由度高、適于擬合直線及曲線等特點(diǎn)[18]，可以更好、更平滑地?cái)M合車道線。

對(duì)擬合的目標(biāo)采用三次NURBS形式，表示第i段曲線：

(20)

4.3 車道線擬合匹配

采用NURBS曲線擬合道路線，并利用隨機(jī)抽樣一致法對(duì)擬合結(jié)果進(jìn)行連續(xù)迭代，對(duì)車道線模型進(jìn)行優(yōu)化以濾除誤匹配。具體步驟如下：

(1)檢索圖像中目標(biāo)特征的有效像素點(diǎn)，生成實(shí)驗(yàn)所需的原始數(shù)據(jù)點(diǎn)集。

(2)根據(jù)NURBS曲線模型，在原始數(shù)據(jù)點(diǎn)集中隨機(jī)選取若干樣本點(diǎn)作為曲線擬合的初始點(diǎn)，生成初始曲線。

(3)計(jì)算剩余數(shù)據(jù)點(diǎn)與初始曲線的相對(duì)距離，將不超過(guò)距離閾值的數(shù)據(jù)點(diǎn)靠近初始曲線，然后將這些點(diǎn)生成有效點(diǎn)集。

(4)當(dāng)有效點(diǎn)集中的數(shù)據(jù)點(diǎn)達(dá)到預(yù)設(shè)曲線模型的有效點(diǎn)個(gè)數(shù)的閾值時(shí)，執(zhí)行步驟(5)，否則重復(fù)步驟(2)、(3)，直至迭代數(shù)達(dá)到迭代次數(shù)上限。

(5)利用當(dāng)前有效點(diǎn)集中的數(shù)據(jù)對(duì)曲線進(jìn)行修正，保留最佳的曲線擬合結(jié)果。當(dāng)?shù)螖?shù)達(dá)到上限值時(shí)，算法停止。

匹配結(jié)果分別如圖22～圖24所示。

(a) 二值化車道理論視角

(a) 二值化車道理論視角

(a) 二值化車道理論視角

通過(guò)計(jì)算擬合相對(duì)誤差，判斷圖22～圖24車道線的擬合效果，由軟件測(cè)試得到的車道線擬合相對(duì)誤差的數(shù)據(jù)見(jiàn)表1。由表1數(shù)據(jù)可知，在車輛左轉(zhuǎn)、右轉(zhuǎn)及直行時(shí)，擬合的最大相對(duì)誤差小于10%、平均相對(duì)誤差小于5%，且數(shù)據(jù)方差較小。

表1 各行駛情況車道線擬合相對(duì)誤差

5 實(shí)驗(yàn)驗(yàn)證

使用車載相機(jī)采集各類環(huán)境的車輛行駛視頻，并將檢測(cè)算法在計(jì)算機(jī)中進(jìn)行測(cè)試，在車輛行駛過(guò)程中，觀察車道線的動(dòng)態(tài)檢測(cè)效果及檢測(cè)的正確率。

5.1 測(cè)試環(huán)境

硬件配置如下：Inter(R) Core(TM) i5-8300 CPU @2.30 GHz, NVIDIA GeForce GTX1050 Ti。軟件測(cè)試環(huán)境如下：Windows10 64 bit, Python3.7.4 64 bit, OpenCV3.4.7.28。

5.2 實(shí)驗(yàn)測(cè)試過(guò)程

在OpenCV中利用滑動(dòng)窗口，對(duì)經(jīng)過(guò)透視變換的車道線進(jìn)行跟蹤識(shí)別，測(cè)試效果如圖25～圖27所示。各行駛工況車道線識(shí)別準(zhǔn)確率見(jiàn)表2。

圖25 樹(shù)蔭遮擋道路識(shí)別效果

圖26 強(qiáng)光照及缺損道路識(shí)別效果

圖27 雨天及車輛干擾道路識(shí)別效果

表2 各車輛行駛工況車道線識(shí)別準(zhǔn)確率

6 結(jié)論

(1)提出了一種基于像素候選統(tǒng)計(jì)的道路消失線自適應(yīng)確定方法，可以針對(duì)不同情況的車道自適應(yīng)地將車道區(qū)域與非車道區(qū)域分離，可有效消除干擾信息，并提高特征檢測(cè)效率。

(2)針對(duì)傳統(tǒng)特征檢測(cè)算子存在的缺陷，采用改進(jìn)劃分角度的檢測(cè)算子進(jìn)行車道線特征檢測(cè)，同時(shí)對(duì)車道圖像有針對(duì)性地采用多色域模型處理，使算法具有較好的環(huán)境適應(yīng)性。

(3)采用DBSCAN聚類算法及NURBS曲線擬合道路線，并利用隨機(jī)抽樣一致法對(duì)車道線模型進(jìn)行優(yōu)化以濾除誤匹配。實(shí)驗(yàn)結(jié)果表明，當(dāng)車輛左轉(zhuǎn)、右轉(zhuǎn)及直行時(shí)，擬合的最大相對(duì)誤差小于10%，平均相對(duì)誤差小于5%，且方差較小。

(4)在17 447幀的車道線動(dòng)態(tài)測(cè)試中的檢測(cè)數(shù)據(jù)表明，本文方法在各工況下的平均識(shí)別準(zhǔn)確率為97.39%。