尹金楷

摘要：本文提出了一種穩(wěn)定的基于消失點(diǎn)估計(jì)的車道檢測(cè)方法。估計(jì)消失點(diǎn)有助于檢測(cè)車道，因?yàn)樵谕队暗亩S圖像中，平行線會(huì)聚集在消失點(diǎn)上。然而，在背景復(fù)雜的圖像中，正確估計(jì)消失點(diǎn)并不容易。因此，提出了一種魯棒的消失點(diǎn)估計(jì)方法，該方法使用基于從輸入圖像提取的線段的交點(diǎn)的概率投票過程。實(shí)驗(yàn)結(jié)果表明，該方法能有效地估計(jì)消失點(diǎn)，并在不同環(huán)境下檢測(cè)車道。

Abstract： The paper proposes a stable lane detection method based on vanishing point estimation. Estimating the vanishing point helps to detect the lane， because in the projected two-dimensional image， parallel lines will gather on the vanishing point. However， in an image with a complex background， it is not easy to correctly estimate the vanishing point. Therefore， a robust vanishing point estimation method is proposed， which uses a probabilistic voting process based on the intersection of line segments extracted from the input image. Experimental results show that this method can effectively estimate the vanishing point and detect lanes in different environments.

關(guān)鍵詞：消失點(diǎn)估計(jì);車道檢測(cè);概率投票

Key words： vanishing point estimation;lane detection;probability voting

中圖分類號(hào)：TP391.41 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文章編號(hào)：1674-957X（2021）07-0170-02

0 ?引言

在高級(jí)駕駛員輔助系統(tǒng)的研究中，人們對(duì)能夠提高駕駛員安全性的技術(shù)越來越感興趣[1]。在這些技術(shù)中，車道偏離警告（LDW）系統(tǒng)在車輛偏離主干道和高速公路上的車道或狹窄道路時(shí)向駕駛員發(fā)出警告，并且僅當(dāng)車輛超過特定速度時(shí)，它才運(yùn)行以防止不必要的警告。LDW系統(tǒng)有助于減少由粗心造成的車輛碰撞或者昏昏欲睡的駕駛。對(duì)于LDW系統(tǒng)的基于視覺的車道線檢測(cè)已經(jīng)有很多研究[2]。在這些車道檢測(cè)方法中，顏色或邊緣信息被用作車道的特征。

在過去幾年中，圖像分類和識(shí)別的深度學(xué)習(xí)變得非常流行?？死镎芊蛩够萚3]首次提出了一種用于圖像分類的卷積神經(jīng)網(wǎng)絡(luò)（CNN），該網(wǎng)絡(luò)在ImageNet大規(guī)模視覺識(shí)別挑戰(zhàn)（ILSVRC）中表現(xiàn)非常好。這種成功證明了深度學(xué)習(xí)模型的優(yōu)勢(shì)，并激勵(lì)研究人員開發(fā)基于CNN的對(duì)象檢測(cè)系統(tǒng)。吉爾希克等人[4]提出了“具有CNN特征的區(qū)域”（R-CNN），快速RCNN，然后更快R-CNN。盡管精度和速度越來越好，但它仍然太慢，無(wú)法應(yīng)用于實(shí)時(shí)目標(biāo)檢測(cè)系統(tǒng)。雷德蒙等人[5]提出了第一個(gè)實(shí)時(shí)的基于CNN的模型，稱為YOLO（你只看一次），它只使用來自最后一個(gè)卷積層的特征圖來提取和檢測(cè)建議，并且比R-CNN模型工作得更快。該模型通過使用從不同層提取的地圖，在目標(biāo)檢測(cè)方面具有更高的靈活性。固態(tài)硬盤還可以應(yīng)用特征映射直接提取建議，如YOLO，并在保持相對(duì)較高的檢測(cè)速度的同時(shí)實(shí)現(xiàn)高精度。

本文的主要貢獻(xiàn)有三個(gè)方面：①提出了一種新的對(duì)噪聲魯棒的消失點(diǎn)估計(jì)方法。所提出的概率投票函數(shù)被定義為線段強(qiáng)度，其表示所提取的線段的相關(guān)性。②提出了一種基于查找表的投票算法，降低了投票函數(shù)的計(jì)算成本。③基于檢測(cè)到的平行線和它們的估計(jì)消失點(diǎn)之間的幾何關(guān)系，通過在建議的得分函數(shù)中找到峰值來有效地檢測(cè)宿主車道。然后，利用幀間相似性對(duì)其進(jìn)行細(xì)化，幀間相似性考慮了檢測(cè)到的車道與連續(xù)幀中估計(jì)消失點(diǎn)的位置一致性。

1 ?車道檢測(cè)

圖1所示為車道檢測(cè)方法的概述。為了檢測(cè)車道，首先通過在輸入圖像上使用LSD方法提取線段，并且為每個(gè)線段計(jì)算線段強(qiáng)度。然后，使用具有線段強(qiáng)度的概率投票過程來估計(jì)車道的消失點(diǎn)。通過考慮提取的線段的方向是否與車道的方向相似來過濾掉提取的線段，然后選擇保留的線段作為候選線段。最后，從這些候選線段中檢測(cè)車道。

2 ?消失點(diǎn)估計(jì)

現(xiàn)實(shí)世界環(huán)境中的平行線在圖像中的單個(gè)點(diǎn)相交，這是因?yàn)樵趶?D圖像投影到2D圖像的過程中會(huì)出現(xiàn)透視效果。這個(gè)點(diǎn)叫做消失點(diǎn)。車道的消失點(diǎn)可以計(jì)算為從車道提取的一對(duì)線段的交點(diǎn)。消失點(diǎn)也可以用來尋找平行于車道的線。因此，如果找到平行于車道的線段的消失點(diǎn)，可以有助于檢測(cè)車道。

為了考慮像素對(duì)準(zhǔn)誤差，在所提出的方法中引入了線段強(qiáng)度τ，其表示形成線段的像素的取向?qū)?zhǔn)得如何。τ的定義是將更高的值分配給更長(zhǎng)且對(duì)齊更清晰的線段，如下所示：（1）

其中l(wèi)i是通過LSD方法提取的線段的長(zhǎng)度，？棕i是線段的寬度。τ值較高的線段被認(rèn)為更相關(guān)。線段的厚度代表線段的強(qiáng)度。對(duì)于一對(duì)線段（Li，Lj），在圖像平面中（Li，Lj）的交點(diǎn)被認(rèn)為是高斯分布，如下所示：

其中，是（Li，Lj）在圖像坐標(biāo)中的交點(diǎn)，和是y軸和x軸的標(biāo)準(zhǔn)偏差。在這個(gè)方程中，假設(shè)高斯模型是各向同性的，然后：

當(dāng)估計(jì)車道的消失點(diǎn)時(shí)，可以在圖像中容易地找到穿過消失點(diǎn)的線段。大多數(shù)線段來自車道，但是，它們可能包含不平行于3D空間中的車道的線段，但是在投影的2D圖像中偶然經(jīng)過消失點(diǎn)。因此，本文提出了一種魯棒的車道線檢測(cè)方法來降低這些離群線段的影響。

在從所提出的車道檢測(cè)方法獲得的圖像中，車道位于以估計(jì)消失點(diǎn)為中心的扇形區(qū)域中，對(duì)于車道檢測(cè)，選擇會(huì)聚在消失點(diǎn)的候選線段。但是，選定的候選線段可以包含從周圍環(huán)境中提取的線段，并且不平行于3D空間中的車道。由于這些異常值會(huì)影響車道檢測(cè)，通常，應(yīng)該對(duì)視頻序列的所有連續(xù)幀進(jìn)行車道檢測(cè)。在道路圖像中，它可以包含各種路面標(biāo)記、修復(fù)標(biāo)記、樹木或建筑物的陰影等。它們可以在車道周圍看到，如果它們遮擋車道或具有與車道相似的方向，則會(huì)導(dǎo)致檢測(cè)車道時(shí)出現(xiàn)問題。對(duì)于圖像中沒有出現(xiàn)的具有陳舊或破損車道的特定圖像，車道檢測(cè)有時(shí)是不可能的。（圖2）

為了用基于查找表的近似來驗(yàn)證所提出的方法的計(jì)算效率，在不使用近似的情況下，該方法的平均計(jì)算時(shí)間約為每幅圖像2秒，而所提出的具有近似的方法需要約0.18秒。此外，所提出的方法與近似值的方差約為0.05秒，然而，不使用近似值的方法的方差約為1.9秒。實(shí)驗(yàn)結(jié)果表明，提出的近似方法不僅由于計(jì)算時(shí)間的變化小于不使用近似方法而更加穩(wěn)定，而且比不使用近似方法更快。

3 ?結(jié)論

描述了一種基于直線段相關(guān)性的消失點(diǎn)估計(jì)的魯棒車道檢測(cè)方法。該方法利用基于線段強(qiáng)度的概率投票過程，從噪聲圖像中正確估計(jì)車道消失點(diǎn)。在從車輛的前置攝像頭獲得的圖像中，車道位于以估計(jì)消失點(diǎn)為中心的扇形區(qū)域中?；谶@一觀察，所提出的方法通過僅在該扇形區(qū)域中搜索來檢測(cè)車道。然后，利用線段與估計(jì)消失點(diǎn)之間的幾何關(guān)系，定義評(píng)分函數(shù)來估計(jì)車道。最后，通過對(duì)該評(píng)分函數(shù)應(yīng)用洪泛分水嶺算法來檢測(cè)車道，并且檢測(cè)到的宿主車道的位置是通過利用幀間相似性來細(xì)化，該幀間相似性考慮了連續(xù)幀中檢測(cè)到的車道和估計(jì)消失點(diǎn)的位置一致性。此外，提出了一種使用查找表的方法來降低消失點(diǎn)估計(jì)過程中的計(jì)算成本。實(shí)驗(yàn)結(jié)果表明，該方法能有效地估計(jì)車道消失點(diǎn)，并能檢測(cè)各種環(huán)境下的車道。此外，該方法可以成功地方面于走廊地板檢測(cè)和輸電線路檢測(cè)等各種應(yīng)用。在未來，我們希望正確估計(jì)汽車前方很遠(yuǎn)的車道。此外，我們希望將所提出的方法擴(kuò)展到非結(jié)構(gòu)化道路檢測(cè)。

參考文獻(xiàn)：

[1]K. Bengler， K. Dietmayer， B. Farber， M. Maurer， C. Stiller， and H. Winner， “Three decades of driver assistance systems： Review and future perspectives，” IEEE Intell. Transp. Syst. Mag.， vol. 6， no. 4， pp. 6–22， Apr. 2014.

[2]V . Gaikwad and S. Lokhande， “Lane departure identification for advanced driver assistance，” IEEE Trans. Intell. Transp. Syst.， vol. 16， no. 2， pp. 910–918， Apr. 2015.

[3]Z. Nan， P . Wei， L. Xu， and N. Zheng， “Efficient lane boundary detection with spatial-temporal knowledge filtering，” Sensors， vol. 16， no. 8，p. 1276， 2016.

[4]J. Gu， Q. Zhang， and S.-I. Kamata， “Robust road lane detection using extremal-region enhancement，” in Proc. Asian Conf. Pattern Recognit.， Nov. 2015， pp. 519-523.

[5]U. Farooq， G. Abbas， S. O. Saleh， and M. U. Asad， “Corridor navigation with fuzzy logic control for sonar based mobile robots，” in Proc. IEEE Conf. Ind. Electron. Appl.， Jul. 2012， pp. 2087-2093.