呂穎 李紅建 李駿 呂錚 董小瑜
(1.中國(guó)第一汽車(chē)股份有限公司智能網(wǎng)聯(lián)開(kāi)發(fā)院,長(zhǎng)春130013;2.中國(guó)第一汽車(chē)股份有限公司創(chuàng)新技術(shù)研究院,長(zhǎng)春130013;3.汽車(chē)振動(dòng)噪聲與安全控制綜合技術(shù)國(guó)家重點(diǎn)實(shí)驗(yàn)室,長(zhǎng)春130013;4.清華大學(xué),車(chē)輛與運(yùn)載學(xué)院,北京100083)
主題詞:車(chē)道線(xiàn)檢測(cè) 道路特征 道路模型 智能駕駛
智能駕駛技術(shù)的發(fā)展對(duì)交通運(yùn)輸產(chǎn)生著深遠(yuǎn)的影響。環(huán)境感知技術(shù)在汽車(chē)的智能駕駛專(zhuān)業(yè)領(lǐng)域里扮演了關(guān)鍵的角色,也是確保智能駕駛汽車(chē)在兼顧智能和安全的重要技術(shù)手段。其中,對(duì)道路中的道線(xiàn)進(jìn)行劃分和追蹤是感知車(chē)輛周邊環(huán)境信息的重要步驟,能夠給安全駕駛和自動(dòng)駕駛提供重要的基礎(chǔ)保障和依賴(lài),也是當(dāng)前智能駕駛技術(shù)研究的難點(diǎn)和核心?,F(xiàn)如今車(chē)道線(xiàn)檢測(cè)技術(shù)通常用于智能駕駛輔助系統(tǒng)中的車(chē)道偏離預(yù)警功能[1-3]。當(dāng)前我國(guó)道路具有規(guī)范的道路標(biāo)志和交通法規(guī),這樣的道路提供了清晰的車(chē)道線(xiàn)邊界特征來(lái)幫助我們進(jìn)行智能駕駛技術(shù)的開(kāi)發(fā),此外交通道路上的標(biāo)志均符合相應(yīng)的國(guó)家標(biāo)準(zhǔn),這些清晰且具體的特征和規(guī)范是車(chē)道線(xiàn)識(shí)別的一個(gè)優(yōu)秀的先天條件。目前,對(duì)于車(chē)道線(xiàn)檢測(cè)技術(shù)國(guó)內(nèi)外已經(jīng)有了很多的研究,但真正應(yīng)用在主流車(chē)型上的方法技術(shù)主要分為2種,即以道路特征和道路模型為基礎(chǔ)的車(chē)道線(xiàn)檢測(cè)方法[4-7]。
以道路特征為基礎(chǔ)的車(chē)道線(xiàn)檢測(cè)算法受圖像質(zhì)量的影響較大,交通道路上復(fù)雜的環(huán)境因素?zé)o法讓圖像質(zhì)量得到保證,這也是制約該方法的重要因素。以道路模型為基礎(chǔ)的車(chē)道線(xiàn)檢測(cè)算法雖然能夠應(yīng)對(duì)復(fù)雜的道路環(huán)境導(dǎo)致的圖像質(zhì)量問(wèn)題,但是其運(yùn)算量過(guò)大導(dǎo)致對(duì)車(chē)道線(xiàn)的檢測(cè)不能滿(mǎn)足實(shí)時(shí)性的要求。本文提出一種道路特征和道路模型的車(chē)道線(xiàn)檢測(cè)算法,模型能夠綜合道路模型和道路特征的車(chē)道線(xiàn)檢測(cè)優(yōu)點(diǎn),解決利用道路特征檢測(cè)車(chē)道線(xiàn)受光照以及環(huán)境因素影響。
車(chē)道線(xiàn)檢測(cè)中利用道路上的物理特征因素進(jìn)行車(chē)道線(xiàn)分割識(shí)別建立的模型被稱(chēng)為道路特征模型,主要是通過(guò)車(chē)道線(xiàn)和路面的顏色差異進(jìn)行分割識(shí)別。
這種檢測(cè)方式主要是依賴(lài)攝像頭系統(tǒng)拍攝到的道路圖像,通過(guò)識(shí)別圖像中車(chē)道線(xiàn)和車(chē)道的不同特征從而進(jìn)行對(duì)車(chē)道線(xiàn)精確的分割。在車(chē)道線(xiàn)匹配上主要選擇的一些擬合算法有:霍夫變換、邊緣算子、卡爾曼濾波、自適應(yīng)邊界檢測(cè)。鞠乾翱等[8]基于攝像頭系統(tǒng)拍攝到道路圖像,主要針對(duì)圖像中的灰度信息進(jìn)行了提取,通過(guò)圖中車(chē)道線(xiàn)和車(chē)道的像素值不同進(jìn)行圖像分割。石林軍等[9]利用圖像灰度處理技術(shù)對(duì)攝像頭捕獲的RGB圖像進(jìn)行處理,然后進(jìn)行霍夫變換,最后提取出來(lái)車(chē)道線(xiàn)的線(xiàn)條。王鑫等[10]將經(jīng)過(guò)灰度處理后的圖像,基于透視變換分割掃描線(xiàn),對(duì)車(chē)道線(xiàn)和車(chē)道的結(jié)合處特征的差異進(jìn)行了預(yù)先的檢測(cè),然后設(shè)置了一個(gè)2層感興趣區(qū)域,又通過(guò)邊界算子對(duì)車(chē)道線(xiàn)的輪廓進(jìn)行辨別,最后車(chē)道線(xiàn)模型的匹配采用的是霍夫變換的方法。程文冬等[11]通過(guò)對(duì)道路進(jìn)行網(wǎng)格劃分排除了大量的非相關(guān)像素,增加提取車(chē)道線(xiàn)特征的正確性。在提取邊界信息后,經(jīng)過(guò)霍夫變換得到匹配擬合后的車(chē)道線(xiàn)。李超等[12]將道路圖像轉(zhuǎn)換為灰度圖像并利用中值濾波降噪后,建立動(dòng)態(tài)變化的感興趣區(qū)域,經(jīng)過(guò)自適應(yīng)邊界檢測(cè),利用幀間的變化信息約束并更新車(chē)道線(xiàn)。該方法可同時(shí)降低計(jì)算量和提高算法的環(huán)境適應(yīng)性。Li X等[13]在采集到的圖像中劃定感興趣區(qū)域,通過(guò)圖像灰度化和中值濾波處理消除噪聲后,采用尖峰神經(jīng)網(wǎng)絡(luò)檢測(cè)車(chē)道線(xiàn)的邊界,應(yīng)用霍夫變換的算法獲取車(chē)道線(xiàn)模型。
在減少運(yùn)算時(shí)間和提高魯棒性方面也有許多學(xué)者做了研究。Madrid等[14]提出了適用于移動(dòng)設(shè)備的車(chē)道偏離報(bào)警系統(tǒng),通過(guò)應(yīng)用霍夫變換和圖像的模糊技術(shù),很大程度上減少了圖像識(shí)別需要的計(jì)算量,并能夠完成車(chē)道偏離預(yù)警功用的實(shí)時(shí)性。Gaikwad等[15]將圖像灰度化以后,為了提高圖像ROI的對(duì)比度采用了線(xiàn)性的分段拉伸函數(shù)進(jìn)行處理,這樣由ROI分割出2個(gè)子區(qū)域,在這2個(gè)區(qū)域內(nèi)分別進(jìn)行霍夫變換處理,完成了車(chē)道線(xiàn)的分割和追蹤,這樣也大大提高圖像處理速度。Yeniaydin等[16]提出了一種利用機(jī)器視覺(jué)的具有較強(qiáng)魯棒性的車(chē)道線(xiàn)分割匹配的算法,利用灰度化的感興趣區(qū)域獲得2個(gè)二值化的圖像。將所得到的二值化圖像經(jīng)過(guò)一個(gè)新的鄰域算子合并,通過(guò)逆透視變換得到鳥(niǎo)瞰圖,利用高斯概率密度函數(shù)對(duì)檢測(cè)到的車(chē)道線(xiàn)進(jìn)行匹配。
由上述文獻(xiàn)分析可知,當(dāng)前主流的車(chē)道線(xiàn)檢測(cè)方法是基于車(chē)道內(nèi)特征的邊界信息,即不同像素值的區(qū)別來(lái)劃分不同特征。此種方法具有一定的缺陷,比如環(huán)境因素對(duì)圖像質(zhì)量的影響很大,這樣的圖像檢測(cè)就會(huì)變得頗具挑戰(zhàn)。并且大量的學(xué)者在提升魯棒性和消除環(huán)境影響方面做了研究,如分割掃描線(xiàn)、劃分網(wǎng)格、濾波降噪、采用神經(jīng)網(wǎng)絡(luò)。
由于僅憑圖像特征進(jìn)行的檢測(cè)受環(huán)境影響較大,并且我國(guó)現(xiàn)有的道路上各種交通特征形狀具有嚴(yán)格的標(biāo)準(zhǔn),所以考慮結(jié)合道路模型進(jìn)行檢測(cè)。即把車(chē)道線(xiàn)在道路上的形狀用二次或者三次曲線(xiàn)模型表示,通過(guò)各種方法獲取模型中的固定參數(shù),進(jìn)一步來(lái)確定車(chē)道線(xiàn)的形狀,完成分割。韓浩等[17]提出了一種結(jié)合貝塞爾曲線(xiàn)的車(chē)道線(xiàn)劃分匹配方法,主要思想是在一個(gè)特定范圍內(nèi)進(jìn)行處理計(jì)算特征邊界,能夠提高車(chē)道線(xiàn)劃分匹配算法在光照變化場(chǎng)景下的魯棒性。段建民等[18]通過(guò)結(jié)合頂帽分割算法和曲線(xiàn)模型對(duì)三車(chē)道的識(shí)別進(jìn)行了研究。高嵩等[19]利用邊界檢測(cè)算法對(duì)結(jié)構(gòu)化道路的特征進(jìn)行了識(shí)別和分割,利用霍夫變換的方法獲取離散的道路曲線(xiàn),然后經(jīng)過(guò)卡爾曼濾波對(duì)車(chē)道線(xiàn)進(jìn)行追蹤和檢測(cè),最后采用雙曲線(xiàn)模型對(duì)檢測(cè)到的2側(cè)車(chē)道線(xiàn)進(jìn)行擬合,實(shí)現(xiàn)了車(chē)道線(xiàn)的檢測(cè)。Kumar等[20]提出了一種基于模板匹配的車(chē)道檢測(cè)方法,為了使算法對(duì)陰影區(qū)域的檢測(cè)更加精準(zhǔn),對(duì)陰影區(qū)域進(jìn)行了修復(fù),使用貝塞爾樣條曲線(xiàn)對(duì)車(chē)道線(xiàn)類(lèi)型是曲線(xiàn)的部分進(jìn)行匹配,最后使用Kalman濾波的方法對(duì)車(chē)道線(xiàn)進(jìn)行擬合。Paula等[21]使用拋物線(xiàn)車(chē)道模型檢測(cè)車(chē)道邊界,采用高斯混合的貝葉斯分類(lèi)器,對(duì)視頻序列中的車(chē)道線(xiàn)按照虛線(xiàn)、實(shí)線(xiàn)和虛實(shí)線(xiàn)進(jìn)行分類(lèi)。Chi等[22]提出了一種利用消失點(diǎn)估計(jì)的車(chē)道線(xiàn)檢測(cè)算法。Shin等[23]提出了基于生成的頂視圖圖像(Top-View image)的車(chē)道檢測(cè)算法,通過(guò)構(gòu)建一個(gè)曲線(xiàn)道路模型,將ROI底部的車(chē)道線(xiàn)擴(kuò)展出來(lái)。
以上方法對(duì)于特定的車(chē)道線(xiàn)類(lèi)型具有精準(zhǔn)的檢測(cè)效果,但存在運(yùn)算量相對(duì)偏大、局限性較強(qiáng)、實(shí)時(shí)性不足的問(wèn)題。
本文的車(chē)道線(xiàn)檢測(cè)與繪制的方法是綜合考慮道路特征和道路模型,將2者有機(jī)結(jié)合以克服環(huán)境因素的影響。首先,利用道路特征中車(chē)道線(xiàn)和車(chē)道的顏色不同進(jìn)行區(qū)分和識(shí)別,將彩色圖灰度化和二值化處理,得到車(chē)道線(xiàn)部分區(qū)域和非車(chē)道線(xiàn)部分區(qū)域。然后,通過(guò)道路模型對(duì)分割出來(lái)的二值化圖像進(jìn)行擬合匹配。最后,對(duì)利用識(shí)別結(jié)果對(duì)車(chē)道線(xiàn)的類(lèi)型進(jìn)行分類(lèi)并標(biāo)記繪制。
本文基于MATLAB軟件中提供的自動(dòng)駕駛工具來(lái)實(shí)現(xiàn)車(chē)道線(xiàn)的檢測(cè)和擬合。攝像機(jī)選用的是針孔相機(jī)模型,針孔相機(jī)模型是用于表示相機(jī)將三維坐標(biāo)轉(zhuǎn)化為平面坐標(biāo)的最常用的模型。首先,創(chuàng)建了一個(gè)單目攝相機(jī)模型,模型中需要設(shè)置攝像頭的外參和內(nèi)參,并進(jìn)行校正。世界坐標(biāo)系和相機(jī)坐標(biāo)系的之間的聯(lián)系可以通過(guò)相機(jī)的外參矩陣來(lái)表示。
世界坐標(biāo)系的詳細(xì)定義、相機(jī)的位置和姿態(tài)以及2者之間的相互關(guān)系通過(guò)外參矩陣中的參數(shù)進(jìn)行描述。相機(jī)的內(nèi)參比如焦距和畸變一般在相機(jī)出廠時(shí)已經(jīng)標(biāo)定完成,此時(shí)不需要考慮內(nèi)參的標(biāo)定。一般相機(jī)坐標(biāo)系通過(guò)一定的轉(zhuǎn)換關(guān)系與像素坐標(biāo)系關(guān)聯(lián)在一起,假設(shè)相機(jī)坐標(biāo)系下有一個(gè)點(diǎn)P,該點(diǎn)在成像平面中的投影有如下關(guān)系,如式(1)。
其中,f為點(diǎn)P到成像平面的距離,X,Y,Z是相機(jī)坐標(biāo)系下的坐標(biāo),(x,y)為點(diǎn)P在成像坐標(biāo)系下的坐標(biāo)點(diǎn),z等于點(diǎn)P到成像平面的距離。
從成像坐標(biāo)系轉(zhuǎn)換到像素坐標(biāo)系需要平移和縮放。將坐標(biāo)(x,y)在水平方向縮放α倍,垂直方向縮放β倍經(jīng)過(guò)平移后得式(2)如下:
其中,(u,v)是對(duì)應(yīng)點(diǎn)位于像素坐標(biāo)系中的具體值,cx、cy為平移距離,轉(zhuǎn)換為矩陣形式如式(3):
該矩陣為內(nèi)參矩陣。
將攝像頭采集的視頻按照幀導(dǎo)入,為了使圖像處理更為方便,首先要將原圖轉(zhuǎn)換為鳥(niǎo)瞰圖(圖1)。這里采用的是逆透視變換的方法。逆透視變換的原理也是坐標(biāo)系的轉(zhuǎn)換,即將圖像坐標(biāo)系轉(zhuǎn)換成世界坐標(biāo)系。
圖1 原圖轉(zhuǎn)換為鳥(niǎo)瞰圖
將得到的鳥(niǎo)瞰圖進(jìn)行閾值分割,即灰度化和二值化處置,以便依據(jù)道路特征進(jìn)行車(chē)道線(xiàn)的分割和追蹤。特別注意在進(jìn)行色彩變換前要設(shè)置好感興趣區(qū)域,這樣可以大大減少計(jì)算量,其次需要根據(jù)實(shí)際情況設(shè)置敏感度系數(shù)和車(chē)道線(xiàn)的寬度,這也是一個(gè)調(diào)參的過(guò)程。
經(jīng)過(guò)上述一系列的圖像處理,獲得了只含有車(chē)道線(xiàn)的二值圖像,此時(shí)需要選擇道路模型對(duì)車(chē)道線(xiàn)進(jìn)行建模表達(dá),常用的方法是用多項(xiàng)式進(jìn)行擬合,本文采用二次曲線(xiàn)的道路模型進(jìn)行車(chē)道線(xiàn)的匹配擬合。比較常見(jiàn)的匹配方法是最小二乘法,針對(duì)圖像上已有的全部數(shù)據(jù)點(diǎn)進(jìn)行適配和擬合,此方法容易產(chǎn)生較大的誤差,擬合的效果不是很理想。
RANSAC算法在擬合數(shù)據(jù)點(diǎn)的開(kāi)始就假設(shè)數(shù)據(jù)是不需要全部適配模型的。即數(shù)據(jù)中包含正確數(shù)據(jù)和錯(cuò)誤數(shù)據(jù),一般錯(cuò)誤數(shù)據(jù)也常常被稱(chēng)為噪聲信息。最小二乘法則沒(méi)有將噪音信息剔除,所以擬合出來(lái)的道路模型與實(shí)際情況常常具有較大的偏差。RANSAC算法的宗旨就是根據(jù)一定的規(guī)則選擇樣本進(jìn)行匹配模型,沒(méi)有選中的樣本當(dāng)作測(cè)試集進(jìn)行測(cè)試,最后得到誤差最小的模型。
因此,對(duì)于車(chē)道線(xiàn)的匹配方法挑選采用了RANSAC(Random Sample Consensus)算法,如圖2表示了最小二乘法和RANSAC法擬合數(shù)據(jù)的對(duì)比,明顯可以看岀RANSAC法對(duì)于車(chē)道線(xiàn)擬合的精度更滿(mǎn)足要求。
圖2 最小二乘算法與RANSAC算法對(duì)比
其算法流程圖如圖3所示。通過(guò)該算法得到圖像中車(chē)道線(xiàn)的匹配結(jié)果和類(lèi)型識(shí)別結(jié)果,并用不同的表示方法繪制出不同類(lèi)型的車(chē)道線(xiàn)。首先,隨機(jī)挑選了n個(gè)樣本作為內(nèi)部集合,用內(nèi)部集合中的樣本擬合一個(gè)模型用來(lái)測(cè)試外部集合。當(dāng)外部集合的樣本與該模型的距離大于閾值,重新進(jìn)行模型擬合,若小于閾值則將該點(diǎn)加入到內(nèi)部集合中,一直當(dāng)內(nèi)部集合中點(diǎn)的個(gè)數(shù)大于設(shè)定的數(shù)值,將所有的內(nèi)部集合的點(diǎn)擬合成曲線(xiàn),得到最佳的道路模型。
圖3 RANSAC算法流程
通過(guò)上述方法,在MATLAB中搭建了車(chē)道線(xiàn)檢測(cè)算法的模型。通過(guò)實(shí)驗(yàn)分析,根據(jù)設(shè)置的ROI區(qū)域的原始數(shù)據(jù)采集到的原始圖像(圖4)為輸入圖像。
圖4 輸入圖像數(shù)據(jù)
在圖像處理階段,將相機(jī)采集到圖像首先轉(zhuǎn)換為鳥(niǎo)瞰圖,再將鳥(niǎo)瞰圖處理為灰度圖,進(jìn)而轉(zhuǎn)換為二值圖。將二值化的圖像中的車(chē)道線(xiàn)用RANSAC算法進(jìn)行匹配,得到對(duì)車(chē)道線(xiàn)類(lèi)型的判別,并用不同的表示方法繪制出不同類(lèi)型的車(chē)道線(xiàn),如圖5a所示。再將鳥(niǎo)瞰圖轉(zhuǎn)換為正常視野,圖5 b為車(chē)道線(xiàn)檢測(cè)實(shí)驗(yàn)的結(jié)果。
圖5 車(chē)道線(xiàn)檢測(cè)過(guò)程
車(chē)道線(xiàn)檢測(cè)實(shí)驗(yàn)的具體結(jié)果如圖6所示,圖中對(duì)于車(chē)道線(xiàn)的類(lèi)型進(jìn)行了標(biāo)記,使用紅色線(xiàn)條標(biāo)記虛線(xiàn)車(chē)道線(xiàn),綠色線(xiàn)條標(biāo)記為實(shí)線(xiàn)車(chē)道線(xiàn),基本符合預(yù)期的實(shí)驗(yàn)?zāi)繕?biāo),即繪制出包含道路規(guī)則的車(chē)道線(xiàn)。
圖6 車(chē)道線(xiàn)檢測(cè)結(jié)果
本文提出的算法模型利用道路特征和道路模型的方法來(lái)進(jìn)行車(chē)道線(xiàn)的檢測(cè)和跟蹤。能夠穩(wěn)定并且快速的提取車(chē)道線(xiàn)并進(jìn)行擬合,保證了準(zhǔn)確性和實(shí)時(shí)性。對(duì)有技術(shù)難度的彎道以及陰影道路的檢測(cè)也有很好的適應(yīng)性。但是該方法在路面車(chē)道線(xiàn)缺失的情況下也會(huì)出現(xiàn)車(chē)道線(xiàn)識(shí)別不穩(wěn)定的現(xiàn)象,以后的研究也可以在車(chē)道線(xiàn)自動(dòng)補(bǔ)全方面進(jìn)行。未來(lái)的研究應(yīng)該更加關(guān)注復(fù)雜道路條件和環(huán)境下的車(chē)道線(xiàn)檢測(cè),增加算法的魯棒性,保證自動(dòng)駕駛技術(shù)的安全性。