基于单目视觉的车道线和道路边界同步检测_卢卫娜
- 格式：pdf
- 大小：1.56 MB
- 文档页数：5
人类进入 21 世纪, 智能车的概念日臻成熟, 已 经成为/ 智能交通系统0 ( IT S) 研究开发的重点. 利 用计算机视觉进行自主驾驶与辅助导航是目前的主 流, 也是智能车研究的关键技术及核心问题. 智能车 辆在等级公路上安全行驶必须具备三个基本功能: 道路识别、躲避障碍物和自定位. 其中道路识别应用 于车道保持的横向控制, 近年来受到研究学者的广 泛关注. 目前, 国内外主要通过检测车道标线来识别 结构化道路的位置和形状[ 1-4] , 然而实际路况中, 车 道标线往往因磨损而褪去或不清晰, 道路边界却是 行车安全的另一重保障. 特别当车辆行驶在靠近路 边的车道时, 即一侧为标线, 另一侧为边界, 必须同 时检测出标线和道路边界, 才能准确定位车道. 文献 [ 1] 、[ 2] 中采用立体视觉识别车道线, 虽精度较高但
基于单目视觉的车道线和道路边界同步检测*
卢卫娜* , 史忠科
( 西北工业大学自动化学院, 西安 710072)
摘 要: 针对智能车辆视觉导航 中的车道保持问题, 采用了单目视觉技术检测结构 化道路上 的车道线和 道路边界. 详细介 绍
了标线灰度特性与道路边缘信息的特征提取, 并在此基础上结合公路几何线形进行 道路模型 匹配. 算 法整体采 用初始检测 和
间断的边缘段和干扰的短边缘段, 因此还需要进行
边界点跟踪搜索. 跟踪的准则为依次考察当前像素 ( x , y ) 与其邻域内像素( i, j ) , 判断它们的梯度幅值
和梯度方向角是否分别满足以下两个条件:
| G( x , y ) - G( i , j ) | F Gthresh
( 2)
| 5( x , y ) - 5( i , j ) | F 5thresh
后继跟踪的循环处理流程, 大大提高了实时性 和抗噪性. 通过 CCD 测试 结果表明, 方法能 够快速、准确、同步地 检测出车道 线
和道路边界.
关键词: 车辆视觉导航; 道路检测; 特征提 取; 模型匹配
中图分类号: TP391. 4
文献标识码: A 文章编号: 1004-1699( 2007) 05-1171-05
L U Wei-na* , SH I Zhong-ke
( Col leg e of A ut omat ion , N or th w este rn P ol yt echni cal Uni v er si t y , X i. an 710072, Chi na)
Abstract: T o prev ent an int elligent vehicle f rom depar ting t he lane in t he visio n- based navigat ion, an int eg rat ed met hod based on monocular visio n is propo sed t o det ect t he lane m arking and r oad bo undary in st ruct ural ro ad environment . T he met ho d ex tr act s t he charact ers o f the line and the ro adw ay edg e, and mat ches t hem to t he m odel of lane shape. Wit h t he circular calling of det ect ing and t racking progr am blo ck, t he w hole algorit hm show s a real t ime and hig h antinoise capabilit y. Ex perimental result s prov ed that t he met ho d can det ect lane marking and road boundary rapidly, ex act ly and synchronously . Key words: vehicle vision- based nav ig ation; ro ad det ect ion; f eat ur e ex t ract ion; mo del m at ching EEACC: 7210B
接, 作为车道线拟和的特征点.
1. 2 道路边界特征提取
一般地, 道路边界处有一个从亮到暗的跳变, 特 别是在沿着边界垂直方向上, 像素灰度值的波动更
为明显( 参见图 2 坐标为 130 处) . 本文利用这一特
性来搜索道路边界的特征点.
采取类似卷积的运算方式, 将 Sobel 算子的水
-1 0 1
类 C0 和 C1 , 则 C0 、C1 组产生的概率和平均灰度值分
别为:
X0 = L0 = X1 = L1 =
k
k
E ni / N = E p i = X( k)
i= 1
i= 1
k
k
k
E E E nii / ni =
p ii / X0
i= 1
i= E p i = 1 - X( k)
第 20卷 第 5 期 2007 年 5 月
传感技术学报
CHINESE JOURNAL OF SENSORS AND ACT UATORS
Vol. 20 No. 5 May. 2007
Synchronous Detection of the Lane Marking and Road Boundary on Monocular Vision*
设定道路模型的几何线性方程为:
Y = A+ Bx + E
其中, E为噪声. 对一组已提取的特征点( Y i , x i ) ( i =
1, 2, ,, n) , 应满足上述方程. 要寻找未知参数( A, B)
n
E 的最小二乘估计量( ^A, ^B) , 使得 ( Y i - ^A- ^Bx i ) 2 = i= 1 n
i= k+ 1
i = k+ 1
L
L
L
E E E nii/ ni =
p i i / X1
i= k+ 1
i= k+ 1
i = k+ 1
图 3 提取标线特征点
初步分割出标线之后, 再对图像做连通性分析,
方法是从下往上、由左至右依次扫描车道线检测区
像素, 检查它与它之前左边和上边的两个近邻像素 的灰度值是否满足相似准则, 并做相应的标记和连
图 2 水平抽样灰度曲线
初步提取标线特征点时, 将车道线检测区内的
象素, 即标线部分和路面部分. 分割阈值的选取采用
动态的自适应方法 ) ) ) 最大类间方差法[ 8] . 设一幅
图像的灰度级为 L, 灰度值为 i 的像素数为 ni , 总像
L
素数为 N = E ni . 以任意灰度值 k 将像素点分成两 i= 1
上述相仿. 同时, 可以根据 C的正负来判断弯路的左
右转向.
2 后继跟踪
道路的后继跟 踪, 是帧 与帧之间的跟 踪. 车辆
运动时, 道路图像的变化是连 续的, 前后帧 之间的 道路位置 不会突 然改变. 本 文忽略 车体 动力学 影 响, 把前一帧图像中车道线和 路边界的位置, 作为 其在下一帧的预测位置, 在其 左右 20 个像 素的水 平邻域内搜索新的特征点. 这 样, 搜索范围 由初始 检测的矩形区缩小为两个狭长的带状区域( 如图 4 所示) , 省去许多不必要的遍历操作. 最后, 同样采 用最小二 乘拟合 进行道 路模 型匹配, 得 到新的 车 道标线和道路边界.
推导出两组间的方差公式为
R2B = X0 X1 ( L1 - L0 ) 2
( 1)
从 1 ~ L 之间改变k 值, 求得最佳阈值 k* , 使类
间方差 R2B 达到最大值. 保留超过阈值 k* 的特征点,
得到最佳的分割效果. 图 3 就是对直路图像中左下
方的车道线检 测区做并行分割后所得 的二值化图
n
n
( 4)
E E nx ^A+
x 2i ^B =
xiYi,
i= 1
i= 1
n
n
E E 这里 x =
1 n
x i, Y
i= 1
=
1 n
i= 1
Yi.
经系数行 列式分
析, 方程组( 4) 有唯一解, 其解为:
^A= Y - ^Bx ,
n
E (x i - x)(Yi - Y)
( 5)
^B= i = 1 n
值. 对道路边界点进行如此的判断和连接, 使得图像
的边缘检测和连通性分析能够并行完成, 不仅屏蔽
第5期
卢卫娜, 史忠科: 基于单目视觉的车道线和道路边界同步检测
1 173
了噪声干扰, 对算法识别精度和实时性的提高也具 有积极的意义. 1. 3 车道线和道路边界的模型匹配
文献[ 5] 中采用了二次和三次曲线作为道路几 何模型, 导致了许多繁琐的计算. 实际中, 平原地区 结构化较好的公路的曲率一般都很小, 因此选取直 线模型进行最小二乘拟合就能达到较高精度. 在智 能车视野很小的情况下, 线性模型可以更好地对实 际车道进行描述, 且具有计算量小、速度快的优点. 特殊情况下, 例如高原地区的盘山公路, 其 曲率很 大, 需要用曲线模型匹配, 采用较简单的二次曲线拟 和就能达到所需精度, 并满足智能车实时控制的要 求.
1 21
平模板 - 2 0 2 和垂直 模板 0 0 0 在
-1 0 1
-1 -2 1
图像右下方的道路边界检测区内移动, 并在每个位
置计算对应中心像素的梯度 5f ( x , y ) = [ $x f ( x , y ) $yf ( x , y ) ] T . 这样就得到 像素两方面的信息:
