基于车辆运动信息的感兴趣区域提取算法研究

基于车辆运动信息的感兴趣区域提取算法研究[摘要] 道路边界检测和跟踪技术是基于道路边界及区域的自动导航车辆的
关键技术。

图像处理算法的选择是决定道路边界检测速度和精度的主要因素。

感兴趣区域（ROI）分割的目的是试图通过某种模型或经验在原始图像中分割出包含道路边界信息的重要区域。

本文提出了一种基于车辆运动信息和历史图像信息的ROI提取算法，实验验证了本算法可以达到提高道路识别精度和减少处理时间的效果。

[关键词] 智能车辆车辆运动信息图像处理感兴趣区域
智能车辆（Intel1igent Vehicle）是指可以利用各种传感技术获取车体自身和车外环境的状态信息,经过智能算法对其进行分析、融合处理，将最终提供智能驾驶信息的车辆，它是智能交通系统(Intelligent Transportation Systems，ITS)的重要组成部分。

导航技术是智能车辆的核心技术，目前主要的导航技术有机器视觉导航，GPS导航，惯性导航，以及电子地图导航等。

机器视觉综合了电子通讯，图像处理和图像分析等领域相关技术，由于其具有硬件成本低廉，获取环境信息量丰富和图像处理算法具有柔性和适应能力强等优点而被各智能车辆系统广泛研究和应用[1] [2]。

识别道路边界信息是机器视觉在车辆导航中的主要应用领域，其中的主要性能指标是道路识别的精确性和实时性。

本文提出的基于车辆运动信息的感兴趣区域（Region Of Interest，ROI）提取算法可以有效减少图像干扰和误差，并提高图像处理速度。

1.算法介绍
使用ROI对道路图像进行处理可以消除大量非道路边界干扰，同时减少道路识别的计算量，从而解决了图像处理的处理精度与处理时间之间的矛盾。

ROI 分割方法可以归为两种，一种是固定ROI分割，即在图像中预先设置好道路边界可能出现的区域作为ROI，每幅图像中选择的ROI是固定不变的。

如文献[3]中采用的即是此类方法。

另一种是可变ROI分割，这种分割方法一般综合考虑了历史图像、车体运动等信息，依据这些信息在每幅图像中分割出不同的ROI，文献[4]提出查修正的ROI分割方法，这类方法大都忽略了车道线在图像中出现的位置与车辆运动之间的联系。

本文提出了利用车辆运动信息和历史图像道路信息分割出可变ROI，其主要原理就是利用车辆的速度及转向角等运动信息，计算出车辆在图像间隔内的相对运动，通过摄像机坐标投影变换，得出道路边界的相对运动，并结合上一幅图像估计出道路边界在下一幅图像中的位置，以此在下幅图像中建立ROI。

算法的主要步骤包括车辆运动模型建立，摄像机投影模型建立，以及基于以上模型的ROI 分割。

算法流程图如下：
图1基于车辆运动信息的ROI分割算法流程图
2.车辆运动模型
建立车辆的运动模型的目的，是要利用车辆在两帧图像的采集间隔中的运动来推测下一时刻的车辆位置，因此通过运动模型需要确定的是下一时刻车辆的姿态信息和位置信息。

一般情况下，忽略车辆的垂直方向运动，求解车辆姿态和位置可转化为求解车辆的水平方向角变化和水平位移变化。

车辆的运动轨迹可以看作为不同曲率的弧线的组合，具有连续、无突变等特性。

直线运动情况较为简单，本文重点分析车辆的曲线运动模型。

文中的四轮车辆转向模型一般以两轮线性二自由度汽车模型为理论基础，采用了基于阿克曼原理的四轮转向模型。

图2阿克曼转向模型
由几何关系可得：
式中：为车辆前外轮转角，为车辆前内轮转角，K为两主销中心距，L为轴距。

前轮的两个转角、可由安装在两只前轮上的拉杆角度传感器测得。

在本实验车辆中，车辆的两只前轮转角、的变化也可以间接地通过测量方向盘的转角来实现，即：。

这样就可以得出车辆方向盘转角和转向半径的关系。

经多次验证，在普通水泥路面下，实验车辆的方向盘转速与车辆转弯半径R之间的曲线拟合公式为：
假设了车辆在0.2s间隔内速度、转向角保持不变，同时忽略轮胎侧向力影响，本文采用固定半径的圆弧作为车辆的运动轨迹。

实验设定车辆的行驶速度为10m/s，图像采样间隔为0.2s。

经实验验证，以上假设因素对测量结果造成的误差如表1所示，这些误差将作为分割ROI的重要依据。

表1车辆运动模型误差
实验
条件测量对象最大误差值临界条件
绝对误差相对误差
恒定
速度位移长度0.04m 2% 半径最大
方向0.0057rad 4% 半径最小
转向角0.0114rad 4% 半径最小
恒定
转角位移长度L 0.036m 1.8% 半径最大
方向0.0057rad 3.6% 半径最小
转向角0.0114rad 3.6% 半径最小
实验条件速度10m/s，间隔0.2s，最小半径7m
3.摄像机图像采集模型
图像采集系统实现图像上任一点和空间中与之相对应的点之间的变换关系，图像采集系统模型是通过建立摄像机成像模型和对模型参数进行标定而得出的。

在模型的建立过程中，涉及的坐标系主要有：二维像素坐标：；二维理想图像坐标：；二维实际图像坐标：；三维摄像机坐标：。

三维车体坐标：以及三维世界坐标：。

其空间关系如图3所示[5]。

图3图像采集系统坐标关系图
上述摄像机内部模型可以参考投影变换模型建立，而外部坐标变换模型可由几何关系求得。

最后得出世界坐标系到摄像机坐标系、摄像机坐标系到像素坐标系变换模型：
其中：。

式中除坐标算子外，其余为摄像机内部和外部参数。

实验使用的摄像机为CANON公司的EOS—550D型号单镜头数码相机，其图像传感器为COMS器件。

本文使用美国加里福利亚大学开发的MATLAB摄像机标定工具箱（Camera Calibration Toolbox for Matlab）完成了摄像机内部参数标定[6]，使用图像分析方法完成摄像机外部参数标定。

4.ROI分割实验
基于车辆运动模型可以预测出车辆下一时刻的相对位移和方向角，再由摄像机图像采集模型可以求解出道路边界在下一幅图像中的位置，并以这一结果为根据分割出ROI。

ROI的分割策略是分割出的区域要包含车辆运动模型误差和图像采集系统误差并留有裕度，以确保感兴趣区域可以涵盖真实的道路边界。

根据表1的车辆运动模型误差和多次实验测量，在像素为1027*768的图像条件下，选取下一时刻二维图像中的预测道路水平两侧各55个像素范围，即两个平行四边形区域作为可能包含道路车道线的感兴趣区域。

车道线拟合有许多方式，常用的有二次曲线拟合和直线拟合等，这部分内容
不是本文讨论的重点，这里采用直线段来拟合道路车道线。

用以预测车道线为中心的平行四边行作为ROI的方法可能遇到一个问题，那就是在道路转弯处可能丢失真实车道线。

根据《公路工程技术标准》，我国设计时速为60Km/h以上的高速公路圆曲线最小半径为125m，即使在这种路况下本算法的车道线检测完整率超过96%，考虑到可能丢失的是少量远处车道线，因而一般没有必要扩大ROI。

实验结果表明基于车辆运动信息的ROI分割可以准确地在较小区域内包含车道信，因此可以屏蔽感兴趣区域外的干扰，这将明显提高车道线检测的鲁棒性和精度。

一般而言，本算法分割出的感兴趣区域一般只占整幅图像的很小一部分（大约7%），在ROI上进行道路检测的运算量要远远小于对整幅图像的处理，因此可以缩短处理时间，提高车道检测的实时性。

5.总结
本文建立了车辆的运动模型和摄像机图像采集模型，并通过前一时刻已得出的车道线信息估计了车道线在下一幅图像中的位置，以此为根据分割出包含实际车道线的感兴趣区域。

对比固定的感兴趣区域分割算法，本算法可以用较小范围的ROI定位车道线。

在实验中发现，道路颠簸和车身振动是影响分割精度的一个重要因素，由于这两种噪声都具有随机性，因此可以考虑在车辆中设置相关振动传感器，参考传感器的输出实时调节ROI范围，并建立自适应感兴趣区域，提高算法的抗干扰能力。

参考文献：
[1] 李舜酩,毛建国等.智能车辆发展及其关键技术研究现状[J] .传感器与微系统,2009,28（3）1-3. 基于分段归类拟合算法的车道偏离预警系统
[2] European Commission. European transport policy for 2010: Time to decide[EB/OL] , http:∥ec. europa. eu/transport/roadsafety/road_safety_observatory/rsap_en. htm.许波文, 基于分段归类拟合算法的车道偏离预警系统[D],镇江:江苏大学硕士学位论文,2009.
[3] 贾鑫,智能车辆视觉感知中的车道标线识别方法的研究
[D] ,吉林:吉林大学博士学位论文,2008.
[4] 许波文, 基于分段归类拟合算法的车道偏离预警系统[D],镇江:江苏大学硕士学位论文,2009.
[5] 冈萨雷斯等著.数字图像处理（第二版）[M],北京:电子工业出版社,2007.
[6] Camera Calibration Toolbox for Matlab,/bouguetj/calib_doc/index.htm.。