一种基于改良逆投影变换的道路斑马线识别方法_王一丁
医学影像中的斑马线检测技术
医学影像中的斑马线检测技术医学影像是现代医学中不可缺少的一部分，它提供了很多有价值的信息，如病变的位置、形态、大小等，这些信息对于医生制定治疗方案和评估治疗效果非常重要。
然而，医学影像的分析与诊断需要大量的人力和时间，因此，自动化和半自动化的医学影像分析方法越来越受到关注。
斑马线检测技术是医学影像分析中的一种常用技术，它可以自动地检测出影像中的斑马线，并提取出它们的特征，如长度、宽度、方向等。
与传统的手动标注方法相比，自动化的斑马线检测技术具有效率高、准确性高的优点，可以大大提高医生的工作效率和诊断准确率。
斑马线检测技术的应用范围广泛，如CT、MRI等医学影像分析中常用的影像模态中都存在斑马线。
在肿瘤影像分析中，斑马线可以用来作为肿瘤区域的边界，提取肿瘤的形态特征，进而进行诊断和治疗计划的制定。
在神经影像分析中，斑马线可以用来作为脊髓或神经的轮廓，从而精确地定位和量化神经病变。
在心血管影像分析中，斑马线可以用来作为心脏壁的边界，提取心脏结构和功能的信息，为心脏疾病的诊断和治疗提供依据。
斑马线检测技术的实现过程可以分为以下几个步骤：首先，将医学影像进行预处理，如图像平滑、灰度变换等，以消除噪声和增强图像对比度；然后，采用一些经典的图像处理方法，如边缘检测、形态学处理等，来检测斑马线的位置和边界；最后，进行特征提取和分类，以区分斑马线和其他图像元素。
不同的斑马线检测方法可能会使用不同的算法和技术，但它们的核心目标都是实现斑马线的快速、准确检测和特征提取。
当前，斑马线检测技术在医学影像分析中已经取得了很多进展。
研究者们正在不断探索新的算法和技术，以提高检测的准确率和效率。
除了传统的图像处理方法，近年来，人工智能技术的发展也为斑马线检测带来了新的思路和方法。
基于深度学习的图像分析方法，如卷积神经网络（CNN）、循环神经网络（RNN）等，已经被广泛应用于医学影像分析中，展示了良好的检测和诊断效果。
总之，医学影像中的斑马线检测技术具有广泛的应用前景，可以帮助医生快速、准确地分析和诊断医学影像。
219384078_基于卷积神经网络的车道线逆透视变换算法
文章编号：1673-0291（2023）02-0106-08DOI ：10.11860/j.issn.1673-0291.20220044第 47 卷 第 2 期2023 年 4 月Vol .47 N o .2Apr. 2023北京交通大学学报JOURNAL OF BEIJING JIAOTONG UNIVERSITY基于卷积神经网络的车道线逆透视变换算法蒋凯伟 1a ， 刘彪 1a ， 刘国豪 1a ， 乔俊超 1a ， 王智 1b ， 边浩毅 2（1.北京交通大学 a.电气工程学院，b.理学院, 北京 100044；2. 浙江机电职业技术学院 智慧交通学院，杭州 310053）摘要：逆透视变换是车道线检测的关键环节. 当车辆俯仰角变化时，传统固定参数的逆透视变换方法无法动态调整，导致逆透视变换效果不佳. 针对这一问题，提出基于卷积神经网络的自适应逆透视变换算法.该方法利用卷积神经网络处理图像，得到求解逆透视变换所需的参数，从而实现逆透视变换矩阵的动态更新. 根据道路结构的先验信息设计了自适应加权条形池化分支，用于补充下采样过程中丢失的结构信息，基于ResNet 网络的残差结构搭建了轻量的卷积神经网络——T -NET ，并设计了对应的损失函数.与ResNet18相比，T -NET 具有整体参数量小、计算成本低等特点. 最后，通过实车采集的真实道路图像对算法进行了验证，结果表明：在车辆颠簸情况下，该方法可以有效抑制俯仰角变化对逆透视的不利影响，实现良好的逆透视变换效果.关键词：深度学习；逆透视变换；卷积神经网络；条形池化中图分类号：TP18；U461.99 文献标志码：AAn inverse perspective transformation algorithm for lane lines basedon CNNJIANG Kaiwei 1a , LIU Biao 1a , LIU Guohao 1a , QIAO Junchao 1a ,WANG Zhi 1b , BIAN Haoyi 2（1a. School of Electrical Engineering, 1b. School of Science, Beijing Jiaotong University, Beijing 100044, China; 2. School of Intelligent Transportation, Zhejiang Institute of Mechanical and Electrical Engineering, Hangzhou310053, China ）Abstract :Inverse Perspective Mapping (IPM) is the key link of lane detection. When the vehicle pitch angle changes, the traditional IPM method with fixed parameters cannot be adjusted dynamically, which leads to performance degradation. To solve this problem, an adaptive IPM method based on Convolutional Neural Network (CNN) is proposed in this paper. The CNN processes images to obtain the parameters, thereby realizing the dynamic update of the IPM matrix. According to the prior infor⁃mation of road structure, an adaptive weighted strip pooling branch is designed to supplement the structural information lost in the down sampling process. Based on the residual structure of ResNet, a lightweight convolutional neural network T -NET is proposed, and the corresponding loss function is designed. Compared with ResNet18, T -NET has smaller number of parameters and lower computing收稿日期：2022-03-31；修回日期：2022-06-13基金项目：北京市自然科学基金（L201021）； 浙江省科技厅软科学项目（2021C25005）；浙江省交通运输厅科技计划项目（2021032）Foundation items : Beijing Municipal Natural Science Foundation （L201021）； Soft Science Research Project of Zhejiang Province（2021C25005）； Science and Technology Project of Zhejiang Provincial Department of Transportation （2021032）第一作者：蒋凯伟（1998—），男，甘肃定西人，硕士生. 研究方向为智能驾驶环境感知. email ：*****************.cn.通信作者：刘彪（1982—），男，河北保定人，副教授，博士，博士生导师. email ：****************.cn.引用格式：蒋凯伟，刘彪，刘国豪，等.基于卷积神经网络的车道线逆透视变换算法［J ］.北京交通大学学报，2023，47（2）：106-113.JIANG Kaiwei ，LIU Biao ，LIU Guohao ，et al.An inverse perspective transformation algorithm for lane lines based on CNN ［J ］.Jour⁃nal of Beijing Jiaotong University ，2023，47（2）：106-113.（in Chinese ）蒋凯伟等：基于卷积神经网络的车道线逆透视变换算法第 2 期cost. The algorithm is verified on real scene datasets collected by an experimental vehicle, and the re⁃sults show that the method can effectively suppress the adverse effects of pitch angle changes on IPM and obtain good effect in the case of vehicle bumps.Keywords:d eep learning； inverse perspective mapping； convolutional neural network； strip pooling车辆智能驾驶需要充分感知环境信息，才能保障行驶安全.如今智能驾驶车辆配备的传感器种类越来越丰富，如相机、激光雷达、毫米波雷达等.其中，相机价格较低，应用最为广泛.另一方面，由于道路环境设施都是为人类视觉感知而设置的，因此前视相机目前仍是车辆识别信号灯状态、车道线、交通标志及标线等环境信息的关键传感器.相机成像可以简化为小孔成像这一线性过程，将物体从3维空间映射到2维空间时会丢失其深度信息［1］.相机成像过程中的透视效应，表现为物体近大远小.透视效应使图像内物体与现实物体存在差异，对于车道线而言，实际平行的车道线在图像中通常是相交的，这增加了车道线检测时拟合方程的难度，需要通过逆透视变换（Inverse Perspective Map⁃ping，IPM）来消除透视效应的影响.在车道线检测任务中，逆透视变换将图像坐标反投影到空间坐标，从而将图像坐标系内相交的车道线转换为空间坐标系中的平行状态，这样可以减小所拟合车道线方程与实际坐标之间的误差.准确的车道线方程，是车道偏离预警、车道居中控制等高级驾驶辅助功能决策控制环节，以及某些单目视觉测距等工作的基础.因此，具有较小误差与较高鲁棒性的车道线逆透视变换方法，能够提升下游任务的性能.逆透视变换常用于单目测距、测速、障碍物检测及车道线检测.王永森等［2］提出一种基于车辆下边沿估计和逆透视变换的单目视觉测距方法.关闯等［3］利用行车视频消失点特性和逆透视变换特征提出了一种车速测量方法.Mallot等［4］首次将IPM应用于障碍物检测，经过拉伸变换将图像转化为虚拟鸟瞰图. Pomerleau等［5］第一次将IPM应用于车道线检测，在假设道路表面为平面的基础上，利用跟踪道路平行线的方法，提高了检测算法在车道线不清晰场景下的鲁棒性.Muad等［6］论述了IPM在车道线检测任务与车辆导航方向的应用前景.目前基于深度学习的神经网络在车道线特征提取方面表现良好，但是在逆透视变换方面应用较少.根据逆透视变换矩阵能否动态调整，可将逆透视变换方法分为动态与非动态逆透视变换两类.非动态逆透视变换方面，Aly［7］和Lee等［8］对相机内参、相机离地高度、旋转角度、偏航角和俯仰角等进行测量，代入数学模型求取逆透视变换矩阵.Ali等［9］利用消失线和车道宽度估计相机外部参数，求取逆透视变换矩阵，从而简化了相机外参测量，但其需要特定的初始化场景，本质上仍是固定参数法. Bosa⁃ghzadeh等［10］利用先验知识，通过手工标注4对角点求取逆透视变换矩阵.动态逆透视变换方面，Ying 等［11］和Kang等［12］结合车道线平行的先验知识进行车道检测，再求解变换矩阵，这种方法对车道检测的准确度要求较高.Zhang等［13］和Nieto等［14］使用外部参数对相机进行标定，利用消失点与相机俯仰角和偏航角的关系对外部参数进行实时修正，实现动态调节逆透视矩阵.这种方法需要依靠稳定的消失点检测算法，无法独立完成对逆透视变换矩阵的调整. Neven等［15］提出H-Net，H-Net的主要关注点在单应性变换后对车道线的拟合，在设计损失函数时只考虑了车道线标签与拟合方程之间的误差，导致单应性变换后的图像并不具有逆透视变换效果.Gar⁃nett等［16］使用3D数据集，采用卷积神经网络学习每个像素与三维空间的对应关系，直接检测多车道并估计每条车道的三维曲率，这种方式不需要任何后处理，但是由于3D数据难以获取，网络模型规模较大且难以满足实时性要求等原因，该方法的应用场景比较受限.非动态逆透视变换无法适应车辆运动时产生抖动及上下坡道等非理想情况.由于车辆俯仰角变化，逆透视变换之后的车道线会出现“远宽近窄”或“远窄近宽”的失真现象，因此需要对逆透视变换进行动态调节.针对以上逆透视变换存在的问题，本文将神经网络与传统方法相结合，提出了一种新的动态逆透视变换方法，设计并搭建了一个轻量的卷积神经网络模型——T-NET（Transformation-NET），提出了一种可基于图像数据集对神经网络训练的方法，并设计了对应的损失函数.此外，该方法可以独立完成逆透视变换任务，不依赖任何其他检测结果.1基于卷积神经网络的IPM1.1方法介绍逆透视变换矩阵实际上是一个单应性矩阵，只需已知4组点对应坐标便可求解.偏移量调节结果如图1所示.在图1所示的道路图像中，选取4对固107北京交通大学学报第 47 卷定锚点.为了保证映射过程中水平不变性，设置A与B、C与D位于同一高度，a、b、c、d呈矩形排布.通过偏移量对A、B两点位置进行校正，便可调节逆透视变换矩阵.图1中下方的三幅图片是在不同偏移量下做逆透视变换的效果展示，可见改变偏移量能够实现对逆透视变换角度的调整.本文提出的逆透视变换方法实现流程如图2所示.这种方法只需神经网络输出偏移量便可实现逆透视变换的动态调节，从而简化神经网络的任务.1.2网络设计卷积神经网络主要由卷积层、激活函数、池化层、全连接层和归一化层组成.网络的结构和梯度反向传播的效率，决定了网络的特征提取能力及其收敛速度.He等［17］提出的ResNet，其残差结构有效解决了网络在训练时的梯度消失和梯度爆炸的问题，从而使网络能够更快收敛.Hou等［18］论证了条形池化结构有利于提高对条形目标的检测能力.本文在文献［17-18］研究工作的基础上，构建了两种基础网络模块进行特征提取，其结构如图3所示.图3（a）中模块具有下采样的功能，为了弥补下采样过程中丢失的结构信息，设计了虚线框内的自适应加权条形池化分支，用于补充向下传递过程中丢失的结构信息.其中，SUBSAMPLING是插值下采样结构，STRIP POOL 0和STRIP POOL 1分别是沿纵向与横向进行的平均条形池化，UPSAMPLING是插值上采样结构，w1、w2、w3都是可训练的自适应权重，相较于将三个通道的信息直接相加，自适应权重可以更为合理地分配各个下采样通道的比重.图3（b）中模块为常用的残差特征提本文网络为T-NET，其结构如图4所示.其中，虚线框内为辅助训练部分，该部分只在网络训练过程中使用，网络完成训练后只保留框外主体部分的参数即可.虚线框外的主体部分可分为两个阶段.1）提取图像特征，获取图像中的高级语义信息，引入辅助训练部分结构，可以提高网络对道路结构的理解能力，加速网络的收敛.图4中支路融合处用红色方块表示，其具体细节展示于图4左下方.2）计算偏移量，利用神经网络拟合非线性函数的能力，使用全连接层建立第一阶段提取到的结构信息与所需偏移量之间的关系.全连接层可获取全局特征，一定程度上解决了卷积神经网络局部感受野小而导致的复杂结构信息检测困难的问题.辅助训练部分能够缓解网络输出前一层使用ReLU激活函数，其负半轴的梯度为0导致部分神经元未被激活的问题.另一方面，辅助训练分支增加了对网络的约束，能够加快网络的收敛速度，并防止出现过拟合现象.1.3损失函数网络训练阶段为了更新参数，需要计算损失.本文对Tusimple数据集［19］的标签数据（Groundtruth）进行筛选，选出两条车道线位于图像中部位置的数据，如图5（a）所示.对其做逆透视变换操作，得到变换后的两条车道线如图5（b）所示.利用两条车道线之间的等距关系计算损失，对a bcdA BCD（a）道路图像及锚点（b）理想结果（c）欠调节结果（d）过调节结果图1 偏移量调节结果Fig.1 Results of offset adjustment图2 基于CNN的逆透视变换方法Fig.2 IPM method based on CNN图3 网络组成模块Fig.3 Modules of the network108蒋凯伟等：基于卷积神经网络的车道线逆透视变换算法第 2 期两条车道线的坐标作差，得到不同位置的间距，图5（b ）中d 1和d 2分别表示逆透视变换后车道线首部及尾部的间距.损失函数可表示为l =|d 1-d 2|（1）损失计算的过程需要根据T -NET 网络输出的偏移量d x 求解逆透视变换矩阵，具体步骤包括éëêêêùûúúúúu v 1=éëêêêêêùûúúúúM 0M 1M 2M 3M 4M 5M 6M 71éëêêêêêêùûúúúx y 1（2）式中：(x ，y )、(u ，v )为逆透视前和后的像素坐标；M 0~M 7为逆透视变换矩阵的8个参数.将图1中已知的锚点坐标和神经网络输出的偏移量d x 代入式（2）可得éëêêêêêêêêêêêêêêêêêêêêêêùûúúúúúúúúúúúúúúúúúúu 1v 1u 2v 2u 3v 3u 4v 4=éëêêêêêêêêêêêêêêêêêêêêêêêêêêùûúúúúúúúúúúúúx 1+d x y 11000-()x 1+d x u 1-y 1u 1000x 1+d x y 11-()x 1+d x v 1-y 1v 1x 2y 21000-x 2u 2-y 2u 2000x 2y 21-x 2v 2-y 2v 2x 3y 31000-x 3u 3-y 3u 3000x 3y 31-x 3v 3-y 3v 3x 4-d x y 41000-()x 4-d x u 4-y 4u 40x 4-d xy 41-()x 4-d x v 4-y 4v 4éëêêêêêêêêêêêêêêêêêêêêêêùûúúúúúúúúúúúúúúúúúúM 0M 1M 2M 3M 4M 5M 6M 7（3）式中：(x i ，y i )，i =1，2，3，4表示图1中A 、B 、C 、D 点的坐标； (u j ，v j ），j =1，2，3，4表示图1中a 、b 、c 、d 点的坐标.求解式（3），即可得矩阵参数M 0~M 7.T -NET 第一阶段的辅助训练分支使用语义分割标签，其损失函数可以设置为交叉熵损失函数如下L seg =-[y log (p )+(1-y )log (1-p )]（4）通过网络第二阶段及其辅助训练分支的输出结果对式（3）进行修正，获得两组变换矩阵完成车道线逆透视变换，利用式（1）作为该部分的损失函数，分别记为：L 1和L 2，以表示逆透视变换后两条车道线间距的误差.总损失函数为各部分损失的加权和，可表示为L =L 1+L 2+λL seg（5）式中：λ=10.由于训练过程中L seg 的数值约为L 1或L 2的0.1倍，为避免L seg 权重过小导致T -NET 第一阶段网络优化缓慢，在训练时将L seg 扩大10倍以提高其在总损失的权重.“偏移量Concat第二阶段池化层2*2下采样模块特征提取模块全连接层第一阶段Relu全局平均池化层CONV1*1期望值语义标签UPSAMPLING UPSAMPLINGCONV 1*1Concat BN CONV 1*1288×800×3144×400×6472×200×6436×100×12818×50×2569×25×51251225636×100×59×25×12818×50×12836×100×128ReluRelu11图4 T -NET 结构Fig.4 Architecture of T -NET图5 标签数据逆透视变换示意图Fig.5 IPM results of ground truth data109北京交通大学学报第 47 卷2 实验与结果分析2.1 实验环境与训练策略本文使用Ubuntu18.04 LTS 操作系统，在搭载有NVIDIA GeForce RTX 3060显卡的主机上进行训练.设置优化器为Adam ，总迭代次数为170次，迭代批量大小为12，学习率为5e -5，训练数据集为Tusimple 数据集.2.2 网络性能对比实验为了探索网络模型中不同结构对整体检测效果的影响，本文进行了消融实验.选择先进的Ultra -Fast -Lane -Detection 车道线检测算法［20］，以其主干特征提取网络ResNet18作为基准，控制条形池化分支结构的引入，与本文网络做以对比，讨论T -NET 的第一阶段主干特征提取网络的有效性及其对网络参数量的影响.实验结果如表1所示，可见在引入条形池化分支的情况下，两种模型的检测准确率均有所提升，且T -NET 的准确率略高于ResNet18的准确率，说明下采样模块能够加强特征提取，提升网络性能.另一方面，在不引入条形池化分支时，本文提出的网络T -NET 的准确率略低于ResNet18的准确率，没有严重的性能损失，说明二者主干网络的特征提取能力相近，从而能够验证特征提取模块的有效性.网络训练过程的损失值变化如图6所示，由损失曲线可知，T -NET 的损失下降较快，说明其收敛过程略快于ResNet18.训练完成后网络的参数量及推理时间如表2所示，其中本文设计的网络T -NET 的参数量仅为ResNet18的50.83%.在相同实验平台下，除去数据加载时间，以网络前向传播和后处理的时间加和作为推理时间，测得200张图片在T -NET 与ResNet18的平均推理时间分别为3.3、5.6 ms ，帧率分别为305、178FPS ，可见本文网络T -NET 在保证准确率的前提下，能够满足实时性要求.综上，与ResNet18相比，本文网络收敛速度略快，并且在参数量减少近一半的情况下获得了与其相当的性能.2.3 与传统方法的对比实验1) Tusimple 测试集效果对比.本文方法与传统固定参数法［21］在Tusimple 测试集上的对比效果如图7所示，其中横坐标为图像数量，纵坐标为由e =d 1-d 2计算的逆透视结果的误差.图7（a ）为T -NET 的处理效果，平均绝对误差为1.874，绝对误差的方差为2.745 6.图7（b ）为传统方法处理效果，平均绝对误差及其方差分别为2.561 2、5.054 8.可以看出T -NET 的绝对误差及其方差低于传统固定参数方法.具体误差分布如表3所示，其中T -NET 绝对误差不大于5 px 的占94.24%，与传统固定参数法相比提高了11.76%.所以，本文方法的准确性和鲁棒性都优于传统固定参数法.2）实际道路测试效果对比.实验用车辆搭载一个前视相机，车辆及传感器设置如图8所示.当车辆通过不平坦道路时俯仰角不为0，逆透视变换后的车道线会出现不平行的失真现象，如图9所示.驾驶车辆通过减速带以模拟车辆经过颠簸道路时的俯仰角状态，在校园真实道路上进行实验测试.表1 车道线检测主网络消融实验结果Tab.1 A blation experimental results on backbone networks oflane detection主干网络ResNet18T-NET下采样模块条形池化分支×√×√特征提取模块--√√准确率/%95.39795.41594.82995.43715100损失值迭代次数/次图6 损失曲线Fig.6 Loss curves of the networks表2 网络参数量及推理时间对比Tab.2 C omparison of the numbers of parameters andinference time主干网络ResNet18T -NET参数量/M136.6推理时间/ms5.63.3帧率/FPS178305表3 Tusimple 测试集上的误差分布对比Tab.3 C omparison of the error distribution on Tusimpletest dataset%绝对误差≤3 px>3 px, ≤5 px>5 px传统固定参数法63.1721.6215.20本文方法80.3813.865.76110蒋凯伟等：基于卷积神经网络的车道线逆透视变换算法第 2 期图10为本文方法与传统固定参数法道路测试的结果.图10中第1行为在车辆平稳行驶的情况下截取的图像，第2行与第3行分别对应图9中车辆俯仰角小于0与大于0两种情况.对比三种场景下的实验结果，可以看出，本文方法在图9（b ）与图9（c ）两种车辆俯仰角不为0的情况下仍然有较好的逆透视变换效果，车道线整体保持平行，间距较为均匀，没有出现较严重的失真.传统固定参数方法由于相机俯仰角的变化而出现不同程度的失真，逆透视变换后车道线间距逐渐变大或变图7 测试集效果对比Fig.7 Comparison results on test set图8 实验车辆Fig.8 Experimental vehicle图9 车辆俯仰角变化对逆透视变换的影响Fig.9 Effects of vehicle pitch angle on IPM图10 与固定参数法的对比结果Fig.10 Comparisons with the IPM method with fixed parameters111北京交通大学学报第 47 卷小，与实际道路有明显差异.因此，本文提出的方法有较好的动态调节能力，能够降低车辆俯仰角变化对逆透视变换的影响，逆透视变换后的结果更能反映道路的实际情况.在上述三种场景下，将本文算法与文献［13］的动态逆透视变换方法做以对比，结果如图11所示.图11中第1至第3行分别为如图9所示的三种车辆运行状态.可见二者逆透视变换效果相当，均能克服车辆俯仰角变化对逆透视变换的不利影响.但是后者方法依赖于稳定的消失点检测，且测得运行时平均帧率为134 FPS ，慢于本文提出的方法，因此本文方法更具有优势.3 结论针对传统逆透视变换方法在车辆俯仰角变化时无法动态调整，从而导致逆透视变换效果不佳这一问题，提出了一种基于卷积神经网络的自适应逆透视变换方法，针对道路结构设计了自适应加权条形池化分支，基于ResNet 网络的残差结构搭建了轻量的卷积神经网络T -NET ，提出了对应的训练方法和损失函数.得出主要结论如下：1） 通过卷积神经网络可以建立图像整体结构信息与偏移量之间的对应关系，进而从图像角度实现逆透视变换的自适应动态调节.2） 本文提出的网络模型包含下采样模块和特征提取模块，下采样模块中的自适应加权条形池化分支能够加强网络特征提取能力.与基准网络相比，本文网络在参数量下降近一半的情况下获得了与其相近的结果，且速度更快.3） 在车辆颠簸的情况下，相较于传统固定参数法，本文提出的方法能够有效抑制车辆俯仰角变化对车道线逆透视变换的影响，逆透视变换后所还原的车道线更接近实际.参考文献（References ）：［1］ BERTOZZI M ， BROGGI A ， FASCIOLI A . Stereoinverse perspective mapping ： theory and applications ［J ］. Image and Vision Computing ， 1998， 16（8）：585−590.［2］ 王永森，刘宏哲.基于单目视觉的车辆下边沿估计和逆透视变换的车距测量［J ］.计算机工程与科学，2020，42（7）：1234−1243.WANG Yongsen ， LIU hongzhe. Vehicle distance mea⁃surement with vehicle lower edge estimation and inverse perspective mapping based on monocular vision ［J ］. Com ⁃puter Engineering & Science ， 2020，42 （7）：1234−1234. （in Chinese ）［3］ 关闯，冯浩，张志勇，等.基于行车视频消失点和逆透视变换的车速测量［J ］.中国安全科学学报，2021，31 （6）：128−135.GUAN Chuang ， FENG Hao ， ZHANG Zhiyong ， et al. Ve⁃hicle speed measurement based on vanishing point of driving video and inverse perspective mapping ［J ］. China Safety Sci⁃ence Journal ，2021，31（6）：128−135.（in Chinese ）［4］ MALLOT H A ， BÜLTHOFF H H ， LITTLE J J ， etal. Inverse perspective mapping simplifies optical flow computation and obstacle detection ［J ］. Biological Cyber⁃netics ， 1991， 64（3）：177−185.［5］ POMERLEAU D. RALPH ： rapidly adapting lateral posi⁃tion handler ［C ］// Intelligent Vehicles 95 Symposium. Detroit ， 1995：506−511.［6］ MUAD A M ， HUSSAIN A ， SAMAD S A ， et al. Imple⁃mentation of inverse perspective mapping algorithm for the development of an automatic lane tracking system ［C ］// 2004 IEEE Region 10 Conference. Chiang Mai ，2004：207−210.［7］ ALY M. Real time detection of lane markers in urbanstreets ［C ］// 2008 IEEE Intelligent Vehicles Sympo⁃sium. Eindhoven ， 2008：7−12.［8］ LEE Y ， KIM H. Real -time lane detection and departurewarning system on embedded platform ［C ］// IEEE Inter⁃national Conference on Consumer Electronics -Berlin. Ber⁃lin ， 2016：1−4.［9］ ALI A ， HASSAN A ， ALI A R ， et al. Real -time vehicledistance estimation using single view geometry ［C ］// 2020 IEEE Winter Conference on Applications of Com ⁃puter Vision. Snowmass Village ， 2020：1111−1120.［10］ BOSAGHZADEH A ， NASIRI MANJILI M. Inverseperspective mapping for real -time lane detection in city streets ［J ］. International Journal of Automotive Engi⁃neering ， 2020， 10（3）：3311−3323.图11 与传统动态变换法的对比结果Fig.11 Comparisons with the dynamic IPM method112蒋凯伟等：基于卷积神经网络的车道线逆透视变换算法第 2 期［11］ YING Z，GE L. Robust lane marking detection using boundary-based inverse perspective mapping［C］//IEEE International Conference on Acoustics. Shanghai，2016：1921−1925.［12］ KANG S N，LEE S，HUR J，et al. Multi-lane detec⁃tion based on accurate geometric lane estimation in high⁃way scenarios［C］// Intelligent Vehicles Symposium.Dearborn， 2014：221−226.［13］ ZHANG D，FANG B，YANG W，et al. Robust in⁃verse perspective mapping based on vanishing point［C］// International Conference on Security. Wuhan，2014：458−463.［14］ NIETO M， SALGADO L， JAUREGUIZAR F， et al.Stabilization of inverse perspective mapping imagesbased on robust vanishing point estimation［C］// Intelli⁃gent Vehicles Symposium. Istanbul， 2007：315−320.［15］ NEVEN D，BRABANDERE B D，GEORGOULIS S，et al. Towards end-to-end lane detection：an in⁃stance segmentation approach［C］// 2018 IEEE Intelli⁃gent Vehicles Symposium . Suzhou， 2018：286−291.［16］ GARNETT N，COHEN R，PE'ER T，et al. 3D-LaneNet：end-to-end 3D multiple lane detection［C］//2019 IEEE/CVF International Conference on ComputerVision. Seoul， 2019：2921−2930.［17］ HE K， ZHANG X， REN S， et al. Deep residual learn⁃ing for image recognition［C］// 2016 IEEE Conferenceon Computer Vision and Pattern Recognition. Las Ve⁃gas， 2016：770−778.［18］ HOU Q， ZHANG L， CHENG M M， et al. Strip pool⁃ing：rethinking spatial pooling for scene parsing［C］//2020 IEEE/CVF Conference on Computer Vision andPattern Recognition. Seattle， 2020：4002−4011.［19］ TuSimple. Tusimple lane detection benchmark ［DS/OL］. San Diego：Tusimple，2017. https：///TuSimple/tusimple-benchmark.［20］ QIN Z，WANG H，LI X. Ultra fast structure-aware deep lane detection［C］// European Conference on Com⁃puter Vision. Glasgow， 2020：276−291.［21］ HUANG Y， LI Y， HU X， et al. Lane detection based on inverse perspective transformation and Kalman Filter［J］.Ksii Transactions on Internet & Information Systems，2018， 12（2）：643−661.113。
一种基于逆透视变换的路面交通标识定位方法
龙源期刊网
一种基于逆透视变换的路面交通标识定位方法
作者：陈祖胜张明贵
来源：《中国科技博览》2014年第29期
[摘要]准确快速地检测出路面交通标志并实时把路面相关信息给与驾驶员不仅能保证驾驶安全，还能避免交通事故的发生，对驾驶辅助系统的研究具有重要的意义。
本文提出一种基于逆透视变换的路面交通标志检测方法，使得原本变形严重的路面交通标志得到矫正，为后续标志的识别提供了可靠的数据。
[关键词]驾驶辅助系统；逆透视变换；路面标志；计算机视觉
中图分类号：TP391.41 文献标识码：A 文章编号：1009-914X（2014）29-0349-01。
【CN110084243A】一种基于二维码和单目相机的档案识别与定位方法【专利】
(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 201910190541.8(22)申请日 2019.03.13(71)申请人 南京理工大学地址 210000 江苏省南京市玄武区孝陵卫200号(72)发明人 何俊杰 郭进 邹卫军 王超尘 杨毅 白云耀 (74)专利代理机构 南京苏创专利代理事务所(普通合伙) 32273代理人 凤婷(51)Int.Cl.G06K 9/46(2006.01)G06K 9/32(2006.01)G06K 9/62(2006.01)G06K 19/06(2006.01)(54)发明名称一种基于二维码和单目相机的档案识别与定位方法(57)摘要本发明提供了一种基于二维码和单目相机的档案识别与定位方法，所解决的是在大量档案存储的场景中，无人存储机器人难以识别和定位特定档案以及双目相机成本高昂、定位算法复杂的问题，首先对整幅图像做中值滤波处理；将图像放入分类器，判断是否有二维码；对图像提取边缘；根据边缘的拓扑结构提取所有的二维码区域；然后对二维码解码并通过解码编号确定需要的档案；计算二维码在像素平面的面积；通过相似三角形得到档案平面距离相机平面的距离；最后通过相机内参矩阵和距离，得到档案盒在相机坐标系的三维坐标。
本发明仅需单目相机即可使用，成本低廉，易于实现且实时性高，有效地解决了档案存储机器人在档案存取过程中的视觉引导问题。
权利要求书2页 说明书6页 附图3页CN 110084243 A 2019.08.02C N 110084243A1.一种基于二维码和单目相机的档案识别与定位方法，以在多个档案存储的场景中识别和定位特定的档案，所述档案装在档案盒(2)内，所述档案盒(2)侧边均贴有二维码(3)，每个所述二维码(3)包含对应档案盒(2)内的档案编号信息，其特征在于，包括如下步骤：步骤1：获取单目相机拍摄的图像；步骤2：对图像整幅进行中值滤波处理，减少干扰点的影响；步骤3：检测图像，以判断其中是否存在二维码(3)，是则进入步骤4；否则返回步骤1；步骤4：对整幅图像进行自适应二值化处理，使用canny算子对图像进行边缘提取；步骤5：基于图像轮廓的拓扑结构，提取所有二维码(3)的外轮廓，确定图像中所有二维码(3)所在区域；步骤6：将所有的二维码(3)区域逐个进行解码得到档案编号；步骤7：在解码出的档案编号中查找是否有需要的档案编号，是则进入步骤8；否则返回步骤1；步骤8：保留需要的档案编号对应的二维码(3)区域；步骤9：计算出保留的二维码(3)区域所占像素个数，即二维码(3)在相机拍摄的图像中的面积大小；步骤10：通过相机的内部参数、二维码(3)实际面积以及二维码(3)在相机拍摄的图像中的面积，基于相机的线性模型，计算出二维码(3)对应的档案盒(2)平面与相机平面的距离，此距离即档案盒(2)与相机的距离；步骤11：通过档案盒(2)与相机的距离以及相机的内部参数矩阵，得到档案盒(2)在相机坐标系下的坐标；步骤12：输出上述坐标。
一种基于改良逆投影变换的道路斑马线识别方法
学变换 以消除噪声干扰 ， 再 应用双极系数法对斑马线进行识别 ； 最后 ， 采 用 连 通 域 判 决 方 法 消 除 图像 中其 他 景 物 对识 别 造 成 的影 响． 实验结果表 明， 斑马线识别的准确率和实时性得 到 ＿ ｒ提 升 ，
改 良后 的逆 投影 变 换 效 果 突 出．
ｏ
ｐ ｇ
七
式 二 由徐 友 春等 人 推导 出 ， 同样 用 于将 路 面 的
１ Ｉ Ｐ Ｍ 变换
１ ． １ Ｉ Ｐ Ｍ 变 换 背 景
数的 １ ７ ． 由此 可 见 ， 平 面 交 叉 口对 整 个 道 路 交 通 系统 的安 全水 平有 着 十分 重要 的影 响口 ］ ． 道路 斑 马 线 是 道 路 交 叉 口重 要 的安 全 标 志， 为 行人 提供 了一 个 安全 的过 马路 区域 ， 并 提 醒 着车 辆 驾驶 员 需 减 速 、 注 意安 全 ． 目前 ， 基 于 图像 的斑 马线 识 别 已受 到 许 多研 究 者 的 关 注． 自２ １ 世 纪 初开 始 ， 国外 的一 些 学者 就 已进行 了
角 的原 因 ， 路 面上 的斑 马线 呈 现 出近 大 远小 的 不 规则 性 ， 从 正 面较 难辨 认 ． 所 以， 要 将 规 则 的 斑 马线 提取 出来 ， 必须 先得 到路 面 的俯 视 图像 ，
路 斑马 线识 别 的研 究 还 十 分 不 足 ］ ， 识 别率 也 未 达 到实 用 的 程 度 ， 这 是 制 约智 能 安 全 交 通 的
能车辆 等 环境 的基 于改 良逆 投 影 变 换 Ｉ Ｐ Ｍ
收稿 日期 ： ２ ０ １ ３ － ０ ４ — ２ ２ 第一作者简介 ： 王一 丁， 教授 ． 研究 方向： 信 号处 理 、 图像 处 理 、 智 能识 别 方 向
斑马线改进方案
斑马线改进方案概要：在本设计中，受经费、材料等限制，对行人的辨识不能完全适应现实，如：行人根本就没靠近斑马线就过马路；无法承重大型载货卡车。
笔者从两个方向提出了改进措施。
交通事故是生命安全和财产威胁的一大公害。
传统斑马线易磨损、损耗，司机无法分辨出斑马线，易引发悲剧。
同时，在国内普遍存在“中国式过马路”现象，也增加交通管理部门的压力。
应对如此情况，笔者提出对斑马线的改进方案，可以有效地缓解行人过斑马线的安全问题。
一、系统总体方案设计笔者提出集发光、发声功能的斑马线。
具体方案：无“红绿灯”路段的斑马线：夜间，行人通过时，将发出穿透性强的红光并语音提示司机“司机礼让斑马线，行人请走斑马线”；白天，作为普通的斑马线“工作”；有“红绿灯”路段的斑马线：在此基础上，添加当行人不遵守交通规则时，语音提示行人要遵守交通规则。
根据任务要求，所设计的系统主要由以下几个模块组成：1）主控模块；2）传感器模块；3）发光与语音模块；4）环境检测模块；5）电源模块。
其结构框图如图1所示。
二、硬件设计（一）主控模块采用单片机MSP430F149，其多种低功耗模式，唤醒时间短，抗干扰力强，内含比较器、看门狗、多路AD等优点，完全适合本系统的低功耗、环境监测模块和传感器模块的数据读取，减少外围电路的使用。
本系统不工作时处于休眠模式，仅当行人走上斑马线后唤醒单片机，进入工作模式。
（二）传感器模块采用XGZP6847 型气体压力变送器模块，以压力传感器作为敏感元件并集成了数字调理芯片，对传感器的偏移、灵敏度、温漂和非线性进行数字补偿。
笔者利用比较器比较输出信号与参考电压，实现检测行人是否踏上斑马线。
（三）发光与语音模块采用SMD进口5730贴片灯珠，该灯珠为0.5W发光二极管光源大功率灯珠，笔者将多个灯珠为一组，配合多组灯珠实现灯珠阵列，来完成斑马线发光的实现。
采用ISD1700 系列芯片设计的语音模块，是一种高集成度，高性能的芯片，可以多段录音，采样率可在4K至12K间调节，操作简单、功能完备。
斑马线识别视觉算法的实践应用
斑马线识别视觉算法的实践应用斑马线识别作为计算机视觉十分重要的一部分，一直以来都备受研究者的关注。
在实践应用上，远距离驾驶等领域需要对斑马线进行准确快速的识别，这就需要通过算法来实现。
一般来说，斑马线的识别可以分为两个部分：首先需要对图像进行前期处理，包括图像增强、二值化等操作来减弱图像复杂性；其次是利用图形学和机器学习等方法对处理后的图像进行纹理、色彩特征提取，最终实现斑马线的识别。
对于前期处理，首先需要进行图像增强操作，如直方图均衡化、滤波、旋转等，这些操作能够减少图像背景噪音、增加图像对比度。
接下来是二值化处理，利用二值化可以将图像转化成只有黑白两种色彩的图像，从而大大减轻图像处理难度。
根据斑马线颜色特征，可以设置不同阈值进行二值化，也可以使用Otsu算法等自适应二值化方法减少图像噪音。
对于特征提取，一般使用边缘检测、Canny算子等方法进行处理。
边缘检测是一种检测图像边缘的算法，通过检测像素点的变化情况，将图像转换成黑色背景、白色边缘的图像。
Canny算子类似于边缘检测，不同在于其能够较好显示细节，同时对于噪音有一定的容忍度。
除此之外，还可以通过机器学习等方法进行特征提取。
例如基于HOG（Histogram of Oriented Gradient）算法的物体检测，该方法可以快速准确地检测图像中包含有斑马线的位置、数量及尺寸等信息。
在实践应用中，斑马线识别算法需要考虑到可靠性、准确性及效率等因素。
例如在智能驾驶领域，有效识别斑马线能够避免交通事故，同时快速响应也非常重要。
因此需要结合实际应用情况进行算法优化，加速识别过程，提高精度及鲁棒性。
同时，对于不同环境下的斑马线，也需要实时调整算法参数以获得最佳效果。
总的来说，斑马线识别算法的实践应用已经相当广泛，尤其对于人们的交通出行问题有着非常实用的价值。
在未来，将继续进行优化提高算法效率以适应各种应用场景，助力计算机视觉的发展。
高分辨率遥感影像的斑马线检测与识别算法
高分辨率遥感影像的斑马线检测与识别算法
张婉莹;佟喜峰
【期刊名称】《绥化学院学报》
【年(卷),期】2022(42)9
【摘要】针对目前基于深度学习的遥感影像斑马线识别算法的不足,文章提出了一种改进数据集的斑马线检测与识别算法。
首先,批量预处理实验数据集,使用的图像处理算法包括图像灰度化、图像去噪和阈值分割等,得到的阈值分割结果作为图像的第四个通道;然后使用引入通道注意力机制的U_Net网络模型训练数据集;最后,完成了斑马线检测与识别算法。
实验结果表明,上述方法在遥感影像斑马线检测和识别上取得了较好的实验效果。
【总页数】4页(P152-155)
【作者】张婉莹;佟喜峰
【作者单位】东北石油大学计算机与信息技术学院
【正文语种】中文
【中图分类】U495;TP751
【相关文献】
1.基于改进形态学标记分水岭算法的高分辨率遥感影像违章建筑识别研究
2.基于SIFT和非参贝叶斯的高分辨率遥感影像地物识别算法
3.基于MPHD算法的高分辨率遥感影像对海洋上空的云及其阴影的识别与匹配
4.面向高分辨率遥感影像敏感目标识别的局部特征描述算法
5.迭代加权多元变化检测算法在高分辨率遥感影像变化检测中应用
因版权原因，仅展示原文概要，查看原文内容请购买。
基于改进2DPCA的快速交通标志识别法
基于改进2DPCA的快速交通标志识别法
王睿;杨安平;谢文彪
【期刊名称】《工业控制计算机》
【年(卷),期】2012(025)010
【摘要】为了提高交通标志的识别速度,提出了一种样本类中间值结合均值的的2DPCA.该方法采用每类训练样本中间值的均值代替训练样本的平均值,以此重建散布矩阵从而得到最优投影矩阵.在已经建立的两个交通标志图像集上用该方法进行了实验,结果表明新方法识别速度得到了大幅提升并且取得了较高的识别率.
【总页数】3页(P78-79,109)
【作者】王睿;杨安平;谢文彪
【作者单位】长沙理工大学电气与信息工程学院,湖南长沙410004;长沙理工大学电气与信息工程学院,湖南长沙410004;中南大学信息科学与工程学院,湖南长沙4100083;长沙理工大学电气与信息工程学院,湖南长沙410004
【正文语种】中文
【相关文献】
1.基于一种改进的2DPCA算法的人脸检测研究 [J], 王明霞;罗刘敏;杨静
2.基于改进核范数的2DPCA人脸识别算法研究 [J], 刘辉;马文;何强
3.一种基于改进的AdaBoost、肤色和2DPCA的人脸检测方法 [J], 裴珍;许忠仁
4.基于改进的2DPCA对近红外人脸图像的识别方法 [J], 吴博;刘小华;周春光
5.基于生成对抗网络改进的更快速区域卷积神经网络交通标志检测 [J], 高忠文;于立国
因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
ｍ －１） ／ ｔ ａ ｎ ｌ α＝ （ ｆ ｕ ２ ｎ －１） ／ ｔ ａ ｎ ｌ ｆ ｖ β＝ （ ２
简单变换后得到 ２ ｔ ａ ｎ α ｆ ｌ ｕ ＝ ｍ －１
（ ） ４ （ ） ５
（ ） ６
２ ｔ ａ ｎ ｆ β （ ） ｌ ７ ｖ ＝ ｎ －１ 由此可 以 得 到 ∠ｐ Ｏ Ｏ ｇ 和 ∠ｐ ｐ 的正切 ｕ ｕ 表示 ： （ ｔ ａ ｎ Ｏ ∠ｐ ｇ）＝ ｕ
交叉口是道路网的节点所 在 城 市 道 路 中 ， 在， 是道路网的重要组 成 部 分 ． 据 统 计， ２ ０ ０ ０年 美国有 ２ ８ ０ 万余起交通事故发生在道路交叉口 或附 近 ， 占当年所有交通事故的４ 我国公 ４％ ； 安部对 ２ 发生在城 ０ ０ ３ 年的交通事故统计表明 ， 市和乡村的交叉口的交通事故约为交通事故总 由 此 可 见， 平面交叉口对整个道路 数的 １ ７％．
２ｔ ａ ｎ ／ ｖ ｆ β） ＝（ ｆ ｎ －１ ２ ｖ ） ａ ｎ ＝ｔ β（ ｎ －１ （ ） ９
ｎ ２ ｔ ａ ｎ β 相比徐友春得出的 Ｉ ＰＭ 公式 ｕ＝ ｖ＝
－ θ ｍ （ Ｙｔ ａ ｎ ２ ｔ ａ ｎ θ＋ｈ） α
ｐ
Ｙｐ
ｈ ｔ ａ ｎ
（ ） １ ７
Ｘｐ ｎ
２ ｔ ａ ｎ ｈ２ ＋Ｙ２ ｐ β槡
２ ＝槡 ｈ ＋ Ｙ２ Ｐ
本文推导的 Ｉ ＰＭ 公 式 在 坐 标 ｖ 上 多 了 一
２ ／ ） 项槡 经 分 析 得 知， 这是由 １＋ （ ｔ ａ ｎ ２ ｕ ｍ） ． α（ （ 于徐友春在计 算 ｔ 疏忽或故意 ａ ｎ Ｏ ∠ｐ ｐ）时 ， ｕ
（ ／ 所致 ． 考虑到α＝π 近 似为ｔ ａ ｎ Ｏ ２， ｕ＝ ∠ｐ ｇ） ｖ ／ 徐友春的 Ｉ ｍ ２ 的极限情况 ， ＰＭ 公式由于疏忽
１． １ Ｉ ＰＭ 变换背景 即逆投 影 变 换 是 一 种 利 用 摄 像 头 内 Ｉ ＰＭ， 参数和外参数对摄像头图像进行逆映射的一种 变换 方 法 ． 摄像头图像是世界坐标系下的各个 物体的反光映射 到 摄 像 头 平 面 得 到 的 ， Ｉ ＰＭ 是 对摄 像 头 图 像 进 行 逆 映 射 ， 得到世界坐标系下 某一平面上图像的实际坐标 ． 斑马线图像 有 着 较 强 的 规 律 性 ， 但由于视 角的 原 因 ， 路面上的斑马线呈现出近大远小的 从 正 面 较 难 辨 认． 所 以， 要将规则的 不规则性 ， 斑马线提取出来 ， 必须先得到路面的俯视图像 ， 即对采集后的图像进行 Ｉ ＰＭ 变换 ． Ｉ ＰＭ 公式 需 要 在 变 换 前 通 过 摄 像 头 标 定 或其他方式获得以下几个参数 ：
） 相机俯角θ； １ ） ； 相机的横向半视场角α 和纵向半视场角β ２ ） 相机的高度 ｈ； ３ ） 相机的分辨率 ｍ× ４ ｎ． 对于本课题 来 说 ， 是将近大远小的平视图 使位于路 像转 化 为 大 小 相 同 的 空 中 俯 视 图 像 ． 更规则 、 更利于识别和 面的斑马线条纹更清晰 、 判断 ． 本课题对已有的 Ｉ ＰＭ 公式进行了重新推 导和优化 ． 传统 的 Ｉ 公式一由 ＰＭ 公 式 分 为 两 种 ：
在图 ２ 的 Ｘ 有 Ｙ 坐标系下 ， （ Ｙｐ ＝ ｈ ｔ ａ ｎ Ｏ Ｉ） ∠Ｐ Ｙ （ ｔ ａ ｎ Ｏ Ｇ ＋ ∠Ｇ Ｏ Ｉ） ＝ｈ ∠Ｐ Ｙ （ ｔ ａ ｎ Ｏ Ｇ ＋θ） ＝ｈ ∠Ｐ Ｙ （ Ｘｐ ＝ Ｏ ＰＹｔ ａ ｎ Ｏ Ｐ） ∠Ｐ Ｙ 根据图 ２ 可得 ： （ ） １
（ ） ２
） Ｏ Ｇ ＝ ∠ｐ Ｏ Ｏ Ｐ ＝ ∠ｐ Ｏ ３ ∠Ｐ ∠Ｐ ｇ， ｐ（ Ｙ ｕ Ｙ ｕ 则下面对 ∠ Ｏ Ｏ ｐ ｐ ｇ 和∠ ｐ 进行求解即可 ． ｕ ｕ 假设位于相机平面的ｕ 轴方向上像元尺寸 相机焦距为 ｆ． 为ｌ ｖ 方向上像元尺寸为ｌ ｕ， ｖ， 那么角α 和角β 就可以用他们的正切进行 表示 ：
道路斑 马 线 是 道 路 交 叉 口 重 要 的 安 全 标 志， 为行人提供了一个安全的过马路区域 ， 并提 醒着车辆驾 驶 员 需 减 速 、 注 意 安 全． 目 前， 基于 图像的斑马线识别已受到许多研究者的关注． 自２ 国外的一些学者就已进行了 １ 世纪初开始 ， ［ ］ ２ ５ － ， 这方面的研 究 提 出 了 灭 点 法、 频域特征法 和双极法 ３ 种主要识别方法 ； 但在我国 ， 关于道 路斑马线识别 的 研 究 还 十 分 不 足 一个关键问题 ． 本文在前人研究的基础上， 提出了一种可 用于多 种 视 觉 采 集 处 理 设 备 如 智 能 眼 镜、 智 能车 辆 等 环 境 的 基 于 改 良 逆 投 影 变 换 Ｉ ＰＭ
ｐ ｐ ｕ （ ｔ ａ ｎ Ｏ ∠ｐ ｐ）＝ ｕ Ｏ ｐｕ ｐ ｐＯ ｕ ｇ Ｏ Ｏ ｇ ｐｕ （ （ ａ ｎ∠ Ｏ ｃ ｏ ｓ Ｏ ＝ｔ ∠ ｐ ｇ） ｐ ｇ） ｖ ｕ
＝ （ ｔ ａ ｎ Ｏ ∠ ｐ ｇ） ｖ （ ） １ ０ ＝ ２ １＋ｔ ａ ｎ（ Ｏ ∠ ｐ ｇ） ｕ 槡 至此 ， 可以得 到 最 终 的 世 界 坐 标 系 到 像 平 面坐标系的透视投影关系表达式 ： （ Ｙｐ ＝ ｈ ｔ ａ ｎ Ｏ θ＋ ∠ｐ ｇ） ｕ ２ ｕ ） （ （ ） ）（ ） ＝ ｈ ｔ ａ ｎ ｒ ｔ ａ ｎ ｔ ａ ｎ １ １ θ＋ａ α（ ｇ ｍ －１ （ Ｘｐ ＝Ｏ Ｐ ｔ ａ ｎ Ｏ ∠ｐ ｐ） Ｙ ｕ （ ｔ ａ ｎ Ｏ ∠ｐ ｇ） ｖ ２ ＝槡 ｈ ＋ Ｙ２ Ｐ ２ １＋ ｔ ａ ｎ（ Ｏ ∠ｐ ｇ） ｕ 槡
（
）
ｖ＝
烄
Ｘｐ
２ ２ ｐ
ｈ ＋Ｙ 烆槡 ｎ－１ （ ） １ ４ ２ ｔ ａ ｎ β 考虑到反正切和反余切在计算时间上耗时
） ） × １＋ （ ｔ ａ ｎ α（ ｍ －１ 槡 烎
２
２ ｕ
烌
ｘ） ｄ ｘ ｐ ｉ ＝ ｘ ｉ（ μ
∫
（ ） １ ９
２ ２ （ （ ） （ ） ｘ－ ｘ） ｄ ｘ， ｉ ＝０， １， ２ ２ ０ σ ∫ ｐ ｉ＝ ｉ） ｉ（ μ 应用上式 ， 我们可以得到图像的总方差
ｈ， Ｇ 为垂直于 相 机 平 面 的 直 线 与 路 面 的 焦 点 ， Ｊ、 Ｋ 为相 机 图 像 中 左 中 和 右 中 对 应 路 面 上 的
点， Ｅ、 Ｆ 为相机图 像 中 上 中 和 下 中 对 应 路 面 上 的点 ． Ｐ 为相机图像 上 一 点 ｐ 对 应 于 真 实 路 面 ， 的坐标点 ， 其坐标 为 （ 与 Ｘ 轴、 Ｘｐ ， Ｙｐ ） Ｙ 轴交 与（ 点， 相机的俯角θ 为 ∠Ｇ 图２为 Ｐ ＰＸ ） Ｏ Ｉ． Ｙ， 相机侧面示意图 ， 图 ３ 为相机图像平面图 ．
槡
２ ｖ ） ｔ ａ ｎ β（ ｎ－１ （ ） １ ２ ２ ｕ ２ ） ） １＋ （ ｔ ａ ｎ α（ ｍ －１
在实际使用 中 ， 通常需要已知实际路面坐 标， 求对应的相机坐标 ， 故将上式进行进一步推 导得到逆透视变换公式 ： ［ （ ］ｍ －１ ｔ ａ ｎ ａ ｒ ｃ ｔ ａ ｎ Ｙｐ／ ｈ） －θ （ ） ｕ＝ １ ３ ｔ ａ ｎ ２ α
１］ 交通系统的安全水平有着十分重要的影响 ［ ．
（ 的道路斑马线 Ｉ ｎ ｖ ｅ ｒ ｓ ｅ Ｐ ｅ ｒ ｓ ｅ ｃ ｔ ｉ ｖ ｅ Ｔ ｒ ａ ｎ ｓ ｆ ｏ ｒ ｍ） ｐ 识别 方 法 ． 本方法对逆投影变换方法进行了改 进， 并应用经典的双极系数法对斑马线进行了 识别 ．
１ Ｉ ＰＭ 变换
双极 系 数 法 最 早 由 Ｍ ｏ ｈ ａ ｍｍ ａ ｄ Ｓ ｈ ｏ ｒ ｉ ｆ ［ ］ ２ ３ － ， Ｕ ｄ ｄ ｉ ｎ 在２ ０ ０ ５年提出 他利用图像的均值 和方差推导出了一种判断图像中黑白分布强度 其算法如下 ： 的方法 ， 任意得到一幅图像， 它的灰度分布为 ｐ０（ ｘ） ． 假设图像中包含的像素可以归为黑色灰度和白 色灰度两部分 ， 则ｐ 可以表示为 ｘ） ０（ ） ｘ）＝α ｘ） １－α） ｘ） （ １ ８ ＋（ ｐ ｐ１（ ｐ ０（ ２（ 其中 ０≤ 是黑色灰度部分的分布情 ｘ） α≤１， ｐ １（ ， （ ） 况ｐ 那 么， ２ ｘ 是 白 色 灰 度 部 分 的 分 布 情 况． 图像灰度的均值和方差可以分别表示为
２ ／ ） 一 项， 误 差 将 达 到 １． １＋ （ ｔ ａ ｎ ２ ｕ ｍ） ４ ４ α（ 槡
倍， 故此项不能忽略 ． 本文 Ｉ ＰＭ 公 式 相 对 于 徐 友 春 的 Ｉ ＰＭ 公 式
［ ９］
， 在计算复杂度不变的情况下 ， 对一些近 似
误差进行了修正 ， 在精度上有了一定的提高 ．
２ 双极系数法
［ ］ 并应用于其团队研 Ｍ． Ｂ ｅ ｒ ｔ ｏ ｚ ｚ ｉ７－８ 等人推导出 ， 发的 ＧＯ 用于 辅 助 车 辆 Ｌ Ｄ 自主驾驶车系统上 ，
导航 ， 因使用 效 果 良 好 ， 所 以 被 研 究 者 引 用； 公 同样用于将路面的 式二 由 徐 友 春 等 人 推 导 出 ， 透视图像转化为俯视图像 ． 相对于公式一 ， 徐友
９］ 春［ 提出的 Ｉ 消除了由于近摄像头区 ＰＭ 公式 ，
但仍然存在有近似 域弯 曲 所 造 成 的 较 大 误 差 ， 误差 ． 本课题对逆投影变换进行了重新推导 ， 改 进后的 Ｉ 对斑马线还 ＰＭ 精度得到进一步提高 ， 原程 度 更 高 ， 可以得到更真实的斑马线线条的 宽高比 ． １． ２ 改进的 Ｉ ＰＭ 公式 图 １ 为世界坐标系下的相机与路面几何关 系 示 意 图． Ａ Ｂ Ｃ Ｄ 为相机可拍摄到的路面范 围， Ｏ 点是相机的光心 ， Ｉ 点为相机在路面上 的 并作 为 世 界 坐 标 原 点 ， 垂直投影 ， Ｏ Ｉ 的距离为
不便在 计 算 机 上 使 用 ， 故 再 次 进 行 化 简． 过大 ， 由于 ｍ 和ｎ 为 相 机 的 分 辨 率 ， 通 常 较 大， 可将 以下是不包含反 ｍ－１ 和 ｎ－１ 近 似 为 ｍ 和ｎ． 三角函数的最终公式 ：
（ ） ２ １ （ ） 公式 ２ ０ 表征着总方差是各个方差与均值 ２ ２ （ 如果满足σ 差的加权和 ． １－ ｕ ｕ α（ α） ０≈ １－ ２ ）， 那么 ｐ 就 可 以 认 为 是 两 级 鲜 明 的． 由此定 ｘ） ０（ 义双极系数γ： １ （（ ２ （ α） １ －μ ２ ）） ２ α １－ μ σ ０