一种基于视觉的车道线检测与跟踪算法_图文(精)
合集下载
相关主题
- 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)。
选用的目标函数是最大后验概率(MAP估计.一个似然概率密度函数p(o I刃,表示了由参数向量x=[c,O,,0:,td]T确定的车道线形状在观测图像中的概率.由此最大后验概率估计如下:
x‘=arg max p(x}z(12通过利用贝叶斯概率理论,可以得出:
x’=arg max p(zI工p(x(13真实世界中的车道线的宽度是有一定范围的,所以一个先验概率密度函数P(工可以由车道线模型参数来建立,由这些参数得出的先验知识如下:
万方数据
万方数据
第2期刘富强。等:一种基于视觉的车道线检测与跟踪算法
利用式(2求得的X便是车道线参数模型(1
中的h:.此外,利用消隐点可进行坐标变换,即将图
像坐标系内的点映射到世界坐标系中,这样便可得
到实际场景下的车道线.变换原理L15]如下简述:
如图2,设矩形QABC宽为Ⅳ,长为L,它经过
摄影变换投影为四边形oabc,d为平面oabc上任意
图3利用坐标变换对车道线图像进行转换
Fig.3Calibration of lane ill[1a曙e
2车道线检测算法分析
2.1图像预处理
首先,将彩色图像(见图4a转换为灰度图像(见图4b.本文选用如式(5的色彩特征空间:
F={t1R+t2G+t3B},ti={一2,一1,0,1,2},
i=1,2,3(5式中,R,G,B分别为红色、绿色和蓝色分量.
伽的交点n,即为D点在OA上的投影Ⅳ的对应点.
图2基于消隐点的坐标变换图示
Fig.2Calibration based On vanishing point
根据交比不变性,有:
(诹;栅2=(04;N%(bm;avl=(跚;AVl
可以分别得到:
,、0n×a',2
0N×A V2
‘0口;n移22二=:l—_==2二==——===2
(∞l一∞2+以(z1,Y1(Yl—h:一,g(∞2,耽(Y2一h:
2(1/(Y1一h:一1/(Y2一h:
(10 td=刃1—2c/(yl—h。+^(∞1,Y1(Yl—h:
(11
在进行了大量的随机点采样后,需要选取可能性最大的一组参数值作为本次自适应随机霍夫变换的结果.不妨建立一个分别以参数c和参数ta为横纵坐标的二维坐标系,每次采样的参数计算结果都对应于该坐标系中的一个点,当一次自适应随机霍夫变换迭代结束时,该坐标系下已经存在很多个点,而可以找到一个圆心位置合适并且半径满足误差需求的圆,这个圆内容纳了该坐标系下尽可能多的点,这时,这个圆心对应的坐标(C,ta便作为本次自适应随机霍夫变换的最终参数结果.
fx(∞,可={,(∞+1,可一1+2f(刃+l,秒+
,(∞+1,可+1一,(∞一1,可一1+
2f(刃,Y一1+,(刃一1,∥+1(6 f口(∞,可={-厂(∞一1,可+1+2f(∞,Y+1+
,(z+1,∥+1}一{/’(刃一1,可一1+
2f(∞,Y一1+,(∞+1,可一1(7 ,m(∞,可=￣/(^(∞,可2+(,Ⅳ(∞,可2≈
一点,已知0,a,b,e,d摄影变换后的坐标,求d变
换前的对应点D在QABC上的坐标.
由于A B//oc,推出口c与曲的交点秽。即为所
有与AB平行的直线摄影变换后对应的消隐点;同
理,oa与6c的交点口z也是所有与OA平行的直线变
换后对应的消隐点.
根据消隐点可求出Vzd与口6的交点m,即为
D点在All上投影M摄影变换后的对应点;可。d与
实验表明,t1=1,t2=1,和t3=0的这种形式最适合于车道线的检测.因为采用该形式进行灰度提取后的图像可以使得:车道线场景图片中的红色和绿色信道对于白线和黄线均具有很好的对比特性.
为了获取图像的边缘信息,输入图像.厂(∞,可的梯度值用3×3的Sobel算子以很低的阈值计算得出.因此,可以得到两幅图片:一幅灰度边缘幅度图,m(z,可(见图4c,表示输入图像的方向幅度值,和一幅灰度边缘方向图厂g(刃,∥(见图4d,表示输入图像垂直和水平方向的梯度幅度值的比值.
2.3禁忌搜索算法
本文采用了基于最大后验概率的禁忌搜索(Tabu search,TS算法[17]来求解参数O的值.TS算法是一种交互式的全局最优搜索方法.它从当前解8开始,据定义好的移动准则产生一个邻域集合s7.对于产生的每一个解s7都需要计算其对应的最优化的目标函数的函数值,且选择最好的s7作为新的当前解,即使它比s要差.因此,这样可避免目标函数
的局部最优值.接着,一次新的迭代被执行:将从新的当前点开始,前一过程被重复,直到满足给定的停止条件.如果一个被访问过的点再次作为邻近点而产生,那么这个算法,可能进入无限循环.为了避免这种情况,最近产生的m个当前点需要被存储在一个列表中,该列表被称之为“Tabu列表”.当前点的邻近点如果属于“Tabu列表”,就会被忽略.
{f。(∞,可l+I fⅣ(∞,可I(8 ^(∞,可=^(刃,y/f。(∞,可(9 2.2自适应随机霍夫变换算法
霍夫变换(Hough transform,HT是从图像中提取出曲线的一种很普遍的方法,它被广泛用来进行车道线的检测.
本文采用了一种自适应的随机霍夫变换(random Hough transform,RHT[16l,用来计算车道
线参数模型中的参数曲率c和切线方向ta的值.这
万方数据
同济大学学报(自然科学版第38卷
种方法兼顾了霍夫变换和随机霍夫变换的优点.
图4图像预处理效果Leabharlann Baidu示
Fig.4Image pre-processing
根据推导,一对像素点P1(z1,Y1和P2(z2, Y2,从灰度边缘图中被随机地采样出来,当点P。和P2的灰度方向值满足一定条件,即j arc tan(91一arc tan(92I<￡hre时,认为该两点有可能位于车道线上,这时,参数曲率C和切线方向t。的值可以按照如下的公式计算出来:
a n x o',2A』v×0K
=O三N:(OA;毗
A N
,.、b a×m l,】BA×M V1
(mn;avl2二==—==三2====_—_===2
m a×b l,1MA x B VI
些:(BM;AV2
朋A
变换得到:一ON:A~N×竺娑
(3
a n×o耽
而:丽×竺些(4
b口×m v1
根据式(3和式(4,便可将图像中的车道线转换成实际车道线,效果如图3所示.
x‘=arg max p(x}z(12通过利用贝叶斯概率理论,可以得出:
x’=arg max p(zI工p(x(13真实世界中的车道线的宽度是有一定范围的,所以一个先验概率密度函数P(工可以由车道线模型参数来建立,由这些参数得出的先验知识如下:
万方数据
万方数据
第2期刘富强。等:一种基于视觉的车道线检测与跟踪算法
利用式(2求得的X便是车道线参数模型(1
中的h:.此外,利用消隐点可进行坐标变换,即将图
像坐标系内的点映射到世界坐标系中,这样便可得
到实际场景下的车道线.变换原理L15]如下简述:
如图2,设矩形QABC宽为Ⅳ,长为L,它经过
摄影变换投影为四边形oabc,d为平面oabc上任意
图3利用坐标变换对车道线图像进行转换
Fig.3Calibration of lane ill[1a曙e
2车道线检测算法分析
2.1图像预处理
首先,将彩色图像(见图4a转换为灰度图像(见图4b.本文选用如式(5的色彩特征空间:
F={t1R+t2G+t3B},ti={一2,一1,0,1,2},
i=1,2,3(5式中,R,G,B分别为红色、绿色和蓝色分量.
伽的交点n,即为D点在OA上的投影Ⅳ的对应点.
图2基于消隐点的坐标变换图示
Fig.2Calibration based On vanishing point
根据交比不变性,有:
(诹;栅2=(04;N%(bm;avl=(跚;AVl
可以分别得到:
,、0n×a',2
0N×A V2
‘0口;n移22二=:l—_==2二==——===2
(∞l一∞2+以(z1,Y1(Yl—h:一,g(∞2,耽(Y2一h:
2(1/(Y1一h:一1/(Y2一h:
(10 td=刃1—2c/(yl—h。+^(∞1,Y1(Yl—h:
(11
在进行了大量的随机点采样后,需要选取可能性最大的一组参数值作为本次自适应随机霍夫变换的结果.不妨建立一个分别以参数c和参数ta为横纵坐标的二维坐标系,每次采样的参数计算结果都对应于该坐标系中的一个点,当一次自适应随机霍夫变换迭代结束时,该坐标系下已经存在很多个点,而可以找到一个圆心位置合适并且半径满足误差需求的圆,这个圆内容纳了该坐标系下尽可能多的点,这时,这个圆心对应的坐标(C,ta便作为本次自适应随机霍夫变换的最终参数结果.
fx(∞,可={,(∞+1,可一1+2f(刃+l,秒+
,(∞+1,可+1一,(∞一1,可一1+
2f(刃,Y一1+,(刃一1,∥+1(6 f口(∞,可={-厂(∞一1,可+1+2f(∞,Y+1+
,(z+1,∥+1}一{/’(刃一1,可一1+
2f(∞,Y一1+,(∞+1,可一1(7 ,m(∞,可=￣/(^(∞,可2+(,Ⅳ(∞,可2≈
一点,已知0,a,b,e,d摄影变换后的坐标,求d变
换前的对应点D在QABC上的坐标.
由于A B//oc,推出口c与曲的交点秽。即为所
有与AB平行的直线摄影变换后对应的消隐点;同
理,oa与6c的交点口z也是所有与OA平行的直线变
换后对应的消隐点.
根据消隐点可求出Vzd与口6的交点m,即为
D点在All上投影M摄影变换后的对应点;可。d与
实验表明,t1=1,t2=1,和t3=0的这种形式最适合于车道线的检测.因为采用该形式进行灰度提取后的图像可以使得:车道线场景图片中的红色和绿色信道对于白线和黄线均具有很好的对比特性.
为了获取图像的边缘信息,输入图像.厂(∞,可的梯度值用3×3的Sobel算子以很低的阈值计算得出.因此,可以得到两幅图片:一幅灰度边缘幅度图,m(z,可(见图4c,表示输入图像的方向幅度值,和一幅灰度边缘方向图厂g(刃,∥(见图4d,表示输入图像垂直和水平方向的梯度幅度值的比值.
2.3禁忌搜索算法
本文采用了基于最大后验概率的禁忌搜索(Tabu search,TS算法[17]来求解参数O的值.TS算法是一种交互式的全局最优搜索方法.它从当前解8开始,据定义好的移动准则产生一个邻域集合s7.对于产生的每一个解s7都需要计算其对应的最优化的目标函数的函数值,且选择最好的s7作为新的当前解,即使它比s要差.因此,这样可避免目标函数
的局部最优值.接着,一次新的迭代被执行:将从新的当前点开始,前一过程被重复,直到满足给定的停止条件.如果一个被访问过的点再次作为邻近点而产生,那么这个算法,可能进入无限循环.为了避免这种情况,最近产生的m个当前点需要被存储在一个列表中,该列表被称之为“Tabu列表”.当前点的邻近点如果属于“Tabu列表”,就会被忽略.
{f。(∞,可l+I fⅣ(∞,可I(8 ^(∞,可=^(刃,y/f。(∞,可(9 2.2自适应随机霍夫变换算法
霍夫变换(Hough transform,HT是从图像中提取出曲线的一种很普遍的方法,它被广泛用来进行车道线的检测.
本文采用了一种自适应的随机霍夫变换(random Hough transform,RHT[16l,用来计算车道
线参数模型中的参数曲率c和切线方向ta的值.这
万方数据
同济大学学报(自然科学版第38卷
种方法兼顾了霍夫变换和随机霍夫变换的优点.
图4图像预处理效果Leabharlann Baidu示
Fig.4Image pre-processing
根据推导,一对像素点P1(z1,Y1和P2(z2, Y2,从灰度边缘图中被随机地采样出来,当点P。和P2的灰度方向值满足一定条件,即j arc tan(91一arc tan(92I<￡hre时,认为该两点有可能位于车道线上,这时,参数曲率C和切线方向t。的值可以按照如下的公式计算出来:
a n x o',2A』v×0K
=O三N:(OA;毗
A N
,.、b a×m l,】BA×M V1
(mn;avl2二==—==三2====_—_===2
m a×b l,1MA x B VI
些:(BM;AV2
朋A
变换得到:一ON:A~N×竺娑
(3
a n×o耽
而:丽×竺些(4
b口×m v1
根据式(3和式(4,便可将图像中的车道线转换成实际车道线,效果如图3所示.