车道识别过程中搜索车道线的方法
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)。
基于视觉的车道偏离预警系统 [ 2 - 3 ] ,可以划分 为 3部分 :道路和车辆状态感知模块 、车道偏离评价 算法和信号显示界面 。系统运行的基本过程是 :状
态感知模块接收道路集合特征和车辆的动态参数 , 然后由车道偏离评估算法对车道偏离的可能性进行 评估 ,必要的时候通过显示界面向驾驶员报警 。德 国的 VaMoR s智能车系统 [ 4 ] 、美国的 Navlab智能车 系统 [ 5 ]和意大利的 ARGO 系统 [ 6 ]都采用了计算机 视觉技术识别高速公路车道标志线的方法 ,实现智 能车辆高速导航 。
程:
( 1)初始化参数向量
_
sj;
( 2)计算每个点对于给
定参数
_
s
j
的冗余度
di;
( 3)查找冗余度平方
d2i 的中
值
m j ,即
mj
=
i
=
m ed
1, 2, …,
n
d2i
。
最佳数据子集的选择通过最小中值过程和一个
噪声点去除过程后完成 。根据以上过程每个子集对
应有一个中值冗余度平方 m j,其中最小值 M J 为
[ Abstract] A lane detection algorithm is brought forward, which set searching w indow s in region of interest (RO I). The algorithm can better deal w ith the uncertainty factor of road surface, and establish real2time dynam ic searching w indow s. B esides tracking lane mark line more accurately, it can also be app lied to curved road condi2 tions. The app lication of least median square (LmedS) curve fitting algorithm imp roves the robustness and accuracy of m ark line fitting. W ith the introduction of RO I, the computing effort in searching p rocess can be reduced greatly, so meeting the real2tim e requirements.
由世界坐标系下车道标志线宽度经过透视变换得
到 。假设车体坐标系下车道标志线块状结构宽度为
ν′i ,则二者的变换关系可以表示为
ν i
= F (ν′i , i)
式中 F表示标志线宽度从车体坐标系到图像坐标
系的透视变换关系 ,在图像坐标系下 , RO I宽度变化
的基本规律是下宽上窄 。
wk.baidu.com
在 RO I中建立 5个搜索窗口 (图 3 ) ,每个窗口
首先从彩色图像中提取有用的颜色通道如 R、 G、HSV 的 H通道等形成灰度图像 ,其次滤波 、进行 Canny边缘锐化 ,然后进行阈值化分割得到二值道 路图像 。二值化后像素值 0 表示非边缘点 , 255 表 示边缘点 。在二值图像中运用搜索窗口进行车道标 志点搜索 ,最后进行车道线拟合 。
图 5为文中算法的试验结果 。从图中可以看 出 ,该算法能够比较准确地对路边线进行识别 ,并能 够准确地拟合出车道标志线 。由于主要对 RO I内 的边缘点进行计算 ,因此不仅能够减少计算量 ,而且 能够保证准确度 。运用 LMedSquare曲线拟合算法 克服了噪声的影响 。
2006 (Vol. 28) No. 5
毕雁冰 ,等 :车道识别过程中搜索车道线的方法
· 441 ·
集包含的数据点数 。
含有
n个数据的点集 ,设曲线参数向量
_
s
j
,
含有
p个参数 。对于 m s 个数据子集中的每个子集都可
以获得一个参数向量的初始解 , 数据子集通过随机
选择数据点的方法生成 。对每个子集重复以下过
· 440 ·
汽 车 工 程
2006年 (第 28卷 )第 5期
的噪声影响 、弯路的识别等问题提出了解决方案 。 针对传统最小二乘曲线拟合受噪声影响较大的缺 点 ,采用 LM edSquare曲线拟合算法 ,使车道识别的 稳健性和识别精度都得到了大大提高 。
2 RO I中建立搜索窗口算法
在车前方图像中 (图 1)设立 2 个 RO I (图 2 ) ,
式中 m s 为要使用的最小子集数目 ; ε为噪声点比
例 ,即在给定数据点集中噪声点的比例 ; s为数据子
© 1994-2009 China Academic Journal Electronic Publishing House. All rights reserved. http://www.cnki.net
Keywords: Lane departure warn ing system , Lane detection, Search ing w indows, LM edS curve f itting
1 前言
高速公路上每年都会发生多起由于驾驶员分散 注意力或是操作原因所引起的交通事故 [ 1 ] ,车道偏 离是其主要原因 。车道偏离的定义是将车辆简化为 四个角点的矩形 ,任何一个角点接触或是超过了车 辆正在行驶的道路的车道线 ,就认为车辆目前正处 于车道偏离状态 。对此各个汽车企业 、研究所展开 了广泛的研究 ,国外的汽车企业已经开发出许多安 全产品 。车道偏离预警系统就是这些安全产品的主 流 ,它能够在驾驶员发生车道偏离之前给予预警 。
2006年 (第 28卷 )第 5期
汽 车 工 程 Automotive Engineering
2006 (Vol. 28) No. 5
2006096
车道识别过程中搜索车道线的方法 3
毕雁冰 ,管 欣 ,詹 军
(吉林大学 ,汽车动态模拟国家重点实验室 ,长春 130022)
[摘要 ] 提出了一种在 RO I( region of interest)即感兴趣区域中建立搜索窗口的车道识别算法 ,使其能够很好 地处理非理想路况的各种不确定因素 ,并建立实时动态搜索窗口 ,除了能精确地追踪车道标志线之外 ,还能应用于 弯路路况 。运用 LM edSquare曲线拟合算法提高了车道拟合过程的稳健性和精确性 。由于 RO I的建立 ,整个识别 过程的计算量大大降低 ,适应实时性要求 。
M J = m in m j =1, 2, …, m s j 冗余度标准差的初始估计可以表示为
σ 0
= 114826
1+
5
MJ
n- p
利用该标准差可以为每个数据点赋予一个权系
数 ,权系数由下式定义
ω i
=
1 | m | i ≤ 215σ0 0 其它
则标准差的最终估计表示为
σ3 0
=
n
n
∑ ∑ (ωi d2i ) /
图中把 RO I分为 R 2RO I和 L 2RO I。在确定 RO I的
宽度时 ,以车道线的宽度为基准设置 ,即
wi
=
αν i
式中 w i 为 RO I在第 i条扫描线的宽度 ;νi 为图像坐
标系下第 i条扫描线上车道标志线的宽度 ;α为设
定的常数 ,它表示 RO I宽度与标志线宽度的关系 。
ν i
车道偏离预警算法中比较重要的部分是根据采 集到的图像信息 ,通过边线上探测点而拟合出车道 线 。但是在此过程中由于图像上的噪声 ,车道线因 磨损而导致的清晰度降低等问题往往使得最终不能 够得到准确的结果 ,如何快速简洁地探测出车道线 就成为需要首先解决的问题 。作者提出在感兴趣区 域 (RO I, region of interest)中建立搜索窗口的方法 , 使得计算量大大减少 ,并对车道线识别过程中出现
是对含有少量数据的不同子集
重复进行相同的操作 , 直到有
一定的可信度保证至少有一个
子集的所有数据都是好数据 。
如图 4 所示 , 算法随机从数据
点中挑出数据形成 3 个子集 ,
拟合结 果分 别为 L1 、L2 和 L3 。 分别考察所有数据点到 3 条曲
线的距离 , 并以距离平方的中
值代表所有数据点到各条拟合 图 4 LMedSquare
理想情况下 ,每个数据子集都应该加以考虑 。 由于实时性要求 ,只能使用尽可能多的数据子集 ,使 得拟 合 结 果 达 到 尽 可 能 高 的 可 信 度 H (如 H = 0195) 。采用如下公式计算达到该可信度所需要的 最小的数据子集数 。
lg ( 1 - H )
ms
= lg[ 1 -
( 1 - ε) s ]
对于搜索窗口所搜索到的车道线边缘点 ,为了 减少阴影等噪声的影响 ,设立一个常数阈值 ,低于该 阈值的像素都设为该常数 。对于 RO I中的边缘特 征点 ,运用 LM edSquare曲线拟合技术将其拟合成为 车道曲线 。
3 LM edSquare曲线拟合基本原理
LM edSquare是一种随机采样算法 ,其核心思想
关键词 :车道偏离预警系统 ,车道识别 ,搜索窗口 , LM edSquare曲线拟合
A M ethod of M ark L ine Searching in Lane Detection Process
B i Yanb ing, Guan X in & Zhan Jun
S ta te Key L abora tory of A u tom obile D ynam ic S im ulation, J ilin U n iversity, Changchun 130022
3 国家自然科学基金资助项目 (59775027) 、高等学校骨干教师计划资助项目 ( GG - 580 - 10183 - 1995)资助 。 原稿收到日期为 2005年 4月 21日 ,修改稿收到日期为 2005年 9月 14日 。
© 1994-2009 China Academic Journal Electronic Publishing House. All rights reserved. http://www.cnki.net
ω i
-
p
i =1
i =1
至此可以利用
σ3 0
排除噪声点 , 凡是冗余度超过
k
倍 (比如 k = 1196)σ03 的数据点视为噪声点 。排除 噪声点之后 ,剩余数据构成的子集即最佳子集 ,使用 最小二乘原理进行曲线拟合即可以得到边缘曲线 。
4 试验结果
应用在 RO I中建立搜索窗口的算法通过 V isual C + +实现了对复杂路况下车道线的识别 。当搜索 窗口的位置被初始化以后 ,对 RO I内的图像进行识 别 ,识别过程大致可分为灰度转换 、滤波 、图像锐化 、 边缘点搜索 、拟合中线 5个步骤 。
曲线的距离大小 。选择其中最
的几何解释
小值对应的拟合曲线 L2 ,并依据所有数据点到 L2 的 距离来选择一个最佳子集 。如果距离小于一定的阈 值 ,将该点纳入最佳子集 ,图 4中用圆圈出的点是被 排除的数据 。考察完所有数据点后 ,对最佳数据子 集的数据进行最小二乘拟合 ,获得最终拟合结果 ,如 图 4中曲线 L。
之间的距离由下至上逐步缩小 ,以适应道路的方向
变换 。每部分拥有各自的边线参数 ,各部分所获得 的像素都仅能够为该部分组成直线所使用 。RO I的 位置首先根据车辆位置确定 ,当搜索到车道线 ,确定 搜索窗口位置之后由搜索窗口的位置确定 。RO I的 中心位置为第 3 个搜索窗口的中心位置 。一旦在 RO I中搜索到车道线 ,就在车道线位置建立搜索窗 口 ,下一次只需要对搜索窗口的图像信息进行实时 处理 。当车道线的位置改变时 ,通过下式对搜索窗 口进行调整
c ( t + 1) =βp ( t) + ( 1 - β) c ( t) 式中 c ( t)为搜索窗口的中心位置 , p ( t)为搜索到的 标志线的水平位置 ,β为系数 。调节 β值可以适合 弯路较大的路况 。如果搜索窗口搜索到的车道标志 的位置距离其它车道标志超过一定阈值 ,则将该车 道标志视为噪声点 ;如果一侧或两侧的搜索窗口没 有搜索到车道标志线 , L 2RO I的搜索区域向左延伸 至图像边界 , R 2RO I向右延伸至图像边界 ,然后对这 两个区域进行图像识别处理 。
态感知模块接收道路集合特征和车辆的动态参数 , 然后由车道偏离评估算法对车道偏离的可能性进行 评估 ,必要的时候通过显示界面向驾驶员报警 。德 国的 VaMoR s智能车系统 [ 4 ] 、美国的 Navlab智能车 系统 [ 5 ]和意大利的 ARGO 系统 [ 6 ]都采用了计算机 视觉技术识别高速公路车道标志线的方法 ,实现智 能车辆高速导航 。
程:
( 1)初始化参数向量
_
sj;
( 2)计算每个点对于给
定参数
_
s
j
的冗余度
di;
( 3)查找冗余度平方
d2i 的中
值
m j ,即
mj
=
i
=
m ed
1, 2, …,
n
d2i
。
最佳数据子集的选择通过最小中值过程和一个
噪声点去除过程后完成 。根据以上过程每个子集对
应有一个中值冗余度平方 m j,其中最小值 M J 为
[ Abstract] A lane detection algorithm is brought forward, which set searching w indow s in region of interest (RO I). The algorithm can better deal w ith the uncertainty factor of road surface, and establish real2time dynam ic searching w indow s. B esides tracking lane mark line more accurately, it can also be app lied to curved road condi2 tions. The app lication of least median square (LmedS) curve fitting algorithm imp roves the robustness and accuracy of m ark line fitting. W ith the introduction of RO I, the computing effort in searching p rocess can be reduced greatly, so meeting the real2tim e requirements.
由世界坐标系下车道标志线宽度经过透视变换得
到 。假设车体坐标系下车道标志线块状结构宽度为
ν′i ,则二者的变换关系可以表示为
ν i
= F (ν′i , i)
式中 F表示标志线宽度从车体坐标系到图像坐标
系的透视变换关系 ,在图像坐标系下 , RO I宽度变化
的基本规律是下宽上窄 。
wk.baidu.com
在 RO I中建立 5个搜索窗口 (图 3 ) ,每个窗口
首先从彩色图像中提取有用的颜色通道如 R、 G、HSV 的 H通道等形成灰度图像 ,其次滤波 、进行 Canny边缘锐化 ,然后进行阈值化分割得到二值道 路图像 。二值化后像素值 0 表示非边缘点 , 255 表 示边缘点 。在二值图像中运用搜索窗口进行车道标 志点搜索 ,最后进行车道线拟合 。
图 5为文中算法的试验结果 。从图中可以看 出 ,该算法能够比较准确地对路边线进行识别 ,并能 够准确地拟合出车道标志线 。由于主要对 RO I内 的边缘点进行计算 ,因此不仅能够减少计算量 ,而且 能够保证准确度 。运用 LMedSquare曲线拟合算法 克服了噪声的影响 。
2006 (Vol. 28) No. 5
毕雁冰 ,等 :车道识别过程中搜索车道线的方法
· 441 ·
集包含的数据点数 。
含有
n个数据的点集 ,设曲线参数向量
_
s
j
,
含有
p个参数 。对于 m s 个数据子集中的每个子集都可
以获得一个参数向量的初始解 , 数据子集通过随机
选择数据点的方法生成 。对每个子集重复以下过
· 440 ·
汽 车 工 程
2006年 (第 28卷 )第 5期
的噪声影响 、弯路的识别等问题提出了解决方案 。 针对传统最小二乘曲线拟合受噪声影响较大的缺 点 ,采用 LM edSquare曲线拟合算法 ,使车道识别的 稳健性和识别精度都得到了大大提高 。
2 RO I中建立搜索窗口算法
在车前方图像中 (图 1)设立 2 个 RO I (图 2 ) ,
式中 m s 为要使用的最小子集数目 ; ε为噪声点比
例 ,即在给定数据点集中噪声点的比例 ; s为数据子
© 1994-2009 China Academic Journal Electronic Publishing House. All rights reserved. http://www.cnki.net
Keywords: Lane departure warn ing system , Lane detection, Search ing w indows, LM edS curve f itting
1 前言
高速公路上每年都会发生多起由于驾驶员分散 注意力或是操作原因所引起的交通事故 [ 1 ] ,车道偏 离是其主要原因 。车道偏离的定义是将车辆简化为 四个角点的矩形 ,任何一个角点接触或是超过了车 辆正在行驶的道路的车道线 ,就认为车辆目前正处 于车道偏离状态 。对此各个汽车企业 、研究所展开 了广泛的研究 ,国外的汽车企业已经开发出许多安 全产品 。车道偏离预警系统就是这些安全产品的主 流 ,它能够在驾驶员发生车道偏离之前给予预警 。
2006年 (第 28卷 )第 5期
汽 车 工 程 Automotive Engineering
2006 (Vol. 28) No. 5
2006096
车道识别过程中搜索车道线的方法 3
毕雁冰 ,管 欣 ,詹 军
(吉林大学 ,汽车动态模拟国家重点实验室 ,长春 130022)
[摘要 ] 提出了一种在 RO I( region of interest)即感兴趣区域中建立搜索窗口的车道识别算法 ,使其能够很好 地处理非理想路况的各种不确定因素 ,并建立实时动态搜索窗口 ,除了能精确地追踪车道标志线之外 ,还能应用于 弯路路况 。运用 LM edSquare曲线拟合算法提高了车道拟合过程的稳健性和精确性 。由于 RO I的建立 ,整个识别 过程的计算量大大降低 ,适应实时性要求 。
M J = m in m j =1, 2, …, m s j 冗余度标准差的初始估计可以表示为
σ 0
= 114826
1+
5
MJ
n- p
利用该标准差可以为每个数据点赋予一个权系
数 ,权系数由下式定义
ω i
=
1 | m | i ≤ 215σ0 0 其它
则标准差的最终估计表示为
σ3 0
=
n
n
∑ ∑ (ωi d2i ) /
图中把 RO I分为 R 2RO I和 L 2RO I。在确定 RO I的
宽度时 ,以车道线的宽度为基准设置 ,即
wi
=
αν i
式中 w i 为 RO I在第 i条扫描线的宽度 ;νi 为图像坐
标系下第 i条扫描线上车道标志线的宽度 ;α为设
定的常数 ,它表示 RO I宽度与标志线宽度的关系 。
ν i
车道偏离预警算法中比较重要的部分是根据采 集到的图像信息 ,通过边线上探测点而拟合出车道 线 。但是在此过程中由于图像上的噪声 ,车道线因 磨损而导致的清晰度降低等问题往往使得最终不能 够得到准确的结果 ,如何快速简洁地探测出车道线 就成为需要首先解决的问题 。作者提出在感兴趣区 域 (RO I, region of interest)中建立搜索窗口的方法 , 使得计算量大大减少 ,并对车道线识别过程中出现
是对含有少量数据的不同子集
重复进行相同的操作 , 直到有
一定的可信度保证至少有一个
子集的所有数据都是好数据 。
如图 4 所示 , 算法随机从数据
点中挑出数据形成 3 个子集 ,
拟合结 果分 别为 L1 、L2 和 L3 。 分别考察所有数据点到 3 条曲
线的距离 , 并以距离平方的中
值代表所有数据点到各条拟合 图 4 LMedSquare
理想情况下 ,每个数据子集都应该加以考虑 。 由于实时性要求 ,只能使用尽可能多的数据子集 ,使 得拟 合 结 果 达 到 尽 可 能 高 的 可 信 度 H (如 H = 0195) 。采用如下公式计算达到该可信度所需要的 最小的数据子集数 。
lg ( 1 - H )
ms
= lg[ 1 -
( 1 - ε) s ]
对于搜索窗口所搜索到的车道线边缘点 ,为了 减少阴影等噪声的影响 ,设立一个常数阈值 ,低于该 阈值的像素都设为该常数 。对于 RO I中的边缘特 征点 ,运用 LM edSquare曲线拟合技术将其拟合成为 车道曲线 。
3 LM edSquare曲线拟合基本原理
LM edSquare是一种随机采样算法 ,其核心思想
关键词 :车道偏离预警系统 ,车道识别 ,搜索窗口 , LM edSquare曲线拟合
A M ethod of M ark L ine Searching in Lane Detection Process
B i Yanb ing, Guan X in & Zhan Jun
S ta te Key L abora tory of A u tom obile D ynam ic S im ulation, J ilin U n iversity, Changchun 130022
3 国家自然科学基金资助项目 (59775027) 、高等学校骨干教师计划资助项目 ( GG - 580 - 10183 - 1995)资助 。 原稿收到日期为 2005年 4月 21日 ,修改稿收到日期为 2005年 9月 14日 。
© 1994-2009 China Academic Journal Electronic Publishing House. All rights reserved. http://www.cnki.net
ω i
-
p
i =1
i =1
至此可以利用
σ3 0
排除噪声点 , 凡是冗余度超过
k
倍 (比如 k = 1196)σ03 的数据点视为噪声点 。排除 噪声点之后 ,剩余数据构成的子集即最佳子集 ,使用 最小二乘原理进行曲线拟合即可以得到边缘曲线 。
4 试验结果
应用在 RO I中建立搜索窗口的算法通过 V isual C + +实现了对复杂路况下车道线的识别 。当搜索 窗口的位置被初始化以后 ,对 RO I内的图像进行识 别 ,识别过程大致可分为灰度转换 、滤波 、图像锐化 、 边缘点搜索 、拟合中线 5个步骤 。
曲线的距离大小 。选择其中最
的几何解释
小值对应的拟合曲线 L2 ,并依据所有数据点到 L2 的 距离来选择一个最佳子集 。如果距离小于一定的阈 值 ,将该点纳入最佳子集 ,图 4中用圆圈出的点是被 排除的数据 。考察完所有数据点后 ,对最佳数据子 集的数据进行最小二乘拟合 ,获得最终拟合结果 ,如 图 4中曲线 L。
之间的距离由下至上逐步缩小 ,以适应道路的方向
变换 。每部分拥有各自的边线参数 ,各部分所获得 的像素都仅能够为该部分组成直线所使用 。RO I的 位置首先根据车辆位置确定 ,当搜索到车道线 ,确定 搜索窗口位置之后由搜索窗口的位置确定 。RO I的 中心位置为第 3 个搜索窗口的中心位置 。一旦在 RO I中搜索到车道线 ,就在车道线位置建立搜索窗 口 ,下一次只需要对搜索窗口的图像信息进行实时 处理 。当车道线的位置改变时 ,通过下式对搜索窗 口进行调整
c ( t + 1) =βp ( t) + ( 1 - β) c ( t) 式中 c ( t)为搜索窗口的中心位置 , p ( t)为搜索到的 标志线的水平位置 ,β为系数 。调节 β值可以适合 弯路较大的路况 。如果搜索窗口搜索到的车道标志 的位置距离其它车道标志超过一定阈值 ,则将该车 道标志视为噪声点 ;如果一侧或两侧的搜索窗口没 有搜索到车道标志线 , L 2RO I的搜索区域向左延伸 至图像边界 , R 2RO I向右延伸至图像边界 ,然后对这 两个区域进行图像识别处理 。