基于单目视觉的障碍物检测方法研究

ｆ茹＝，×专
｛
ｙ
．
【Ｙ。，×丁
万方数据
善嚣蒙
㈩ 卜。酗２埘（．｜｝） ｉ∈…，２…＿｜｝｝
ｌ
２５５
【埘１＝∑．Ｐｉ＝１一埘（七）ｉ∈｛ｋ＋１，ｋ＋２，…２５５
图１典型的公路圈像
在上述假设条件下，由ＣＣＤ摄像机所拍摄的连续图像 具有以下几个基本特点＂】：
１）车道标识线的平行性，通常情况下，由于车道宽度一 定，使得图像中左、右车道标识线相互平行，经过投影变换 后，在实际中相互平行的两条车道标识线在图像的远视野处 相交于一点，通常称之为消失点。
圈２原田像的灰度直方圈
２．２特征点的选取算法 首先对图像进行粗略分割，如图４所示。车道线特征点
搜索过程为： １）在区域Ａ１，Ａ２中选择从图像中部往外搜索特征点的
方法，如图５。因为路面灰度特征几乎一致，并且在两标识 线之外有很多干扰，经过边缘检测后周围还有部分干扰噪 声点。
２）搜索完第一行特征点之后，在区域Ａ１中，此标识线 为左车道线，延伸的方向为向右，所以下一行搜索的特征点 在上一行的搜索点右边５个像素之内；区域Ａ２则相反，如果 每一搜索行搜索到四个特征点，就转到下一行。
算使得式（７）
Ｑ（ｋ，６）＝∑（Ｙｉ＿ｂ—ｋｘ；）２
（７）
最小的（＿｜｝，ｂ），其中ｋ＝（ｋＪ，ｋ，），ｂ＝（ｂｊ，ｂ，），由于选择车道标 识线内侧作为检测区域，所以只用一次检测数据就可以得到
．．．——２８０．．．——
万方数据
３障碍物检测
３．１车辆的识别
在通常情况下，定义前方车辆为障碍物，所以障碍物检 测，即是车辆检测。首先对所给定灰度图像进行边缘检测，
万方数据
．．－——２７９．－－——
很好识别效果。 ２．４车道线边缘跟踪
车道线跟踪过程实际上是道路模型动态更新过程。由 于图像序列时间、空间范围内具有连续性特征，在车道线位 置不会发生突变。重新遍历整幅图像搜索特征点不能满足 处理实时性要求。由于初始帧已经检测出车道线，在初始帧 所标识车道线左右２５—３０个像素宽的位置重新搜索，将此 确定为感兴趣区域。该方法既提高了车道线位置检测的准 确性，又满足了跟踪实时性要求。
１ 引言 随着高速公路的快速发展，交通事故的发生次数逐年上
升，交通安全越来越受到广泛关注，因此如何提高智能车辆 安全行驶已经成为未来汽车技术发展的主要研究方向…【２１。
完善的汽车辅助或自动驾驶系统通常实现以下功能：车 道线检测及实时跟踪∞１，前方车辆检测与识别。精确检测与 实时跟踪车道线是提供准确预警、防偏、防撞基础，而检测与 跟踪前方车辆是测量前方车辆与本车相对距离、相对速度的 前提。
并记下车辆底部边缘的纵坐标。求出该位置与左右车道线
的交点，确定出初始车辆外接矩形。在外接矩形内计算垂直
方向上投影，求得垂直方向上像素平均值的最大值和次大
值，从而确定车辆两条垂直边缘。根据车辆的先验知识，选
择车辆的高宽比为１．２：１，确定车辆的上部边缘。
３．２车辆的跟踪
由于所检测车辆在很短时间内不会很快消失，利用前一
采用一般边缘检测算子得到整幅图像边缘，采用Ｓｏｂｅｌ边缘
ｒ－一１ ｏ １］ ｒ－１ ２ １］
检测算子，其卷积核为ｌ一２ ０ ２｜和』０ ０ ０ Ｊ，可
Ｌ．一１ ｏ １ｊ 【一１ —２ —１Ｊ
以得到
五＝Ｉｆ（龙＋１，Ｙ＋１）＋Ｚ“茹＋１，Ｙ）＋以髫＋１，Ｙ一１）］一［，
（茹一１，Ｙ＋１）＋Ｚ八茗一１，Ｙ）＋八龙一ｌ，Ｙ—Ｉ）］
性和实时性。
关键词：单目视觉；最大类间方差法；车道保持；车道线跟踪；检测与跟踪车辆
中图分类号：ＴＢ２４
文献标识码：Ｂ
Ａ Ｍｅｔｈｏｄ ｏｆ Ｏｂｓｔａｃｌｅ Ｄｅｔｅｃｔｉｏｎ Ｂａｓｅｄ ｏｎ Ｍｏｎｏｃｕｌａｒ Ｖｉｓｉｏｎ
ＹＡＮＧ Ｊｉａｎ－－ｒｏｎｇ，Ｑｕ Ｓｈｉ——ｒｕ
（Ｓｃｈｏｏｌ ｏｆ Ａｕｔｏｍａｔｉｏｎ，Ｎｏｒｔｈｗｅｓｔｅｒｎ Ｐｏｌｙｔｅｃｈｎｉｃａｌ Ｕｎｉｖｅｒｓｉｔｙ，Ｘｉ’ａｎ Ｓｈａｎｘｉ ７１００７２，Ｃｈｉｎａ）
ｊ
（５）
在（０—２５５）间改变ｋ，求得使（５）式最大的ｋ值，此时ｋ
值为区域分割的最佳阈值。图３为阈值１４６分割后的效果
图，阈值将图像分成两个部分：一部分是以天空和车道线为
主的图像，另一部分是以路面和周围背景为主的图像。天空
背景区域主要位于图４区域Ａ４，不会对特征点的选取有影
响，因此不作为车道线特征点的提取区域。
２）车道标识线的连续性，由于车道线由连续或间断的 短划线组成，在一定程度上具有空间和时间连续性；
３）相同宽度的车道标识线像素平均灰度值比路面像素 平均灰度值高；
４）车道标识线边界为直线，高速公路在设计上具有行 业标准，要求其弯道曲率很小。在车辆前方１００米范围内可 以将车道标识线作为直线处理，而且直线道路模型也是目前 常用的道路模型。 ２．１阈值分割
辆存在后，建立车辆参考模板，即外接矩形。从第二帧开始
啊‘车辆的边■■像
（ａ）第５７帧
跟踪，用预测值与真实测量值之差来更新模板的状态变量。
４结果分析
为了验证文中算法的有效性，本文所有图像在西安绕城 高速上对整个算法进行测试与验证。对车载摄像机所拍摄 的近５００帧图像进行跟踪试验。
图７为文中算法的结果图，红线标识的是车道线，矩形 框标识的是车辆。
２５５
阻＝∑ｉＰｉ
ｉ∈ｆｏ，１，２…２５５｝
｛
悼。
（２）
。
ｋ＿｜｝）＝∑以ｉ∈Ｉｏ，１，２…矗｝
（３） 背景区域与目标区域像素平均值分别为：
２５５
∑ｉＰｊ
ｉ＝Ｏ
埘（ｋ）
ｉ∈｛０，１，２…ｋ
一Ｙ２５５旦
一。幺。ｗ（ｋ）
＝｝错ｉ∈＂ｌ，七＋２＇…２５５
（４）
背盯景２区（而域）与＝ｔ目一标。区（域‰间一的Ｈ方）差２＋可ｗｉ用（下Ｈ。式一表示ｕ）：２＝：ｉ鼍５；蠕
第２６卷第２期 文章编号：１００６—９３４８（２００９）０２—０２７８—０４
计算机仿真
２００９年２月
基于单目视觉的障碍物检测方法研究
杨建荣，曲仕茹
（西北工业大学自动化学院，陕西西安７１００７２）
摘要：为了解决车辆的碰撞问题，提出了一种基于单目视觉的车道标识线二维重建及障碍物检测与跟踪的方法。主要采用
多数研究者对车道线和障碍物检测与跟踪的研究，主要 区别在于区域分割的不同，目前的研究文献主要采用区域增 长法获得区域分割，利用哈夫变换检测直线，用模板匹配方
收稿日期：２００７—１２—１７修回日期：２００８—０１—１５
．－－——２７８·－－——
法跟踪障碍物，其缺点是所需时间较长，本文采用最大类间 方法分割出道路区域以及卡尔曼滤波方法快速跟踪车辆，可 以得到很好的效果。
圈３ ＯＴＳＵ分嗣后的圈像
３）在区域Ａ３内，车道线的延伸方向如果是直道，则延 伸方向与区域Ａｌ、Ａ２相同；如果是弯道，搜索点是在前一搜 索行的左右５个像素之内得到，直到搜索完Ａ３区域所设定 的范围为止。
区域Ａ４ 区域Ａ３
其它区域 道路的弯曲部分
区域Ａ１
区域＾２
圈４对原圈像的粗略分
圈５车道线的搜索示意圈
２车道识别
车道识别即确认车道标识线并确定其在图像中具体位 置。由于实际道路非常复杂，要准确识别车道标识线，需做 如下两个基本假设：
１）假设车辆前方视野内道路在同一个平面内； ２）假设摄像机光轴与地面平行，３Ｄ空间中路面上一点 Ｐ（Ｘ，Ｙ，Ｚ）与其在图像平面上对应点ｐ（石，Ｙ）之间存在如（１） 式所示的映射关系‘４１：
ＡＢＳＴＲＡＣＴ：Ｉｎ ｏｒｄｅｒ ｔｏ ｓｅｔｔｌｅ ｔｈｅ ｐｒｏｂｌｅｍ ｏｆ ｃｏｌｌｉｓｉｏｎ ａｖｏｉｄａｎｃｅ，ａ ｎｅｗ ｍｅｔｈｏｄ ｂａｓｅｄ ｏｎ ｍｏｎｏｃｕｌａｒ ｃｏｍｐｕｔｅｒ ｖｉ． ｓｉｏｎ ｔｅｃｈｎｉｑｕｅ ｏｎ ｔｈｅ ｈｉｇｈｗａｙ ｔｏ ｒｅｃｏｎｓｔｒｕｃｔ ｌａｎｅ ｍａｒｋｉｎｇｓ ｉｎ ｉｍａｇｅｓ ａｎｄ ｄｅｔｅｃｔ ａｎｄ ｔｒａｃｋ ｔｈｅ ｌｅａｄｉｎｇ ｅａｒ ｉｓ ｐｒｏ· ｐｏｓｅｄ．ＯＴＳＵ ｉｓ ｕｓｅｄ ｔｏ ｓｅｇｍｅｎｔ ｏｒｉｇｉｎａｌ ｉｍａｇｅｓ ａｎｄ ａ ｎｅｗ ｍｅｔｈｏｄ ｃａｎ ｂｅ ｅｓｔａｂｌｉｓｈｅｄ ｔｏ ｓｅａｒｃｈ ｌａｎｅ ｍａｒｋｉｎｇ ｆｅａ－ ｔｕｒｅｓ．Ａｆｔｅｒ ｔｈａｔ ｔｈｅ ｍａｉｎ ｐａｒａｍｅｔｅｒｓ ｏｆ ｌａｎｅ ｍａｒｋｉｎｇｓ ｃａｎ ｂｅ ｏｂｔａｉｎｅｄ ｂｙ ｓｔａｔｉｓｔｉｃ ｍｏｄｅｌ．Ｔｈｅ ｍｅｔｈｏｄ ａｉｍｓ ｔｏ ｄｅｔｅｃｔ ｓｈａｄｏｗ ｏｆ ｔｈｅ ｌｅａｄｉｎｇ Ｃａｒ ｉｎ ｔｈｅ ａｒｅａ ｏｆ ｉｎｔｅｒｅｓｔ ｂｅｔｗｅｅｎ ｔｈｅ ｐｒｅｖｉｏｕｓｌｙ ｏｂｔａｉｎｅｄ ｌａｎｅ ｍａｒｋｉｎｇｓ ａｎｄ ｔｏ ｍａｋｅ ｓｕｒｅ ｔｈｅ ｅｘｉｓｔｅｎｃｅ ｏｆ ｔｈｅ Ｃａｒ．Ｔｈｅｎ ｔｈｅ ｃａＩ＂Ｓ ｓｐｅｃｉｆｉｃ ｌｏｃａｔｉｏｎ ｉｓ ｔｒａｃｋｅｄ ｗｉｔｈ Ｋａｌｍａｎ ｆｉｌｔｅｒ ｉｎ ｔｈｅ ｎｅｘｔ ｆｒａｍｅ ｉｍａｇｅ．Ｔｈｅ ｐｒｏ— ｐｏｓｅｄ ｗａｙ Ｃａｎ ｄｅｔｅｃｔ ａｎｄ ｔｒａｃｋ ｌａｎｅ ｍａｒｋｉｎｇｓ ａｎｄ ｔｈｅ ｏｂｓｔａｃｌｅｓ ｏｎ ｔｈｅ ｈｉｇｈｗａｙ． Ｅｘｐｅｒｉｍｅｎｔａｌ ｒｅｓｕｌｔｓ ｓｈｏｗ ｔｈａｔ ｔｈｅ ｐｒｏｐｏｓｅｄ ｗａｙ ｂａｓｉｃａｌｌｙ ｍｅｅｔｓ ｔｈｅ ｒｅｑｕｉｒｅｍｅｎｔｓ Ｏｆ ｓａｆｅ ｄｒｉｖｉｎｇ ｗｉｔｈ ｈｉｇｈｅｒ ｒｅｌｉａｂｉｌｉｔｙ ａｎｄ ｒｅａｌ—ｔｉｍｅ ｆｅａｔｕｒｅ． ＫＥＹＷＯＲＤＳ：Ｍｏｎｏｃｕｌａｒ ｖｉｓｉｏｎ；Ｏｔｓｕ；Ｌａｎｅ ｋｅｅｐｉｎｇ；Ｌａｎｅ ｔｒａｃｋｉｎｇ；Ｄｅｔｅｃｔｉｎｇ ａｎｄ ｔｒａｃｋｉｎｇ ｌｅａｄｉｎｇ ｃａｒｓ
图７（ａ）第５７｜坝图像检测到车道标识线以及车道内前 方车辆，可以看出红色标识的车道线已经检测出来，同时在 两车道内的车辆用红色矩形框标识。
从所拍摄的图像来看，车道线相对干扰背景，灰度值偏 高，背景与路面灰度值具有明显差别，可以从图２灰度直方 图看出’，以一条车道线为例，从左到右灰度值顺序为低一高 一低。为了更好的分割出车道，选取最优阈值采用（ＯＴＳＵ） 最大类间方差法。
ＯＴＳＵ自动阈值分割方法主要是计算目标图像和背景图 像间的方差。对于给定２４位灰度图像，设Ｔ为ＯＴＳＵ方法所 得出的最佳阈值，灰度值大于Ｔ或小于Ｔ的像素点分割为目 标图像和背景图像，全部采样的灰度平均值和分割阈值分 别为：
最大类间方差法对初始图像进行分割，给出一种新的车道标识线特征点搜索策略，用统计模型的方法获取车道线参数。利
用障碍物（前方车辆）在道路中留下的阴影，检测车辆边缘并确认车辆存在，运用卡尔曼滤波方法跟踪车辆具体位置。所设
Baidu Nhomakorabea
计的方法能够准确地检测跟踪车道线及前方障碍物。实验结果表明：方法满足车辆安全行驶的前提需要，具有较高的准确
帧检测结果，采用卡尔曼滤波器预测目标矩形框的中心位
置，并重新搜索车辆的准确位置，采用四维状态向量预测方
法，设四维状态向量分别为｛聋（ｔ），Ｙ（ｔ），ａＸ（ｔ），Ａｙ（ｔ）｝，其中
｛菇（ｔ），Ｙ（ｔ）｝分别为前一帧图像车辆外接矩形的中心坐标，
缸（ｆ），Ａｙ（ｔ）分别为中心位置在ｘ，ｙ轴上的偏移量。确定车
（７）
‘＝［，（髫一１，Ｙ＋１）＋２ｆ（ｘ，Ｙ＋１）＋，（茹＋１，Ｙ＋１）］一［，
（茹一１，Ｙ一１）＋Ｚ只菇，Ｙ一１）＋以茹＋１，Ｙ一１）］
（８）
获得车辆水平边缘和垂直边缘。为了减少梯度较小边
缘的影响，选择阈值对边缘图像二值化，取梯度阈值口＝１５０，
根据下式判别
ｇ（”）：ｆｏ 蛋引）＞口
（９）
１．２５５，【髫，ｙ）≤ｎ
２．３车道线的识别
识别车道标识线，首先建立道路模型。文献［６］采用双
曲线对模型，本文只采用直线对模型，以２４位灰度图像为基
．础，图像坐标系以水平向右为ｘ轴正方向，垂直向上为Ｙ轴
正方向。左右车道线模型为：
ｆｙ ２ ｋｔｘ＋ｂｌ托ｉ＝１，２…ｍ
（６）
【Ｙ＝ｋ，ｘ＋ｂ，＋占ｆ，＝１，２…ｎ
其中ｍ，７１，分别为左右车道线特征点个数。采用统计模型计
将车辆底部阴影作为检测车辆存在标准。首先设定两条车
道线之间三角形区域为感兴趣区域，在感兴趣区域内检测车
辆底部阴影，由图６可看出前方车辆经过边缘检测后留下明
显阴影。两车道线左右延长５个像素，以减少车辆虚检测。
从底部开始检测并计算每行像素平均值，将它与前一行像素
平均值相比较，如果相差大于设定阈值即可确认车辆存在，