基于线性逼近的车道线弯道识别方法

王宝锋， 齐志权， 马国成， 陈思忠

(北京理工大学 机械与车辆学院，北京 100081)



基于线性逼近的车道线弯道识别方法

王宝锋， 齐志权， 马国成， 陈思忠

(北京理工大学 机械与车辆学院，北京 100081)

为提高车道线识别算法在大曲率弯道下的识别性能，提出一种基于线性逼近的弯道识别方法. 基于车道线先验知识，利用改进的局部逆透视变换和Hough变换对车道线进行初步提取. 根据初步提取结果，对未知区域进行循环线性逼近并提取车道线边界点. 通过最小二乘法利用B-样条曲线完成车道线拟合. 实验证明，该算法对大曲率弯道的车道线识别具有较高的精确性.

弯道识别；线性逼近；逆透视变换；Hough变换

先进驾驶员辅助系统(advanced driver assistance system， ADAS)的应用，可以有效地避免驾驶员因为误操作而造成的交通事故，提高车辆行驶安全性. 作为ADAS系统的重要组成部分，车道线识别系统通过视传感器对车辆所行驶的路面进行监测，确定车辆所在车道横向的位置及前方道路的趋势，并为车道偏离预警、车道保持及自适应巡航控制等ADAS系统提供车道信息.

近年来，国内外学者对于基于视觉的车道标识线及道路边界的识别方法进行了大量的研究. 姜岩等[1]采用了一种改进的Hough变换的车道线识别方法，并通过感兴趣区域动态规划减少了运算量，提高了车道线识别速度和可靠性. 但该方法基于车道线近距离为直线的假设，无法进行弯道识别，不具备车道线延伸趋势预测的能力. 王宝锋等[2]提出了基于动态区域划分的车道线识别方法，并将直线和B-样条曲线用于车道线重构. 为了更好地提取车道线几何特征；McCall[3-4]利用逆透视变换(inverse perspective mapping，IPM)将原始图像全部转化为俯视图，并利用平行特性对车道线进行提取. IPM的引入提高了车道线识别的精度，但是IPM运算量巨大，处理效率较低. 车道线识别算法的难点在于车道线模型的选取及模型对于复杂车道线的适应能力. 为了提高车道线模型的适应性，Wang Yue等[5]将B-样条曲线应用于车道线拟合过程中，并提出了CHEVP(Canny/Hough estimation of vanishing points)的车道线识别方法. 实验发现当车道线曲率较大时(盘桥匝道)，分区内依然是曲线，无法满足分区内车道线直线假设.

针对以往研究车道线模型适应性差，弯道车道线边界提取能力差等缺点. 文中作者提出一种连续函数线性逼近的弯道识别方法. 首先根据摄像头内外部参数及消失点对图像识别感兴趣区域(region of interest，ROI)进行规划，然后利用改进的局部逆透视变换及先验知识对车道线进行初步提取. 在车道线初步提取的基础上，利用线性逼近原理对车道线延伸方向及区域进行循环估计并提取边车道线边界点. 在车道线边界点的基础上通过B-样条曲线对车道线进行重构，完成车道线识别.

1 摄像头标定及车道识别区域规划

1.1 摄像头标定

摄像头安装在前挡风玻璃上，后视镜下方. 如图1在整个车道线识别系统中共有3个坐标系：车辆坐标系Ov-xyz，摄像头坐标系Oc-xyz，及图像坐标系OI-xy. 摄像头安装完毕后，文中利用Matlab Toolbox进行标定，通过对不同姿态下标定板图像处理，最终获得摄像头内外部参数及坐标系变换关系

(1)

(2)

(3)

1.2 车道识别区域规划

原始图像中包含大量非车道信息，如天空、发动机舱盖等如图2(a)所示. 如果对原始图像进行全局处理，不但增加系统算法的运算量，降低算法实时性，而且该区域无效信息也会对车道线信息造成干扰，影响车道线识别的精度. 因此，在车道线识别之前首先对车道线识别感兴趣区域进行规划，剔除无效信息.

透视原理中将水平无穷远出的点在图像中的投影称为消失点，消失点所在的水平线为消失线，即地面和天空的分界线. 图像中所有的道路信息都处于消失线下方，因此将消失线以上的区域剔除，其中消失点在图像中的坐标可通过式(1)～(2)求出. 此外，图像底部区域被发动机舱盖覆盖，由于摄像头与车辆的相对位置是固定的，因此该区域不会发生变化，可以直接剔除.

2 车道线初步提取

2.1 图像逆透视变换

在俯视图中车道线呈现明显的平行特性，所以在俯视图中车道线更容易被识别. 为避免全局IPM运算量大的缺点，文中通过两种手段对逆透视变换过程进行加速. 首先缩小图像处理范围，仅对车辆前方10 m×10 m的范围进行逆透视变换，如图3所示.

其次，对逆透视变进行模块化处理，并在摄像头标定中完成，在车道识别过程中仅需要通过查表便可完成整IPM过程，大大提高了运算速度.

公路路线设计规范JTGD20—2006规定，高速公路弯道极限最小半径为250 m，所以该俯视图范围内的车道弧度为0.04 rad，且sin(0.04)≈0.04，因此在车道线提取中将该区域内车道线近似为直线. 首先采用Canny算子对俯视图进行梯度化，获得边界信息强的二值图像，如图4. 然后根据车道线在俯视图中近似垂直的特性对二值图像进行基于θ角规划的Hough变换[2]，定义θ∈[-5°，5°]，从而有效剔除其他干扰直线，得到候选车道线如图4中直线所示.

2.2 车道内边界提取

识别出的候选车道线中既含有内侧边界线，又含有外侧边界线. 如果直接忽略车道线宽度直接进行车道重建，不但影响车道描述的精度，而且降低车道跟踪能力.

为了更准确地描述车辆与车道线的位置关系，提高算法在车道重建结果的稳定性，文中统一将车道内边界作为车道线识别边界，并提出了一种基于向量叉乘原理的车道内边界检测方法.

以右侧候选车道线为例，如图5所示，假设存在n条候选车道线psipei，i∈{1，2，…，n}. 分别取任一起始点psj和终止点pek，j，k∈{1，2，…，n}. 然后根据式(3)进行叉乘运算求取符号函数Sjk，

(4)

如果在定义域范围内，符号函数Sjk全部大于0，则候选车道线psjpek为车道内边界. 最后通过车道宽度和平行性等先验知识对车道得到的内侧边界进行验证，并根据式(1)～(2)利用透视变换将其转换到原始图像中，如图6所示.

3 基于线性逼近的弯道识别

车道线初步提取完成后，获得近距离的车道边界信息. 公路路线设计规范要求所有道路路径都是连续平滑曲线，基于该先验知识在已检测出的边界信息基础上，利用牛顿-拉夫逊迭代法对未知区域进行线性逼近，并完成车道线边界点搜索.

设已获得的车道线直线部分边界点集为P={Pi=(xi，yi)|i=1，2，3，…，n}. 如图7所示，取总点集P中最后m个点进行线性拟合获得逼近直线y=f(x). 过点Pn做其切线L，L方程为

(5)

以l为步长，根据拟合所得的直线对未知区域进行规划，

(6)

(7)

将点(xn，yn)和点(xe，ye)之间左右距离小于d的区域作为车道线规划范围，并将该范围内检测到的点作为车道线边界候选点. m个拟合点，规划范围内候选点分别如图7中所示.

根据车道线灰度特征对边界候点进行验证. 如图8(a)所示，首先在原始图像内对候选点所附近的矩形区域Lm×n进行采样，然后按式(8)，(9)对采样区域进行灰度分布运算：

(8)

(9)

式中：p(j)为车道线横截面的灰度分布. 如图8(b)所示，典型的车道线横截面轮廓呈明显的单峰特性，通过对p(j)进行轮廓分析对检测到的候选点进行验证，然后采用扰动分析的方法对基于候选点进行筛选，从而得到真正的车道边界并将其存入边界点点集P. 重复循环上述过程直到所有车道线边界点都被搜索出，当搜索范围内搜索结果为空，或者出现奇异点(导致车道线斜率发生突变)时，减小步长l并重新进行搜索，最终完成弯道区域边界点搜索.

样条曲线具有易实现任意形状曲线拟合，以及光滑、连续等优点，能够实现车道线的准确表达. 在上述步骤采集到的车道线边界点的基础上，利用最小二乘法基于3次B样条曲线进行车道线重构. 最终获得车道线识别结果如图9所示.

4 实验结果

为验证车道线识别算法的性能，在北京北五环和京承等高速路匝道进行实车实验采集视频数据，并对数据进行离线处理. 图像采集过程中利用大恒GV400UM图像传感器，并配置6 mm固定光圈镜头，图像分辨率为752×480，摄像头内外部参数标定结果见表1.

车道线识别处理算法采用Matlab 2012a实现，典型识别结果如图10所示. 图中可以看出算法在直道、弯道(左右向)及驶入出弯道均有较好的识别结果，并对树影、路面拼接等干扰具有较强的鲁棒性. 算法在未进行代码优化，未进行任何硬件加速的情况下，在Intel Core i5 CPU，2.5 GHz，2.5 GB内存环境下，每帧图像处理时间为100 ms左右.

摄像头内部参数摄像头内部参数等效焦距[fcufcv]/像素像主点[cucv]/像素像素夹角αc/(°)平移向量Tcv旋转矩阵Vcv[1020.2 1020.2][375.5 239.5]0[68.2 564.0 1370.6][-3.05 0.0095 0.045]

5 结束语

实验结果表明，提出的一种基于线性逼近原理的弯道车道线识别算法对环道、匝道等大曲率车道线的识别有较强的适应性和准确性，在不同弯道曲率下均能准确识别车道线. 但文中仅对识别算法进行了初步论证，算法的优化及实时性有待研究. 此外，车道线识别只是车道线检测系统的初始化过程，为了提高系统的准确性和实时性，在后续工作中需对车道线跟踪算法进行探究.

[1] 姜岩，赵熙俊，龚建伟，等.简单城市环境下地面无人驾驶系统的设计研究[J].机械工程学报，2012，48(20):103-112.

Jiang Yan， Zhao Xijun， Gong Jianwei， et al. System design of self-driving in simplified urban environments[J]. Journal of Mechanical Engineering， 2012，48(20):103-112.(in Chinese)

[2] 王宝锋，齐志权，马国成，等.基于动态区域规划的双模型车道线识别方法[J].北京理工大学学报：自然科学版，2014，34(5):485-489.

Wang Baofeng， Qi Zhiquan， Ma Guocheng， et al. A lane detection system based on region dynamically planning and dual model fitting[J]. Transactions of Beijing Institute of Technology， 2014，34(5):485-489.(in Chinese)

[3] Joel McCall， Mohan M Trivedi. Video-based lane estimation and tracking for driver assistance: survey， system， and evaluation[J]. IEEE Transactions on Intelligent Transportation Systems， 2006，7(1):20-37.

[4] Borkar A， Hayes M， Smith M. A novel lane detection system with efficient ground truth generation[J]. IEEE Transaction on Intelligent Transportation Systems, 2012(13):365-374.

[5] Wang Yue， Shen Dinggang， Eamakhwang Teoh. Lane detection using spline model[J]. Pattern Recognition Letters， 2000,21:677-689.

(责任编辑：孙竹凤)

Novel Lane Curve Detection Method Using Linear Approximation

WANG Bao-feng， QI Zhi-quan， MA Guo-cheng， CHEN Si-zhong

(School of Mechanical Engineering， Beijing Institute of Technology， Beijing 100081， China)

In order to improve the performance of lane detection for curve road, a lane detection system was presented with a linear approximation method. Based on the priori knowledge of lane geometry, some initial edge points of the lane were extracted through inverse perspective mapping and Hough transformation. Considering the initial results, a method of linear approximation was applied to search the future lane edge points. Finally, the detected points were used to rebuild the lane according to a B-spline model using least square method. Test of this system shows a promising detection result for curve lanes.

curve lane detection; linear approximation; inverse perspective mapping; Hough transformation

2014-12-17

国家自然科学基金资助项目(51005019)

王宝锋(1987—)男，博士生，E-mail：wang_bao_feng@126.com.

齐志权(1976—)男，讲师，E-mail:qizhiquan@bit.edu.cn.

U 463

A

1001-0645(2016)05-0470-05

10.15918/j.tbit1001-0645.2016.05.006