基于BP神經網絡的車道偏離預警系統的閾值與照度關系的研究

滕凱凱，仝秋紅，呂奎超

（長安大學汽車學院，陜西 西安 710064）

?

基于BP神經網絡的車道偏離預警系統的閾值與照度關系的研究

滕凱凱，仝秋紅，呂奎超

（長安大學汽車學院，陜西 西安 710064）

摘 要：車道偏離預警系統是當駕駛員沒有開啟轉向燈，車輛偏離原行駛車道時，系統發出報警信號來提醒駕駛員調整方向盤，從而有效的減少交通事故。為了確定車道偏離預警系統中閾值與照度的關系，文章通過大量實驗采集了不同天氣下照度與閾值的最佳關系的數據，再通過BP神經網絡得到照度和閾值的關系。

關鍵詞：BP神經網絡；車道偏離預警系統；閾值與照度

10.16638/j.cnki.1671-7988.2016.04.013

CLC NO.: U463.6Document Code: AArticle ID: 1671-7988(2016)04-36-03

前言

車道偏離預警系統是在車內安裝的一項主動安全裝置，是一種輔助安全駕駛系統，它主要通過報警提示的方式，減少由于偏離原行駛車道而發生交通事故。我國交通運輸部統計數字顯示，在所記錄的交通事故中，汽車偏離正常的行車道所引起的交通事故約占50%左右，主要原因是駕駛員分神、分心或疲勞駕駛。車道偏離預警系統會提醒駕駛員及時糾正行車路線，從而減少交通事故的發生。車道偏離預警系統的核心是車道線識別算法和偏離預警算法，其中車道線識別的前提是把車道線提取出來，車道線的提取需要對攝像頭采集到的圖像經過濾波，灰度化，二值化等處理，其中二值化閾值是根據光照來確定的，為了獲取一種確定的照度和閾值的對應關系，在晴天，陰天，雨天等天氣下進行了大量的實車實驗，得到了在不同照度下閾值的最佳值。但是由于環境光線變化情況比較復雜，只是確定了一個大致對應的變化趨勢，為了找到確定的函數關系，采用BP神經網絡對數據進行擬合，得到閾值與照度的關系曲線。

反向傳播（back propagation，BP）神經網絡只要有足夠多的隱含層和隱節點，就可以以任意的精度逼近非線性映射關系，其BP學習算法屬于全局逼近的方法，有較好的泛化能力，因此可以用于閾值與光照關系的擬合。

1、車道線識別與偏離報警算法

我國高速公路的標準規定高速公路的最小半徑為650m，可以以直線道路模型代替曲線車道。通過計算直線與曲線弧的長度，兩者之間的誤差很小，所以以直代曲可以滿足車道線檢測的精度要求。車道線是平行的且寬度固定，白色虛線，白色實線，其寬度應為10到15厘米，車行道邊緣線寬度在15到厘米之間。車道線具有延續性，車道線在同一平面上，即假設路面時平的，有利于像素坐標系的建立。路面部分的灰度值較低，車道線的灰度值較高，車道與車道線之間有一個灰度值的突變，以此突變作為車道線識別的起始與終止邊界。車道線具有固定的像素幾何結構特征，處理圖像用的是DM6437，坐標原點在屏幕的左上角，像素坐標范圍中x的x的范圍是0到720，y的范圍是0到240。通過實驗表明，車道線呈塊狀特征，明顯區別于道路上的其他干擾，通過對車道線識別，判斷每一行中符合車道線寬度的車道線，識別出車道線并提取車道線的中心點，然后采用改進的霍夫變換把車道線中心點連接成直線，并且能檢測斷開的直線。

通過橫向距離來判斷車輛是否偏離，具體步驟如下：在獲取車道線方程后，在圖像坐標系中設定兩個參考的報警行，并通過實驗標定出這兩個參考行的橫向報警距離，以此作為偏離報警的閾值。當車輛離左側車道線距離小于設定報警閾值后，便發出報警，右側報警亦然。

在車道線識別時，閾值起到了關鍵性的作用，通過閾值區分出車道線的邊緣，通過車道線兩側邊緣點的坐標計算出中心點的坐標，閾值是通過照度值來選取的，所以照度與閾值之間的關系是決定車道線正確識別的重要一環。

2、BP神經網絡

誤差反向傳播神經網絡，簡稱BP網絡（Back Propagation），該網絡是一種單向傳播的多層向前網絡，其基本思想是最小二乘法，采用梯度搜素技術，使網絡的實際輸出值與期望輸出值的誤差均方值最小。BP網絡是一種多層網絡，包括輸入層，隱含層和輸出層；層與層之間采用全互連方式，同一層神經元之間不連接；神經元激發函數為S函數；學習算法由正向傳播和反向傳播組成；層與層的連接時單向的，信息的傳播是雙向的。在正向傳播過程中，輸入信息從輸入層經隱層逐層處理，并傳向輸出層，每層神經元（節點）的狀態只影響下一層神經元的狀態。如果在輸出層不能得到期望的輸出，則轉至反向傳播，將誤差信號（理想輸出與實際輸出之差）按連接通路反向計算，由梯度下降法調整各層神經元的權值，使誤差信號減小。

3、基于BP神經網絡的閾值對照度的模型

本文采用的是動量BP算法，動量BP算法是在梯度下降算法的基礎上加入了動量因子，最速下降BP算法可以使權值和閾值向量得到一個穩定的解，但存在一些缺點，如收斂速度慢，學習過程常常發生振蕩。而在動量BP算法中，可以采用較大的學習率，而不會造成學習過程的發散，因為當修正過量時，該算法總是可以使修正量減小，以保證修正方向向著收斂的方向進行；另一方面，動量BP算法總是加速同一梯度方向的修正量。上述兩個方面表明，在保證算法穩定的同時，動量BP算法的收斂速度較快，學習時間較短。

BP網絡的隱含層節點數沒有明確的說明，較多的隱含層節點數可以帶來更好的性能，但可能導致訓練時間過長，經驗公式：M= log2N，其中N為輸入層節點數，M為隱含層節點數。對于大部分應用場合，單個隱含層即可滿足需要，本文采用的是3層BP神經網絡。

BP算法的執行步驟如下：

（1）網絡初始化

確定網絡輸入層節點，隱含層節點，輸出層節點，對權系數和閾值置初值。

輸入層和輸出層節點數由輸入的數據決定，本文采用了在渭水試驗場和高速上的大量數據，由于系統是非線性的，初始權值會在很大程度上影響學習是否達到局部最小，是否能夠收斂以及訓練時間的長短。一般情況下，希望通過初始加權后的每個神經元的輸出值都接近于零，這樣可以保證每個神經元的權值都能夠在它們的S型激活函數變化最大之處進行調節，所以，一般初始權值在[-1 1]之間的隨機數。實驗中采取隱含層節點數從14開始，通過實驗比較不同隱含層節點數下，神經網絡的收斂性和訓練時間，從而選擇出最佳的隱含層節點數。

（2）輸入樣本以及對應的期望輸出

其中輸入樣本為照度值，期望輸出是二值化閾值，照度值是通過照度傳感器采集的，本文采用的照度傳感器的型號是BH1750FVI，它可測量范圍為1到65536lx。二值化閾值的范圍是0-255，為了加快收斂性，進行了歸一化處理。

（3）由BP公式，計算各層的輸出，求各層的學習誤差，修正權系數和閾值

本文采用的是newff函數創建神經網絡，網絡隱含層和輸出層的傳輸函數和訓練函數采用的是tansig，權值學習函數是traingdm，性能函數采用的是均方誤差最小函數。

當誤差滿足設定的誤差要求時，則算法迭代結束，若為滿足要求，則返回步驟3執行。

4、仿真實例

本文的原始數據來自我們自己做得實車試驗，車道偏離預警試驗硬件主要包括DM6437評估版，攝像頭，照度傳感器，試驗車，電源等。為了滿足對不同照度的檢測，選用了不同的天氣條件進行實驗。我們采集時間一般從上午9點開始，一直到中午12點結束，下午一般從14點開始，到18點結束，之所以選擇這兩個時間段是因為這是白天車輛行駛時間最多的兩個時間段，對研究照度對車道線識別提取影響有很大的現實意義。在這個時間段內，照度值在6000lx—65000lx之間，由于本實驗采用的照度傳感器測得的照度值的最大范圍為65536，所以照度值在65536以上的不能測量。

通過實驗，確定了不同照度值時對應的最佳閾值，最佳閾值是能把車道線通過二值化閾值完全提取出來并能在屏幕上清晰顯示的閾值，通過實驗，采集了大量的數據，但是照度與閾值的變化規律還沒有確定，只是確定了一個大致對應的變化趨勢，在照度提高時，選擇適當增大二值化閾值，照度降低時，選擇適當降低閾值，在低照度的情況下，由于光線均勻，二值化閾值比較穩定，閾值較低也穩定，隨著照度的增大，閾值也增大，但是閾值不能一味的增大，當光照強度大于25000lx時，閾值處于一個穩定的范圍內。所以通過BP神經網絡來訓練數據，得到閾值與照度的函數關系。

我們所采集的照度值在6000lx—65536lx之間，二值化閾值在130—200之間，為了加快訓練網絡的收斂性，需要進行歸一化處理。當所有樣本的輸入信號都為正值時，與第一隱含層神經元相連的權值只能同時增加或減小，從而導致學習速度很慢。為了避免出現這種情況，加快網絡學習速度，可以對輸入信號進行歸一化，使得所有樣本的輸入信號其均值接近于0或與其均方差相比很小。我們采用premnmx進行歸一化，premnmx函數用于將網絡的輸入數據或輸出數據進行歸一化，歸一化后的數據將分布在[-1,1]區間內，所以，輸出層的傳輸函數采用的是tansig。通過利用newff生成前饋BP網絡，設置它相關的一些訓練參數，此處設置誤差為0.001，通過訓練得到的照度與閾值的曲線如圖1所示，其中橫坐標為照度，縱坐標為閾值。

圖1　照度與閾值的函數關系

誤差曲線圖如圖2：

圖2　誤差曲線圖

5、結語

本文采用BP神經網絡訓練照度和二值化閾值，并擬合出了函數關系，誤差精度為0.001，可以滿足要求，從曲線可以看出，隨著照度的增加，二值化閾值不斷增大，但是，到了一定值后，二值化閾值不再增加，而是穩定在一個范圍內。

參考文獻

[1] 劉冰,郭海霞,MATLAB神經網絡超級學習手冊,MATLAB技術聯盟.

[2] 呂奎超,基DM6437的不同照度下閾值選取對車道偏離預警系統影響的研究.

[3] 周開利,康耀紅,神經網絡模型及其MATLAB仿真程序設計.

[4] (加)Simon Haykin,神經網絡與機器學習[M].北京:機械工業出版社,2011.3.

中圖分類號：U463.6

文獻標識碼：A

文章編號：1671-7988(2016)04-36-03

作者簡介：滕凱凱，就讀于長安大學汽車學院。

Research the relationship between threshold and illumination about lane departure warning system based on BP neural network

Teng Kaikai, Tong Qiuhong, Lv Kuichao
( Chang’an University, Shaanxi Xi’an 710064 )

Abstract:When the driver is not open turn signal and the vehicles running deviation from the original lane, lane departure warning system will send alarm signal to remind the driver to adjust the steering wheel, effectively reduce the number of traffic accidents.In order to determine the relationship between the illumination and the threshold value, we collected a large amount of data under different weather, then obtain the relationship between illumination and threshold by BP neural network.

Keywords:The BP neural network; Lane departure warning system; Threshold value and illumination