基于單目視覺的車道偏離預警算法研究

戴秋菊，陳賢富

(中國科學技術大學 信息科學技術學院，安徽 合肥 230027)

基于單目視覺的車道偏離預警算法研究

戴秋菊，陳賢富

(中國科學技術大學 信息科學技術學院，安徽 合肥 230027)

隨著科技的發展，智能交通已成為當前的研究熱點，自適應巡航是智能交通主要應用之一，而車道偏離預警在主動安全、自適應巡航中起著關鍵性的作用。因此，提出一種基于視頻的車道偏離預警算法。把檢測到的車道線的ROI分割為兩個子區域，兩個子區域分別應用霍夫變換尋找左右車道線。分割的方法可以提高車道線檢測的計算速度。綜合車輛駕駛狀態、駕駛環境等相關影響因素，基于混合高斯隱型馬爾科夫模型建立了駕駛人換道意圖識別模型，以提高駕駛員換道意圖辨別的準確率與靈敏度。

視覺;車道偏離;換道意圖識別;隱型馬爾科夫模型

0 引言

在高速公路上，由于車道偏離引起的交通事故在總交通事故數量中占了很大一部分比重。在科技不斷進步的今天，發展與應用駕駛員輔助系統(包括安全車距預警、車道偏離預警[1-2]、疲勞駕駛檢測、變道輔助系統、自適應巡航等)引起了高度的重視。

本文主要針對車道偏離預警展開研究，比較經典的預測車道偏離的方法有跨道時間(TLC)[3]與跨道距離(DLC) ，但這兩個方法都只考慮了車與路，誤警率、虛警率比較高，容易使駕駛員分心。

國內外學者在駕駛員意圖識別、換道行為等方面展開了一定的研究[4-5]，如模糊推理、神經網絡、認知模型、動態貝葉斯網絡等，但大多數是基于模擬器的仿真或采用不能描述隨時間變化的特征信號[6]，所以在真實駕車環境下誤警率及虛警率比較高，因此本文采用HMM模型并綜合考慮自車與周圍車輛的動力學關系，如橫向速度、偏向角、角速度等動力學特征，進行駕駛員駕駛意圖識別，進而降低車道偏離預警的虛警率。

1 興趣區域分割

1.1 興趣區域

圖1 ROI劃分

興趣區域的選擇是影響車道線檢測算法計算復雜度的關鍵因素，在車道線檢測的圖片當中只有40%左右的ROI是有效的車道線區域，車輛前部遮擋、天空、車道周邊環境占了大部分，如圖1所示。ROI的選取可以減少計算復雜度，提高算法的實時性，因此本文只針對ROI應用車道線檢測算法，并針對該區域計算出用于駕駛員換道意圖預測的特征參數。

通過將ROI區域(圖1)劃分為左、右兩個子區域，并且分別實施霍夫變換[7]，檢測左右車道線標記。如圖2所示，霍夫變換的中間點初始位于W/2(W是ROI區域的寬)，根據檢測到的左右標線邊界不斷的改變中間點(圖2中細實線)的位置。

圖2 車道線提取

1.2 車道線提取與跟蹤

車道線檢測是決定車道偏離預警算法實時性與魯棒性的關鍵因素之一。在近視端，車道線可近似為直線，因此本算法是基于上文所述ROI區域進行霍夫變換的，獲取車道線位置，并利用卡爾曼濾波器進行跟蹤。

圖3 系統流程圖

由于高速公路車道線分為4車道、6車道不等，因此本文假設視頻中車道線數目最多為12條，建立12組卡爾曼跟蹤模型。每個濾波器定義對應的計數向量，在跟蹤的過程中，如果檢測結果與預測輸出值匹配，將檢測結果作為濾波器的觀測值輸入，并將對應的計數位加1，反之輸出預測結果作為觀測值，并將計數自減1。設定一定閾值，當連續不匹配次數占對應濾波器總迭代次數的比率大于閾值，則重新跟蹤。算法流程圖如3所示。

2 混合高斯隱型馬爾科夫模型

駕駛員駕駛意圖是一系列不能直接觀察到的內部狀態，但是它可以通過觀察自車與周圍駕駛環境的相對狀態來推測，如橫向車速、轉向角、角速度、相對運動狀態等，而且此刻的狀態與前一刻狀態和采取的動作有關。隱形馬爾科夫鏈(HMM)[8]不僅可以描述隨著時間變化的觀察信號，還能推測駕駛員的駕駛意圖。

HMM是一個雙重隨機過程，其中之一是Markov鏈，它描述了狀態之間的轉移，另一個隨機過程描述狀態和觀測序列之間的統計關系，如圖4所示。

圖4 狀態轉移圖

本文選取的觀察值為連續信號，并將觀測矢量的PDF(概率分布函數)擬合稱為混合高斯概率密度函數，避免矢量化時信息丟失和減少誤差，因此本文選擇混合高斯隱型馬爾科夫鏈來識別駕駛員的駕駛意圖。

3 實驗結果

由于駕駛行為與一個時間序列的動力學狀態相關，因此本文還考慮將橫向車速、加速度、轉向角、角速度作為特征參數。駕駛狀態劃分為三類：保持、左偏和右偏。橫向速度由相鄰兩幀圖像獲取的橫向距離計算而來:

(1)

其中，T為相鄰幀時間間隔，do當前幀橫向偏移量，dpre為前一幀橫向偏移量。偏向角由極坐標下求得的theta獲得，同理可求得角速度和橫向加速度。駕駛行為是一個連續的過程，而且當前的狀態僅依賴于上一個狀態，基于以上所選的特征參數，每個意圖模型的隱含狀態參數為3個，高斯混合數為3個。其中觀測向量如式(2)所示，分別為橫向偏移do、橫向速度vo、加速度ao、偏向角thetao、角速度ωo。

(2)

特征變化曲線如圖5所示，第一列是車輛右偏時的變化曲線，第二列是車輛左偏時的變化曲線，橫坐標是用圖像幀表示的時間序列，縱坐標為特征幅值。可以看出不同駕駛行為特性向量的時間序列所呈現出動力學特性，例如右偏駕駛時，到右車道線的橫向距離逐漸減小，橫向速度、橫向加速度與角速度在一定范圍內波動，偏向角逐漸變大。

本文采用t=2 s、3 s、4 s、5 s作為時間窗(實驗驗證2 s時間窗效果最佳)，分別訓練意圖識別模型，包括：左偏離狀態模型(HMM-Left)、右偏離狀態模型(HMM-Right)、車道保持模型(HMM-Keep)。得到HMM-Left模型部分參數如下：

π=[0 1.0 0]T

(3)

圖5 特征變化曲線

(4)

(5)

類似可以得到另外兩個模型的參數。本文實驗選取測試時間序列長度為15幀，得到駕駛人換道意圖識別結果為樣本分別在3個模型中的最大log-likehood值，部分樣本測試結果分布如表1所示，20個車道保持樣本檢測正確率達到100%，左偏測試樣本檢測正確率85%，右偏測試樣本檢測正確率90%。

表1 樣本測試結果分布

據Daimler Benz調查顯示，如果能夠提前0.5 s發出危險警告，可以防止60%的碰撞，提前1.5 s可防止90%的碰撞危險，本算法可以提前2 s對駕駛偏離狀態發出警告，故本算法是可靠的。

4 結論

通過算法仿真結果表明，本算法對駕駛員駕駛行為辨別有較高的準確率，針對感興趣區域提取車道線，使得算法滿足實時性要求，采用基于馬爾科夫鏈模型的駕駛行為辨別模型，可以提前2 s發出危險警告，算法可靠性較強。

[1] 劉媛. 基于機器視覺的車道偏離預警系統關鍵算法研究[D].長沙：湖南大學,2013.

[2] 李克強,陳濤,羅禹貢,等. 智能環境友好型車輛——概念、體系結構及工程實現[J]. 汽車工程,2010(9):743-748，762.

[3] MAMMAR S, GLASER S, NETTO M. Time to line crossing for lane departure avoidance: A theoretical study and an experimental setting[J]. IEEE Transactions on Intelligent Transportation Systems, 2006,7(2): 226-241.

[4] GAIKWAD V, LOKHANDE S. Lane departure identification for advanced driver assistance[J]. IEEE Transactions on Intelligent Transportation Systems, 2015, 16(2): 910-918.

[5] 張磊,王建強,楊馥瑞,等. 駕駛員行為模式的因子分析和模糊聚類[J]. 交通運輸工程學報,2009,9(5):121-126.

[6] 劉軍,陶昌嶺,余節發，等.基于汽車主動安全的車載嵌入式平臺的研究[J].電子技術應用,2014,40(7):21-23,26.

[7] 劉富強,張姍姍,朱文紅,等. 一種基于視覺的車道線檢測與跟蹤算法[J]. 同濟大學學報(自然科學版),2010，38(2):223-229,306.

[8] RABINER L R. A tutorial on hidden Markov models and selected applications in speech recognition[J]. Proceedings of the IEEE, 1989, 77(2): 257-286.

Research oflane departure warning algorithm based on monocular vision

Dai Qiuju，Chen Xianfu

(School of Information Science and Technology, University of Science and Technology of China, Hefei 230027, China)

With the development of science and technology, intelligent transportation has become a current research hot spot. Adaptive cruise is one of the main applications of intelligent transportation, and lane departure warning plays a key role in active safety and adaptive cruise. This paper proposes a method of lane departure warning based on video. The ROI of the detected lane lines is divided into two sub regions. The two sub regions are applied to find the left and right lane line by using Hough transform respectively. The segmentation method can improve the speed of the lane detection. Considering vehicle driving condition, driving conditions and related influencing factors comprehensively, the paper established model for driver lane-changing intention recognition based on the Gaussian mixture hidden Markov models to improve the accuracy and sensitivity of the intention identification.

visual; lane departure; lane-changing intention recognition; hidden Markov model;

TP3

A

1674-7720(2016)04-0020-03

戴秋菊，陳賢富．基于單目視覺的車道偏離預警算法研究[J] .微型機與應用，2016，35(5)：20-22.

2015-10-29)

戴秋菊(1989-)，女, 碩士研究生, 主要研究方向：智能信息處理。

陳賢富(1963-),男,博士,副教授, 主要研究方向：復雜系統與計算智能。