一種基于機器學習的ADAS車道類型判別方法

郭劍鷹，鄭 艷

（華域汽車系統股份有限公司，上海 200434）

一種基于機器學習的ADAS車道類型判別方法

郭劍鷹，鄭 艷

（華域汽車系統股份有限公司，上海 200434）

高級汽車輔助駕駛系統（Advanced Driving Assistance System，ADAS）是利用安裝在車上的各種傳感器，在汽車行駛過程中隨時感應周圍的環境，收集數據，進行系統的運算與分析，有效增強汽車駕駛的舒適性和安全性。ADAS最重要的功能包括LDW、FCW、BSD、 PD、TSR等。目前，應用最廣泛的傳感器是雷達和攝像頭。用單目攝像頭進行車道線的識別目前已經有很多解決方案，但是還需要有效的車道線類型的檢測方法為自動駕駛過程中的變道決策提供依據。本文提出一種基于機器學習的判斷車道線類型的方法，利用車道線相鄰區域的直方圖特征，有效地解決了車道線類型的判別問題，實驗數據表明此方法能夠獲得99.99%的正確識別率。

ADAS；攝像頭傳感器；車道線判別；車道類型判別

圖1是一個車道偏離告警的結構框圖。

圖1 車道偏離告警框圖

在圖1中，攝像頭標定模塊根據攝像頭的內參和外參，得到圖像坐標和世界坐標之間的轉換關系，并根據車道線在世界坐標下的特征，結合輸入圖像，提取車道線的特征點。把車道線特征點進行擬合和跟蹤，可以得到車道線在世界坐標下的表達方程，并據此進行車道線偏離判斷。同時，再根據得到的車道線方程，映射到圖像坐標系下，判斷當前的車道線是實線還是虛線，為自動駕駛提供變道的決策依據。

1 圖像坐標和世界坐標之間的轉換關系

圖2 圖像坐標和世界坐標之間的關系示意圖

如圖2所示，（u，v） 為圖像坐標系， （x，y）為像平面坐標系，（Xc，Yc，Zc）為成像坐標系，（Xw，Yw，Zw）為項目中所用到的世界坐標系。

在式（1）中，dx、dy表示感光芯片上對應1個像素的實際感光點的物理尺寸（單位為長度單位），u0、v0是圖像平面中心相對左上角原點偏移的像素個數。

式（2）由透視投影模型（圖3）得到。

圖3 透視成像模型

攝像機坐標系和世界坐標系之間的關系如式（3）所示，其外參矩陣由旋轉矩陣R和平移向量T組成，R矩陣和攝像頭的俯仰角、橫擺角和旋轉角相關。

由式（1）～（3），得到圖像坐標和世界坐標之間的關系，如圖4所示。

圖4 圖像坐標系和世界坐標系之間的關系

2 車道線模型

根據圖像坐標到世界坐標的映射關系，可以為車道線建立一個世界坐標系下的模型，如圖5所示。

圖5 圖像與透視圖

根據圖5c， 為左右2條車道線設計了車道線函數，分別為

在式（4）和（5）中，x 為距離車頭前方的距離。從圖2中可以看出，在圖像坐標系中，距離攝像頭（車頭）越遠，車道線的特征點越不明顯，因此，本文中的實驗僅采用距離車頭80 m范圍內的車道線進行特征判斷， 即式（4）和（5）中 x 取值最大不超過80。

3 車道線區域直方圖

3.1 車道線的區域定義

式（4）和（5）是擬合跟蹤后的車道線方程，根據這2個方程，可以選取不同的點（Xw，Yw），其中Xw＜80， 這些點被映射到如圖5所示的圖像坐標系中，用（u，v）來表征，（u，v）成為“車道線關鍵點”，如圖6所示。對于左側車道而言，關鍵點左邊的未越過外側車道線的區域被成為內部區域，其右邊區域被成為外部區域；對于右側車道而言，關鍵點右邊的未越過外側車道線的區域被成為內部區域，其左邊區域被成為外部區域。

3.2 車道線關鍵點的選取

圖6 車道線關鍵點的選取示意圖

由于車道線離攝像頭越近，特征點的可靠性越高，本文采取以下策略選取特征點（Xw，Yw）和對應的實時場景和典型的直方圖。的（u，v）值。即，當（u，v）值對應的世界坐標在車頭20 m之內，每隔0.3 m選取一個關鍵點；當（u，v）對應的世界坐標在車頭50 m之內時，每隔1 m選取一個關鍵點，其余情況每隔10 m選取一個關鍵點。偽代碼表示如下所示。其中f（Wx）根據左車道或右車道，分別選取函數（4）或（5）。

for （Wx = 0.0； Wx ＜ 80.0 && num＜MAX_NUM； ）

{ Wy = f（Wx）；

WorldToImage（Wx，Wy， &u， &v）；

if （Wx ＜ 20.0） Wx += 0.3；

else if （Wx ＜ 50.0） Wx += 1；

else Wx += 10；

}

3.3 車道線區域直方圖

以左側車道線關鍵點為例，對于每一個車道線的關鍵點，選取其左側的M個點，將像素值統計進入左側車道內部區域直方圖；同時選取其右側的M個點，將像素值統計進入左側車道外部區域直方圖。

右側車道直方圖的建立類似。

圖7和圖8分別是左實線右虛線和左虛線右實線時

圖7 左實線右虛線的場景和對應區域直方圖

圖8 左虛線右實線時的實時場景和對應區域直方圖

4 機器學習在車道線判別的應用

4.1 機器學習概述

機器學習是研究如何使用機器來模擬人類學習活動的一門學科，通過經驗自動改進的計算機算法的研究。機器學習使用數據或者以往的經驗，以優化計算機程序的性能標準，從而在目標識別領域得到充分運用。

Adaboost是一種典型的機器學習迭代算法，其核心思想是針對同一個訓練集訓練不同的弱分類器，在前一個基本分類器分錯的樣本會得到加強，加權的全體樣本再次用來訓練下一個基本分類器；同時，在每一輪中加入一個新的弱分類器，直到到達某個預訂的足夠小的錯誤率，或達到預先指定的最大迭代次數，然后把這些弱分類器集合起來，構成一個強分類器。

4.2 車道線直方圖特征

圖7和圖8表征了車道線內部區域和外部區域的圖像直方圖。

理論上，1條直線車道的內部區域和外部區域直方圖，應該只有1個峰值，而且峰值出現的位置不同。由于內部區域是車道線，像素平均亮度高于地面部分像素平均亮度，因此，內部區域的峰值是大于外部區域的。

1條虛線車道的內部區域，應該有2個峰值，分別出現在車道線出現部分的像素平均值和車道線間斷部分地面像素的平均亮度；外部區域直方圖應該只有1個峰值，出現在地面部分像素平均亮度位置。根據以上分析，本文選取每條車道線內

部和外部直方圖的以下特征值組成訓練數據集合：①內部區域直方圖的峰值個數及分布范圍；②內部區域直方圖的HOG特征；③外部區域直方圖的峰值個數及分布范圍；④外部區域直方圖的HOG特征；⑤外部區域直方圖與內部區域直方圖峰值的位置關系。

4.3 車道線類型判別濾波器

由于攝像頭本身或安裝過程會引入圖像噪聲，且車道線會受到天氣或者時間影響導致車道線的特征點會受到影響，本文中加入了卡爾曼濾波器對判斷結果進行濾波，從而提高系統的魯棒性。

4.4 車道線類型判別結構框圖

車道線類型判別結構框圖如圖9所示。

圖9 車道線類型判別結構框圖

在Adaboost算法訓練過程中，設定最大迭代次數為100次，納入的車道線實線樣本和虛線樣本分別為10 000張，生成的分類器檢測了2小時21.6 萬張圖片，正確判別率達99.99%，能夠滿足實際判別需求。

5 結論

車道線識別是ADAS的重要組成部分，而車道線類型的判別可以直接為自動駕駛決策提供依據。本文在對車道線進行識別的基礎上，根據車道線方程在圖像坐標中的反映射，找到車道線內側區域和外側區域的像素點，建立直方圖，根據直方圖的特征，使用同一個攝像頭獲取的實線和虛線樣本，利用Adaboost算法設計分類器。實驗結果表明，此方法能夠獲得99.99%的車道線類型識別，能夠充分滿足實際需求。

The Lane Type Identification Method of ADAS Based on Machine Learning

GUO Jian-ying， ZHENG Yan
（Huayu Aotomotive System Co.， Ltd.， Shanghai 200434， China）

The advanced driving assistance system （ADAS） uses sensors to collect environment data during driving process， and then conducts analysis to effectively increase the driving comfortability and security. Main functions of ADAS includes LDW， FCW， BSD， PD， TSR， etc. Currently， the most widely used sensors are radars and cameras. There are already many solutions to recognize road line using monocular camera， but effective method to identify the lane type is still needed to help decision-making for automatic driving. This article proposes a lane type identifying method based on machine learning， which uses histogram characteristics of neighboring lane area to effectively recognize lane type. Test data indicates that this method can achieve an accuracy of 99.99%.

ADAS； camera sensor； road line recognizatoin； lane identification

U463.6

A

1003-8639（2017）12-0022-03

2017-09-19；

2017-10-26

郭劍鷹（1973-），男，高級工程師，博士，長期從事計算機輔助制造、機器人及自動化、汽車電子產品開發、規劃及管理工作；鄭艷（1979-），女，博士，長期從事于國際視頻解碼標準、圖像處理、模式識別、高級汽車輔助駕駛系統算法方向的研究。

（編輯 凌 波）