基于滑動窗多項式擬合的車道檢測研究

康渴楠

摘? 要：識別前方車道并依此定位智能汽車在車道中的位置是安全輔助駕駛及自動駕駛中的關鍵技術。采用圖像識別技術可以有效地獲取車道線等地面非立體特征，本文詳細介紹了利用多閾值分割消除背景和基于逆透視變換的滑動窗多項式擬合提取車道特征。結果表明，基于滑動窗多項式擬合的方法可以有效快速的檢測車道線。

關鍵詞：智能汽車;車道檢測;滑動窗多項式擬合;機器視覺

中圖分類號：D580.2010? ? 文獻標識碼：A? ? ?文章編號：1005-2550（2019）02-0030-04

1? ? 前言

隨著近年來交通系統的不斷完善和發展，世界范圍內汽車保有量都在不斷增多，汽車整體速度也在不斷提高，伴隨著汽車帶給人們的出行便利，隨之而來的交通事故和問題也日益增多。每年因交通事故造成的人員傷亡和財產損失不斷增多且數量驚人，已成為各國尤其是我國這類人口大國面臨的重要社會問題。據調查，20%的交通事故是由于駕駛員注意力分散造成的。

因此，現代汽車逐漸開始配備各式各樣的駕駛輔助系統，如車道保持等。車道保持功能可以使車輛將自身的位置保持在車道線以內，這也是一些更高級的輔助駕駛系統的關鍵技術。由于車道線具有鮮明的導向作用且具有較為統一的特征，準確識別車道線又是車道保持技術中的關鍵技術。

基于計算機視覺的車道檢測是目前主流的解決方法，諸多方法中先是關于直線檢測的研究，如基于Hough變換的算法在光照、天氣條件良好的情況下對直線實現有效快速的檢測[1-3]。在對彎道檢測的研究中，多采用各種曲線進行擬合。文獻[4]和[5]使用 LMedSquare曲線進行彎曲車道線檢測，此方法在擬合時數據點要求多，計算量大。文獻[6]以二次曲線為模型，通過計算多條候選拋物線經過的像素區域各子塊灰度均值及子塊間灰度方差，并以此作為圖像特征構造合理的目標函數，運用蟻群算法優化拋物線參數，識別道路邊緣，此方法在擬合時需要蟻群算法對多條候選二次曲線的參數進行多次迭代，計算量較大且需要質量較好的二值圖作為輸入。本文以拋物線為回歸曲線，采用滑動窗在鳥瞰變換圖底部車道特征點處沿車道線自下往上迭代滑動的方式識別出離散的坐標點。實驗平臺采用英偉達嵌入式超級電腦開發套件Nvidia Jetson TK1實現圖像的實時處理。

2? ? 檢測算法概述

算法實現在經過標定的相機的基礎上，如圖1所示首先由裝在汽車前擋風玻璃上的攝像頭拍攝畫面并傳至計算平臺，通過OpenCV以三維矩陣的數據格式讀入圖像，并通過特征圖匹配的方法矯正圖像因相機參數引起的畸變。將圖像矩陣依次經過顏色閾值分割、sobel算子分割后合成為一張二值圖，其中顏色分割使用多種顏色空間以應對車道線的不同顏色，又分為全局顏色變化梯度分割、hls顏色空間分割、luv顏色空間分割、lab顏色空間分割。閾值分割后的二值圖經過透視變換獲得鳥瞰圖，通過滑動窗法獲得一系列離散的有效像素坐標點，從而將車道線擬合成二次多項式。

4? ? 滑窗檢測

在滑窗檢測中，首先需要歷遍逆透視變換圖中像素值不為零的所有像素點的坐標并存入數組中。

其次，確定基點坐標。本文使用逆透視圖像下半部分的像素在x軸上的分布作為尋找依據。對于圖4的像素分布統計如圖5所示，在左右車道附近出現兩個明顯尖峰，以其尖峰的橫坐標作為滑動窗檢測的起始左右基點。

圖6展示了滑動窗檢測的基本流程，首先設置必要的初始化參數，包括滑窗的迭代個數并依此計算窗高、初始基點坐標、窗寬基數和建立存儲數組等。在程序迭代循環中，對窗內像素進行歷遍并記錄非零像素值的坐標，對于窗內有效像素個數小于預設最小值時，以窗寬基數為單位遞增窗寬直到滿足最小像素個數為止。以滑動窗內有效像素橫坐標的平均值作為下一個滑動窗的基點坐標，依次迭代檢測直至滿足循環數。循環結束后，以二次曲線作為擬合目標曲線，使用最小二乘法進行擬合。對圖4采用滑動窗個數為9的檢測結果如圖7所示，黃色標出有效像素、紅線為左側車道擬合曲線，藍線為右側車道擬合曲線，綠色矩形框則標出了所有滑動窗的邊界。

所得車道擬合曲線的坐標關系為逆透視變換圖中的坐標關系，因此，需利用逆變換矩陣將曲線還原到原始圖像上。其效果圖如圖8所示，綠色區域為車道線范圍。

5? ? 結論

本文提出一種基于滑動窗檢測的車道線檢測算法。首先需要對攝像機采集到的彩色原始圖像進行畸變矯正并得到相機參數，對圖像進行灰度處理。其次采用多閾值過濾處理得到二值圖，并對二值圖進行逆透視變換。在變換圖上進行滑動窗檢測，提取車道信息生成擬合曲線。滑動窗檢測的有點在于重點關注窗內有效像素，與全圖歷遍相比加快了計算速度提高了車道檢測的實時性，且在嵌入式計算平臺上的檢測結果令人滿意。

參考文獻：

[1]He Peng，Gao Feng. Study on Lane Detection Based on Computer Vision [J]. Advanced Materials Research， 2013（765-767）：2229-2232.

[2]Jiang Yan，Gao Feng，Xu Guoyan. Computer Vision Based Multiple-Lane Detection on Straight Road and in a Curve [C]// IEEE International Conference on Image Analysis and Signal Processing， 2010.

[3]Jiang Yan，Gao Feng，Xu Guoyan.Self-Calibrated Multiple-Lane Detection System [C]. IEEE Position Location and Navigation Symposium，2010.

[4]管欣，董因平，高振海.基于 LMedSquare 的車道曲線擬合算法[J].吉林大學學報（工學版），2004，34（2）：194-197.

[5]季聰.基于雙目視覺的智能車輛路徑識別方法研究 [D].蘭州：蘭州交通大學，2013：37-38.

[6]馬雷，武波濤，王連東.彎曲道路識別方法與目標函數選取的研究 [J].汽車工程，2008（7）：561-565.

[7 ]袁啟平，宋金澤，吳濤.基于逆透視投影變換的圖像拼接方[J].微計算機信息，2010： （26）：208-209.