基于毫米波雷達的彎曲路段車道辨識算法

摘 要：針對彎道路段毫米類雷達無法辨識車輛車道關系問題，考慮高速公路施工區防闖入預警需求，利用毫米波雷達在實際彎道路段采集了大量車輛通行數據。通過分析雷達數據與道路的匹配關系，提出了一種車道辨識算法，并利用真實數據對算法進行了驗證。結果表明，所提出的驗證算法能準確區分辨識車輛的車道關系，對于施工區防闖入預警能提供準確的數據支撐。

關鍵詞：毫米波雷達；彎道路段；車道關系；辨識模型

中圖分類號：U27 " " " " " " " " " " " " " " " " 文獻標識碼：A " " " " " " " " " " " " " " " " " " " " 文章編號：2096-6903（2022）10-0098-03

0 引言

高速公路彎道是交通事故的多發地段，由交通運輸部統計數據可知，每年彎道路段發生的交通事故數占總交通事故數的10%左右。同時，高速公路彎道路段發生交通事故所造成的人員傷亡與經濟損失也比較嚴重[1]。此外，由于高速公路出現小面積的損傷等原因，需要對該段路面進行臨時施工，當施工路段在彎道時，部分駕駛人不能及時注意到臨時施工區，會導致交通事故的發生。因此識別彎曲道路車段，對于降低交通事故發生具有重要意義。

目前彎道識別算法主要包括2類，即基于模型匹配的彎道識別算法和基于特征點的彎道識別算法。基于模型匹配的彎道識別算法的步驟是首先建立車道模型，然后提取車道的像素點，最后根據車道模型來擬合車道線，從而達到彎道識別的目的。基于特征點的彎道識別算法不需要建立車道模型，它通過提取車道線的幾何特征來獲得車道線，具有較好的實用性。

胡延平等提出了一種基于卡方統計的彎道識別算法。該算法從機器視覺出發，對圖像傳感器采集的道路圖像進行預處理，包括感興趣區域劃分、高斯濾波和邊緣檢測，篩選滿足車道邊緣特征的像素點，并提取車道線中點。再設置動態的感興趣區域，得到兩邊車道像素點中心位置與車道線中心線的關聯性概率函數，最后利用關聯性概率函數和對稱性來識別彎道[2]。王偉采用Hough變換提取高速公路彎道線特征點，通過特征點彎道識別算法實現對不同形狀車道線彎道方向的識別[3]。Dorj， B提出了一種基于卡爾曼濾波的前沿曲線車道檢測算法[4]。它在卡爾曼濾波器中使用拋物線方程和圓方程模型來估計曲線車道的參數[5]。本文采用毫米波雷達采集彎道車輛運動數據信息，得到每個車道的線性差值模型，識別彎曲路段車道。

1 問題描述

在高速公路施工區路段，道路狀況發生變化，而駕駛人由于分心或疲勞等原因，未能及時做出正確有效的駕駛操作而闖入施工區。此時若施工人員沒有得到預警信息，極可能造成施工人員生命財產損失。可以通過施工區防闖入智能預警設備，在車輛有較大概率闖入施工區時，及時對施工人員進行預警。

該設備用毫米波雷達采集數據，根據相應的算法，能夠對直線路段車輛有闖入風險時進行預警，但該設備對于彎道路段無法及時準確地進行預警，主要原因是毫米波雷達測到的距離是直線距離，并且在彎道無法識別車輛所在車道。針對這個問題，需要根據相應的算法，基于毫米波雷達采集的數據，分析得到彎曲路段車道中心線，識別出車輛所在車道，再將車道微元化，得到車輛到施工區防闖入智能預警設備的彎道距離，就可以對高速公路彎道臨時施工區的人員預警，并能夠及時對駕駛人進行預警，避免車輛闖入彎道段施工車道，降低了高速公路過往車輛闖入彎道段施工區發生交通事故的概率，保障了施工人員的安全。

2 彎曲路段車道識別算法

如圖1所示，在確定彎道車道中心線時，將毫米波雷達放置在施工區前方采集彎道車輛數據，由于毫米波雷達所測角度范圍為±10°時，測距為175 m，所以當彎道曲率半徑小于525 m時，為了確保毫米波雷達能夠采集到更遠處的車輛行駛信息以獲取車道中心線，雷達探測方向應適當偏向彎道內側，如圖1紅色虛線所示。當車輛距離毫米波雷達較近時，比如30 m，可以近似該路段為直線段，可以確定出車輛所在的車道，在該位置換道的車輛軌跡直接作為無效軌跡丟掉。對于其他屬于同一車道的車輛軌跡，按照到雷達的距離，以5 m為一個道路微元，將車輛運動軌跡離散化到對應每個道路微元中。統計車輛在每個道路微元的x、y坐標的均值，將該坐標均值作為初始車道中心線，例如有n輛有效軌跡車輛經過該道路微元，則該單元的x、y坐標的均值分別為 " " " " " ， " " " " " 。當車輛較多時，采集大約10 min的車輛運動軌跡，用以統計分析初步得到初始彎道車道中心線。

剔除換道車輛軌跡采用線性插值的方法。設定參數kc，用于根據測到的車輛軌跡數據判定車輛是否存在換道行為，可取kc=3。確定一個車輛在該車道x坐標下的y的插值以及y坐標下的x的插值，根據插值軌跡與該車輛所在車道微元中心線的橫向距離，判斷車輛是否偏離軌跡。插值軌跡中，如果有kc個以上的插值與車輛所在車道微元中心線的橫向距離Ls＞3 m，判定該車輛有換道行為，剔除其軌跡。經剔除換道車輛的軌跡后，得到有效車輛軌跡。

計算有效車輛軌跡在各自車道中每個車道微元的坐標均值（ " " " " " ， " " " " " ），其中，（xj，yj）為一個車道微元中車輛軌跡坐標，n為一個車道微元中的車輛軌跡坐標個數，將每個車道中所有坐標均值依次連接作為車道中心線。確定彎道車道中心線的線性插值模型為：

yi=fyi（x）

xi=fxi（y）xi

其中，（x，y）是行駛車輛的坐標，i是車道的序號；xi和yi為車道中心線的線性差值模型的坐標。

確定了彎道車道中心線的線性插值模型后，用毫米波雷達實時獲取當前車輛坐標：

y=d*cos（θ）

x=d*sin（θ）

其中，（x，y）是監測到的路上行駛車輛的坐標，d為毫米波雷達到當前車輛的相對距離，θ為毫米波雷達測到的相對角度，即車輛與毫米波雷達的連線與毫米波雷達放置方向的夾角。

將當前車輛的坐標（x，y）分別代入每個車道中心線的線性插值模型中，得到i組坐標（x，yi）和（xi，y）；一組（x，yi）和（xi，y）確定的直線到（x，y）的距離記為di，最小的di對應的車道為i第車道，即第車道為當前車輛所在車道，于是可以識別出車輛在彎曲道路所在的車道。其中彎曲路段車道識別算法流程圖如圖2所示。

車輛到毫米波雷達的彎道距離，計算方式如下：在施工區車道中，若毫米波雷達所在的車道微元為第q個車道微元，車輛所在的車道微元為第p個車道微元，則車輛到毫米波雷達的彎道距離近似為L=K/2+（p-q）×K。其中K為車道微元的長度。

3 道路試驗及分析

在西安市二環內某彎道處，利用毫米波雷達采集彎道處車輛運動信息，該路段為單向雙車道，根據前面所述算法，使用matlab仿真軟件進行仿真實驗，剔除換道車輛軌跡，然后迭代修正，可以得到車道彎道中心線，如圖3所示。

從圖3可以看出，利用該算法可以得到90 m范圍以內的車道中心線，在90 m以外所得到的車道中心線不夠準確。主要原因是在城市道路上采集的數據，路況比較復雜，與高速公路相比，受城市復雜環境的影響，所采集的數據不夠精確，由于部分建筑物以及道路設施的遮擋，在90 m以外采集的數據有較大的誤差。但從前90 m得到的車道中心線可以分析得出，該算法可以準確得到彎曲路段的車道中心線，再根據車道寬度可以確定每個車道區域。當車輛行駛在彎道時，可以識別出車輛所在的車道。

4 結語

本文提出了基于毫米波雷達的彎曲路段車道識別算法，并做了道路實驗，通過實驗可以發現該算法能夠得到彎曲路段車道中心線，識別彎曲路段車道，但當彎曲路段受到道路設施或者地形的影響，無法收集大量準確的車輛運動信息時，該算法會受到影響，得到車道中心線以及識別車道時，會有一定的誤差，這是該算法的不足之處。而在可以準確地采集大量彎曲道路車輛運動信息的路段，該算法完全可以識別出車道。

在對高速公路損傷路面進行臨時施工，當施工路段在彎道時，部分駕駛人不能及時注意到臨時施工區，會導致交通事故的發生。因此識別彎曲路段車道，對于降低交通事故發生具有重要意義。基于毫米波雷達的彎曲路段車道識別算法可以先采集彎道車輛運動信息，分析得到彎曲路段每個車道的車道中心線，確定每個車道中心線的線性插值模型，再實時采集彎曲路段車輛運行信息，將實時獲取的車輛坐標帶入線性插值模型，可以識別出車輛所在車道，對彎曲路段臨時施工區車輛及施工人員進行預警，預防事故發生，減少人身傷亡與財產損失。

參考文獻

[1] 劉濤，黃席樾，周欣，等.高速公路彎道識別算法[J].重慶大學學報（自然科學版），2003（7）：24-27.

[2] 胡延平，王乃漢，魏振亞，等.一種基于卡方統計的彎道識別算法[J].汽車工程學報，2018，8（6）：446-452.

[3] 王偉.一種基于特征點的高速公路彎道識別算法研究[J].長春工程學院學報（自然科學版），2020，21（3）：105-107+113.

[4] 韓浩，王舜燕.基于混合貝塞爾曲線模型的車道檢測算法[J].計算機工程與設計，2018，39（3）：732-737.

[5] Dorj， B. ，S. Hossain，and "D. J. Lee.Highly Curved Lane Detection Algorithms Based on Kalman Filter[J].Applied Sciences，2020，10（7）：2372.