英语原文共 19 页，剩余内容已隐藏，支付完成后下载完整资料
基于逆透视变换和卡尔曼滤波的车道检测
摘要：提出了一种新的基于逆向透视变换和卡尔曼滤波的车道检测算法。摘要提出了一种简单的反透视变换方法。效果和生成一个顶视图图像。该方法不需要获取摄像机的内外参数。用高斯核函数将图像卷积到高。对车道线点亮，然后采用迭代阈值法对图像进行分割。将搜索方法应用于由逆透视变换到d的上视图图像中。远距离的车道点和他们的位置。结合特征投票机制，将检测到的车道点拟合成一条直线。然后应用卡尔曼滤波对l进行优化和跟踪。提高了检测的鲁棒性。实验结果表明，该方法在各种路面条件下均能很好地满足实时性要求。
本文提出了一种基于逆透视变换和卡尔曼滤波的车道检测算法。一种简单的反向透视变换方法来消除透视效应并生成顶视图图像。该方法不需要获取摄像机的内部和外部参数。用高斯核函数对图像进行卷积以突出显示车道线，然后使用迭代阈值方法对图像进行分割，再从逆透视变换获得的顶视图图像中应用搜索方法以确定车道点及其位置。结合功能投票机制，将检测到的车道点拟合为一条直线，最后用卡尔曼滤波来优化和跟踪车道线并提高检测鲁棒性。实验结果表明，该方法在各种道路条件下均能正常工作，满足实时性要求。
关键词：车道检测；逆透视变换；特征提取；卡尔曼滤波；直线拟合
- 介绍
近年来，先进的驾驶员辅助系统(ADAS)引起了研究者的广泛关注。ADAS能有效地辅助驾驶员，减少交通事故的发生。车道检测和跟踪是自动驾驶车辆和ADAS应用的关键技术，如车道偏离警告、车道变换辅助。车道提取的任务是将图像中的车道与背景分开。
现有的车道检测方法可分为两类：基于特征的方法和模型拟合方法。.基于特征的方法通过分析图像的低级特征来提取通道。已经提出了几种基于特征的方法。Yang等人[1]提出了一种基于改进Hough变换的车道检测方法。他们应用极角约束来定位车道的位置，然后使用感兴趣的动态区域来跟踪车道线。Chen等人[2]提出了一种基于成像模型的线扫描方法来消除非车道道路标记的中断。在提取边缘点之后计算边缘贡献函数的局部最大值，然后将车道线拟合成直线。Yi等人[3]首先利用图像梯度提取有效边缘，然后对有效特征点进行聚类，再将有效特征点分类为车道线。Gao等人[4]采用霍夫变换来提取图像中的线条特征，然后使用提取线的方向和强度信息来确定车道标记。在[5]中，作者利用时空图像来确定车道点，并将检测到的车道点拟合成三次曲线。Lindner等人[6]利用多级特征来确定几何特征作为进一步分类的真实和假的车道标记点之间的区别。在文献[7]中，作者采用卡尔曼滤波器跟踪由霍夫变换检测到的车道线，并通过识别消失点，左标记点和右标记点来进行卡尔曼滤波器的测量更新。基于特征的方法可能受到诸如照明，车道破损，树荫和道路标记等因素的影响。Aly[8]提出了一种在城市场景中检测车道标记的实时方法。该方法生成了道路的俯视图像，并采用RANSAC线拟合方法给出拟合B样条曲线的初始估计。Yoo等人[9]提出了基于消失点估计的车道检测方法。通过消失点的线段位于。根据几何约束选择车道的候选线段，并使用得分函数确定主车道。Mammeri等人[10]采用最大稳定极值区域法进行三阶段细化以确定车道线区域。然后，采用渐进概率霍夫变换来检测车道标记。
模式拟合方法采用预定义的曲线模型(如线条模型或抛物线模型)来匹配图像内的线条特征，因此车道检测问题成为计算模型参数的过程。参考文献[11,12]提出了一种利用广义曲线参数模型来拟合车道线的方法。自适应随机Hough变换(ARHT)和禁忌搜索算法被用来计算车道模型中的参数。在[13]中，使用B蛇道模型将车道检测问题转换为寻找确定样条曲线的控制点的问题。作为一种改进，Li等人[14]提出了一种结合卡尔曼滤波的并行蛇形模型，实现了更稳健、更精确的车道检测和跟踪。Zhou等人[15]提出了一种可变形的模板模型来匹配车道边界，并利用最大后验概率的禁忌搜索算法对该模型的参数进行了估计。他们还使用粒子滤波器来递归估计车道的形状。Zhou等人[16]使用线的主方向和边缘方向来估计拟合模型的参数，并且使用高波滤波器来进一步选择最佳车道标记参数。在[17]中，提出了基于双曲线对车道边界模型的车道检测算法。通过将对路面边界上的点拟合到该模型中，该方法能够充分利用存在部分遮挡的道路边界。在[18]中，最初使用线性抛物线车道模型检测车道边界，使用梯度的局部最大值-最小值对作为线索来识别车道标线，并且基于高斯混合物的贝叶斯分类器被用于对车道标记。在[19]中，车道线假定为三次曲线，并使用ransac算法进行拟合。基于模型的方法有益于检测弯曲车道线，但需要复杂的算法来确定模型参数。
在[20]中，基于机器学习的方法已被提出用于车道检测。将提取的明亮形状的结构和统计特征应用于神经网络以找到正确的车道标记。在[21]中，卷积神经网络在图像增强和车道检测方面表现出优越的性能。
本文提出了一种新颖简单的线路拟合方法，利用道路特征点提取车道线。该处理是在从逆透视变换获得的俯视图像上进行的，然后使用卡尔曼滤波器来追踪车道以确保检测鲁棒性。该方法的框架如图1所示。
图1 所提出的方法的框架
2.图像预处理
2.1获取感兴趣区域(ROI)
由汽车摄像头获得的图像包含大的非道路区域，例如天空，路边的树木等。图像的全局处理将增加计算复杂度并降低实时性能。此外，无效区域会干扰车道信息并影响检测精度。因此，应选择图像内的有效区域以消除无效信息。图2红色框中显示的区域是用于车道检测的感兴趣区域(ROI)，根据摄像机安装情况，该区域到达消失点并占据图像底部大约一半的区域。在某些情况下，装备好的汽车的前罩已被捕获在图像的底部，ROI必须移除包含前罩的底部区域。
图2 感兴趣区域
2.2反透视变换
由于成像透视效应，图2中的车道呈现为两条非平行线。反向透视变换是消除透视效应并产生与实际情况一致的顶视图图像。在得到的顶视图图像中，车道线是垂直的并且彼此平行，这有助于后续算法中的识别。
严格的反向透视变换需要诸如相机安装的倾斜角度和高度，相机孔径大小和其他物理量的知识。在这项工作中，使用简单的梯形变换来生成顶视图图像。图2中的ROI(矩形区域)应在转换后转换为倒梯形。逆向透视变换简化为将矩形转换为倒梯形的过程。令(u，v)表示ROI坐标系，(x，y)表示变换后的俯视图坐标系，映射关系可表示为：
P = QM (1)
其中，P = [x′,y′,w′] 是ROI中图像点的齐次坐标是齐次变换后的顶视图坐标系中的图像点坐标。是从矩形到倒梯形的变换矩阵。
矩阵运算给出：
等式(2)表明可以通过定位ROI坐标系和顶视图坐标系之间的四个对应点来求解变换矩阵M.
实际上，ROI图像中的点A，B，C和D以及如图3所示的变换图像中的点A，E，F，D被选择为用于确定矩阵的变换之间的对应点M。从该变换获得的俯视图图像如图4所示。从图中可以看出，变换后的俯视图像显示为倒梯形，并且车道线呈现为平行和垂直(或接近平行和垂直)。
图3 反透视变换之间的对应点
图4 由反透视变换得到的俯视图图像
2.3车道增强
为了突出车道线，削弱周边无关区域，采用二维高斯核函数对图像进行卷积，表达式如下：
方程(3)是水平方向上的高斯核响应函数，方程(4)是垂直方向上的高斯核响应函数。水平核是高斯的二阶导数，其sigma;x根据车道的宽度(在顶视图图像中设置为相当于8cm)进行调整。垂直核是平滑高斯，其sigma;y根据车道段的高度进行调整(在顶视图中设置为相当于1米)。使用这个可分离的内核允许有效的实现，并且比使用不可分离的内核要快得多。
图5显示了高斯卷积的结果。左图像是用于图像卷积的2D高斯内核。可以看出，车道标记得到增强，周围区域变弱，并且垂直响应被拉伸。
图5 车道增强
2.4图像二值化
为了区分车道线和背景线，根据图像像素的灰度值，对图像进行二值化。图像二值化的关键是如何选择阈值。因为光照不同，所以在不同的道路场景下，用固定的阈值来区分车道线和背景是不可能的。在本工作中，采用迭代方法确定最优阈值来提取车道线。最优阈值能够适应不同的光照条件。
根据阈值Thk(k = 0,1,...n)，将图像分为A和B两个区域，并计算两个区域灰度值的平均值，如下：
其中sum;1 表示灰度值大于或等于阈值Thk的像素的数量，并且sum;1 表示灰度值小于阈
g(i,j)ge;Thk g(i,j)lt;Thk
值Thk的像素的数量。sum;g(i,j)为灰度值大于或等于阈值Thk的像素的灰度值之和，sum;g(i,j)
g(i,j)ge;Thk g(i,j)lt;Thk
表示灰度值小于阈值Thk。
因此，计算新的阈值方法如下：
重复上述步骤，直到Thk =Thk 1为止，最终的阈值为最佳阈值。起始阈值设置为：
其中，gmax和gmin分别是原始图像中的最大灰度值和最小灰度值。二值化图像如图6所示。
图6 图像二值化
3.车道检测算法
3.1车道特征的提取
在从反向透视变换获得的顶视图图像中，车道线成为垂直并且与其实际状态平行。以下搜索方法用于确定车道线的位置。
步骤1：在二值化图像中，从图像中心开始搜索左侧和右侧的车道点，对每列灰色值不为零的点进行计数。结果，这些点被记录为函数f(X)的横坐标x的数量。
第2步：f(X)将是一个垂直线上的极值。然而，由于车道线具有一定的宽度并且不是完美的垂直线，所以车道线可以被识别为多条直线。也就是说，车道宽度范围内有多个极端点。在f(X)上应用高斯滤波器以合并紧密位于的极点。
步骤3：高斯滤波器不能合并某些极值点，因为它们相距很远。设置邻域alpha;并通过以下处理将这些极值点合并到alpha;内。假设在x1和x2处发现两个极值点，则极值点的组合横坐标计算如下：
将组合的横坐标计算为两个极值点的加权平均值，其中f(x)为权重。合并极值的位置更偏向f(x)值较大的点。
通过这种处理，每条车道线将被确定为一个单一的极值。它们被存储在一个数组H中，并按降序排列。极值点的反应如图7所示。
图7 个别车道的极值点响应
3.2直线拟合
H中的每个元素表示对应于一条车道线的极值点。每个车道线可根据其极值点通过以下步骤进行拟合：
步骤1：对于数组H中的每个x，选择xminus;blt;xB1lt;xb和xminus;blt;xblt;xb的点P1(xb1，0)和P2(xb2，h)，其中b是车道线宽度内的像素数，h是车道线的高度。连接p1和p2会生成一条线。
步骤2：将步骤1阵列H中的每个x总共生成(2b - 1)2条直线。
步骤3：以轮询得分最高的线路作为车道线。
步骤4：重复上述3步，获得图像中的所有车道线。
这个过程将使阵列H中的每个元素x产生一条直线。为了获得当前车辆的左右车道线，假定车辆在两条线的中间行驶，并且车道中间的干涉信息通过车道间隔约束被去除，例如作为行人线，以及车道外的其他直线。
4.车道跟踪算法
车道线路，道路表面污点，阴影和其他车辆的干扰可能导致在一帧或几帧内发生漏检。为了在车道未被识别的情况下预测车道位置，使用卡尔曼滤波器来跟踪车道。车道追踪机制可以大大减少各种因素对图像的干扰，提高检测的鲁棒性和速度。
4.1基于卡尔曼滤波的车道跟踪
卡尔曼滤波是一种高效的自回归滤波器。它可以根据测量值对目标位置进行优化和预测。卡尔曼滤波采用反馈机制实现了滤波估计，主要依靠状态方程和观测方程。这两个方程式如下：
其中X(k)是M维状态向量，Z(k)是N维状态向量，A是Mtimes;M维状态转移矩阵，H是Ntimes;M维观测矩阵。W(k)是M维过程噪声向量，V(k)是N维测量噪声向量，W(k)以及V(k)可以建模为高斯白噪声，满足下列正态分布：
其中Q和R分别表示过程噪声协方差矩阵和测量噪声协方差矩阵。
基于最小均方误差理论，卡尔曼滤波器使用优化值x(k-1)和测量值z(k)来求解最优值x(k)。这个流程分为预测和修正两个步骤。
第一步：预测(时间更新)
估计值x(k)根据状态方程根据优化值x(k-1)获得：
误差协方差矩阵可以表示如下：
从观测方程得到的第k个时刻的观测值可以计算如下：
第二步：更正(测量更新)<!--
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[23363]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
课题毕业论文、外文翻译、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
