0 引言

    高級(jí)駕駛輔助系統(tǒng)（Advanced Driver Assistance System,，ADAS）快速發(fā)展,，作為其中重要模塊的基于視覺(jué)的車(chē)道線檢測(cè)也得到了大量研究。車(chē)道線本身設(shè)計(jì)是適合人類(lèi)視覺(jué)系統(tǒng)處理的,，單目相機(jī)成本低廉,，因此目前車(chē)道線檢測(cè)主流傳感器是單目相機(jī)^[1]，本文提出的車(chē)道線檢測(cè)方法也基于單目相機(jī),。

    根據(jù)最終輸出數(shù)據(jù)所在坐標(biāo),，車(chē)道線檢測(cè)方法可分為兩類(lèi)：一類(lèi)直接在預(yù)處理后圖像上使用直線或直線段檢測(cè)方法^[2-3]，無(wú)需相機(jī)參數(shù)和路面幾何參數(shù)的假設(shè),，輸出參數(shù)為車(chē)道參數(shù)在圖像坐標(biāo)內(nèi),，無(wú)法定量表達(dá)自車(chē)在車(chē)道內(nèi)位置；另一類(lèi)使用逆透視變換（Inverse Perspective Mapping,，IPM）將圖像或特征轉(zhuǎn)換到世界坐標(biāo)系,，生成鳥(niǎo)瞰圖，優(yōu)勢(shì)在于輸出坐標(biāo)為可以直接判斷自車(chē)相對(duì)車(chē)道位置的世界坐標(biāo)^[4-5],。為滿(mǎn)車(chē)道偏離檢測(cè)對(duì)車(chē)道內(nèi)位置的定量需求,，本文算法采用基于IPM的方法。

    算法采用簡(jiǎn)單亮-暗-亮特征,，首先對(duì)圖像RGB三通道進(jìn)行通道運(yùn)算生成灰度影像,，根據(jù)路面據(jù)相機(jī)距離,，對(duì)圖像分區(qū)重采樣，在多尺度上查找特征點(diǎn)對(duì),，以克服同一尺度重采樣造成的計(jì)算量大或遠(yuǎn)處特征點(diǎn)丟失問(wèn)題,。特征點(diǎn)逆透視變換到世界坐標(biāo)系后，根據(jù)幾何特征初步篩選,，若上一幀存在檢測(cè)結(jié)果,，根據(jù)上一幀結(jié)果進(jìn)一步篩選特征點(diǎn)。特征點(diǎn)經(jīng)篩選后首先在局部查找相鄰特征點(diǎn)歸組并初步計(jì)算參數(shù),，然后根據(jù)組間空間位置進(jìn)行合并得到超組（super group）并對(duì)超組進(jìn)行模型擬合,，得到候選車(chē)道線，候選車(chē)道線經(jīng)幾何判斷后查找出本車(chē)道左右車(chē)道線,，最后對(duì)左右車(chē)道線使用卡爾曼濾波,，得到最終車(chē)道模型。流程圖如圖1,。

1 多尺度影像重采樣

1.1 透視變換和逆透視變換

    采用和文獻(xiàn)[4]中相同方法,，假設(shè)地面為平面，相機(jī)內(nèi)參數(shù),、外參數(shù)已知,，如圖 2，以相機(jī)光學(xué)中心為原點(diǎn),，定義世界坐標(biāo)系{F_w}={X_w,，Y_w，Z_w},，僅考慮相機(jī)俯仰角?琢和偏航角α,，相機(jī)高度為h。

    對(duì)于地面一點(diǎn)齊次坐標(biāo)P^g={x^g,，y^g,，-h，1},，其對(duì)應(yīng)圖像坐標(biāo)：

1.2 多尺度影像重采樣

    由于相機(jī)透視投特性,，車(chē)道線在圖像上呈現(xiàn)近粗遠(yuǎn)細(xì)的特點(diǎn)。常規(guī)影像重采樣使用同一縮放尺度對(duì)影像重采樣,，重采樣比例過(guò)大會(huì)使輸出圖像尺寸較大,，顯著增加特征點(diǎn)搜索耗時(shí)；重采樣比例過(guò)小會(huì)使遠(yuǎn)處車(chē)道線信息嚴(yán)重丟失,，降低遠(yuǎn)處檢測(cè)率,。

    本文提出一種按距離遠(yuǎn)近對(duì)圖像各水平區(qū)域不同比例的重采樣方法，保留遠(yuǎn)處車(chē)道線信息的情況下,，顯著降低搜索區(qū)域大小,，降低搜索時(shí)間,。如圖3所示。

    由式(1)計(jì)算當(dāng)前標(biāo)定參數(shù)下滅線在圖像中的水平位置,，從滅線往下至圖像底邊為車(chē)道線關(guān)注區(qū)域,，設(shè)滅線到圖像底邊高為H，重采樣比例s_i≤1.0,，i=1,，…,，n依次遞減,，按式(3)計(jì)各重采樣區(qū)域高度h_i，i=1,，…,，n后分區(qū)重采樣。

2 車(chē)道模型

    單根車(chē)道線由二次函數(shù)描述：

其中x,， y為世界坐標(biāo)系下坐標(biāo),。車(chē)道模型采用和式(5)相同的模型描述當(dāng)前車(chē)道中心線，增加車(chē)道寬度參數(shù)w和偏移offset,。

3 圖像通道運(yùn)算

    彩色圖像包含RGB三個(gè)通道信息,，需處理為灰度影像，根據(jù)被拍攝物體的光譜反射特性,，路面車(chē)道線顏色為白色或黃色^[6],，對(duì)于白色車(chē)道線：R≈G≈B，對(duì)于黃色車(chē)道線：R≈G>B采用：

    如圖 4所示,，所得灰度圖像M在保持白色車(chē)道線強(qiáng)度不變前提下有效增強(qiáng)黃色車(chē)道線與地面的對(duì)比度,。

4 多尺度特征點(diǎn)對(duì)提取

4.1 特征點(diǎn)對(duì)查找

    特征點(diǎn)對(duì)由圖像水平方向1個(gè)“暗-亮”特征和1個(gè)“亮-暗”特征組成，描述由地面到車(chē)道線和由車(chē)道線到地面的圖像強(qiáng)度變化,。首先使用卷積核為[-1 0 1]的梯度算子對(duì)圖像卷積,，獲取水平方向一階導(dǎo)數(shù)，在卷積后圖像中查找正負(fù)峰值即可對(duì)亮度變化邊緣定位,，正峰值處即為原圖“暗-亮”特征邊緣,，負(fù)峰值即為“亮-暗”特征邊緣。

    特征點(diǎn)對(duì)的查找在重采樣后圖像上逐行進(jìn)行,，利用式(1)計(jì)算每行圖像上車(chē)道線寬度上下限[w_min,，w_max]，作為特征點(diǎn)對(duì)搜索范圍,，找到一個(gè)正峰值后,，從與其相隔像素?cái)?shù)為w_min處開(kāi)始查找負(fù)峰值，直至w_max處,，若范圍內(nèi)查找到負(fù)峰值,，則作為特征點(diǎn)對(duì)保留,。

4.2 特征點(diǎn)對(duì)位置精化

    查找到特征點(diǎn)對(duì)整像素點(diǎn)位后，精化特征點(diǎn)正負(fù)峰值位置,，求出中心點(diǎn)位置和特征點(diǎn)寬度,。

    進(jìn)一步求峰值精確位置：

5 車(chē)道跟蹤

5.1 特征點(diǎn)歸組

    根據(jù)式(2)將包含寬度的特征點(diǎn)由圖像坐標(biāo)轉(zhuǎn)換到世界坐標(biāo)，由距離相機(jī)最近點(diǎn)p₀向遠(yuǎn)順序搜索與其距離最近點(diǎn)p₁,，若p₀與p₁間距離小于一定值t_d,，則歸為一組，再?gòu)膒₁繼續(xù)搜索,，至兩點(diǎn)間距離大于t_d則當(dāng)前組分組完畢,，創(chuàng)建新組繼續(xù)搜索直至所有特征點(diǎn)都被分組。分組后刪除點(diǎn)數(shù)過(guò)少的組,。具體算法流程如下：

5.2 分組合并

    經(jīng)5.1中特征點(diǎn)歸組后,，連續(xù)線段歸為一組，實(shí)際環(huán)境由于虛線或者實(shí)線污損會(huì)過(guò)度分組,，分組后合并操作可使一條車(chē)道線的各個(gè)組合并為同一個(gè)組,。

    判斷兩個(gè)分組是否合并有兩個(gè)規(guī)則：(1)兩個(gè)分組是否落在對(duì)方的拓展范圍內(nèi)；(2)合并后所擬合的二次曲線方差是否足夠小,。

    規(guī)則1與文獻(xiàn)[7]中相似,，在各分組首末點(diǎn)處各延伸出一個(gè)矩形，矩形方向與本組特征點(diǎn)方向一致,，若待判斷組的端點(diǎn)落在矩形范圍內(nèi),，則標(biāo)記為T(mén)rue。規(guī)則2中將兩組特征點(diǎn)合并后進(jìn)行二次曲線擬合,，兩組特征點(diǎn)之間若存在橫向偏移或旋轉(zhuǎn),，二次曲線擬合方差會(huì)顯著大于同一條線上擬合方差。

    同時(shí)滿(mǎn)足規(guī)則1和規(guī)則2的分組被合并到同一個(gè)超組中,，對(duì)每個(gè)超組進(jìn)行二次曲線擬合,，得到各自的二次曲線方程作為候選車(chē)道線。

5.3 車(chē)道模型更新

    對(duì)于所有候選車(chē)道線,，根據(jù)a₀的正負(fù)分為左,、右兩類(lèi)，左,、右兩類(lèi)間逐一計(jì)算在y=0處和y=20處寬度與上一幀車(chē)道模型寬度的差值,，若差值小于一定范圍，則繼續(xù)進(jìn)行后續(xù)車(chē)道組成,。

    車(chē)道組成分為3種情況：(1)左右均存在車(chē)道線,，則用左右車(chē)道線更新車(chē)道模型；(2)有一邊車(chē)道線缺失,，使用存在的車(chē)道線更新車(chē)道模型,；(3)左右車(chē)道線均不存在,，則不更新車(chē)道模型。

    車(chē)道模型使用卡爾曼濾波更新,，模型如下

    H_LR上3行對(duì)應(yīng)左車(chē)道線,，下3行對(duì)應(yīng)右車(chē)道線，當(dāng)一側(cè)車(chē)道線缺失時(shí),，將對(duì)應(yīng)部分設(shè)置為0更新模型,，更新后模型即作為車(chē)道模型輸出。

6 實(shí)驗(yàn)結(jié)果與分析

    算法實(shí)現(xiàn)分離線部分和在線部分,，離線部分基于VS2010和OpenCV實(shí)現(xiàn),，運(yùn)行環(huán)境為Intel Core i5-2520 CPU，主頻為2.5 GHz,，操作系統(tǒng)為Windows10 X64,，使用兩組數(shù)據(jù)：(1)魅族MX2手機(jī)后置攝像頭所采集真實(shí)環(huán)境視頻，視頻在武漢市環(huán)城高速,、二環(huán)線等道路上采集，包含了直線,、彎道,、進(jìn)出隧道、地面文字圖形干擾,、車(chē)道線單邊缺失,、車(chē)道被侵占和地面陰影干擾等場(chǎng)景，視頻分辨率為1 280×720,，(2)Caltech車(chē)道線數(shù)據(jù)集^[4]進(jìn)行對(duì)照,，Caltech車(chē)道線數(shù)據(jù)集是由美國(guó)加州理工學(xué)院在2008年公布的車(chē)道線測(cè)試數(shù)據(jù)集，數(shù)據(jù)集為4段一天中不同時(shí)間的圖像序列,，分別包含250幀,、406幀、337幀和232幀圖像,，分辨率均為640×480,，該數(shù)據(jù)集廣泛用于車(chē)道線檢測(cè)算法評(píng)估。

    在線部分硬件為魅族MX2手機(jī),，4核1.6 GHz ARM架構(gòu)CPU,，算法基于OpenCV for Android和Qt for Android實(shí)現(xiàn)，與離線部分一致,，實(shí)時(shí)采集圖像分辨率,、焦距與離線部分一致。

    為對(duì)比多尺度采樣對(duì)于算法運(yùn)行效率的提高,，使用離線數(shù)據(jù)集中的MX2數(shù)據(jù)中一段視頻進(jìn)行對(duì)比實(shí)驗(yàn),，總幀數(shù)1 760幀,。多尺度重采樣比例設(shè)置為s_i={1.0，0.5,，0.2},；為保證對(duì)照組同樣的檢測(cè)效果，對(duì)照組使用圖像重采樣比例整體為1,，即不進(jìn)行重采樣操作,，程序運(yùn)行時(shí)間見(jiàn)圖 6，不使用多尺度重采樣平均運(yùn)行時(shí)間為36.0 ms/幀,，幀率約為27.8幀/秒,，基本滿(mǎn)足車(chē)道線檢測(cè)的實(shí)時(shí)要求；多尺度重采樣運(yùn)行時(shí)間均值約為20.6 ms/幀,，幀率約為48.5幀/秒,。實(shí)驗(yàn)表明，多尺度影像重采樣在保證相同車(chē)道線檢測(cè)效果的情況下,，可有效提高算法運(yùn)行效率,。

    離線實(shí)驗(yàn)第二部分為本文算法與Caltech車(chē)道線檢測(cè)算法對(duì)比，對(duì)比實(shí)驗(yàn)使用Caltech車(chē)道線數(shù)據(jù)集,，為方便比較,，將Caltech數(shù)據(jù)集中4段視頻運(yùn)行時(shí)間數(shù)據(jù)合并后進(jìn)行運(yùn)行時(shí)間比較。Caltech車(chē)道線檢測(cè)算法使用有向高斯濾鏡對(duì)經(jīng)過(guò)逆透視變換后的圖像進(jìn)行卷積,，隨后使用RANSAC算法進(jìn)行初始直線匹配,，最后使用快速RANSAC算法將進(jìn)行貝塞爾曲線匹配，得到車(chē)道線檢測(cè)結(jié)果,。圖 7和圖 8分別為Caltech車(chē)道線檢測(cè)算法與本文算法的運(yùn)行時(shí)間和效果對(duì)比圖,，Caltech數(shù)據(jù)集中圖像尺寸較小，檢測(cè)算法運(yùn)行快于上一項(xiàng)實(shí)驗(yàn),，其中Caltech車(chē)道線檢測(cè)算法運(yùn)行平均時(shí)間約為18.5 ms,，幀率為53.9幀/秒；本文算法平均運(yùn)行時(shí)間約為10.1 ms,，幀率為99.0幀/秒,。

    典型場(chǎng)景的檢測(cè)效果如圖 8，在常規(guī)場(chǎng)景（a）下,，本文算法結(jié)果與Caltech算法結(jié)果相似,，得益于算法中特征點(diǎn)位置精化，檢測(cè)結(jié)果穩(wěn)定于車(chē)道線正中央,；圖中（b）,、（c）、（d）三項(xiàng)分別為對(duì)照算法受到地面橫線、文字和陰影干擾而產(chǎn)生誤檢,，本文中算法可以正確檢測(cè)到車(chē)道線,。

    第三部分實(shí)驗(yàn)算法檢測(cè)準(zhǔn)確率定量評(píng)估，用離線數(shù)據(jù)中的MX2采集的5段視頻運(yùn)行車(chē)道線檢測(cè),，隨后逐幀統(tǒng)計(jì)檢測(cè)結(jié)果中的誤檢和漏檢情況,，統(tǒng)計(jì)結(jié)果見(jiàn)表 1，在絕大多數(shù)情況下,，算法可準(zhǔn)確檢測(cè)車(chē)道線,，其中錯(cuò)誤部分總體誤檢率小于漏檢率，用于ADAS系統(tǒng)時(shí),，誤提醒干擾駕駛者的概率比較小,。

    實(shí)驗(yàn)視典型場(chǎng)景如圖 9所示，包含了常規(guī)的直線行駛,，彎道行駛,，進(jìn)入隧道、隧道中行駛和駛出隧道等光線劇烈變化場(chǎng)景和地面文字,、陰影,、車(chē)輛對(duì)于車(chē)道線的干擾以及單邊車(chē)道線缺失等異常狀況，本文算法在以上場(chǎng)景中均能正確檢測(cè)出車(chē)道線,，場(chǎng)景（f）為誤檢場(chǎng)景,，算法將靠近車(chē)道線的地面破損誤檢測(cè)為車(chē)道線。

    第四部分實(shí)驗(yàn)為在線實(shí)驗(yàn),，算法運(yùn)行在一臺(tái)4核1.6 GHz ARM架構(gòu)CPU的手機(jī)上，從手機(jī)相機(jī)實(shí)時(shí)獲取1 280×720像素圖像用于算法處理,，算法占用1個(gè)CPU核心,，平均運(yùn)行時(shí)間約為35.6 ms，幀率約為28.1幀/秒,，滿(mǎn)足實(shí)時(shí)性要求,。

7 結(jié)語(yǔ)

    本文提出了一種適用于無(wú)人駕駛車(chē)輛和輔助駕駛的高魯棒性車(chē)道線檢測(cè)算法，根據(jù)距離遠(yuǎn)近生成金字塔影像,，在縮減計(jì)算量的同時(shí)保證了對(duì)遠(yuǎn)處特征點(diǎn)的提取,，保證了算法在Android等移動(dòng)平臺(tái)的實(shí)時(shí)運(yùn)行，進(jìn)一步的特征點(diǎn)位置精化提供了亞像素級(jí)特征點(diǎn)位置,，為無(wú)人駕駛提供了準(zhǔn)確的車(chē)道線位置信息,。基于二次曲線的車(chē)道模型用較少的參數(shù)描述車(chē)道的位置和幾何特征,，保證了結(jié)果的穩(wěn)定性,。大量實(shí)驗(yàn)證明，算法在PC端和Android端均有很好的實(shí)時(shí)性、魯棒性和高檢測(cè)率,、低誤檢率,。后續(xù)工作中，將進(jìn)一步解決因上下坡等特殊情況下出現(xiàn)的車(chē)道模型異常等情況,。

參考文獻(xiàn)

[1] MCCALL J C,，TRIVEDI M M.Video-based lane estimation and tracking for driver assistance：survey，system,，and evaluation[J].Intelligent Transportation Systems,，IEEE Transactions on，2006,，7(1)：20-37.

[2] JIANG Y,，GAO F，XU G.Computer vision-based multiplelane detection on straight road and in a curve[C].Image Analysis and Signal Processing(IASP),，2010 International Conference on,，2010：114-117.

[3] BORKAR A，HAYES M,，SMITH M T.Robust lane detection and tracking with ransac and Kalman filter[C].ICIP,，2009：3261-3264.

[4] ALY M.Real time detection of lane markers in urban streets[C].Intelligent Vehicles Symposium，2008 IEEE,，2008：7-12.

[5] SEUNG-NAM K,，SOOMOK L，JUNHWA H,，et al.Multilane detection based on accurate geometric lane estimation in highway scenarios[C].Intelligent Vehicles Symposium Proceedings,，2014 IEEE，2014：221-226.

[6] 中國(guó)國(guó)家標(biāo)準(zhǔn)化管理委員會(huì).GB 5768.3-2009道路交通標(biāo)志和標(biāo)線.第3部分：道路交通標(biāo)線.2009.

[7] ESKANDARIAN A.Handbook of Intelligent Vehicles[M].Springer,，2012.

作者信息:

付黎明,，李必軍，葉雨同

（武漢大學(xué) 測(cè)繪遙感信息工程國(guó)家重點(diǎn)實(shí)驗(yàn)室,，湖北 武漢430079）