960*90
  • 斗鱼女主播郭mini:基于滑动窗多项式拟合的车道检测研究
  • 发布时间:2019-05-08 | 来源:石家庄陪练
  • 640*60
  • 摘  要:识别前方车道并依此定位智能汽车在车道中的位置是安全辅助驾驶及自动驾驶中的关键技术。采用图像识别技术可以有效地获取车道线等地面非立体特征,本文详细介绍了利用多阈值分割消除背景和基于逆透视变换的滑动窗多项式拟合提取车道特征。结果表明,基于滑动窗多项式拟合的方法可以有效快速的检测车道线。

    关键词:智能汽车;车道检测;滑动窗多项式拟合;机器视觉

    中图分类号:D580.2010    文献标识码:A     文章编号:1005-2550(2019)02-0030-04

    1    前言

    随着近年来交通系统的不断完善和发展,世界范围内汽车保有量都在不断增多,汽车整体速度也在不断提高,伴随着汽车带给人们的出行便利,随之而来的交通事故和问题也日益增多。每年因交通事故造成的人员伤亡和财产损失不断增多且数量惊人,已成为各国尤其是我国这类人口大国面临的重要社会问题。据调查,20%的交通事故是由于驾驶员注意力分散造成的。

    因此,现代汽车逐渐开始配备各式各样的驾驶辅助系统,如车道保持等。车道保持功能可以使车辆将自身的位置保持在车道线以内,这也是一些更高级的辅助驾驶系统的关键技术。由于车道线具有鲜明的导向作用且具有较为统一的特征,准确识别车道线又是车道保持技术中的关键技术。

    基于计算机视觉的车道检测是目前主流的解决方法,诸多方法中先是关于直线检测的研究,如基于Hough变换的算法在光照、天气条件良好的情况下对直线实现有效快速的检测[1-3]。在对弯道检测的研究中,多采用各种曲线进行拟合。文献[4]和[5]使用 LMedSquare曲线进行弯曲车道线检测,此方法在拟合时数据点要求多,计算量大。文献[6]以二次曲线为模型,通过计算多条候选抛物线经过的像素区域各子块灰度均值及子块间灰度方差,并以此作为图像特征构造合理的目标函数,运用蚁群算法优化抛物线参数,识别道路边缘,此方法在拟合时需要蚁群算法对多条候选二次曲线的参数进行多次迭代,计算量较大且需要质量较好的二值图作为输入。本文以抛物线为回归曲线,采用滑动窗在鸟瞰变换图底部车道特征点处沿车道线自下往上迭代滑动的方式识别出离散的坐标点。实验平台采用英伟达嵌入式超级电脑开发套件Nvidia Jetson TK1实现图像的实时处理。

    2    检测算法概述

    算法实现在经过标定的相机的基础上,如图1所示首先由装在汽车前挡风玻璃上的摄像头拍摄画面并传至计算平台,通过OpenCV以三维矩阵的数据格式读入图像,并通过特征图匹配的方法矫正图像因相机参数引起的畸变。将图像矩阵依次经过颜色阈值分割、sobel算子分割后合成为一张二值图,其中颜色分割使用多种颜色空间以应对车道线的不同颜色,又分为全局颜色变化梯度分割、hls颜色空间分割、luv颜色空间分割、lab颜色空间分割。阈值分割后的二值图经过透视变换获得鸟瞰图,通过滑动窗法获得一系列离散的有效像素坐标点,从而将车道线拟合成二次多项式。

    4    滑窗检测

    在滑窗检测中,首先需要历遍逆透视变换图中像素值不为零的所有像素点的坐标并存入数组中。

    其次,确定基点坐标。本文使用逆透视图像下半部分的像素在x轴上的分布作为寻找依据。对于图4的像素分布统计如图5所示,在左右车道附近出现两个明显尖峰,以其尖峰的横坐标作为滑动窗检测的起始左右基点。

    图6展示了滑动窗检测的基本流程,首先设置必要的初始化参数,包括滑窗的迭代个数并依此计算窗高、初始基点坐标、窗宽基数和建立存储数组等。在程序迭代循环中,对窗内像素进行历遍并记录非零像素值的坐标,对于窗内有效像素个数小于预设最小值时,以窗宽基数为单位递增窗宽直到满足最小像素个数为止。以滑动窗内有效像素横坐标的平均值作为下一个滑动窗的基点坐标,依次迭代检测直至满足循环数。循环结束后,以二次曲线作为拟合目标曲线,使用最小二乘法进行拟合。对图4采用滑动窗个数为9的检测结果如图7所示,黄色标出有效像素、红线为左侧车道拟合曲线,蓝线为右侧车道拟合曲线,绿色矩形框则标出了所有滑动窗的边界。

    所得车道拟合曲线的坐标关系为逆透视变换图中的坐标关系,因此,需利用逆变换矩阵将曲线还原到原始图像上。其效果图如图8所示,绿色区域为车道线范围。

    5    结论

    本文提出一种基于滑动窗检测的车道线检测算法。首先需要对摄像机采集到的彩色原始图像进行畸变矫正并得到相机参数,对图像进行灰度处理。其次采用多阈值过滤处理得到二值图,并对二值图进行逆透视变换。在变换图上进行滑动窗检测,提取车道信息生成拟合曲线。滑动窗检测的有点在于重点关注窗内有效像素,与全图历遍相比加快了计算速度提高了车道检测的实时性,且在嵌入式计算平台上的检测结果令人满意。

    参考文献:

    [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 的車道曲线拟合算法[J].吉林大学学报(工学版),2004,34(2):194-197.

    [5]季聪.基于双目视觉的智能车辆路径识别方法研究 [D].兰州:兰州交通大学,2013:37-38.

    [6]马雷,武波涛,王连东.弯曲道路识别方法与目标函数选取的研究 [J].汽车工程,2008(7):561-565.

    [7 ]袁启平,宋金泽,吴涛.基于逆透视投影变换的图像拼接方[J].微计算机信息,2010: (26):208-209.

    fx
  • 相关内容