高速公路车道线检测与跟踪算法研究

开篇：润墨网以专业的文秘视角，为您筛选了一篇高速公路车道线检测与跟踪算法研究范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！

摘 要：为提高高速公路上车道线识别的快速性和鲁棒性，提出了一种有效的车道线检测与跟踪方法。采用霍夫变换进行车道线检测，具有较强的抗干扰能力，能够准确地识别车道线。车道线跟踪利用Kalman预测参数建立感兴趣区域，然后用扫描线法搜索车道线边界点，在车道线间断区域利用Kalman预测器定位车道线边界。由于搜索限制在预测范围内，提高了搜索精度，减少了搜索范围，保证了实时性能，且对虚线车道线识别特别有效。仿真实验结果表明，对于不同的天气状况和车道线种类，该算法均有较好的识别效果。

关键词：车道线检测与跟踪;Hough变换;Kalman预测器;感兴趣区域

中图分类号：TP391 文献标识码：A

文章编号：1004-373X(2008)09-180-04

Research on Lane Detection and Tracking Algorithm of Highway

TIAN Bingxiang,ZHENG Banggui,WU Qing

(College of Electronic Information & Control Engineering,Beijing University of Technology,Beijing,100022,China)

Abstract：An efficient method of lane detection and tracking is proposed to improve robustness and efficiency of lane recognition of highway.Lane detection based on Hough Transform(HT) has good robustness and can identify lane accurately.In lane tracking,the Region of Interest (ROI) is established using parameters predicted through the Kalman predictor.Then lane boundary points are searched by scan line method in ROI.The lane boundary in discontinuous area is located using Kalman predictors.The algorithm can improve searching precision,reduce the search area,and ensure real-time performance due to restricted searching area,especially for dashed lanes.Simulated experiment results show that the algorithm has good performance under different weather conditions and lane models.

Keywords：lane detection and tracking;Hough transform;Kalman predictor;region of interest

1 引 言

当今社会，公路交通事故已经成为人们普遍关注的问题，尤其高速公路上发生事故的几率正呈逐年上升的趋势，其造成的危害也是各类交通事故中最为严重的。为了提高驾驶的安全性和操作的简单性，世界各国都在积极研究开发汽车辅助驾驶系统。基于机器视觉的车道线检测与跟踪是智能车辆辅助驾驶系统的关键技术之一，他是实现车道偏离报警、车道保持等主动安全功能的基础。目前已经提出了很多车道线识别方法，简单算法对于车道线大部分被遮挡、各种交通参与者存在的情况，往往出现误识别；复杂算法抗干扰能力强，但是实时性又不好。如何准确、快速地检测车道线已成为智能车辆视觉导航中的一个重要问题。

针对高速公路的特点以及对车道线识别的实时性和鲁棒性的要求，本文提出了一种基于Hough变换(Hough Transform,HT)和Kalman预测的快速车道线检测与跟踪算法。采用PEST2001图像序列(一组车辆正前方的单目图像序列)作为测试序列(图片大小为768×576)，取得了很好的检测效果。

2 车道线检测

车道线初始检测的准确性直接影响了后续跟踪的效果，检测算法的选择十分关键。检测算法主要分为两步：图像预处理和车道线识别。

2.1 图像预处理

本文采用基于二维特征的算法，仅利用灰度特征和灰度差分特征。用3×3的滑动窗口进行中值滤波，保留细节，去除干扰噪声，再根据图像灰度直方图进行灰度变换，提高对比度，然后利用大津自动阈值分割法自适应求得图像阈值，最后用卷积核为

012ぃ101ぃ2－10

和

－2－10ぃ101012

的Sobel边缘检测算子检测车道线边界点，得到二值图像。这种卷积核的优点是增强45°和135°方向的边界线，同时可以消除其他方向边界线，减少其他物体边缘对于车道线识别的干扰。

2.2 车道线识别

2.2.1 建立车道线模型

高速公路属于结构化道路，其车道线的检测与跟踪需基于以下假设：

(1) 车道线直线性假设：在文献［1-3］中分别采用多项式曲线、回旋曲线和样条曲线匹配车道线，这些方法受到模型的影响很大，而且曲线拟合的运算相对复杂，在有阴影等干扰下可能失效。由于高速公路的特点，车辆大部分时间是行驶在直线车道上，在高速公路上即使有弯道，弯道的曲率也很小，可近似当作直线车道处理。

(2) 车道线连续性假设[4]：对于虚线车道线，假设其间断区域也存在虚拟的边缘点，将虚线车道线当作连续的车道线来处理。

(3) 边缘点位置的可预测性假设：对序列图像进行实时处理，由于车速较高，连续采集的两帧图像中车道线位置偏差不会太大，边缘点位置具有可预测性。

2.2.2 Hough变换检测车道线

HT是一种依据全局统计信息的直线提取方法，他基于图像空间点向参数空间对应位置投票累加并搜索参数空间峰值获得直线方程。

HT的基本原理如图1所示。式(1)为图1(a),(b)的直线方程，式(2)为该直线对应的极坐标表示，其中(ρ,θ)定义了一个从原点到直线上最近点的向量。可以看出x,y平面上的任意一点对应于ρ,θ平面上的一条正弦曲线，x,y平面上的任意一条直线对应ρ,θ平面上的一个点，如┩1(b),(c)所示。

И

y=kx+b

(1)

ρ=xcos θ+ysin θ

(2)

И

图1 Hough变换原理

为了找到x,y平面上的直线，可以将ρ,θ空间量化成等间隔的小直网格，这个直网格对应一个计数阵列，每个小格对应一个计数阵元。根据式(2)每一个(x0,y0)点对应ρ,θ平面上的一条曲线，这条曲线所经过的小格，对应的计数阵列元素加1。于是计数阵元的数值等于通过对应小格的曲线的数目。根据摄像机的安装位置和投影理论，路面区域均位于图像的下半平面，为了减少计算量，避免道路背景中复杂的自然景物对车道线识别的影响，在检测模块中将感兴趣区域取为图像下半部分。遍历感兴趣区域中的全部(x,y)点，对小格进行检验，大计数值的小格对应于共线点，其(ρ,θ)Э捎米鲋毕吣夂喜问。其中小计数值的小格则认为是孤立点，不构成直线，应该去除。

用Hough变换识别车道线，抗噪性能强，对直线断裂、局部遮挡等缺陷不敏感，能将断开的边缘连接起来，非常适合用于检测不连续的车道线。

3 车道线跟踪

由于序列图像的时空连续性，连续两帧图像的车道线位置偏差不会太大，利用相邻帧之间车道线位置具有的相关性，可以用前一帧图像获得的信息指导下一帧车道线的检测，提高处理速度和鲁棒性，这就是车道线跟踪。

3.1 基于Kalman预测器动态建立感兴趣区域(ROI,Region of Interest)

本文将车道线检测模块检测到的车道线参数作为Kalman预测器的状态变量的初始值，可防止预测器发散。由于误差协方差矩阵可以随着图像动态更新，可以给他一个较大的初值。3.2 扫描线法搜索车道线边界点

以左边车道线为例，在如图3所示的左边车道线的ROI中采用扫描线法搜索车道线边界点，其基本思路是从图像的最下边界开始搜索，在同一条扫描线上，以直线(kldown,bldown)上的点作为起始点向左搜索，直到搜索到第一个边界点，然后再进入上一行扫描线继续进行搜索；对于虚线车道线，由于存在间断区域，可能在ROI内都没有搜索到边界点，则采用Kalman预测器预测的当前帧车道线参数来估计边界点的位置，并将此位置作为当前扫描行中车道线边界；如果在图像的某一行没有搜索到车道线边界点，同时又没有预测的边界点时，则舍弃记录该行边界点位置。由于采用Kalman预测器来预测车道线边界点位置，减少了搜索范围，提高了车道线识别的实时性和鲁棒性。搜索算法流程图如图4所示。

3.3 失效判别模块

当受到严重干扰时，如车道线受前方行驶车辆遮挡很严重，或者在车辆换道、转弯时，算法会产生较大误差甚至失效。因此，系统加入算法失效判别模块，一旦判定算法失效则启动车道线检测模块对车道线进行识别。本文判定算法失效方法如下：

(1) 当前帧的车道线信息与上一帧比较发生突变(一般认为直线的斜率和截距的变化量不应超过某个阈值，否则认为车道线的信息发生突变)则认为算法失效。

(2) 在ROI中检测到车道线的实际边界点数目若小于某个阈值，则认为算法失效。

(3) 判断车道线置信度，包括车道线的平行度、宽度等，如果低于置信度指标，则认为算法失效。

图3 感兴趣区域示意图(二)

图4 搜索算法流程

4 实验结果

车道线检测与跟踪算法流程图如图5所示。算法启动后，前几帧图像用车道线检测模块进行识别，对检测到的车道线置信度进行确认，包括车道线的平行度、宽度等，如果通过置信度检测，则进入车道线跟踪模块。

车道线跟踪模块首先进行图像预处理(与车道线检测模块相同)得到二值图像，然后通过Kalman预测器预测的参数动态建立ROI，在ROI中搜索车道线边界点，用最小二乘法拟合车道线，将得到的车道线参数送入Kalman预测器，预测下一帧车道线参数，再进入判别模块判断算法是否失效，如果没有失效则继续用跟踪算法处理下一帧图像，否则转到车道线检测模块进行处理。

车道线检测和跟踪算法仿真实验结果如图6所示。

本算法使用VC++6.0编程实现，进行了大量仿真实验，选取其中的600帧虚线车道线图像序列进行分析。前6帧用车道线检测模块进行识别，然后进入跟踪模块，直到第299帧跟踪算法都能准确地识别车道线，到第300帧时出现偏差，到第400帧偏差很大，系统自动启动检测模块，则第401帧能很好地识别车道线，之后系统又能很好地进行车道线跟踪。在检测模块一帧图像处理时间大概70 ms，跟踪模块平均运行时间在38 ms左右。由仿真结果可看出本算法基本满足高速公路上汽车辅助驾驶系统的实时性和鲁棒性要求。

图5 车道线检测与跟踪算法流程图

5 结 语

本文在车道线检测模块采用Hough变换识别车道线，具有准确性和鲁棒性的优点。在跟踪模块利用Kalman预测参数动态建立ROI，采用扫描线法搜索边界点，

有效解决车道线识别中计算量大和由于CCD抖动或路面不平等随机因素的影响，提高了车道线识别的快速性和鲁棒性，尤其对虚线车道线检测具有很好的识别效果。由于加入算法失效判别模块，系统能及时处理跟踪算法失效的情况,更适合于实际应用。

图6 车道线识别仿真结果

参 考 文 献

［1］Kenue K S Lanelok.An Algorithm for Extending the Lane Sensing Operating Range to 100 Feet ［J］.Mobile Robots V,1990:222-233.

［2］Redmill K A,Upadhya S,Krishnamurthy A.A Lane Tracking System for Intelligent Vehicle Applications ［J］.IEEE,2001:273-279.

［3］Wang Yue,Shen Dinggang,Teoh E K.Lane Detection Using Spline Model ［J］.Pattern Recognition Letters,2000,21:677-689.

［4］董因平，高振海．基于统计预测的车道边缘点搜索算法［J］．微计算机应用,2004,25(3):348-352,356.

［5］游峰．智能车辆自动换道与自动超车控制方法的研究［D］．吉林：吉林大学,2005.

［6］邓自立.最优估计理论及其应用――建模、滤波、信息融合估计［M］.哈尔滨：哈尔滨工业大学出版社，2005.

作者简介

田炳香 女，1982年出生，河北沧州人，硕士研究生。从事机器视觉、图像处理、多传感器融合方面的研究。

注：本文中所涉及到的图表、注解、公式等内容请以PDF格式阅读原文。