基于DSP的快速公交專(zhuān)用車(chē)道檢測
目前,國內外學(xué)者已經(jīng)提出了很多車(chē)道線(xiàn)檢測算法,主要分為兩類(lèi):一類(lèi)是基于圖像特征的檢測方法,即特征驅動(dòng)法,是基于道路圖像的一些特征(如車(chē)道線(xiàn)顏色、寬度以及邊緣等特征)將圖像的所有點(diǎn)標記為車(chē)道線(xiàn)點(diǎn)和非車(chē)道線(xiàn)點(diǎn),這種機制要求道路的車(chē)道線(xiàn)顏色較為明顯,邊緣較為清晰,否則無(wú)法得到準確的檢測結果;另一類(lèi)方法是基于模型的檢測方法,是根據提取的特征對預先定義好的車(chē)道線(xiàn)模型進(jìn)行匹配,將車(chē)道線(xiàn)的提取轉化為車(chē)道線(xiàn)模型中參數的計算問(wèn)題。模型的假設主要有直線(xiàn)模型和曲線(xiàn)模型兩種,其優(yōu)點(diǎn)是對噪音不敏感,能較好地處理圖像中物體局部被遮擋和覆蓋的情況。本文結合道路的紋理特征并建立模型進(jìn)行車(chē)道檢測,既充分利用圖像的信息,又在一定程度上保證了算法的魯棒性。
本文引用地址:http://dyxdggzs.com/article/196211.htm本文首先對圖像進(jìn)行預處理,然后對圖像進(jìn)行Hough變換或者Gabor變換,得到車(chē)道線(xiàn)位置信息,判斷出車(chē)輛是否在車(chē)道內行駛,如果不在則發(fā)出預警信號。
1 圖像的預處理
圖像的預處理主要是對攝像頭實(shí)時(shí)采集的圖像進(jìn)行前期處理,主要包括去除圖像的各種噪聲,并根據攝像機的位置調節算法中的一些參數提取圖像的感興趣區域(ROI),以及進(jìn)行邊緣檢測等,目的是為了加強圖像的有用信息,抑制干擾。
標定攝像頭以后,選取一定的區域作為車(chē)道線(xiàn)檢測區域,進(jìn)行平滑去噪,并對其邊緣進(jìn)行檢測。本文采用Canny邊緣檢測。圖1為拍攝的原始道路圖像,圖2為不同環(huán)境下(白天、陰天、夜晚)的檢測結果。


2 基于Hough 變換的車(chē)道線(xiàn)檢測
2.1 傳統Hough 變換原理
對于建立的車(chē)道線(xiàn)模型為直線(xiàn)的情況下,Hough 變換作為車(chē)道線(xiàn)檢測的一個(gè)方法, 廣泛用于車(chē)道線(xiàn)識別領(lǐng)域。Hough 變換的實(shí)質(zhì)是對圖像進(jìn)行坐標變換, 使變換的結果更易于識別和檢測。Hough 變換的表達式為:

其中, (x,y ) 表示圖像空間的某一點(diǎn), ρ 是圖像空間中直線(xiàn)到坐標原點(diǎn)的距離,θ 是直線(xiàn)與x 軸的夾角。傳統Hough 變換投票空間ρ 和θ 的選擇范圍通常為ρ∈(0,r)( 其中r 為圖像對角線(xiàn)長(cháng)度) ,θ∈(0,180 ) .(ρ ,θ)為坐標變換后的參數空間某一點(diǎn), 其將圖像空間(x-y ) 的點(diǎn)轉換到參數空間(ρ-θ), 可以證明圖像空間中同一直線(xiàn)上的點(diǎn)在參數空間中對應的正弦曲線(xiàn)交于一點(diǎn)(ρ ,θ)。因此對圖像空間的目標點(diǎn)進(jìn)行坐標變換投影到參數空間,通過(guò)統計參數空間的總投票次數較多的點(diǎn), 即可找到圖像空間對應的直線(xiàn)方程。
Hough變換作為一種經(jīng)典的車(chē)道線(xiàn)檢測算法,具有很強的適應性,然而該算法較為耗時(shí),當車(chē)道線(xiàn)外在環(huán)境因素較為不清晰,或者受道路上一些其他因素的影響下,結果受干擾較大。Hough變換檢測結果如圖3所示。

2.2 基于ROI區域改進(jìn)的Hough變換的車(chē)道線(xiàn)檢測
針對圖像中道路的車(chē)道線(xiàn)一般分布在道路左右兩邊的情況,本文對傳統Hough變換的應用進(jìn)行了改進(jìn),限定其投票空間的范圍,也就是限定ρ和θ來(lái)調整其投票空間的范圍。限定其左右車(chē)道線(xiàn)的極角和極徑,調節好攝像頭,通過(guò)不斷的測試,得到目標點(diǎn)的極角約束區域和極徑約束區域,也就得到感興趣區域(ROI),如圖4所示,只檢測落在白色區域內的車(chē)道線(xiàn)。

通過(guò)建立極角、極徑約束區域,可以有效地去除大量的干擾點(diǎn),濾除旁邊車(chē)道以及路邊樹(shù)木建筑物的干擾,并能夠很大程度地提高算法的運行速度。當車(chē)道線(xiàn)的極角極徑在檢測區域內時(shí),可以快速準確地檢測車(chē)道線(xiàn)的位置;然而當圖像在轉彎、變道或者攝像頭位置偏移時(shí),車(chē)道線(xiàn)很容易超出檢測區域,使得結果出現很大的偏差。
3 基于Gabor濾波器的車(chē)道線(xiàn)檢測
針對道路車(chē)道線(xiàn)不清晰以及存在一些其他標志干擾的情況,本文提出了改進(jìn)的車(chē)道線(xiàn)檢測算法,即基于Gabor濾波器的車(chē)道線(xiàn)檢測。通過(guò)Gabor找到圖像的消失點(diǎn),即圖像中兩條車(chē)道線(xiàn)的交點(diǎn)位置,再對消失點(diǎn)進(jìn)行Hough變換,這樣不僅提高了算法的適用性,還提高了算法的實(shí)時(shí)性。
3.1 Gabor變換原理
Gabor濾波器與人眼的生物作用相仿,因此經(jīng)常用于紋理識別,并取得了較好的效果。Gabor濾波器是帶通濾波器, 它的單位沖激響應函數(Gabor函數)是高斯函數與復指數函數的乘積。它是達到時(shí)頻測不準關(guān)系下界的函數, 具有最好的兼顧信號在時(shí)頻域的分辨能力。高斯函數的局部性特征使得Gabor濾波器只在局部起作用, 即具有良好的尺度特性和方向特性。因此,Gabor濾波器被廣泛用于圖像處理和圖像分析領(lǐng)域。
本文通過(guò)對車(chē)轍印記以及車(chē)道線(xiàn)邊緣等一些紋理特征進(jìn)行分析,從而提取出道路的消失點(diǎn)以及車(chē)道線(xiàn)的信息。
Gabor濾波器的模板計算方程如式(2)所示,該模板分為實(shí)部(式(3))和虛部(式(4))兩部分。

通過(guò)建立K×K 大小的Gabor 模板,(x,y) 表示圖像空間的一點(diǎn)。其中,θ 表示模板的方向, 為確定最后的道路紋理方向, 這里選擇范圍為0~72 ;λ 表示路面的波長(cháng);σ表示噪聲容量, 本文取σ=K/9 .
3.2 消失點(diǎn)的求解
本文用不同方向的模板與圖像進(jìn)行卷積, 對于圖像任意一點(diǎn), 即可得到某一個(gè)方向上的卷積的結果為最大值, 這個(gè)最大值為紋理方向對應的能量, 該方向為紋理的方向。

其中,α 表示模板對應的方向, 對于圖像中的任意點(diǎn)I(x,y) 與α 方向的Gabor 模板進(jìn)行卷積, 得到不同的t(x,y),求取其最大值, 將最大值對應的方向作為圖像中(x,y)點(diǎn)的紋理方向, 同時(shí)將該最大值作為紋理方向上的紋理強度。
通 過(guò)計算可以得到圖像中每一點(diǎn)的紋理方向以及能量。為了計算出消失點(diǎn), 對圖像中選取的點(diǎn)進(jìn)行投票,這里選擇圖像下方一定的區域點(diǎn), 如圖5 所示。當紋理能量大于設定閾值的點(diǎn)作為投票點(diǎn),p 表示圖像中投票空間的點(diǎn),θ (p) 表示p 紋理方向,v 表示消失點(diǎn)的候選點(diǎn),a (p ,v) 表示p 點(diǎn)與v 點(diǎn)的夾角,n 為采用的Gabor 模板方向的個(gè)數,R 為定義的投票空間, 即圖6 對應的方框區域, 通過(guò)vote (p,v) 來(lái)統計p 點(diǎn)對v 點(diǎn)的投票結果,votes (v ) 為對R 區域累加進(jìn)行投票的統計結果,pvote 為最終被投票次數最多的點(diǎn)的坐標, 即消失點(diǎn)。

圖6 中的框表示選取的投票區域, 即在該區域內選取400 個(gè)點(diǎn)進(jìn)行Gabor 變換, 求出其紋理方及能量; 圓圈是求出的消失點(diǎn)位置。


3.3 車(chē)道線(xiàn)檢測
對于傳統的Hough 變換, 需要對每個(gè)點(diǎn)每個(gè)角度進(jìn)行遍歷, 這樣比較耗時(shí)。本文采用改進(jìn)的Hough 變換, 對消失點(diǎn)及其周?chē)挠邢迋€(gè)像素進(jìn)行Hough 變換, 求取左右車(chē)道線(xiàn)的兩個(gè)峰值點(diǎn),并繪制出車(chē)道線(xiàn)。該方法能夠有效地抑制圖像的其他邊緣噪聲干擾,提高算法的實(shí)時(shí)性。車(chē)道檢測結果如圖7 所示。

3.4 車(chē)道線(xiàn)跟蹤
跟蹤分為消失點(diǎn)的跟蹤和車(chē)道線(xiàn)的跟蹤。
(1) 消失點(diǎn)的跟蹤: 消失點(diǎn)一般較遠, 車(chē)輛在行進(jìn)過(guò)程中消失點(diǎn)范圍變化不是很大,而靠近車(chē)道線(xiàn)的道路兩邊由于車(chē)輛輪胎接觸較為頻繁, 紋理較為明顯, 對消失點(diǎn)的貢獻較大。因此, 隨機選取靠近車(chē)道線(xiàn)兩邊100 個(gè)點(diǎn)對消失點(diǎn)及其周?chē)娜舾蓚€(gè)點(diǎn)( 本文選取36 個(gè)點(diǎn)) 進(jìn)行投票,如圖8 所示。

(2)車(chē)道線(xiàn)跟蹤:根據上一幀測量的結果,限定角度在一定變化范圍內(本文限制在10°范圍,如圖8(b)所示)進(jìn)行Hough變換,這樣大大減少了運算速度。當圖像檢測的消失點(diǎn)及車(chē)道線(xiàn)上的點(diǎn)少于所設定的閾值時(shí),程序重新初始化。
4 車(chē)道識別
本文在應用的基礎上對合肥以及沈陽(yáng)的BRT車(chē)道進(jìn)行統計,其BRT車(chē)道相對其他車(chē)道具有如下特點(diǎn):其左右車(chē)道線(xiàn)都為黃色,一般位于路的兩邊,道路的兩邊有欄桿或者路牙等特征?;诖颂攸c(diǎn),本文實(shí)現了BRT車(chē)道的識別系統,結合GPS判斷其所在位置范圍內有無(wú)BRT車(chē)道,若有則判斷車(chē)道線(xiàn)顏色是否為黃色,即建立顏色模型,對車(chē)道線(xiàn)上的每一點(diǎn)顏色進(jìn)行標記,并綜合判斷其左右車(chē)道線(xiàn)是否是黃色車(chē)道線(xiàn),對黃色進(jìn)行標記,如圖9左圖所示。由于車(chē)道線(xiàn)長(cháng)期受到磨損有一定的失真,且在晚上黃光燈照射下不易準確地識別顏色,本文結合其欄桿、路牙等特征識別車(chē)道,對檢測的車(chē)道線(xiàn)兩邊的一定區域(圖9右圖白色矩形區域)進(jìn)行對比,比較其顏色邊緣紋理等特征差別。通過(guò)大量的測試,本文得到了判斷其是否為BRT車(chē)道的先驗閾值,當矩形區域差別大于設定閾值時(shí),則判斷為公交專(zhuān)用車(chē)道,從而準確實(shí)現車(chē)道檢測。

5 實(shí)驗結果與分析
實(shí)現BRT 車(chē)道識別的具體流程如圖10 所示。

本文首先通過(guò)GPS采集車(chē)輛所在區域的經(jīng)緯度信息, 并建立道路經(jīng)緯度信息庫判斷車(chē)輛所在位置附近是否具備BRT專(zhuān)用車(chē)道,若有,則進(jìn)行車(chē)道線(xiàn)檢測,找到車(chē)輛所在車(chē)道的左右車(chē)道線(xiàn),并判斷車(chē)道線(xiàn)上顏色信息以及車(chē)道線(xiàn)左右的邊緣亮度等信息,分析其是否具備BRT快速公交車(chē)道的特征,如具備,則可以作為監控前方車(chē)輛是否違規駛入BRT車(chē)道的一個(gè)依據。
6 改進(jìn)應用
該模型不僅適用于公路等有車(chē)道線(xiàn)的結構化道路,也可適用于車(chē)轍痕跡較為清晰的鄉間土路、沒(méi)有車(chē)道線(xiàn)的柏油路等非結構化道路, 能夠較為準確地檢測道路的消失點(diǎn)。當車(chē)輛行進(jìn)方向偏離其消失點(diǎn)時(shí), 提醒司機采取相應的措施, 從而實(shí)現了車(chē)道偏離預警, 可以有效地抑制事故的發(fā)生。圖12 為對白色區域進(jìn)行Gabor 卷積運算, 將卷積結果較大( 即能量較大) 的點(diǎn)的方向繪制出來(lái), 如圖12 右圖所示??梢钥闯?, 方向基本指向道路的消失點(diǎn)。圖13 為復雜道路的消失點(diǎn), 其中圓圈表示消失點(diǎn)投票結果。


本文對合肥公交專(zhuān)用車(chē)道進(jìn)行了大量的實(shí)驗,實(shí)驗結果表明,該算法具有很強的適用性,能夠準確地檢測到車(chē)輛所在車(chē)道的車(chē)道線(xiàn),并對其車(chē)道作出正確的判斷。車(chē)道識別結果如圖11所示。
本文提出了基于道路紋理特征的車(chē)道線(xiàn)檢測方法,將直線(xiàn)模型算法成功移植到DM6437開(kāi)發(fā)平臺。通過(guò)攝像頭實(shí)時(shí)采集道路圖像(25 S/s,圖像大小為720×576),實(shí)時(shí)統計車(chē)道線(xiàn)信息,并在城市道路上進(jìn)行了大量的實(shí)驗測試,平均每幀圖像的算法耗時(shí)控制在50 ms以?xún)?,能夠較為準確地檢測出車(chē)道線(xiàn)的位置,具有較強的實(shí)時(shí)性和魯棒性。
評論