基于車道線消失點(diǎn)檢測(cè)的車距測(cè)量方法研究*

楊清峻 侯忠偉

（1.重慶交通大學(xué)機(jī)電與車輛工程學(xué)院；2.重慶交通大學(xué)土木工程學(xué)院）

在智能交通系統(tǒng)中，先進(jìn)駕駛輔助系統(tǒng)里的前方車輛距離測(cè)量是熱點(diǎn)問題之一。目前，國(guó)內(nèi)外主要的環(huán)境感知手段有激光、雷達(dá)、超聲波和視覺傳感器等，視覺傳感器成本較低、信息量豐富，應(yīng)用更為廣泛，已經(jīng)成為駕駛輔助系統(tǒng)獲取外界信息的主要手段。在車輛行駛過程中，由于道路環(huán)境存在水平或垂直方向上的激勵(lì)，攝像機(jī)的外部參數(shù)會(huì)發(fā)生變化，進(jìn)而影響單目視覺測(cè)距的精度。針對(duì)上述問題，文章提出一種改進(jìn)的車道線消失點(diǎn)檢測(cè)的算法，實(shí)現(xiàn)前方車輛距離的測(cè)量。該方法使用車載攝像機(jī)拍攝的圖像獲取車道線信息，通過檢測(cè)車道線消失點(diǎn)并實(shí)時(shí)更新消失點(diǎn)坐標(biāo)，結(jié)合建立的單幀靜態(tài)圖像車距測(cè)量模型完成前方車距測(cè)量。

1 車道線檢測(cè)

車道線無論是對(duì)傳統(tǒng)汽車，還是智能交通系統(tǒng)中的車輛的行駛都能起到約束保障的作用，是道路中最主要的交通標(biāo)志之一，不但可以減少交通事故的發(fā)生，而且在以后智能交通發(fā)展中，車道線檢測(cè)都是一個(gè)必不可少的功能模塊。近幾年來，針對(duì)車道線檢測(cè)的問題，國(guó)內(nèi)外進(jìn)行了大量的研究，而通過機(jī)器視覺的主要檢測(cè)方法有2種，一個(gè)是基于模型的車道線檢測(cè)方法[1]，利用車道線幾何特征建立匹配的數(shù)學(xué)模型，常見有直線型、曲線型和拋物線型等模型。然后根據(jù)模型對(duì)車道線進(jìn)行擬合，但一種模型只適應(yīng)于一種道路場(chǎng)景。另一個(gè)是基于特征的車道線檢測(cè)方法[2]，通過閾值分割和邊緣檢測(cè)等方法，將道路中車道線特征信息與其它特征信息的分割并提取。根據(jù)不同類別的特征信息，又分為顏色特征的檢測(cè)、紋理特征的檢測(cè)以及多特征融合的檢測(cè)方法。

文章采取基于特征的車道線檢測(cè)方法，攝像機(jī)采集到的初始圖像因?yàn)樵肼暫瓦吘壔叶然纫蛩氐母蓴_，對(duì)邊緣檢測(cè)算法的檢測(cè)結(jié)果有較大影響，因此選用Gauss濾波器來降噪以達(dá)到改善邊緣檢測(cè)的效果[3]。將初始圖像進(jìn)行灰度化處理，并利用Gauss濾波消除圖像噪聲，提高檢測(cè)算法的效率，如圖1所示。

圖1 灰度化并Gauss濾波消除圖像噪聲

獲得預(yù)處理圖像通過OTSU算法進(jìn)行分割得到車道線較為明顯的圖像。這里采用改進(jìn)的OTSU算法。傳統(tǒng)的OTSU算法灰度遍歷包含整個(gè)灰度級(jí)，計(jì)算量較大[4]。當(dāng)目標(biāo)與背景的類內(nèi)方差差別較大時(shí)，因閾值的偏向會(huì)降低分割效果。文章OTSU算法中閾值的選取根據(jù)圖像中目標(biāo)所占權(quán)重來調(diào)節(jié)，避免因目標(biāo)與背景方差差別較大，閾值偏向目標(biāo)之外的部分而過高[5]。因車載攝像機(jī)拍攝的前方道路圖像中車道線占據(jù)較小比例，即圖像灰度化均值靠近背景峰，故背景部分的灰度均值大于目標(biāo)部分的灰度均值，初始分割閾值處于灰度最小值與圖像灰度均值之間。將初始閾值以目標(biāo)所占權(quán)重進(jìn)行修正，使其位于雙峰圖像的谷點(diǎn)附近，即在灰度均值與白色灰度值之間，如圖2所示。即調(diào)節(jié)最佳閾值，減少灰度級(jí)的遍歷范圍。分割效果如圖3所示。

圖2 一維灰度直方圖

圖3 OTSU算法檢測(cè)車道線

2 ROI區(qū)域選取

簡(jiǎn)單預(yù)處理后的圖像包含了如天空、樹木和房屋等許多與車道線檢測(cè)無關(guān)的信息，這些多余的信息不僅會(huì)影響算法的處理速度，更是影響車道線和車道線消失點(diǎn)的坐標(biāo)的檢測(cè)[6]。因此將圖像中天空、樹木、房屋等不影響檢測(cè)結(jié)果的區(qū)域去除，減少圖像中需要處理的像素?cái)?shù)量，提高測(cè)量速度與精度。文章借鑒文獻(xiàn)[7]中感興趣區(qū)域確定方法，分析圖像得到其中道路水平線v=vp，即在感興趣區(qū)域ROI中，舍棄道路水平線以上0~50 vp行像素。ROI分割原理如圖4所示。分割后的效果如圖5所示。

圖4 ROI分割原理圖

圖5 ROI區(qū)域圖

在檢測(cè)出的車道線區(qū)域內(nèi)檢測(cè)車底有效陰影，當(dāng)在有效檢測(cè)范圍內(nèi)準(zhǔn)確檢測(cè)到的車輛在圖像所在的像素坐標(biāo)系中所占的像素范圍是25～120像素[8]，在車道線區(qū)域內(nèi)，選取長(zhǎng)度在25~120個(gè)像素點(diǎn)的陰影線檢測(cè)其在像素坐標(biāo)系中的縱坐標(biāo)。

3 消失點(diǎn)檢測(cè)

將選取后的圖像通過4個(gè)方向的Gabor濾波器計(jì)算圖像中車道線的顯著紋理方向，確定備選的消失點(diǎn)，然后采取基于距離的有效投票方法快速估計(jì)消失點(diǎn)的位置[8]，并通過圖像坐標(biāo)系來確定消失點(diǎn)的坐標(biāo)。選定的Gabor濾波器的方向有0、45°、90°及135°等[9]，像素點(diǎn)h（x,y）處的Gabor濾波器的能量響應(yīng)值排序?yàn)椋?/p>

如果第1個(gè)和第4個(gè)值明顯不同，那么h=(x,y)的取向可靠，否則該點(diǎn)不在取值內(nèi)，定義該像素點(diǎn)的置信水平如公式（1）所示，且置信水平值小于閾值0.85的點(diǎn)不作為備選的消失點(diǎn)[9]。

通過顯著紋理方向的像素點(diǎn)能量響應(yīng)值最大值計(jì)算顯著紋理方向。根據(jù)像素點(diǎn)h(x,y）與備選的消失點(diǎn)k(u,v)之間的歐氏距離d(h)，來確定消失點(diǎn)[9]。采用基于距離的有效投票方案通過像素點(diǎn)h(x,y)和其與備選消失點(diǎn)連線的延長(zhǎng)線和圖像邊界的交點(diǎn)的最大有效距離D(h)確定出可靠的消失點(diǎn)。其中有效距離與圖像中車道線間的距離和延長(zhǎng)線與水平線的夾角有關(guān)。當(dāng)延長(zhǎng)線與水平線的夾角γ在90°以內(nèi)，則有l(wèi)(h)=(w-y)/cos(γ)；當(dāng)夾角為90°時(shí)，l(h)=x；當(dāng)夾角處于90°與180°之間時(shí)，則有l(wèi)(h)=-y/sin(γ)。則最大有效距離有：

若h點(diǎn)的顯著紋理方向θ(h)與延長(zhǎng)線之間的角度小于給定的閾值 （tt=15°)[10]，則原始消失點(diǎn)：

車道線消失點(diǎn)檢測(cè)的試驗(yàn)效果如圖6所示。

圖6 車道線消失點(diǎn)檢測(cè)

4 車距測(cè)量

傳統(tǒng)的單目視覺前方車距測(cè)量方法是利用小孔成像模型通過透視投影變換來描述幾何關(guān)系[11]，先通過標(biāo)定確定攝像機(jī)內(nèi)部參數(shù)，然后根據(jù)攝像機(jī)安裝的位置參數(shù)來推導(dǎo)出車距測(cè)量公式。

式中：h——車載攝像機(jī)的高度，m；

f——攝像機(jī)焦距，mm；

ω——攝像機(jī)光軸與車身縱軸線夾角；

θ——攝像機(jī)俯仰角；

y0——攝像機(jī)光軸與像平面焦點(diǎn)縱坐標(biāo)；

y——前方車輛路面上投影點(diǎn)的縱坐標(biāo)。

在車輛行駛過程中，路面激勵(lì)與攝像機(jī)安裝都對(duì)仰俯角和偏航角有很大影響，而不斷變化的仰俯角和偏航角會(huì)給前方車輛的距離測(cè)量造成很大的誤差[12]。

在標(biāo)定出消失點(diǎn)在圖像中的坐標(biāo)后，建立基于消失點(diǎn)的車距測(cè)量幾何模型如圖7所示。

圖7 基于消失點(diǎn)的車距測(cè)量幾何模型

d1為攝像機(jī)與近視場(chǎng)點(diǎn)間的縱向距離，而在幾何模型中，O e=f為攝像機(jī)焦距，在成像平面像素坐標(biāo)系中，y軸的尺度因子μ=f/dy。從圖像像素坐標(biāo)系中獲取到圖像中近視場(chǎng)點(diǎn)d的縱坐標(biāo)v1、點(diǎn)e的縱坐標(biāo)v2和車底陰影上的點(diǎn)g的縱坐標(biāo)v3，以及圖像中車道線消失點(diǎn)p(u,v4)，則有：

d1由安裝車載攝像機(jī)后拍攝的圖像下邊沿對(duì)應(yīng)路面上的點(diǎn)到攝像機(jī)的縱向距離測(cè)得。

5 實(shí)驗(yàn)與分析

為了驗(yàn)證上文提出的方法，通過某型號(hào)轎車上安裝的攝像機(jī)獲取測(cè)距所需圖像，使用MATLAB標(biāo)定工具箱標(biāo)定攝像機(jī)內(nèi)部參數(shù)及近視點(diǎn)坐標(biāo)。如表1所示。

表1 參數(shù)標(biāo)定

文章試驗(yàn)的運(yùn)行平臺(tái)為英特爾酷睿i5-2320@3.00 GHz、Windows 10、Matlab2015a。測(cè)距流程如圖8所示。由于受實(shí)驗(yàn)條件限制，采用實(shí)際道路環(huán)境中前方車輛視頻單幀車距測(cè)量。不同位置處的車距檢測(cè)結(jié)果如圖9所示。

圖8 本文測(cè)距流程圖

圖9 車距檢測(cè)結(jié)果

不同位置的測(cè)量結(jié)果如表2所示。將算法測(cè)量結(jié)果與文獻(xiàn)[13-14]中的結(jié)果進(jìn)行比較，如圖10所示。

表2 測(cè)量結(jié)果

圖10 誤差比較

采用改進(jìn)的車道線消失點(diǎn)檢測(cè)方法，測(cè)量精度相對(duì)有所提高，誤差相對(duì)較低且較為平緩。通過對(duì)比實(shí)際車距發(fā)現(xiàn)，還存在一定誤差，產(chǎn)生的主要原因可能有：1)改進(jìn)的車道線消失點(diǎn)檢測(cè)在天氣、陽(yáng)光等的外界環(huán)境影響下，消失點(diǎn)坐標(biāo)出現(xiàn)一定偏差，導(dǎo)致測(cè)量距離出現(xiàn)誤差；2)采取的車底陰影范圍檢測(cè)導(dǎo)致車底陰影坐標(biāo)有偏差，造成車距檢測(cè)結(jié)果的偏差；3)在測(cè)距公式中，近視點(diǎn)d1的標(biāo)定誤差導(dǎo)致最終車距檢測(cè)結(jié)果的誤差。

6 結(jié)論

本文提出了改進(jìn)的車道線消失點(diǎn)檢測(cè)的車距測(cè)量，針對(duì)一些車載相機(jī)外部參數(shù)在行駛過程中發(fā)生變化，從攝像機(jī)成像的基本原理出發(fā)，利用車道線消失點(diǎn)的坐標(biāo)，確定前方車距測(cè)量模型，不僅減少了需要標(biāo)定的攝像機(jī)參數(shù)，也避免了攝像機(jī)高度和仰俯角等車載攝像機(jī)外部參數(shù)對(duì)測(cè)量精度的影響。實(shí)驗(yàn)表明，利用車道線消失點(diǎn)的車距測(cè)量方法能夠較為穩(wěn)定的測(cè)量前方車距。結(jié)果表明，文章設(shè)計(jì)的車距測(cè)量方法的測(cè)量結(jié)果準(zhǔn)確率相對(duì)于改進(jìn)前提高了1.61%，測(cè)量誤差在3%以內(nèi)，滿足車距測(cè)量應(yīng)用要求，對(duì)實(shí)現(xiàn)車輛主動(dòng)安全有實(shí)際意義和應(yīng)用價(jià)值。