文摘

车道偏离警告系统(长春)一直被视为一种有效的方法来减少道路交通事故的损害赔偿造成司机疲劳和注意力不集中。车道检测的关键技术之一是长春。克服算法的复杂性之间的矛盾和车辆车载系统的实时要求,介绍了一种新的基于智能CCD的车道检测方法参数的监管。为了提高系统的实时性能,提出了一种CCD参数调节方法,提高线和路面之间的反差,降低图像噪声,所以下面的车道检测奠定了良好的基础。霍夫变换算法提高了种子点的选择和分类。最后通过一些限制提取车道线。实验结果验证了该方法的有效性,它不仅提高了实时能力还系统的准确性。

1。介绍

高速公路的快速发展和机动车数量的增长,交通事故,特别是大规模交通事故增加,成为全球最严重的问题之一1- - - - - -4]。为低收入和中等收入国家,这种情况更糟。世界卫生组织(世卫组织)的一份报告指出,世界上超过90%的死亡发生在低收入和中等收入国家的道路,而只有48%的全球注册的车辆。据估计,除非立即采取行动,道路交通死亡人数将上升到2030年第五大死因,每年导致约240万人死亡(5]。道路安全全球现状报告清楚地表明,需要更多采取行动使世界的道路安全。目前,中国交通事故和伤亡的增加趋势已经放缓在一定程度上,显示了一个下降的趋势,但乐观的情况是远离6]。

减少道路交通事故所引起的损失,挽救更多的生命,应该分析和总结的原因和因素。有很多因素导致交通事故,从司机行为机械故障、环境条件和道路设计(7- - - - - -9]。许多工作已经完成调查的方式开发一个汽车驾驶辅助系统来提高其安全性。那些因素导致严重事故,司机疲劳和注意力不集中造成相当大的部分(10,11]。驾驶是一个复杂的过程,涉及eye-hand-foot协调。在许多情况下,司机睡着了让车辆离开其指定的车道,可能引起事故。NHTSA的路估计,大约28%的致命交通事故引起的美国在2005年。此外,昏昏欲睡,睡觉,或者疲劳和粗心的司机造成约2.6%和5.8%的致命的崩溃,分别为(12,13]。还需要进一步的研究来提高司机的驾驶行为和活动与其他先进技术的帮助。

为了防止这类事故,研究者们提出了各种解决方案和技术预测和发现意想不到的车道偏离事件警告司机对这类事件。车道偏离预警系统(长春)已经提出了这个目的,警告司机一旦车辆开始无意中漂移的驾驶车道或者自动采取措施确保车辆保持在正确的车道14]。当前可用的长春的市场前瞻性的应用系统,主要应用于高档车,如宝马、梅赛德斯-奔驰、等等。为了减少交通事故,长春需要适应所有类型的车辆,而不是某些类型的车辆。尽管许多研究者提出几个先进的算法来提高系统的性能(15,16),还存在以下的瓶颈问题:(1)车道检测应该适应各种条件。车道检测的主要任务是长春,检测的准确性是基础和前提,实现预警功能。几个算法提出了和他们之间的分歧主要包括图像预处理,车道模型,选定的模型拟合方法和跟踪策略17,18]。然而,很难进行高检出率在复杂情况下涉及阴影,不同照明条件下,坏的道路条件绘画和种类的车道标志如实线、段线路,双黄线,路面或身体障碍。因此,如何使检测算法适应复杂的环境中是一个重要的问题。(2)长春必须满足要求,比如健壮的、成本低、紧凑、损耗低和实时。这些需求需要完成的一些算法,而另一个可以从硬件设备来实现。在[19),介绍了一种自适应DSP-based长春的工作频率600 MHz和车道标记检测35 f / s的速度。系统功能紧凑,但价格略高。此外,研究人员使用FPGA设备或其他低成本和低功耗消费体系结构开发系统(20.,21]。然而,算法的复杂性之间的矛盾和硬件的内存非常突出。

克服上述困难,应该制订一些策略,使系统实时和可靠,从而适应真实道路环境。本文旨在开发一种基于智能控制CCD实时车道检测算法参数,可有效解决长春的实时性和鲁棒性之间的矛盾。本文的内容组织如下。部分2介绍了一个智能监管CCD参数算法。在分析传统霍夫变换的优缺点,提出一种改进的霍夫变换算法3。部分4通过道路试验验证了所提出算法的有效性,并给出一些结论5。

2。基于特征区域的CCD参数调节

长春系统需要一个伟大的需求CCD图像采集速度。为了达到这个目标,CCD采用一种参数控制技术,也就是说,增益,明亮,和CCD的快门可以编程。因此,CCD参数可以被编程的实时监管,有助于图像分割,减少噪音,以及改善可靠性和瞬时性的车道检测算法。此外,它可以提高路面的对比和车道标志。

CCD模型用于我们长春BaslerA602f及其参数可以通过IEEE1394监管视频采集卡连接到一个嵌入计算机(22]。CCD参数调节的目的可以实现通过定义一些功能区域和计算这些区域的特征值。

2.1。功能区域划分和特征值计算

作为显示在图1要处理,图像分为六个功能区域的区域来。图像的大小为320×240像素。

地区上中心的1/4区域形象。灰色的平均值和方差这个区域显示天空的亮度。而地区是底部中心的1/4区域形象,灰色的平均值和方差指出路面的黑暗。他们可以使用计算 在哪里和分别是图像的宽度和高度;是像素的灰度值吗。

通常,车道标志包含地区,,,。在某种程度上,他们的灰度平均值和方差可以表示图像的明暗状况在车道标志。车道的位置是不不变的车辆移动。所以该地区,,,,称为车道标志功能区域,将改变他们的位置和运动车辆的信息。这些地区的大小可分为按照车道标志的检测和跟踪状态(23]。

如果车道检测状态,也就是说,我们不知道车道标志位置和它的灰色信息。这些功能区域的大小和位置是不确定的,可以确定的基础上,实际的实验数据。如图1,他们定义如下。宽度160像素,在图像的中心。点和是对称的对吗设在。之间的夹角和设在45°平行于。左边的车道标志线的地区PMQN。地区的PMQN分为区域和线的,这可能包含详细的线迹的宏观信息和车道,分别。在坐标系统显示在图1的坐标点,,(80−120)(0,120),(80,120)。的函数可以表达的。的特征值区域和计算为 在哪里和像素数量的地区吗榜单和PIGH,分别;区域像素数量。

之间的夹角圣和设在135°圣平行于问。灰色的平均值和方差的地区和可以通过同样的方式计算。

如果车道跟踪状态,也就是说,我们之前得到参数的车道检测。在这种情况下,该系统提高了建筑的瞬时性一些动态梯形特征区域。由于投影的效果,有一些差异在底部偏转距离和中心的形象。因此,我们构建的动态梯形特性区域利用6专业特征点(24]。如图2,点作为前面的小路消失点,其坐标是。点和是左边的车道的端点和右车道,分别。然后偏置点20像素左右,分别,我们可以点和。偏置点30像素和连这一点,这条线的相交点图像边缘。偏置点30像素下来,连这一点,这条线的相交点图像边缘。在同样的方式,我们会分和。在跟踪条件下,一个移动的车辆将改变车道位置,导致这六个特征点的变化。因此,功能区域由这些点是动态的。

2.2。CCD参数调节

一旦确定功能区域及其特征值计算,CCD参数根据这些值可以调节。详细的CCD参数规定如下。(1)计算这些特征区域的特征值根据车道检测和跟踪状态。(2)以前在不同光照条件下进行的实验显示,很容易做出决定车道标志和路面之间的平均值的地区,,,在[60100]和[11日27]的方差。所以我们不会改变CCD参数和连续捕获图像在灰度平均值得到的范围[100]和[11日27]的方差。如果所有的平均值低于60或高于100,我们将改变CCD获得,亮度,快门一定步长,直到他们的特征值在适当的范围内。(3)保存当前参数和捕捉下一帧图像。

图3显示CCD参数后的图像,其分割结果监管条件下强烈的照明。在这些画面显示下面,左边一个是基于CCD图像参数调节和正确的是相应的分割结果。

上面图片显示对比车道标志和路面得到了增强CCD参数后的监管。图像的分割是很好,几乎没有背景噪音。

3所示。使用改进的霍夫变换车道检测

3.1。分析传统霍夫变换

高速公路上的图片收集非常复杂,将会有很大的错误,如果我们使用线性拟合方法检测车道。相反,霍夫变换是健壮的小变化图像的噪声,并善于处理对象的条件部分闭塞和覆盖25]。在图像空间中,可以描述为直线并且可以为每一对像点图形绘制。霍夫变换的主要想法是考虑的特征直线而不是像点,等),而是,它的参数,即斜率参数和拦截参数。由于计算的原因,在极坐标下一双不同的参数,用和,用于直线霍夫变换。是一个正常的长度从原点到直线和的方向是关于设在。实现过程使用传统霍夫变换提取直线如下。(1)数字转换和,建立一个二维数组积累在参数映射的,如图4。跨度的参数()分别, ]和[,]。(2)初始化二维数组,搜索在序列图像中的白色镶边。二值化图像的每一个白色镶边,让可以是任何值轴。然后计算值根据方程。积累数组的基础上的价值和。(3)求出最大值在变换域和记录。(4)明确社区的最大值及其值点。(5)找出所有的最大点先后和记录。(6)寻找最近的车道线根据某些约束。

根据这个过程,传统霍夫变换检测道路车道时一些缺点如下。(1)作为每一个白色的点应该参与计算的空间变换,计算量增加,耗费时间。我们可以克服这个通过调整CCD参数,如图5。我们比较使用二值化图像的车道检测收集在同一个地方。在图左边的图像5显示的情况没有和调整CCD参数,分别。通过比较这两个数据,我们发现,使用CCD参数调整算法后,霍夫变换的点涉及减少明显,验证CCD参数调整算法的有效性。(2)由于量化参数和,峰值附近一个直线找到峰值后总是非常大;我们应该明确社区价值观和寻找下一行。但不容易完全定义社区范围,如果邻居太小,直线检测到下次将重叠在已经存在,如果附近太大,附近等待发现点会放晴,下次,你不会找到任何一点。时更明显存在一些类似同时他们相互接近,中间和右侧的列所示图5。

3.2。改进的霍夫变换车道检测

面对缺点,许多研究人员提出了一些改进的方法。这些方法可以概括两种(26,27]。一个是分类图像中的点进行霍夫变换之前,比如使用梯度方向上的减少的选票。这样可以减少计算时间,并减少无用的选票的数量的有趣的效果,从而提高峰值对应的可见性的实际线路的形象。技术的关键是选择合适的分类方法。另一种是改善变换投票方案,如基于霍夫变换(28]。这种方法可以显著提高投票方案的性能,使变换更健壮的检测伪线。但计算时间是巨大的,这是长春不当。

在分析传统的霍夫变换,提出了一种新的巷识别方法。具体来说,首先选择种子点的车道,然后利用霍夫变换每组的种子点。图6显示了阈值和噪声过滤后的照片,代表三种典型情况下,正常的,现有的类似的干扰和发生偏差。

3.2.1之上。种子点的选择和分类

显示在图6,为每个扫描线巷有两个主要功能,因为车道宽度和灰度值的每一方都突变。这两个功能可以选择车道种子点的标准,任何一个拥有的特性可以被视为巷种子点。种子点两个扫描之间的线可以放入一个种子点群,如果他们的像素差别小于一定的阈值,否则他们将到一个新的团队。具体步骤如下。

首先,把一个二维数组SeedGroup 代表了协调的种子点。其中,种子点阵列的数量,这也是最大的车道线的数字。根据CCD高速公路设备视图和场景中,最大的价值设置4。代表了扫描线的数量和种子点协调。随着车道标志总是在图片的下半部分,我们设置的值图像高度的一半,。这个数组初始化为0。

其次,扫描图像从左到右,从下到上。当扫描遇到一个白色的点,继续扫描,并开始计数,当遇到一个结束点不是白色的。然后白色点数量,取中间值作为种子点

因此,种子点的坐标。考虑到莱恩是不连续的,这可能导致种子点相隔几扫描线,我们分类的策略如下。根据CCD透视原理,当要大得多,每个像素代表的实际距离远得多。所以分为两个部分:如果,我们应该比较SeedGroup所有车道数组的值与。如果小于一定的阈值(当CCD安装在车辆基本水平,通过测试阈值将20),它将种子点这道数组。如果超过一定的阈值,它表明一个新的巷出现。我们可以分类的种子点新巷数组。其他的如果,我们应该比较SeedGroup前的第一个30巷数组值与。分类原则是同上。

假设巷数组种子点进行分类。我们应该保留巷数组的数据(SeedGroup ,)。然后继续扫描从0像素向下,直到完成当前的扫描。

最后,继续扫描直到完成所有种子点的选择和分类。图7显示了非零种子点阵列SeedGroup 形象图6。每个数组代表一个车道。可以看到,该方法可以准确地获得车道中心的点,和分类准确点。

3.2.2。利用霍夫变换对每组的种子点

一旦种子点被选择和分类,并且每个车道可以确定利用霍夫变换显示每组的种子点。量化参数空间然后建立一个二维数组,积累首先初始化二维数组和利用霍夫变换对每组的种子点。我们应该让每一个点上的所有值轴和计算的值。比较数组元素的大小得到最大值。参数和相应的最大价值所需的直线。所以我们找出参数每一个车道。

3.2.3。当前车道检测和角约束

通常,可能存在多个车道的形象因此,我们需要定义一个特定约束准确提取当前车道。由于CCD投影变换,图像中的车道消失在一个点。图8显示角关系图的多车道的形象。如这个图所示,左边的车道的角和右车道。从图像的中心线,越远越小和更大的。因此,我们可以提取当前车道,依照这个方法。

当利用改进的霍夫变换获得的参数直巷,最小的角和最大的可以确定。那么当前车道可以根据检测参数映射。图9显示当前车道检测结果。

4所示。实验和分析

来验证提出的车道检测方法,进行了几个实验图像和序列上真正的高速公路场景与车道偏离警告系统。在实验过程中,驱动程序驱动车辆横巷故意去看系统的性能。驾驶环境重点是公路与不同的光照条件。一些典型的车道检测实验结果如图所示10。左边的图片是使用传统霍夫变换检测结果,而正确的使用改进的霍夫变换图像显示结果。那些整个图像捕获后应用智能控制CCD参数。

从图可以看出10 (),这两种方法都可以实现车道检测在正常环境。区别在于每个图像的处理时间。一个图像的平均处理时间使用传统的霍夫变换是大约45 ms。它减少到25 ms使用改进的霍夫变换时。此外,提出正确的车道检测方法可以识别车道在异常环境下,如强烈的亮度。甚至有干扰。而传统方法不能在这种情况下,作为显示在图10 (b)。重要的是长春实现正确的当前车道检测,特别是当车辆在车道交换的过程。传统方法通常需要相邻的边界作为当前车道,这可能会导致丢失报警,导致严重事故。幸运的是,改进的霍夫变换能够准确检测当前车道,即使他们是虚线车道标志,如图10 (c)这可能导致进口角度的限制。

表1比较我们的车道检测方法与传统方法的性能。统计分析还表明,在CCD参数调节,表演的传统和改进的霍夫变换的增强。虽然提出了霍夫变换提供了最好的性能。的天气,阴天显示比晴天的原因,路面更加黑暗,这有利于扩大表面之间的对比和白色车道标志。

5。结论

在这篇文章中,一个健壮的车道检测方法基于智能CCD参数调节通过结合改进的霍夫变换与一定的角度提出了限制。本文的主要贡献如下。(1)CCD参数,如亮度、增益,和曝光时间,规范基于专业中的信息特征的地区。测试结果表明,CCD参数的调整可以增强车道标志与路面之间的对比,降低背景噪音,这有助于提高的实时算法。(2)一种改进的霍夫变换算法在分析传统的优缺点,优化选择的种子和引入角度约束。(3)一些道路实验来验证该方法。与传统的霍夫变换相比,结果表明,改进的方法可以检测当前车道较低的处理时间和更高的检测精度。在这种情况下,车道模型作为直线和曲线忽略线模型,真正存在的真实环境。在未来的工作中,这种情况下应考虑车道偏离警告系统。此外,根据车道车辆转向控制是必要的检测结果。

确认

这项研究是由中国国家自然科学基金(61104165)和中央大学的基础研究基金(DUT12JR08和20116217)。