基于Hough变换的车道位置监测方法 - 2013年电子工程与计算机科学

© 2013年。由爱思唯尔公司出版信息工程研究院负责评选和同行评议可在www.sciencedirect.com上在线获取ScienceDirectIERI Procedia 4（2013）316 - 3222013年电子工程与计算机科学基于Hough变换的C. Tu*a，BJ. van Wyka，Y. Hamama，K.朱阿尼a，杜盛智baFSATI/部门电子工程，Tshwane技术大学，比勒陀利亚，0001，南非b南非佛罗里达大学电气和采矿工程系，南非，1710年摘要提出了一种车道上车辆位置监测的方法。摄像机安装在车辆的侧面，并向下聚焦在道路上，以捕获包含车道线和车轮/车辆边界的图像。Hough变换（HT）用于从捕获的图像中检测车道。该算法利用序列图像间的相关性以及车道线和摄像机的约束条件，在图像空间和HT空间中最小化感兴趣区域（RoI），提高了图像的捕获精度，降低了计算复杂度。车道位置监控系统被认为是有用的无人驾驶车辆，也可以提供正常车辆的警告，以提高驾驶安全性。实验表明，该方法在各种道路和驾驶情况下都是有效的。© 2013作者。由Elsevier B. V.在CC BY-NC-ND许可下开放获取。信息工程研究院负责评选和同行评议关键词：Hough变换，车道线检测，视频内容分析，无人车1. 介绍Hough变换（HT）Hough PVC。1962是直线检测的常用技术。 车道线检测的许多种类和应用可以在文献中找到：Cualain DO et.例如，2012年提出了一种基于霍夫变换域中的减法聚类和卡尔曼滤波来检测前向视频中的车道偏离的方法; Liu GL et.等人，2010年提出了一种基于组合的统计霍夫变换与粒子滤波器的跟踪方法，用于鲁棒的车道跟踪; Kuk JG等人，2010年，等人2010介绍了一种使用霍夫变换的车道检测方法，其节省了存储器空间并减少了计算; Wang JF et.例如，2010使用感兴趣区域（RoI）和随机霍夫变换（RHT）的思想来检测道路边缘; Felix M et.例如，2012年提出了一种基于Hough变换的车道标记检测方法; Ghazali K et.例如，2012年提出了一种识别意外车道变化的算法。2212-6678 © 2013作者由爱思唯尔公司出版 在CC BY-NC-ND许可下开放访问。信息工程研究所负责的选择和同行评审doi：10.1016/j.ieri.2013.11.045C. Tu等人/ IERI Procedia 4（2013）316317所有这些作品都是基于相机聚焦在前方和道路上。实时视频进行了分析，在图像中存在显着的干扰。这导致这些方法必须处理低信噪比。计算复杂度是基于这些方法的实时应用最常见的问题之一。本文主要研究车辆位置的监控。摄像头安装在车辆两侧，以捕捉车道线。视频中的每一帧都是HT的输入，以检测车道线并实时检测车道线与车辆之间的距离。通常情况下，序列帧具有很强的相关性，车道线的方向在序列帧中只有很小的变化。帧中检测到的车道线为下一帧提供启发式信息，因此仅需要HT矩阵的非常小的分量来检测下一帧中的车道线。因此，只需计算HT矩阵所需的面积，大大降低了计算复杂度。本文中的应用程序利用强约束的对象，如车道线的形状和大小。此外，车辆总是占据图像中的固定位置，因为相机安装在车辆的侧面。这些约束有助于为应用程序构建强大而快速的解决方案。本文讨论了如何使用这些约束来提高车道线捕获率，减少计算量和去除干扰物体。实验表明，该方法是有效的。论文的其余部分组织如下：第2节介绍了所提出的方法;第3节设计并实现了实验;第4节总结了论文。2. 所提出的车辆位置监测方法由于该应用程序是基于安装的摄像机，存在一些强烈的约束，对捕获的图像。本文旨在充分利用这些约束条件进行车道线检测。2.1. 对象的约束及其启发式知识该应用程序对车道线和摄像机都有约束。这些约束产生一些有用的启发式知识。2.1.1. 车道线首先，车道线具有规则的形状，此外，可以预期车道方向落在窄范围内。Fig. 1. (a)待检测车道线;（b）待排除2.1.1.1. 车道线在本申请中，假设车辆在具有车道线的道路上行驶。所以车道线可以被安装的摄像机捕捉到。在捕获的视频中，车道线具有与图1所示的车辆相似的移动方向。（一）.道路上的其他线，如停止线，可以很容易地排除基于它们的方向，如图。1.一、（b）.318C. Tu等人/ IERI Procedia 4（2013）3162.1.1.2. 车道线道路上的车道线必须遵守特定的规定，例如颜色和宽度。虽然有时车道线支离破碎，形状或多或少是恒定的。2.1.2. 摄像机的限制为了便于边缘检测、车道线检测和距离测量过程，摄像机安装在车辆的侧面并聚焦于向下的场景，使得图像中出现的车辆的边界是垂直的。这样，许多参数将被固定或容易地计算。如图1所示，所捕获的图像总是包含车辆边界的分量。这些区域在所有图像中是恒定的，并且可以在边缘化和直线检测过程中被排除。2.1.3. 启发式知识促进边缘算法和SHT基于车道线和车辆的约束，可以预期HT空间中的车道线具有以下特征： 双峰：由于边缘检测方法将为宽条纹生成两条线，因此HT将为每条线生成峰值; 双峰之间的距离：由于车道线的宽度是固定的，双峰之间的距离落在一个狭窄的范围内（尽管由于其在图像中的位置可能会有很小的变化）; 双峰之间的高度差：如果双峰的两侧捕获车道线 双峰的相似角度：由于车道线的两侧近似平行，并且摄像机聚焦于向下的场景，因此所捕获的车道的边界也近似平行，因此峰值出现在同一列或彼此非常接近的两列中; 高双峰：由于车道线是场景中的主要对象，因此其边界通常比其他较小的物体更长;200300400500600700800900100011001200电话：+86-10 - 5555555传真：+86-10 - 5555555图二.从图1所示的图像生成的双峰。(a).HT被应用于图1所示的图像。(a)产生的双峰如图2所示。双峰具有上面讨论的所有特征。这些特征有助于车道线的清晰定义，因此可以用于检测车道线并同时排除其他干扰。2.1.3.1. 边缘检测方法的预测知识（图像空间中的方向和RoI）先验知识通常有助于提高边缘检测方法的性能，如Sobel算法。在此应用中，摄像机安装在特定位置，双峰C. Tu等人/ IERI Procedia 4（2013）316319在图1所示的图像中，车辆的垂直方向几乎是垂直的。由于车道线的方向接近车辆运动的方向，车道线的边缘几乎是垂直的。这种先验知识可以用于将边缘检测算法约束在窄的方向排列中，这将大大降低计算复杂度。由于车辆在图像中总是占据一个固定的区域，这部分可以从边缘检测中排除。此外，车道线出现在视频的连续帧中的相似位置处，当帧率相对较高。通过将车道线的长度表示为l，将帧速率表示为f，速度为v，我们发现如果没有，v（一）其中n是包含相同车道线的帧的数量。例如，该应用中的帧速率为每秒30帧，每个组件为4米（虚线车道线），这意味着当车辆以每小时120公里的速度行驶时，组件将出现在3帧以上。此外，车辆在两个连续帧之间的横向移动非常小，这导致车道位置在这些帧中仅具有小的差异。这种先验知识可以用于预测下一帧中的车道线位置，使得边缘检测算法可以只考虑图像的小区域。这进一步减少了计算负荷。2.1.3.2. 推导车道线到车辆摄像机安装在车辆上后，将卷尺放在车道上，并将0cm标记与边界对齐。如图3所示，捕获图像。测量从带上的标记到图像的左边缘的距离以建立查找表，如图4所示，以表示图像距离和物理距离之间的关系。图三.车辆边界线在图4的图像用于测量距离2.2. 所提出的系统所提出的系统的结构如图所示。五、在图像被捕获之后，系统检查预测知识（即在前一帧中检测到的车道线信息）是否可用：如果是，则图像中的RoI将通过Sobel边缘检测算法进行处理;否则Sobel算法将处理整个图像。注意，由于车道线的约束，局部和全局Sobel都只检测近似垂直的边缘。100806040200100020003000像素40005000cm320C. Tu等人/ IERI Procedia 4（2013）316一旦获得边缘图像，则采用SHT来检测双峰：如果从前一帧中可获得预测知识，则仅计算HT空间中的RoI;否则，考虑了由车道线约束得到的全范围的最优解在HT数据中，首先检查峰值高度：如果高度太低，则意味着图像中不存在车道线，并且系统立即跳转到下一帧;否则，系统寻找另一个峰值，并检查这两个峰值是否满足双峰的约束。如果捕获到满足所有约束的双峰，则计算车道线的位置和方向并将其存储为下一帧的预测知识;否则，清除当前预测知识（如果有的话），因为如果当前帧不包含车道线，则出现在下一帧中的车道线可能不具有与最后检测到的车道线类似的参数。图五.拟议系统3. 实验和性能评价3.1. 实验设计设计实验时考虑了几种情况，以验证所提出的方法的性能，如高速行驶，不良车道线的情况下，其他干扰对象，和阴影的干扰。所有实验都在城市道路上进行，因为情况比高速公路更具挑战性C. Tu等人/ IERI Procedia 4（2013）3163213.2. 评价表1.显示了每个实验的捕获率。请注意，实验是在不同的道路上实施的，因此捕获率并不总是与其他情况相当。然而，对于每种情况，人们可能会发现捕获率是可以接受的。表1.各种情况下的捕获率（驾驶、道路、光线）情况代表性场景帧捕获率高速时速80公里11592.17阴影69691.98没有阴影22698.67扰阴1989.47脆性线731004. 结论提出了一种通过在车辆两侧安装摄像头来实现车辆位置监控的方法。车道和摄像机的约束被用来建立一个强大的检测系统，具有高捕获率和低计算负荷。图像空间和HT空间中的ROI由连续帧之间的相关性定义。实验验证了该方法的性能。结果表明，所提出的方法在各种情况下都能很好地工作。未来将考虑更具挑战性的情况。将考虑由前向摄像机捕获的视频，以改进车辆位置的预测。322C. Tu等人/ IERI Procedia 4（2013）316引用[1] 豪夫PVC。一种用于识别复杂图案的方法和装置美国专利3，069，654，1962。[2] 放大图片创作者：Culain DO，Hughes C，Glavin M，Jones E.汽车标准级车道偏离警告系统。智能交通系统，IET，第6卷，第1期，第44 -57页，2012年3月。[3] Liu GL，Wo rgo tter F，Markelić I.结合统计Hough变换和粒子滤波进行鲁棒的车道检测和跟踪。智能车辆研讨会（IV），2010年IEEE，卷，不，第993 -997页，美国加利福尼亚州圣地亚哥，2010年6月21-24日。[4] Kuk JG，An JH，Ki HY，Cho NI.基于Hough变换的快速车道线检测跟踪算法.智能交通系统（ITSC），2010年第13届国际IEEE会议，卷，不，第1344 -1349页，葡萄牙马德拉岛，9月19-22日。2010年。[5] 王建芳，吴燕，梁志红，Xi YJ.基于感兴趣区域随机霍夫变换的车道线检测。信息与自动化（ICIA），2010年IEEE国际会议，卷，不，第1735 - 1740页，中国哈尔滨，2010年6月20-23日。[6] Felix M，Cristian F，Daniel P.使用Hough变换进行车道标记检测。电气与动力工程（EPE），2012年国际会议和博览会，卷，不，pp.871-875，25- Iasi，Romania，27 Oct. 2012年。[7] 李文，李文，李文.基于H-Maxima和改进Hough变换的车道线检测计算智能，建模与仿真（CIMSiM），2012年第四届国际会议。不，第205 -208页，9月25-27日2012年。