车道标识线识别和跟踪方法研究
王荣本 余天洪 郭 烈 金立生 顾柏园
(吉林大学交通学院,长春 /+789,)
:;<=>?:@ABCD?(EFG(HIJ
摘 要 为了得到比较理想的道路图像中车道标识的边缘,文中采用了基于二维直方图熵最大化的车道标识边缘提取
方法。对此边缘图像采用定向边界跟踪方法提取出车道标识特征点,对这些特征点采用线性回归技术就可以得到车道标
识线参数,从而完成对道路图像中的车道标识线的识别,并且文中还采用了建立梯形的感兴趣区域的办法实现了对车道
标识线的实时跟踪。
关键词 定向边界跟踪 车道标识识别 车道标识跟踪 二维熵
文章编号 ’""!()**’((!""#)!!(77/K37! 文献标识码 + 中图分类号 L!K,
!"#$%& ’#(&) *%+ ,-." /-+0 1&".#2*)2.3 -.& 4+-502.3
6-.3 7%.38". 9( 42-.$%.3 :(% ;2" <2. ;2=$".3 :( >-2)(-.
(MA=JNO’AP=P>’J Q’??F)F,R>?>J LJ>SFAN>PT,Q*=J)I*(J U+889,)
?=JF <=AWNX FG)F >J = A’=G ><=)F,P*>N O=OFA (NFN = I* >N B=NFG ’J
?8=#+-5#: VJ ’AGFA P’ )FP =J >GF=?
<=Y><(< P@’;G>’J FJPA’OT P’ O>IW;(O ?=JF <=AW FG)FNHZ=JF <=AW I*=A=IPFA O’>JPN I=J BF [’(JG BT (N>J) [>YFG
’A>FJP=P>’J FG)F PA=IF >J P*F FG)F ><=)FHVP >N AF=?>\FG P’ >GFJP>[T ?=JF <=AWN BFI=(NF ?=JF <=AW ?>JF O=A=AFG B=NFG ’J ?>JF=A
AF)AFNN>’J PFI*J>](F BT (N>J) P*FNF O’>JPNH^>J=??T ?=JF <=AW ?>JFN AF=? _P>J) >N
AF=?>\FG BT =OO?T>J) PA=OF\>= ‘aV YFG ’A>FJP=P>’J FG)F PA=IF,?=JF <=AWN >GFJP>[T>J),?=JF <=AWN PA=IW>J),P@’;G>’J FJPA’OT
" 引言
导航路径的快速准确识别是智能车辆自主导航的关键。作
$ 基于二维直方图熵最大化的车道标识边缘提取
方法
为大部分高速智能车辆的导航路径,车道标识线快速准确的识
车道标识的边界特征是很多车道标识线识别方法利用的
别就显得尤为重要。目前,已经提出了很多基于视觉的车道标
重要特征。目前采用较多的边缘提取方法是先利用一定的边缘
识线识别方法#",$%。当道路路面结构不均匀、光照变化以及各种
增强算子对车道标识边缘进行增强得到梯度图像,然后利用一
交通参与者的存在使道路图像变得复杂时,这些方法有时会出
定的自动阈值方法对梯度图像进行分割,得到车道标识的边
现误识别。究其原因,大部分是由于在预处理时的图像分割效
缘。这种方法存在的难点一是边缘增强算子的选择,二是如何
果不好,导致后续的车道标识线的识别出现偏差。
合理地利用自动阈值分割技术。这种方法最主要的问题还在于
目前大部分的高速智能车辆其道路识别模块都将车道标
增强有效边缘的同时,很多伪边缘也得到了增强。
识线作为直线处理。这样就将车道标识线的识别问题转化为道
实际道路图像中,边界一般是由两个参数决定的:边界领
路图像中具有一定特征的直线检测问题。目前采用较多的直线
检测方法是 &’()* 变换#+%,%。其优点是对噪音不敏感,能较好地
处理图像中物体局部被遮挡和覆盖的情况。但是该变换需要对
原图像进行边缘提取,然后把边缘点集映射到参数空间进行投
票,由于其将图像空间映射到参数空间时采用一对多的映射和
穷尽搜索,因而其计算和空间的复杂性都很高,从而增加了车
道标识识别的时间。为了加快车道标识的识别速度,文中提出
了一种基于定向边界跟踪的方法。该方法首先利用基于二维直
方图熵最大化的车道标识边缘提取方法得到车道标识的边缘
图像,然后采用定向边界跟踪方法实现对道路图像中的直线型
车道标识的识别,最后通过建立梯形的感兴趣区域实现对车道
标识线的实时跟踪。
域的灰度均值和边界区域的方差。本文采用的二维最大熵图像
分割方法#-%,既利用了像素本身的灰度信息,又利用了其邻域
信息。
$./ 二维最大熵图像分割方法原理
图 " 为本文使用的二维灰度直方图,横坐标为灰度级,纵
坐标为邻域灰度方差。设 !(",#)01$("%&,#%’)23((3")4$!&,’!
((3/)5$6表示大小为 (!( 的窗口,$(",#)表示在图像坐标系中
坐标值为(",#)的点的灰度值,( 为奇数,则:
)(",#)* /
(
&
$
式(/)中 -0/((",#)0 /
(
(",#)"+(",#)# #$(",#),-./((",#)%
# 1(",#)。
&
(",#)"+(",#)
$
(/)
基金项目:国家自然科学基金资助(,8Ub,8!-);中国博士后科学基金资助项目
作者简介:王荣本,男,博士,吉林大学交通学院教授,博士生导师,主要研究方向:智能车辆自主导航、汽车安全辅助驾驶、视觉 ‘cd 及自动化物
流运输系统。余天洪,男,吉林大学交通学院博士生,研究方向为汽车安全辅助驾驶,智能车辆自主导航。
计算机工程与应用 !""#$!!
UK
在实际的道路图像分割过程中,为了加快处理速度,仅仅
处理子图像 " 和子图像 $,而直接将子图像 * 最为背景处理。
考虑到同一图像中道路标识上的象素其灰度值一般较路面上
象素点的灰度值高。可以利用经验计算出路面的灰度值最为一
个全局阈值 9。对子图像 " 和子图像 $ 的图像采用基于二维直
方图的最大熵图像分割算法得到其分割矢量(!,"),对图像中
灰度值小于全局阈值 9,则认为是背景;而大于全局阈值的象
素点再利用阈值矢量(!,")进行分割,从而得到最终的二值化
图像。
该分割算法步骤如下:
(")将图像按图 $ 划分为大小不同的子图像;
($)子图像 * 的分割阈值为 9*&$55;
(*)计算原图像底部中心 $%%$% 的区域为典型的路面区域,
计算其均值 ! 和方差 ",得到全局阈值:92!:";
(!)分别利用基于二维直方图的熵最大化法计算子图像 "
和子图像 $ 的分割矢量(!,");
(5)各子图像中,按照式(9)利用象素点灰度值 ;(+,,)及其
领域方差 .(+,,)对图像进行分割:
;(+,,)&$55;当 ;(+,,)(9 且 .(+,,)( ;(+,,)!("-!)
)
:)
;(+,,)&%; 其
$55
它
(9)
! ! ! ! 假设灰度级数为 !,则在图 " 所述二维直方图中共有元素
个。设元素 "#$
表示其自身灰度级为 #(%!#!%)且其邻域灰
#
!
$
度方差为 $ 的像素出现的次数。如果门限矢量为(!,"),则直方
图就被分割为两部分。其中 & 类像素点是边缘点的可能性较
大,’ 类像素点是非边缘点的可能性较大。其中直线 () 的方
程为:
*(+,,)& %’"
)-(
%(.(+,,)-()
($)
二维熵分割方法所选择的阈值是使区域 / 的后验熵和区
域 0 的后验熵均取最大值的阈值矢量(!,")。因为分别包含在
区域 & 和区域 0 的两类像素点的分布是相互独立的,所以这
两类中的每个(灰度级,领域方差)对的概率定义为:
1
1
(!,")2
0
#$
"#$
# "34
(3,4)"0
(!,")2
&
5$
"5$
# "34
(3,4)"&
(*)
两类熵 6
7 (!,")和 6
0 (!,")分别为:
& (!,")&’
6
# 1
(3,4)"&
&
5$
(!,")%+,1
&
5$
0 (!,")&’
6
# 1
(3,4)"0
0
5$
(!,")%+,1
(!,"
)
0
5$
$
&
&
&
&
&
&
&
&
%
&
&
&
&
&
&
&
&
’
$
&
&
&
&
&
%
&
&
&
&
&
’
(!,")
* 基于边界跟踪的车道标识线的识别
(!)
在进行车道标识线识别时,主要基于如下假设:车道标识
线为直线型,且道路为平面。如图 ! 所示建立像平面坐标系,采
用的左、右道路标识线模型为:
使得 -./
5,$2%,…,%’"
& (3,8),6
0 (3,8)1取最大值时的门限矢量
06
(!,")就是利用二维熵最大化分割图像的最佳全局阈值,即:
6(!,")2-230 -./
0 (3,8)11
$6$ 基于二维熵最大化的道路图像分割
& (3,8),6
5,$2%,…,%’4
06
(5)
)
+24<"5.=>!,:?@"5.=>
+24@3A;>!,:?@3A;
>
(:)
经过对车载 778 获取的道路图像进行分析,根据其对车
道标识线识别的重要程度将图像按图 $ 划分为三个子图像:子
图像 "(图像底部十二分之七的左半部分),子图像 $(图像底部
十二分之七的右半部分)和子图像 *(图像顶部十二分之五)。
其中车道标识线主要集中在子图像 " 和子图像 $ 中。
#%
!""#$!! 计算机工程与应用
*64 基于边界跟踪的车道标识线特征点提取
车道标识线特征点就是图像中每扫描行上表征车道标识
中心的点,得到车道标识线特征点后利用线性回归技术就可以
得到车道标识线的参数:;<+=>?,;<@.,A?,B<+=>?,B<@.,A?。利用 $C#
中所述的方法进行图像分割后,图像中存在着一些非车道标识
边界点,这些噪音点的存在将为车道标识特征点的提取增加很
大的难度。因此,首先需要在已分割图像中将车道标识的边界
点提取出来,而将非车道标识边界点去除掉。文中采用定向边
界跟踪方法来提取车道标识边界。
"#$%& 定向车道标识边界跟踪方法
文中采用的定向边界跟踪方法根据需要跟踪的标识不同,
可以分为:定向左车道标识边界跟踪方法和定向右车道标识边
界跟踪方法。
踪方向为方向 * 时,设定其顺时针旋转 !’%后其跟踪方向变为
方向 &;跟踪方向为方向 & 时,设定其逆时针旋转 !’%后其跟踪
方向变为方向 *。
"%&%* 车道标识边界点的提取
车道标识边界点的提取主要在分割后的子图像 & 和子图
像 * 中进行,根据所采集的道路图像特点,文中采用的三个阈
值分别为:
*).*’ *!".*!#.’
车道标识边界点的提取步骤为:
($)记利用 *,* 中所述的方法分割后的子图像 $ 和 * 分别
为 /0123 - 和 /0123 *#-,分别利用定向左车道标识边界跟踪
方法和定向右车道标识边界跟踪方法对 /0123 - 和 /0123
*#- 进行处理得到图像 /0123 & 和 /0123 *#&;
(*)对图像 /0123 & 和 /0123 *#- 用一个 &’" 的结构进
行形态学膨胀操作,得到图像 /0123 * 和 /0123 *#*;
(")对图像 /0123 * 和 /0123 *#* 再次利用左车道标识
定向边界跟踪方法进行处理得到图像 /0123 " 和 /0123 *#";
(!)对图像 /0123 " 和 /0123 *#" 进行细化操作,得到最
终提取出的车道标识边界点图像 /0123 ! 和 /0123 *#!。
"#" 车道标识特征点的提取
在特征点提取的过程中主要用到了车道标识的一个重要
特征:同一扫描行上车道标识两个边界点的之间具有一定的间
隔。在图像 /0123 ! 和 /0123 *#! 中,将具有这个特征的同一
扫描行上的车道标识的左右两个边界点坐标的均值作为该扫
描行上车道标识线特征点的坐标。分别对图像 /0123 ! 和
/0123 *#! 进行逐行扫描,可以得到左、右车道标识特征点:
),&’&,*,…,&* 5
),&’&,*,…,&& 5和4%./01-
,#&
("&
,#&
("&
4%)+,-
"%&%&%& 定向左车道标识边界跟踪方法
对于一分割完毕的图像(假定白点为目标点,黑点为背景
点),由于在进行车道标识边界跟踪仅仅采用如图 ’ 和图 ( 所
示的三个确定的方向,因此该边界跟踪称作为定向边界跟踪。
定向左车道标识边界跟踪采用的方向如图 ’ 所示,其跟踪具体
步骤为:
($)首先假设一个与要进行边界跟踪的原图像大小一致的
缓存图像,将其所有象素点象素值设置都 )。
(")
,#)
(*)从原图像进行逐行逐列进行扫描,行扫描的方向为从
图像底部到顶部,列扫描的方向为从左到右。当扫描到一个白
点时,以该点 !)
)为初始点进行跟踪,跟踪方向如图 ’ 所
示,默认跟踪方向为方向 )。当在目前跟踪方向上跟踪到一个
白点时,则将跟踪方向沿逆时针旋转 !’%,如果该方向上跟踪
不到白点,则将跟踪方向顺时针旋转 !’%。当跟踪方向为方向 *
时,设定其逆时针旋转 !’%后其跟踪方向变为方向 $;跟踪方向
为方向 $ 时,设定其顺时针旋转 !’%后其跟踪方向变为方向 *。
),下一步跟
,#)
)为初始
)。将原图像中该跟踪链上的点
("$
踪时在方向 ),$,* 上都找不到白点,就视为以 %)
点的边界跟踪结束于点 !&
设为黑点。
(")当前跟踪结束条件:假定跟踪到点 !$
,#$
(")
,#&
("&
(!)计算该跟踪链上的 !"’"&(")
和 !#’#&(#)
以及跟踪链的
长度 )。
(’)设定一边界长度阈值 *)
,以及跟踪链上 !" 和 !# 阈值
分别为 *!"
以及 !#!*!#
时,将缓存图像中该跟踪链上的点设为白点,并将该跟踪链进
行水平细化操作。
。当满足条件:)!*)
,且 !"!*!"
和 *!#
(()转向步骤(*)对下一个初始点按照步骤(")&(’)进行跟
踪处理。直至将原图像所有点设置为黑点时,表征定向边界跟
踪处理结束。
(+)将缓存图像拷贝回原图像,得到提取出的车道标识边
界点图像。
",&%&%* 定向右车道标识边界跟踪方法
定向右车道标识边界跟踪方法与定向左车道标识边界跟
踪方法相比,只是跟踪方向有所不同其具体的跟踪步骤与定向
左车道标识边界跟踪方法相同。其在进行边界跟踪时跟踪方向
的变化如下:
如图 ( 所示,默认跟踪方向为方向 -。当在目前跟踪方向
上跟踪到一个白点时,则将跟踪方向沿顺时针旋转 !’%,如果
该方向上跟踪不到白点,则将跟踪方向逆时针旋转 !’%。当跟
和 &*
&&
分别为提取出的左右车道标识特征点点数。
"#* 车道标识线识别
设定一个特征点数阈值 2(文中为 ’),当 && !2 时,利用
得到的左车道标识特征点4%)3,-
),&’&,*,…,&& 5,采用线
性回归技术就可求得左侧车道标识线的参数:67839: 和 ;783:9。
当 && <2 时认为该图像中左车道标识线不存在。
("&
,#&
同理,当 &* !2 时,利用得到的右车道标识特征点4%./01-
("&
,
),&’&,*,…,&* 5,采用线性回归技术就可求得右侧车道标识
#&
线的参数:67=>2?: 和 ;7=>2?:。当 &* <2 时认为该图像中右车道
标识线不存在。
! 基于梯形感兴趣区域的车道标识线跟踪
在进行车道标识线的跟踪时,由于图像采集速度很快(可
以达到 ’) 帧@A),相邻两帧图像中车道标识线的位置不会发生
突变。为此,采用建立感兴趣区域的方法,在感兴趣区域内利用
计算机工程与应用 !""#$!!
*&
文中讲述的车道标识线识别方法进行识别。
跟踪算法运行时间,与平行的感兴趣区域相比更加合理。
其感兴趣区域的建立如图 L 所示:实线表示前一帧图像中
识别出的车道标识线,虚线在图像中所夹区域为建立的感兴趣
区域,;\6eZ 和 ;\6eC 分别为左、右感兴趣区域。
考虑到由于投影投射影响,图像底部与图像中央部分的车
道标识线偏离的距离会有所不同,在建立感兴趣区域时,不采
用与前一帧中识别出的车道标识线平行的感兴趣区域的方法,
(!)本文方法利用基于定向边界跟踪实现了对车道标识线
的识别和跟踪,与本课题组以前采用的基于统计的方法相比,
该算法对车道标识线识别的精度得到了一定的提高,同时算法
运行时间大大减少,从而为更高车速的智能车辆自主导航或车
而是建立一个非平行的感兴趣区域。文中实际采用的各感兴趣
区域顶部宽度为 @^ 个象素,下部宽度为 ?^ 个象素。
道偏离预警提供更快、更准确的车道标识线参数。
(收稿日期:@^^# 年 B 月)
# 试验结果和结论
文中对前述方法进行了试验验证,试验平台为微型面包
车,<
为部分试验图片,实线为识别出的车道标识线,识别算法平均
耗时为 B^=1,具有很好的实时性。
(@)在长吉高速公路上对该车道标识线跟踪方法进行了
@^^H= 的试验验证,跟踪算法平均耗时为 @#=1f帧,正确识别率
为 >>(以上。
(?)建立梯形感兴趣区域的方法能有效地减少车道标识线
参考文献
"Mb-( ‘+8E,T%8EE+8E 9)(8,7+= P)G+8E J(.)MZ+8( :($(,$%.8 +8:
$*+,H%8E -1%8E XF98+H(234M6=+E( V%1%.8 <.=&-$,@^^!;@@(!)
@M3.(’ < Q,<+’’,Q.)+8 Q J*%/(:%M;8 68$(E*+$(:,C.D-1$ ;&&*.+,) $.
Z+8( Q+*H%8E T($(,$%.8 +8: Z+8( J*+,H%8E2<4M68:N*., 6777 68$(’’%E(8$
V()%,’( 90=&.1%-=,@^^!F^B
?MC J-*,)($$.,C Q+8:-,)%MV%1-+’ <-*D Z.,+’%W+$%.8 U.* ;-$.8.=.-1
Y+/%E+$%.82<4M68:6777fC93 6C\9]^?,Z+1 V(E+1,@^^?F"^
!M;*+$+ J+H+)+1)%,Q+H.$. Y%1)%:+MC(+* V%(G Z+8( T($(,$%.8 D0 ‘%:(
;8E’( <+=(*+2<4M68:N*., .U 6777 68$(’’%E(8$ V()%,’( 90=&.1%-=,@^^@
#Mb- X,3+%8 ; PM Z+8( D.-8:+*0 :($(,$%.8 -1%8E + =-’$%*(1.’-$%.8
S.-E) $*+81U.*=2<4M68:6=+E( N*.,(11%8E,">>K N*.,((:%8E1,68$(*8+$%.8+’
<.8U(*(8,( .8,">>KF"^:K!L%K#"
BM杨益军,赵荣椿,汪文秉M基于二维直方图和最大熵门限化的直线边
缘检测方法234M计算机工程,@^^@;@L(L):"@^%"@@
(上接 "# 页)
$%&’( )%(*+*,)%,+’ ,(’’-’+* ./(*’+0123456777 3.-*8+’ .8 9(’(,$(: ;*(+1
%8 <.==-8%,+$%.81,">>#;"?(@):!AB%!"#
"@5C <..=D1,C 9$((’(568$*.:-,%8E =%,*.,(’’1 %8$. =+,*.,(’’-’+* 8($F
G.*H1:+ ,+1( 1$-:0234I6777 J*+81+,$%.81 .8 <.==-8%,+$%.81,">>>;
!K(!):#BL%#KB
"?MN.’’%8% O N,P 9 Q(%(*RS(’’1$(*8,T 3 O..:=+859%E8+’%8E J*+UU%,
V.’-=( O(8(*+$(: D0 Q.D%’( +8: N(*1.8+’ <.==-8%,+$%.81234M6777
<.==-8%,+$%.81 Q+E+W%8(,">>#;??(B):BA%B#
"!MX*&W%. 3 Q,Y 3 9 9%’/+MN(*U.*=+8,( 7/+’-+$%.8 .U + Q-’$%FZ+0(*
Z.,+$%.8 [&:+$( Q($).:2<4M68:N*., 6777 O’.D+’ J(’(,.==-8%,+$%.8
<.8U(*(8,(,OZ\X7<\Q]>B,">>B:>B%"^^
"#MZ+E*+8E( _MQ-’$%$%(* <(’’ T(1%E8234M6777 <.==-8%,+$%.81 Q+E+W%8(,
">>K;?#(L):B^%B!
"BM9-8E < ‘,‘ 9 ‘.8EM[1(* 9&((: 71$%=+$%.8 +8: T08+=%, <)+88(’
;’’.,+$%.8 %8 S%(*+*,)%,+’ <(’’-’+* 901$(=1 2 < 4 M 68:N*., 6777 !!$)
V()%,-’+* J(,)8.’.E0 <.8U(*(8,(,VJ< >!,9$.,H).’=,">>!:>"%>#
@@
!""#$!! 计算机工程与应用
"KMX(8/(8%1$( QM<(’’ 9(’(,$%.8 %8 JG.FJ%(* Q%,*.,(’’-’+*aQ+,*.,(’’-’+*
901$(=1 2 < 4 5 68 :N*., 6777 O’.D+’ J(’(,.==-8%,+$%.8 <.8U(*(8,( ,
OZ\X7<\Q]>#,">>#:"#?@%"#?B
"L5唐宏,吴中福,聂能等5基于多层小区结构的移动 6N 移动性管理2345
计算机科学,?^(#):"?B%"?L
">53+8E SF9,9FP Z%=,3FS b- ($ +’5N(*U.*=+8,( ;8+’01%1 .U =%8%=-=F
TG(’’FJ%=(Fc%*1$ S+8:./(* 9,)(=( %8 Q.D%’( <(’’-’+* <.==-8%F
,+$%.812<4568:N*., "#$) 68$(*8+$%.8+’ J(’($*+UU%, <.8U(*(8,(,6J< "#,
‘+1)%8E$.8 T <,">>K:""?>%""!L
@^57J96F9QO5c-8,$%.81 *(’+$(: $. Q.D%’( 9$+$%.8(QY)%8 %:’( =.:(
+8: E*.-& *(,(%/( =.:(2945O9Q ^?5@@,">>L
@"5唐宏,陈前斌,吴中福等5移动 6N 技术中 Z@FJ*%EE(* 方法研究2345重庆
邮电学院学报(自然科学版),"#(!):LL%>"
@@5N’+=(8 65XC;J;Y\V,[1(* Q.D%’%$0 Q.:(’%8E %8 <(’’-’+* <.==-F
8%,+$%.81 Y($G.*H1 2 T 4 5 N)T J)(1%1 5 681$%$-$( .U <.==-8%,+$%.81 +8:
C+:%. F c*(d-(8,0 78E%8((*%8E :V%(88+ [8%/(*1%$0 .U J(,)8.’.E0 ,
;-1$*%+,">>>F^@