论文研究-LDA与LSD相结合的车道线分类检测算法.pdf

发布时间：2022-05-30 发布人：admin 分类：说明书资料大小：1.16M 资料格式：pdf 举报版权申诉

weixin_38743481-11724565-16359647319860852778.pdf-第1页.png

第1页 / 共7页

weixin_38743481-11724565-16359647319860852778.pdf-第2页.png

第2页 / 共7页

weixin_38743481-11724565-16359647319860852778.pdf-第3页.png

第3页 / 共7页

weixin_38743481-11724565-16359647319860852778.pdf-第4页.png

第4页 / 共7页

weixin_38743481-11724565-16359647319860852778.pdf-第5页.png

第5页 / 共7页

weixin_38743481-11724565-16359647319860852778.pdf-第6页.png

第6页 / 共7页

weixin_38743481-11724565-16359647319860852778.pdf-第7页.png

第7页 / 共7页

文本预览

Computer Engineering and Applications 计算机工程与应用 2017，53（24） 219 LDA 与 LSD 相结合的车道线分类检测算法郭克友，王艺伟，郭晓丽 GUO Keyou, WANG Yiwei, GUO Xiaoli 北京工商大学材料与机械工程学院，北京 100048 School of Material Science and Mechanical Engineering, Beijing Technology and Business University, Beijing 100048, China GUO Keyou, WANG Yiwei, GUO Xiaoli. Lane classification algorithm combined LDA and LSD. Computer Engi- neering and Applications, 2017, 53（24）：219-225. Abstract：A lane classification algorithm is presented. Firstly, LDA（Linear Discriminant Analysis）is adopted to convert road images to gray images directly, which can distinguish the lanes and roads better. Secondly, LSD（Line Segment Detector）is applied to detect straight lines of gray images to give the main direction of the lane by proper selection. On the basis of that, the pixels are selected within the grayscale range of the lane. Pixels in far vision are fitted by parabola while pixels in near vision use linear fitting. In the meantime, the lanes are marked by classification. Finally, the detecting results are verified by the continuity of video sequence. Experimental results show that the proposed method has good effects on the detection of curves and straight lines. The processing speed is 10 f/s while the frame rate of the original video is 15 f/s, which basically meets the real-time requirements. Key words：Linear Discriminant Analysis（LDA）; Line Segment Detector（LSD）; linear-parabola model; lane classification; continuity of video sequence 摘要：提出一种车道线分类检测算法。首先采用 LDA 对道路图像进行有针对性的灰度化，以便更好地区分车道线与道路。采用 LSD 算法检测灰度图像中的直线部分并确定车道线的方向。在此基础上，选取符合车道线灰度范围内的像素点。对远距离的像素点采用抛物线拟合，近距离的像素点采用直线拟合。同时，将检测到的车道线进行虚线实线的分类标记。最后结合视频序列的连续性对检测结果进行反向验证。实验结果证明，提出的方法对直道弯道检测均有很好的效果。算法的处理速度为每秒 10 帧左右，采用的测试视频的帧率为每秒 15 帧，基本满足实时性的要求。关键词：线性判别分析（LDA）；线段检测器（LSD）；直线-抛物线模型；车道线分类；视频序列连续性文献标志码：A 中图分类号：TP311 doi：10.3778/j.issn.1002-8331.1606-0116 1 引言作为车辆安全驾驶研究方向的重要组成部分，车道线检测一直以来都是研究热点。文献[1]中提出的方法是主要通过对道路图像划分为四个区域，在每个区域内合理地选取拟合 B 曲线所需的控制点，采用 B 曲线拟合车道线。对拟合的结果采用梯度向量流（Gradient Vector Flow）进行外力控制以减少检测误差，该算法实时性很好，但是其控制点的选取容易受到直线检测的影响。文献[2]中提到的方法是通过对特殊处理后的边缘图像进行扫描，找到符合要求的车道线像素点，并在 YUV 空间对这些像素点进行是否属于车道线像素点的验证，采用直线模型对符合车道线的像素点坐标进行直线拟合，最后采用贝叶斯算法进行预测跟踪，该算法引入跟踪预测，降低了车道线检测的误差，但是采用的直线模型对弯道不具有很好的适应性。文献[3]中提到的车道线检测算法主要是计算在灰度图像中，各个像素点基金项目：交通运输部信息化科技项目（No.2012-364-835-110）。作者简介：郭克友（1975—），男，博士，副教授，硕导，主要研究方向为图像处理、模式识别；王艺伟（1991—），通讯作者，女，在读硕士，主要研究方向为图像处理、模式识别，E-mail：15652601883@163.com；郭晓丽（1991—），女，在读硕士，主要研究方向为图像处理、模式识别。收稿日期：2016-06-08 修回日期：2016-08-19 文章编号：1002-8331（2017）24-0219-07 CNKI 网络优先出版：2016-08-22, http://www.cnki.net/kcms/detail/11.2127.TP.20160822.1003.020.html 计算机工程与应用www.ceaj.org

220 2017，53（24） Computer Engineering and Applications 计算机工程与应用的 ridgeness 值，大于给定的阈值时为车道线上的像素点，并作为备用点。然后对所有的备用点采用 RANSAC 算法进行双曲线拟合。由于需要提前知道一些相关的相机参数，因此文献[3]还需要预先标定相机。文献[4]中提出的算法采用卡尔曼滤波进行车道线目标点的预测，其中初始化采用的是霍夫变换检测到的直线的端点。对卡尔曼预测的点采用 NNF（Nearest Neighbour Filter）进行筛选，符合要求的点采用直线抛物线模型进行拟合，同时拟合后的车道线模型采用 HMM（Hidden Markov Model）算法进行预测跟踪，使结果更加精确。由于采用霍夫变换进行直线检测，在远视野区域，霍夫变换的检测效果较差，因此初始化中直线端点的检测受到一定影响。文献[5]提出的道路检测的算法，采用的是 Gabor 变换检测纹理信息确定消隐点之后，再以消隐点为初始点，间隔 5°以辐射状形式画线，计算每个线上的像素点的梯度方向一致性，最大的即为道路的第一主边界，然后根据第一主边界确定道路的第二主边界，由于采用了 Gabor 变换对纹理进行处理，因此算法的实时性与其他相比较差。文献[6]中提到的车道线检测算法主要是对道路图像进行增强边缘检测，提取车道线的位置，亮度和方向特征。然后离线运行遗传算法，对这些特征进行训练，得到一个模型，该模型可以最优地结合上述三个特征已达到最好的检测效果。然而训练模型需要大量样本去涵盖不同的道路环境，一旦样本的多样性不足，则算法的鲁棒性就受到限制。上述算法在不同程度上依赖灰度图像或者边缘图像，同时也将霍夫变换作为提取直线的一个重要的步骤。不足之处表现在：灰度化对道路图像的灰度变换没有一定的针对性；边缘检测中用到的阈值通常为经验值，没有理论依据；霍夫变换检测直线的算法，受其原理的影响，检测效果不是很稳定。没有对车道线进行分类检测，然而一般情况下驾驶过程中车辆可以跨越虚线车道线进行超车，正确区分虚实车道线能够给予驾驶员更好的驾驶辅助。基于上述原因，本文提出车道线分类检测算法在以下 4 个方面进行相应的改进：（1）采用 LDA 灰度化[7]而非传统的灰度化对道路图像进行有针对性的处理。（2）采用速度与准确度均优于霍夫变换算法的 LSD （Line Segment Detector）[8]检测直线。（3）确定隔行扫描算法的检测方向，避免传统算法较大运算量和盲目性。（4）对车道线检测结果进行虚实线标记，更接近真实路况。 2 灰度化 2.1 传统灰度化对于彩色图像（以 RGB 制式的图像为例）的每个像素点，都由 R、G、B 三个分量的色彩信息共同组成。而灰度化本质上是将图像每个像素点的 R、G、B 三个分量投影到一个向量上，即三通道的图像变为单通道的图像。因此需对 R、G、B 三个分量进行加权平均，即公式（1）所示： gray = ωR × R + ωG × G + ωB × B （1）其中，ωR,ωG,ωB 三个值就是加权平均的系数。传统的灰度化方法或者是取其中一个分量作为该像素点的灰度值，或者是为 ωR,ωG,ωB,三个变量赋固定的值。这些对道路图像没有一定的针对性，不能更明显地区分车道线和路面。因此找到一个可以更好地区分车道线和道路图像的向量 ω 是至关重要的。 2.2 LDA 灰度化 2.2.1 LDA 简介 LDA，即线性判别式分析，是用来分类的经典算法。它的核心思想是通过寻找一组投影向量，使得高维的模式样本投影到该空间后，有最大的类间距离和最小的类内距离[9]。以达到抽取分类信息和压缩特征空间维数的效果。投影后样本在新的子空间有最佳的可分离性。因此可以采用 LDA 计算车道线灰度空间与路面灰度空间的最佳鉴别矢量空间。 c ni( ui - u ( ) ) ui - u T 类间离散度矩阵计算方法如公式（2）所示： Sb = ∑ 类内离散度矩阵的计算方法如公式（3）所示： Sw = ∑ ) ui - xk ( ui - xk ) T i = 1 c ∑ xk ∈ classi i = 1 ( （2）（3）其中，Sb 表示的是类间离散度矩阵；Sw 表示的是类内离散度矩阵；ni 表示属于 i 类的样本个数；ui 表示类 i 的样本均值；u 表示总体的样本均值；xk 表示第 k 个样本。 Fisher 鉴别准则的计算方法如公式（4）所示： Jfisher( )φ = φTSbφ φTSwφ （4）其中 φ 为该公式求得的一个 n 维的列向量，同时 φ 也是上述所提到的最佳鉴别矢量空间。图 1 为 LDA 训练采用的部分样本，样本数量为 32，其中车道线与道路的样本均为 16。样本图像大小为 20×20。因此对于本文，类别数量 i =0，1；u0 表示道路样本每个通道灰度值之和的均值，u1 表示车道线样本每个通道灰度值之和的均值，u 表示这两类样本总体每个通道灰度值之和的均值，xk 表示各个样本。则根据公式计算最终可得到道路与车道线的最佳鉴别矢量空彩色图像为 m × n × 3 的矩阵，其中“3”的含义是指图 1 LDA 训练部分样本计算机工程与应用www.ceaj.org

郭克友，王艺伟，郭晓丽：LDA 与 LSD 相结合的车道线分类检测算法 2017，53（24） 221 间为一个 3 维的列向量，即 φ = [ ] 0.540 -0.841 0.024 T 2.2.2 LDA 灰度化进行灰度化之前，首先将原有的视频序列统一缩放为（640×360），提取下半部分图像并滤去一些边缘部分之后作为感兴趣区域[10]。这样处理之后减少了重构灰度图的运算量。将彩色道路图像投影到 2.2.1 节中计算得到的最佳鉴别矢量空间 φ 上并计算得到灰度图像。由于灰度图像的亮度值在 0~255 的范围内，上述计算的结果需要线性变换到该范围内，具体的变换公式为： G = gi - gmin gmax - gmin × 255 （5）其中，gi 表示变换之前的图像中每个像素点的灰度值， gmin 表示变换前的图像中最小的灰度值，gmax 表示变换前的图像中最大的灰度值。 G 表示变换后每个点的灰度值。通过上述所示的灰度变化，得到了适应于道路图像的灰度图像，如图 2 所示。检测。 LSD 算法是通过计算图像中每个像素点的 level- line 角度，该角度与当前像素点处的梯度角相垂直。 level-line 角度在一定阈值内且相邻的像素点形成一个 line-support 区域。如图 4 所示，每个 line-support 区域都是生成直线的备选区域。采用矩形对该区域进行拟合，矩形的主轴即为该区域的主轴方向。对每个矩形区域的宽、高以及该区域内总的像素点个数、level-line 角度在一定范围内（该范围为 ±22.5°）的像素点个数进行整合，计算基于这些数值下该矩形区域的 NFA（the Number of False Alarms）值，当 NFA 小于 1 的时候，则认为该矩形是一条线段。LSD 相对于传统的直线检测算法，具有结果准确，误检可控，同时不需要调节参数的优点。因此本文采用该算法检测图像中的直线部分，为后续寻找车道线候选点提供搜索的基准方向。（a）传统的灰度变化（b）采用 LDA 得到的灰度变化结果图 2 传统灰度处理与 LDA 灰度处理对比图 3 确定车道线种子点本文将上述处理得到的灰度图像分为远视野和近视野，如图 3 所示。在近视野区域采用 LSD 确定车道线初始方向，根据此方向检测其他符合要求的像素点并实时更新搜索方向。对所有符合要求的像素点进行拟合得到车道线。 1/4 宽 1/4 宽 1/2 宽图 3 车道线分区示意图 3.1 近视野直线检测算法初始搜索方向的确定对整体的车道线检测是至关重要的一步，传统的直线检测的算法，如霍夫变换直线检测算法，需要针对不同的情况调节参数，对长度较短线段的检测效果较差。因此本文采用由 Rafael Grompone von Gioi 等作者于 2010 年提出的 LSD 算法进行直线（a）原图像（b）level-line 区域（c）生成的 line- support 区域图 4 生成 line-support 区域示意图（图像来源于文献[8]）采用 LSD 检测图像下半部分的直线时，对检测到的直线进行了斜率控制，剔除一些明显错误的非车道线部分的直线。令剩余的直线中长度最长的直线的方向为搜索的初始方向。如图 5 所示，绿色的直线表示筛选后的直线部分，红色的直线表示确定的搜索的初始方向。图 5 筛选的车道线以及初始的搜索方向 3.2 车道线候选点的确定通过对 LDA 灰度化后的图像进行灰度值抽样分析，如图 6（a）所示，其中标记为黄色区域的数值为车道线的部分灰度值。存在一个波谷表示该行只有一条车道线，存在两个波谷表示该行有两条车道线，如图 6（b）所示。同时从图 6（c）中可以分析得到，车道线的宽度大致在 20 个像素宽度以内。同时如果存在两条车道线则两条车道线的间距也可以从图中获得。拟合车道线的候选点采用具有方向指导的隔行扫描的方法进行。在上一节当中已经确定了初始搜索方向，规定检测到的直线纵坐标较大的端点直线的终点。以确定的直线终点为初始搜索的点，以其斜率为搜索方向，计算隔行的点的位置，该点记为 pointmid，以计算机工程与应用www.ceaj.org

222 2017，53（24） Computer Engineering and Applications 计算机工程与应用（a）灰度值抽样分析 200 值 400 度灰点素像 0 200 值 400 度灰点素像 0 200 值 400 度灰点素像 0 200 值 400 度灰点素像 0 200 值 400 度灰点素像 0 200 值 300 度灰点素像 100 0 600 600 600 200 400 像素点横坐标值 x 200 400 像素点横坐标值 x 200 400 像素点横坐标值 x 600 600 600 图 7 种子点搜索示意图未到达搜索终止行根据搜索方向计算隔行扫描的基准点保存符合灰度阈值的像素点坐标采用本次灰度值最小点与上次的灰度值最小点更新搜索方向搜索终止扫描基准点左右两侧 15个像素宽度的像素点在所有满足阈值范围的点内选择灰度值最小的像素点输出车道线拟合的种子点图 8 扫描算法流程图 200 400 像素点横坐标值 x 200 400 像素点横坐标值 x 200 400 像素点横坐标值 x （b）抽样分析图示 220 200 180 160 140 120 100 值度灰点素像 80 0 100 300 200 400 像素点横坐标值 x 500 600 （c）参数分析图图 6 LDA 灰度化后灰度分析 pointmid 为中点，左右各扫描 15 个像素宽度，符合阈值的点保存。每行保存的像素点中，选取灰度值最小的点保存为车道线拟合的种子点。本次扫描完成后用本次的种子点和上次的种子点更新搜索方向，重复以上步骤，直至扫描到指定的行数。对于车道线为实线的情况，每次扫描均会有符合灰度阈值的像素点，但是对于虚线车道线，由于存在断层，因此扫描结果会存在断层，对此本文的处理方法是对之前所有保存的种子点进行直线拟合，以其得到的斜率作为方向进行之后的扫描直至遇到下一段车道线。如图 7 所示，橘色矩形框内表示符合灰度阈值的像素点，星标图案标记的是种子点，红色箭头表示搜索的方向。整个扫描算法的流程图如图 8 所示，种子点的扫描结果如图 9 所示。传统的隔行扫描的方法是针对整幅图像进行，不仅耗时，而且具有一定的盲目性，同时经过普通的边缘检测处理后的边缘图像中噪声很大，对车道线的检测存在图 9 种子点扫描结果很大的干扰。本文提出的扫描方法，规定了搜索的方向，及像素点的灰度范围，避免了扫描整幅图像的较大运算量和扫描的盲目性，减少了噪声对车道线检测的干扰。 4 车道线拟合由于车道线既有弯道也有直道，因此本文采用运算量较小的二乘法基于直线-抛物线模型进行车道线拟合。该模型的优点是模型简单，功能齐全。相对于现有的一些双曲线模型[11]或者 B 曲线模型，具有简单灵活，耗时短的优点。 4.1 车道线分段拟合道路在近视野区域通常是以直线形式呈现的，而远视野的区域尤其是弯道是以圆弧形式呈现的。因此本文采用分段拟合的思想，分别对车道线采用直线模型和抛物线模型进行拟合。其中，拟合直线模型所用的像素点的纵坐标大于给定的阈值，拟合抛物线所有的像素点的坐标小于给定的阈值。因此本文中采用的车道线模型即公式（6）所示： x = ky + b, y ≥ 1/4 × Ythreshold ì í Ay2 + By + C, y < 1/4 × Ythreshold î 4.2 抛物线与直线衔接处处理（6）由于车道线的拟合采用了分段处理的方法，所以在计算机工程与应用www.ceaj.org476196135164181172169164164846150801141481671691731731451126554567611715216917919017213287564072100129160201194178149115776765751001871881861891731451078056471911901831901831751491239366186187186189187188185170144116187188189190191193194197190163186186187188189190192193195188

郭克友，王艺伟，郭晓丽：LDA 与 LSD 相结合的车道线分类检测算法 2017，53（24） 223 直线和抛物线的衔接的地方就会出现如图 10 所示的问题。本文的解决方法借鉴了文献[12]中的思路，但进行了改进，主要思路为：计算抛物线上与直线斜率相等的点的坐标，然后计算该点到直线的距离，当此距离处于给定的阈值范围之内（本文的阈值取车道线的宽度约 15 个像素值），则平移拟合的直线至抛物线上的该点处。经过上述处理，拟合的抛物线与拟合的直线可以实现平滑过渡。如图 11 所示。图 10 间隙示意图图 11 平滑过渡前后效果 4.3 车道线分类检测经过 4.2 节中的处理之后，完整的车道线的参数模型即可确定。由于车道线的虚实对驾驶具有不同的指示作用。因此，明确地标记出虚实车道线对驾驶具有更好的辅助作用。车道线的参数模型确定之后，对应一个纵坐标即存在相应的横坐标。LDA 自适应灰度图像上该坐标对处的像素点的灰度值如果满足车道线灰度阈值范围，则标记出该点。同时以该点作为坐标中心，检测左右两侧 15 个像素宽度内的点的灰度值，如果满足车道线灰度阈值范围，则标记出符合要求的像素点。经过如上处理之后，车道线即能够被分类标记。 4.4 参数优化单纯依靠图像处理的方法检测车道线会导致拟合的结果出现偏差，而结合视频序列之间的连续性[13]可以对每帧得到的曲线参数进行修正。通过对拟合得到的曲线参数进行分析（如图 12（a）），检测到的参数都存在不同程度的波动，即检测的结果都存在不同程度的不准确度。本文采用的方法是首先计算前 30 帧参数的中心（以直线检测为例），之后每 5 帧图像更新一次参数中心，通过比较每次检测得到的结果和数据中心的差值，处在给定的阈值内则使用检测结果，超出阈值范围则采用上一次的结果。图 12（b）是对前 30 帧、前 40 帧、前 50 帧、前 60 帧进行的数据分析，黑色的点是数据的中心，可以看到，即使有明显的误差，但是数据中心没有受到很大影响，因此采用数据中心作为衡量参数是否准确具有很高的可靠性。当阈值偏离数据中心一定程度时，则采用上一帧的检测结果进行修正。图 13 为根据视频序列连续性对 157 帧与 158 帧采用 156 帧参数进行改进的效果。表 1 为图中曲线的具体参数。 2 000 0 -2 000 数常抛左 100 0 -100 次一抛左 1 0 -1 次二抛左 0 -100 -200 200 0 -200 距截直左率斜直左 0 0 0 0 0 数常抛右 150 2 000 0 -2 000 50 100 图像帧数 0 0 0 100 0 -100 次一抛右 2 0 -2 次二抛右 50 100 图像帧数 150 50 100 图像帧数 150 50 100 图像帧数 150 50 100 图像帧数 150 距截直右 400 200 0 率斜直右 0 -1 -2 0 50 100 图像帧数 150 50 100 图像帧数 150 50 100 图像帧数 150 50 100 图像帧数 150 50 100 图像帧数 150 （a）拟合模型参数波动距截线直距截线直 1 000 500 0 -500 -1 000 －50 0 50 直线斜率 1 000 500 0 -500 -1 000 －50 0 50 直线斜率 40 20 0 -20 距截线直 40 20 0 -20 距截线直 1 000 500 0 -500 -1 000 －50 0 50 直线斜率 1 000 500 0 -500 -1 000 －50 0 50 直线斜率 40 20 0 -20 40 20 0 -20 （b）直线截距波动中心图 12 车道线参数分析图 13 视频序列连续性优化结果表 1（a）优化前参数帧数 156 157 158 帧数 156 157 158 直线参数抛物线参数截距 244.71 101.06 98.30 斜率－0.794 －0.260 －0.240 常数项 849.62 280.03 230.45 一次项－26.20 －2.94 0.17 二次项 0.274 0.023 －0.020 表 1（b）优化后参数直线参数抛物线参数截距 244.71 244.71 244.71 斜率－0.794 －0.794 －0.794 常数项 849.62 849.62 849.62 一次项－26.20 －26.20 －26.20 二次项 0.274 0.274 0.274 计算机工程与应用www.ceaj.org

224 2017，53（24） Computer Engineering and Applications 计算机工程与应用 5 实验结果分析 5.1 算法处理结果本文采用 VS2010 进行算法仿真，操作界面如图 14 所示。一共对四个不同的弯道视频进行检测。道路情况涵盖了连续车道线、虚线车道线、无遮挡和有遮挡的情况，如图 15。从处理结果可以看到本文算法对连续或者间断的车道线，直道或者弯道，有遮挡或者无遮挡，均有很好的检测结果。同时对于虚线车道线和实线车道线，算法分别给予了不同状态的标记，用以区分其线型。图 14 软件操作界面图 15 车道线检测效果图 5.2 算法准确度分析本文在图 15 对应的四组视频中挑选驾驶环境相对简单，道路环境既包含直线道路也包含弯道，同时光照条件不同的第一组视频和第二组视频分别对基于本文灰度化后检测的正确率和基于传统灰度化检测的正确率进行对比。如表 2 所示，本文灰度化后检测效果要更好一些。表 2 本文灰度化与传统灰度化检测正确率对比方法本文灰度化传统灰度化视频 1 91.67 88.67 % 视频 2 91.67 80.39 同时，将 LSD 检测车道线所在的直线的正确率和霍夫变换检测车道线所在的直线的正确率进行对比。其中正确率的计算公式为：正确率 = 正确标记出车道线的帧数总帧数 × 100% （7）如表 3 所示，针对给出的两组视频，LSD 检测直线相对霍夫变换检测直线效果要更好一些。表 3 霍夫变换检测直线与 LSD 检测直线正确率对比检测方法 LSD 检测直线霍夫变换视频 1 92.50 83.15 % 视频 2 91.59 83.19 将本文的算法与文献[1]中提到的方法以及文献[7] 中的方法进行对比。其中文献[1]中提到的方法为车道线检测中经典的 CHEVP（Canny/Hough Estimation of Vanishing Points）算法。文献[7]中采用的方法为 LDA 灰度化之后采用霍夫变换检测直线进行车道检测，但是没有对车道线进行分类标记。对比结果如表 4 所示。表 4 本文方法与文献[1]、文献[7] 方法正确率对比方法本文方法文献[1]方法文献[7]方法视频 1 96.67 88.20 91.20 % 视频 2 91.59 87.80 90.30 其中文献[1]中的方法的检测结果之所以没有文献[7]与本文中的方法精度高的原因是，在远视野存在弯道的时候无法给出正确的弯道方向，这是由于其算法采用传统的灰度变换以及霍夫变换检测每个区域的直线，而远视野弯道对应的直线过短，不易检测到，因此正确率较低。但是处理速度较本文方法快。本文借鉴了文献[7]中采用的 LDA 灰度化方法，但是相对文献[7]，本文在直线检测上采用了速度与准确率均较高的 LSD 检测直线，因此本文的正确率相对较高。同时，文献[1]、文献[7]、文献[10]等其他相关参考文献[14-15]中均没有对车道线进行分类标记。而车道线的虚实对于驾驶员的预警具有很重要的指示作用，本文针对车道线的具体情况，给出了道路车道线存在的真实状态，以更好地辅助驾驶员的驾驶。 5.3 算法不足分析目前算法还存在一定的不足。主要表现在两个方面：车道线的标记出现间断。主要原因是道路上的车计算机工程与应用www.ceaj.org

郭克友，王艺伟，郭晓丽：LDA 与 LSD 相结合的车道线分类检测算法 2017，53（24） 225 道线使用时间长短不一，可能存在不同程度的缺损，导致漆印不是很明显，进行 LDA 灰度化时，与道路之间的颜色差别不是很大，灰度化后效果不佳。车道线受相近颜色的影响。同样是受 LDA 灰度化原理的影响，一些与车道线颜色相近的色彩信息对车道线的标记出现了一定的影响。如图 15 中最后一组图片，车道线的检测受到了车前盖的颜色的影响。 6 结束语由于对道路图像进行了针对性的灰度化，结合 LSD 直线检测算法，通过选取合适的种子点以及采用两种线型拟合车道线，本文提出的车道线检测算法对结构化道路表现出了很好的适应性。准确率达到 91%以上。在图像分辨率为 512×160，硬件配置为 2 GB 内存，2.83 GHz 主频的测试前提下，本文算法的处理速度达到 10 帧/s，原测试视频的帧率为 15 帧/s，基本满足实时性要求。参考文献： [1] Wang Y，Teoh E K，Shen D.Lane detection and tracking using B-Snake[J].Image and Vision Computing，2003. [2] Lin Q，Han Y，Hahn H.Real-time lane departure detection based on extended edge-linking algorithm[C]//2010 Second International Conference on Computer Research and Development，Kuala Lumpur，2010：725-730. [3] Lopez A Canero C，Serrat J，et al.Detection of lane markings based on ridgeness and RANSAC[C]//Proceed- ings of the 8th International IEEE Conference on Intelli- gent Transportation Systems，2005：254-259. [4] Boumediene M，Ouamri A，Dahnoun N.Lane boundary detection and tracking using NNF and HMM approaches[C]// Intelligent Vehicles Symposium，2007：1107-1111. [5] Kong H，Audibert J Y，Ponce J.Vanishing point detection road detection[C]//IEEE Conference on Computer for Vision & Pattern Recognition，2009：96-103. [6] Yim Y U，Oh S Y.Three-Feature based Automatic Lane Detection Algorithm（TFALDA） for autonomous driving[J]. IEEE Transactions on Intelligent Transportation Systems， 2004，4（4）：219-225. illumination- robust [7] Yoo H，Yang U，Sohn K.Gradient- enhancing conversion lane detection[J].IEEE Transactions for on Intelligent Transportation Systems，2013，14（3）：1083- 1094. [8] Gioi R G V，Jakubowicz J，Morel J M，et al.LSD：a fast line segment detector with a false detection control[J]. IEEE Transactions on Pattern Analysis & Machine Intel- ligence，2008，32（4）：722-732. [9] Jelsovka D，Hudec R，Breznan M.Face recognition on FERET face database using LDA and CCA methods[C]// International Conference on Telecommunications and Signal Processing，2011：570-574. [10] Li X，Wu，Q，Kou Y，et al.Lane detection based on spiking neural network and Hough transform[C]//Inter- national Congress on Image and Signal Processing，2015. [11] Wang Jianwen，An Xiangjing.A multi- step curved lane detection algorithm based on hyperbola-pair model[C]// 2010 IEEE International Conference on Automation and Logistics （ICAL），2010：132-137. [12] Hsiao P Y，Yeh C W.A portable real- time lane depar- ture warning system based on embedded calculating technique[C]//IEEE 63rd Vehicular Technology Confer- ence，2006：2982-2986. [13] Kang S N，Lee S，Hur J，et al.Multi- lane detection based on accurate geometric lane estimation in highway scenarios[C]//Intelligent Vehicles Symposium Proceedings， 2014：221-226. [14] Yuan Y，Jiang Z，Wang Q.Video- based road detection learning[J].Neurocomputing，2015， via online structural 168：336-347. [15] Kim Z W.Robust lane detection and tracking in chal- lenging scenarios[J].IEEE Transactions on Intelligent Transportation Systems，2008，9（1）：16-26. （上接 135 页） [7] 陈波 . 基于地理位置的功率感知 Ad Hoc 路由协议研究[D]. 器网络贪婪地理路由协议[J]. 计算机研究与发展，2009， 46（5）：713-722. 南京：南京理工大学，2013. [8] 夏辉，贾智平，张志勇，等 . 移动 Ad Hoc 网络中基于链路稳定性预测的组播路由协议[J]. 计算机学报，2013，36（5）： 926-936. [9] 王慧慧 . 基于信号强度的 MANET 可靠性 QoS 路由选择策略[D]. 哈尔滨：哈尔滨工业大学，2010. [12] 李玉龙，黄国策，张衡阳，等 . 移动预测的无人机自组网路由协议[J]. 空军工程大学学报：自然科学版，2015，16（3）： 61-65. [13] 锁斌，程永生，曾超，等 . 非精确概率下基于证据理论的典型系统可靠性模型[J].系统仿真学报，2013，25（2）：317-321. [14] 任智 . 无线自组织网络路由协议及应用[M]. 北京：电子工 [10] 郑博，张衡阳，黄国策 . 航空自组网链路动态性分析[J]. 系业出版社，2015. 统工程与电子技术，2013，35（2）：420-424. [11] 张衡阳，樊玮虹，王玲，等 . 一种实时可靠的移动无线传感 [15] 杨彬，刘健，冯家刚 . 基于拓扑快速变化的 OLSR 改进路由协议研究[J]. 计算机工程与应用，2015，51（4）：105-109. 计算机工程与应用www.ceaj.org

分享到：

赞收藏

资料库

论文研究-LDA与LSD相结合的车道线分类检测算法.pdf

相关推荐

开发技术

热门标签

最新资料