基于车辆跟踪线的车道检测算法

摘 要：针对夜晚环境和车道标线不明确的情况，本文提出了全新的车道检测算法，利用道路上的车辆运行轨迹的有效统计来得到路面结果。实验结果显示此方法消减了环境因素的影响，并在现场检测中效果明显，适用于实时视频监控系统。

关键词：跟踪线；车道检测；视频监控系统

中图分类号：TP391.41

近年来，智能交通检测系统在高速公路和城市交通中得到了广泛的应用。随着技术的进步，人工配置车道逐渐被自动检测车道区域所代替，各种道路车道检测方法出现。常用的车道检测方法可分为两类，基于特征和基于模板的方法。前者[1-2]主要是提取图像中的特征，利用图像的边缘信息来检测车道，这种方法要求车道上没有车辆且车道标线清晰，在夜晚不能进行检测；而后者[3-4]通过车道的模型匹配，该方法对架构明确的车道检测效果良好，但是对于特殊的车道不能检测。

本文提出的方法是利用道路上的过车信息，大部分车辆都会按照车道线来行驶，利用这个特性提出跟踪线来决定车道线的具置，更具准确性、适用性。首先介绍了车道检测算法的原理，然后利用多组高速公路的实际画面来得到过车的跟踪线数据，经过统计和计算分别得到车道中心线和车道宽度信息，初始得到车道信息。最后采用车道线的更新策略，保证车道线随着时间的推移会更加准确。

1 路面车道检测算法原理

对视频中的车辆分两个方向记录每辆车的过车详细路径，将每一帧车辆的位置坐标，对这些数据进行统计，利用点坐标的前后关系以及每个点的过车频率来推测出车道的中心线。最后利用最小二乘法来进行拟合，利用过车的车体宽度来推断出车道的每个位置的宽度，优化后得到最恰当的车道区域。

1.1 跟踪线数据提取和统计

在视频检测中对于经过的有效跟踪线进行保存，统计的数据包括三部分：第一部分是跟踪线上每个点的像素坐标S（u，v），第二部分是每个跟踪点的关系点X（u，v），第三部分是每个点上的车体的宽度用来估算车道的宽度W（u，v）。

1.2 车道中心线计算

根据1.1的统计结果，由于大部分车辆会根据车道行驶，第一步计算车道线高概率点，利用车道线之间的间隔来计算出道路上的车道数。最为关键的部分，是车道中心线的计算算法，由于图像顶部的车道可能会出现交点，不能准确的区分，车道计算的起点从图像底部的高概率点作为起点。利用关系点和概率点推断上一个点，以此类推，得到整个中心线，可能呈现直线也可能会是一条曲线，利用最小二乘法进行拟合。根据公式（1）和（2）来反推得到中心线。

方向向上 （1）

方向向下 （2）

1.3 车道线宽度计算

在初始获得中心线的位置之后，利用过车车辆的宽度对整个车道进行标定，这个标定只是简单的计算，大致确定车道宽度。在如果分点来确定宽度可能会由于跟踪存在偏差，图像底部车体太大导致车体宽度是整个画面的宽度。分析以上因素，在宽度的统计上也利用最小二乘法拟合，这样就舍弃了车辆运动过程中宽度不准确的几个点。另一个修正的要点是两个车道不会存在交叠，当检测到两个或两个以上的车道时，就可以利用两个中心线之间的距离对车道宽度进行限制，得到更加准确的结果。

2 路面车道区域更新

以上内容介绍的是初始得到的车道区域，如果一个车道没有车辆经过，这个车道就会漏检，但是加入车道更新算法之后整个画面的车道区域在后续的检测中就会出现。在后续的更新中，中心线的位置可以利用均值进行更新，而宽度同样可以采用1.3中的方法限制，这样就可以保证车道区域的检测更加准确。每次计算的结果分为更新线、相交线和完全新出现的车道线三种。出现第一种更新线的时候利用均值的方法进行更新，而完全新出现的车道加入到原来的车道信息中，相交线的出现是不合理的，如果是高速公路上不会出现相交的情况，如果连续出现，那么可能是场景移动也可能是初始的车道线学习不准确，那么从这就可以判断出车道更新可能出错。可以清除已学习的车道重新开始学习。

3 实验结果

实验中采用了三个高速公路实际的画面，分别统计20条、50条、100条跟踪线的数据，计算得到中心线，结果表明条数的增加并没有提高准确率，所以在后面都采用20条的数据来计算和更新。如图1、2和3所示，是初始得到车道中心线和车道宽度的结果。在图1中最右边的车道是应急车道，所以一般没有车辆经过，在图2中最左边的车道在经过更新之后会准确的检测到。

图1

图2

图3

4 结束语

车道检测算法一般用于视频检测系统当中，利用车辆来检测车道方法的优势在于车道标线不清晰、被遮挡都没有关系，夜晚的环境也没有影响，这种方法在不常变道的高速路等场景中还是非常有效的。但是还是存在一些重要的影响因子，例如车辆跟踪的准确性，只有保证准确的跟踪线才能计算得到准确的中心线，同样要保证大部分车辆是按照车道来行驶的。

参考文献：

[1]Yu H. SVMC： Single-class classification with support vector machines[C].Proc of IJCAI，2003.

[2]马莹，，徐友春等.基于改进的投影变换公式的车道识别方法[J].清华大学学报（自然科学版），2005，45（11）：1530-1533.

[3]Claudio Rosito Jung，Christian Roberto Kelber.A lane departurewarning system based on a linear-parabolic lane model[C].IEEE Intelligent Vehicles Symposium，2004：891-895.

[4]Claudio Rosito Jung，Christian Roberto Kelber.A lane departure warning system using lateral offset with uncalibrated camera[C].IEEE Conference on Intelligent Transportation Systems，2005：348-353.

作者简介：朱成荣（1976.06-），男，现任城市交通事业部副总经理，1998年毕业于重庆大学工业自动化专业，获工学学士学位，2007年6毕业于浙江工业大学，获物流工程硕士专业学位，2006年10月获中级工程师职称，曾在《自动化博览》上发表“城市路网和快速公路交通流的分散协调控制”一文。

作者单位：浙江浙大中控信息技术有限公司，杭州 310053