基于双曲线模型的车道识别与偏离预警

摘要：

针对车道识别与偏离预警算法在准确性、可靠性和计算效率方面存在的问题，提出一种基于双曲线模型的车道识别与偏离预警算法。首先，在图像预处理基础上通过特征点搜索筛选道路边缘点，采用双曲线构建道路模型，利用最小二乘原理拟合道路参数，再根据拟合车道线及邻近点信息构建车道置信度函数，将置信度大于设定阈值的车道线作为最终检测结果；然后，根据相邻帧车道线连续变化的特点，在前帧拟合道路线附近使用粒子滤波算法进行道路边缘点筛选、拟合以及置信度计算，实现对车道线的跟踪；最后，在图像坐标系中建立时空联合预警模型，对车道偏离行为进行预警。在PC平台上进行的算法实现与道路实验结果表明：所提方法在一般路况下，具有92%的车道识别和偏离识别正确率和40ms/帧的平均处理速度，满足车道偏离预警应用要求。

关键词：双曲线模型；置信度；粒子滤波；车道偏离；车道识别

中图分类号：TP391.4

文献标志码：A

0引言

车道偏离预警系统（Lane Departure Warning System，LDWS）能显著减少因车辆偏离车道而发生的交通事故。因基于视觉的LDWS具有成本低、信息量丰富等特点，而成为目前国内外研究的热点[1]。LDWS的研究主要包括车道识别与偏离预警决策两部分。目前，常用车道模型识别算法中，直线模型[2]计算简单但处理弯道时误差较大；样条曲线模型[3]可以较准确描述各种道路模型但计算复杂高。常用车道偏离预警算法中，基于左右车道线在图像中夹角和的方法[4]计算效率高、误警率低，但因没考虑车速信息，难以准确估计车辆即将偏离车道的时间，很难给驾驶员提前报警；基于车辆即将横越车道边界所需时间的方法 [5-6]可提前预警，但要将图像坐标映射到世界坐标中，增加了计算量，且在车辆靠近车道边界时，容易产生漏警。

针对现有研究在车道识别与偏离预警决策算法在准确性和计算效率方面存在的问题，本文提出一种基于双曲线模型的车道识别与偏离预警方法。采用双曲线模型描述道路，具有较高精度；应用自适应车道线特征点集搜索算法、粒子滤波算法和车道置信度函数，实现车道线快速搜索与可靠跟踪；在图像坐标系中建立时空联合预警算法，提高了系统的计算效率，降低了系统的漏警率和虚警率。

1车道线识别与跟踪

4结语

本文提出基于双曲线模型的车道线识别与跟踪方法，并在图像坐标系统中建立时空联合偏离预警模型。在PC平台上进行算法实现，并进行道路实验验证。道路实验表明所研制的原型系统在一般路况下，能够快速、准确识别车道线，具有良好的抗干扰性和计算效率。同时，基于图像坐标系的时空联合预警模型具有较低的虚警和漏警率，可满足车道偏离预警的应用要求。

参考文献：

[1]HUO C L， YU Y H， SUN T Y. Lane departure warning system based on dynamic vanishing point adjustment[C]// Proceedings of 2012 IEEE the 1st Global Conference on Consumer Electronics. Piscataway， NJ： IEEE Press，2012：25-28.

[2]雷涛，樊养余，王小鹏，等.基于形态学结构元素建模的车道线检测算法[J].计算机应用，2009，29（2）：440-443.

[3]许华荣，王晓栋，方遒.基于B样条曲线模型的结构化道路检测算法[J].自动化学报，2011，37（3）：270-275.

[4]LIN C J， WANG J G， CHEN S M， et al. Design of a lane detection and departure warning system using functionallinkbased neurofuzzy networks[C]// Proceedings of 2010 IEEE International Conference on Fuzzy Systems. Piscataway， NJ： IEEE Press，2010：1-7.

[5]肖献强，王其东，潘盛辉.基于视觉及TLC概念的车道跑偏检测方法研究[J].汽车工程，2010，32（1）：77-80.

[6]MAMMAR S， GLASER S， NETTO M. Time to line crossing for lane departure avoidance： a theoretical study and an experimental setting[J]. IEEE Transactions on Intelligent Transportation Systems， 2006，7（2）：226-241.

[7]KLUGE K. Extracting road curvature and orientation from image edge points without perceptual grouping into features[C]// Proceedings of the Intelligent Vehicles 1994 Symposium. Piscataway， NJ： IEEE Press，1994：109-114.

[8]CHEN Q， WANG H. A realtime lane detection algorithm based on a hyperbolapair model[C]// Proceedings of 2006 IEEE Intelligent Vehicles Symposium. Piscataway， NJ： IEEE Press，2006：510-515.

[9]GUMPP T， NIENHUSER D， ZOLLNER J M. Lane confidence fusion for visual occupancy estimation [C]// Proceedings of 2011 IEEE Intelligent Vehicles Symposium Ⅳ. Piscataway， NJ： IEEE Press，2011：1043-1048.

[10]KLUGE K， LAKSHMANAN S. A deformabletemplate approach to lane detection [C]// Proceedings of Intelligent Vehicles 1995 Symposium. Piscataway， NJ： IEEE Press，1995：54-59.

[11]WANG Y F， NAIM D， ACHIM A. A novel system for robust lane detection and tracking[J].Signal Processing，2012，92（2）：319-334.

[12]李青，郑南宁，张雪涛，等.车载摄像机的一种简易标定方法[J].机器人，2003，25（7）：626-630.