基于车道线检测与图像拐点的道路能见度估计

摘 要：为了解决传统的能见度仪价格昂贵、采样有限，以及现有的一些视频测量手段需人工标记物、稳定性差等问题，基于车道线检测与图像拐点提出一种通过固定摄像机识别雾天天气并计算道路能见度的算法。与以往研究不同，在交通模型增加了均质雾天因素。该算法主要分为三步：首先，计算场景活动图，利用区域搜索算法（ASA）结合纹理特征提取待识别区域，如果在待识别区域内像素自顶向下以双曲线形式变化则判断当前天气为雾天，同时计算区域内图像亮度曲线的拐点；其次，基于可伸缩窗算法检测车道线，提取车道线端点并标定摄像机；最后，结合图像拐点以及摄像机参数计算大气消光系数，根据国际气象组织给出的能见度定义计算能见度。通过三种场景下的能见度检测，实验结果表明，该算法与人眼观测效果一致，准确率高于86%，检测误差在20m以内，鲁棒性好。

关键词：能见度估计；均质雾天；图像拐点；车道线检测

中图分类号： TP391.41

文献标志码：A

Visibility estimation on road based on lane detection and image inflection

SONG Hong-jun1*，CHEN Yang-zhou1，GAO Yuan-yuan2

1.College of Electronic Information and Control Engineering， Beijing University of Technology， Beijing 100124， China；

2.College of Information Engineering，Zhejiang A&F University， Hangzhou Zhejiang 311300，China

Abstract：

The traditional visibility meters are expensive， their sampling is limited， and some of the existing video measurement methods need artificial markers and are of poor stability. In order to solve these problems， a new algorithm for weather recognition and traffic visibility estimation through fixed camera was proposed based on lane detection and image inflection. Different from previous research， our traffic model added homogenous fog factor in traffic scenes. The algorithm consisted of three steps. Firstly， calculate the scene activity map. With the help of the Area Search Algorithm （ASA） combined with texture features， extract area for identifying. The current weather condition is foggy if the pixels from top to bottom in the extracted area change in hyperbolic fashion. At the same time calculate inflection point of image brightness curve in the extracted area. Secondly， detect traffic lane based on the retractable window algorithm， extract the lane’s endpoint and calibrate the fixed camera. Finally， according to the visibility definition， calculate traffic scene visibility by International Meteological Organization based on monocular camera model and light propagation model in fog weather condition. Through experiments of visibility estimation for three different scenes， the experimental results show that the algorithm is consistent with human eye’s observation and the accuracy rate is up to 86% while the inspection error is within 20m.

英文关键词　Key words：

visibility estimation； homogenous fog； image inflection； lane detection

0 引言

估计交通气象能见度对不利天气条件下的空中和地面交通安全起重要作用[1]。雾天显著降低交通场景可见距离。雾天条件下容易过分估计场景距离，导致驾驶速度过快引发交通事故，实时测量能见度信息可以让驾驶员将车速限定在一个合适的范围内。目前三种主要的方法估计气象能见度：物理传感装置（激光、雷达、红外传感器等）、双目视觉和单目视觉。

利用物理传感装置来检测气象能见度已被广泛应用，但设备昂贵、检测范围小。双目算法一般分为4步：首先确定各个摄像机本身的内参；其次是左右两幅图像匹配；再次，确定三维坐标变换公式以及场景深度信息；最后搜索场景局部对比度值，根据场景距离信息计算能见度。双目视觉可以得到整个交通场景的深度和距离信息，然而运行时间过长、内存耗费大。更重要的是对于交通场景而言，由于道路像素在颜色以及纹理方面的相似性使得图像匹配更加困难。近年来，为减少运行时间提出了一些新的算法。Labayrade等[2]提出了一种称为“v-视差”的快速立体视觉算法，实现了障碍物检测及平面提取。系统分为两个部分：一是道路障碍物检测（重点是障碍区和道路表面提取）；另一个是障碍物特征提取。它们通过选择第一个对比度大于5%的像素计算气象能见度并定位道路平面。

在单目交通气象能见度检测方面，Bush等[3]利用小波变换方法检测图像中对比度大于5%的边缘。基于交通气象标准，Hautiere等[4]基于路边相机估计能见度范围同时检测能见度降低是否由雾引起。另一种估计能见度的方法是将场景对比度同视觉范围关联起来，通过附加传感器计算能见度[5]，通常基于Sobel算子以及高通滤波方法的简单梯度用来计算对比度[6-8]。Hautiere等[9]基于车载摄像机提出了一种动态应用Koschmieder光线传播原理的能见度估计方法。相对于其他方法需要准确提取路面而言，这种方法只需要较少的限制，提取一个含有道路区域和天空区域的均匀表面。算法通过计算该表面的拐点估计能见度；然而对于轻雾天气，该方法不适合。

通过摄像机标定计算能见度是一个研究热点。摄像机标定目的是确定摄像机内部几何、光学特性（参数）以及相机相对于特定世界坐标系统（外部参数）的三维位置和方向，通过计算机图像坐标推断世界坐标或摄像机坐标下的三维信息[10]。近年来，摄像机标定在许多大学和科研机构有很大进展[11]。

Todd等[12]提出一种校准路边摄像机新的算法，该算法首先利用车辆的运动和边缘信息估计摄像机相对于路边的位置；然后通过估计道路边缘位置以及消失点来校正摄像机；最后该算法将图像的像素坐标通过坐标变换方程转化为真实世界坐标。文中考虑到非结构化道路问题采用了活动图的方法而没有使用车道线信息。

上述算法忽略了雾天条件下暗含于光线传播模型中固有的距离信息，基于均质区域搜索与像素拐点计算本文提出了一种通过固定摄像机识别雾天天气并计算场景能见度的算法。与以往研究不同，本文的交通模型添加了均质雾天因素。算法主要分为三步：首先，计算场景活动图，利用区域搜索算法（Area Search Algorithm， ASA）结合纹理特征提取待识别区域，如果在待识别区域内像素自顶向下以双曲线形式变化则当前天气为雾天，同时计算区域内图像像素的拐点；其次，基于可伸缩窗算法检测车道线，提取车道线端点并标定摄像机；最后，根据能见度定义，结合单目摄像机模型以及光线在雾天传播模型计算能见度。本文最后给出了三种场景下摄像机参数标定结果以及能见度计算结果，实验结果证明了算法的有效性和鲁棒性。