基于深度學習的逐窗口流車道線檢測算法

王文 劉文娟

摘要：隨著人們生活水平的提高，對于車輛行駛的安全問題也日益關(guān)注度。目前主要通過高級輔助駕駛系統(tǒng)（ADAS）減少交通事故，其關(guān)鍵是為車輛駕駛決策提供必要環(huán)境的道路識別技術(shù)。主流車道檢測算法大多不能兼有實時性與準確性，為解決該問題，提出基于興趣區(qū)域的窗口流車道檢測與跟蹤技術(shù)，并利用深度學習使得檢測精度不斷提高。在實驗室模擬情況中，通過對5000張道路圖片的檢測，該算法共計準確識別圖片4993張，模糊識別圖片5張，錯誤識別圖片2張，識別率達到99.86%。在實際道路識別中，可滿足實時視頻的檢測，具有很好的實時性、準確性、魯棒性和抗干擾性，對無人駕駛有一定的輔助作用。

關(guān)鍵詞：無人自動駕駛;高級輔助駕駛系統(tǒng)（ADAS）;逐窗口流車道檢測與跟蹤;深度學習

中圖分類號：TP391? ? ? 文獻標識碼：A

文章編號：1009-3044（2019）18-0209-03

Abstract： Under the current social environment， people pay more and more attention to the safety of vehicle driving. At present， the most important way to reduce traffic accidents is to assist driving through advanced assisted driving system （ADAS）， in which the key part of road identification technology can provide necessary road environment information for the driving decision-making part of the vehicle. Most of the current mainstream lane detection algorithms cannot be real-time and accurate at the same time. Therefore， a new window-by-window lane detection and tracking technology based on region of interest is proposed， in which deep learning is used to improve the accuracy of the algorithm. In the laboratory simulation， through the detection of 5000 road images， the algorithm accurately identified 4993 images， 5 fuzzy identification images， 2 wrong identification images， the recognition rate reached 99.86%.In the actual road identification， it can meet the real-time video detection， with good real-time， accuracy， robustness and anti-interference， and has a certain auxiliary role for unmanned driving.

Key words： Unmanned autonomous driving; Advanced assisted driving system （ADAS）; Window-by-window lane detection and tracking; Deep learning

1 引言

近年來，隨著計算機視覺以及人工智能的快速發(fā)展，無人駕駛車輛技術(shù)的研究日益火熱，而在一定的科技發(fā)展程度上，對于技術(shù)的普遍性有一定需求。采用視覺處理技術(shù)輔助車輛駕駛是一種高效而成本較低的解決方案，但是當前環(huán)境下，大多數(shù)道路檢測技術(shù)無法達到實時準確[1]，所以如何實時準確地進行車道線檢測成為當前探究熱點。

目前國內(nèi)外主流的基于計算機視覺的車道線檢測方式主要可分為如下幾種，基于曲線擬合特征提取檢測[2]，基于Hough變換[3-4]或者卡爾曼濾波器[5]的檢測，基于卷積神經(jīng)網(wǎng)絡(luò)的檢測[6-7]，以及基于深度學習的檢測[8]等。

國內(nèi)在道路識別技術(shù)發(fā)展上起步晚，技術(shù)點散，整體的研究技術(shù)較為落后，與國外有較大差距。尤其在輔助駕駛等方面的研究較少，相比之下國外車輛企業(yè)在該技術(shù)領(lǐng)域已經(jīng)形成了自己完整的生產(chǎn)鏈[9]。為了使車道識別技術(shù)更為普遍應(yīng)用，本文基于結(jié)構(gòu)化道路具有相對穩(wěn)定車道線，提出一種應(yīng)用于智能無人車載視頻的實時檢測車道線算法。該算法首先對圖像進行預(yù)處理，利用攝像機標定技術(shù)[10]對圖像畸變進行修復(fù)。然后處理后圖像使用ConvNet[11]選取感興趣區(qū)域，再對選取區(qū)域進行透視變換[12]。最后，利用逐窗口流方法檢測車道線。

2 視頻圖像處理

在實際情況中，許多攝像頭所拍攝圖像會有一定的畸變，盡管在肉眼上我們?nèi)祟惪赡軣o法識別，但在機器處理中會對結(jié)果有一定的影響。所以首先對視頻圖像進行攝像機標定處理，對畸變進行一定修復(fù)。車載攝像頭產(chǎn)生的為徑向畸變，可以通過以下公式（1）（2）進行糾正：

簡單來說，如果我們想對畸變的圖像進行校正就必須找到五個造成畸變的系數(shù)：[Distortion cofficients=（k1， k2， p1， p2，k3）]。除此之外，我們還需要再找到一些信息，比如攝像機的內(nèi)部和外部參數(shù)。內(nèi)部參數(shù)是攝像機特異的。它包括的信息有焦距（fx，fy），光學中心（cx，cy）等。這也被稱為攝像機矩陣。這些畸變參數(shù)由攝像機自身引起，只需要計算一次，以后就可以已知使用了。可以用下面的3×3的矩陣（3）表示：