基于概率投票法的道路消失點檢測算法研究

尹金楷

摘要：本文提出了一種穩定的基于消失點估計的車道檢測方法。估計消失點有助于檢測車道，因為在投影的二維圖像中，平行線會聚集在消失點上。然而，在背景復雜的圖像中，正確估計消失點并不容易。因此，提出了一種魯棒的消失點估計方法，該方法使用基于從輸入圖像提取的線段的交點的概率投票過程。實驗結果表明，該方法能有效地估計消失點，并在不同環境下檢測車道。

Abstract： The paper proposes a stable lane detection method based on vanishing point estimation. Estimating the vanishing point helps to detect the lane， because in the projected two-dimensional image， parallel lines will gather on the vanishing point. However， in an image with a complex background， it is not easy to correctly estimate the vanishing point. Therefore， a robust vanishing point estimation method is proposed， which uses a probabilistic voting process based on the intersection of line segments extracted from the input image. Experimental results show that this method can effectively estimate the vanishing point and detect lanes in different environments.

關鍵詞：消失點估計;車道檢測;概率投票

Key words： vanishing point estimation;lane detection;probability voting

中圖分類號：TP391.41 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文獻標識碼：A ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文章編號：1674-957X（2021）07-0170-02

0 ?引言

在高級駕駛員輔助系統的研究中，人們對能夠提高駕駛員安全性的技術越來越感興趣[1]。在這些技術中，車道偏離警告（LDW）系統在車輛偏離主干道和高速公路上的車道或狹窄道路時向駕駛員發出警告，并且僅當車輛超過特定速度時，它才運行以防止不必要的警告。LDW系統有助于減少由粗心造成的車輛碰撞或者昏昏欲睡的駕駛。對于LDW系統的基于視覺的車道線檢測已經有很多研究[2]。在這些車道檢測方法中，顏色或邊緣信息被用作車道的特征。

在過去幾年中，圖像分類和識別的深度學習變得非常流行。克里哲夫斯基等[3]首次提出了一種用于圖像分類的卷積神經網絡（CNN），該網絡在ImageNet大規模視覺識別挑戰（ILSVRC）中表現非常好。這種成功證明了深度學習模型的優勢，并激勵研究人員開發基于CNN的對象檢測系統。吉爾希克等人[4]提出了“具有CNN特征的區域”（R-CNN），快速RCNN，然后更快R-CNN。盡管精度和速度越來越好，但它仍然太慢，無法應用于實時目標檢測系統。雷德蒙等人[5]提出了第一個實時的基于CNN的模型，稱為YOLO（你只看一次），它只使用來自最后一個卷積層的特征圖來提取和檢測建議，并且比R-CNN模型工作得更快。該模型通過使用從不同層提取的地圖，在目標檢測方面具有更高的靈活性。固態硬盤還可以應用特征映射直接提取建議，如YOLO，并在保持相對較高的檢測速度的同時實現高精度。

本文的主要貢獻有三個方面：①提出了一種新的對噪聲魯棒的消失點估計方法。所提出的概率投票函數被定義為線段強度，其表示所提取的線段的相關性。②提出了一種基于查找表的投票算法，降低了投票函數的計算成本。③基于檢測到的平行線和它們的估計消失點之間的幾何關系，通過在建議的得分函數中找到峰值來有效地檢測宿主車道。然后，利用幀間相似性對其進行細化，幀間相似性考慮了檢測到的車道與連續幀中估計消失點的位置一致性。

1 ?車道檢測

圖1所示為車道檢測方法的概述。為了檢測車道，首先通過在輸入圖像上使用LSD方法提取線段，并且為每個線段計算線段強度。然后，使用具有線段強度的概率投票過程來估計車道的消失點。通過考慮提取的線段的方向是否與車道的方向相似來過濾掉提取的線段，然后選擇保留的線段作為候選線段。最后，從這些候選線段中檢測車道。

2 ?消失點估計

現實世界環境中的平行線在圖像中的單個點相交，這是因為在從3D圖像投影到2D圖像的過程中會出現透視效果。這個點叫做消失點。車道的消失點可以計算為從車道提取的一對線段的交點。消失點也可以用來尋找平行于車道的線。因此，如果找到平行于車道的線段的消失點，可以有助于檢測車道。

為了考慮像素對準誤差，在所提出的方法中引入了線段強度τ，其表示形成線段的像素的取向對準得如何。τ的定義是將更高的值分配給更長且對齊更清晰的線段，如下所示：（1）

其中li是通過LSD方法提取的線段的長度，？棕i是線段的寬度。τ值較高的線段被認為更相關。線段的厚度代表線段的強度。對于一對線段（Li，Lj），在圖像平面中（Li，Lj）的交點被認為是高斯分布，如下所示：

其中，是（Li，Lj）在圖像坐標中的交點，和是y軸和x軸的標準偏差。在這個方程中，假設高斯模型是各向同性的，然后：

當估計車道的消失點時，可以在圖像中容易地找到穿過消失點的線段。大多數線段來自車道，但是，它們可能包含不平行于3D空間中的車道的線段，但是在投影的2D圖像中偶然經過消失點。因此，本文提出了一種魯棒的車道線檢測方法來降低這些離群線段的影響。

在從所提出的車道檢測方法獲得的圖像中，車道位于以估計消失點為中心的扇形區域中，對于車道檢測，選擇會聚在消失點的候選線段。但是，選定的候選線段可以包含從周圍環境中提取的線段，并且不平行于3D空間中的車道。由于這些異常值會影響車道檢測，通常，應該對視頻序列的所有連續幀進行車道檢測。在道路圖像中，它可以包含各種路面標記、修復標記、樹木或建筑物的陰影等。它們可以在車道周圍看到，如果它們遮擋車道或具有與車道相似的方向，則會導致檢測車道時出現問題。對于圖像中沒有出現的具有陳舊或破損車道的特定圖像，車道檢測有時是不可能的。（圖2）

為了用基于查找表的近似來驗證所提出的方法的計算效率，在不使用近似的情況下，該方法的平均計算時間約為每幅圖像2秒，而所提出的具有近似的方法需要約0.18秒。此外，所提出的方法與近似值的方差約為0.05秒，然而，不使用近似值的方法的方差約為1.9秒。實驗結果表明，提出的近似方法不僅由于計算時間的變化小于不使用近似方法而更加穩定，而且比不使用近似方法更快。

3 ?結論

描述了一種基于直線段相關性的消失點估計的魯棒車道檢測方法。該方法利用基于線段強度的概率投票過程，從噪聲圖像中正確估計車道消失點。在從車輛的前置攝像頭獲得的圖像中，車道位于以估計消失點為中心的扇形區域中。基于這一觀察，所提出的方法通過僅在該扇形區域中搜索來檢測車道。然后，利用線段與估計消失點之間的幾何關系，定義評分函數來估計車道。最后，通過對該評分函數應用洪泛分水嶺算法來檢測車道，并且檢測到的宿主車道的位置是通過利用幀間相似性來細化，該幀間相似性考慮了連續幀中檢測到的車道和估計消失點的位置一致性。此外，提出了一種使用查找表的方法來降低消失點估計過程中的計算成本。實驗結果表明，該方法能有效地估計車道消失點，并能檢測各種環境下的車道。此外，該方法可以成功地方面于走廊地板檢測和輸電線路檢測等各種應用。在未來，我們希望正確估計汽車前方很遠的車道。此外，我們希望將所提出的方法擴展到非結構化道路檢測。

參考文獻：

[1]K. Bengler， K. Dietmayer， B. Farber， M. Maurer， C. Stiller， and H. Winner， “Three decades of driver assistance systems： Review and future perspectives，” IEEE Intell. Transp. Syst. Mag.， vol. 6， no. 4， pp. 6–22， Apr. 2014.

[2]V . Gaikwad and S. Lokhande， “Lane departure identification for advanced driver assistance，” IEEE Trans. Intell. Transp. Syst.， vol. 16， no. 2， pp. 910–918， Apr. 2015.

[3]Z. Nan， P . Wei， L. Xu， and N. Zheng， “Efficient lane boundary detection with spatial-temporal knowledge filtering，” Sensors， vol. 16， no. 8，p. 1276， 2016.

[4]J. Gu， Q. Zhang， and S.-I. Kamata， “Robust road lane detection using extremal-region enhancement，” in Proc. Asian Conf. Pattern Recognit.， Nov. 2015， pp. 519-523.

[5]U. Farooq， G. Abbas， S. O. Saleh， and M. U. Asad， “Corridor navigation with fuzzy logic control for sonar based mobile robots，” in Proc. IEEE Conf. Ind. Electron. Appl.， Jul. 2012， pp. 2087-2093.