（信号与信息处理专业论文）基于机器视觉与gps导航技术研究.pdfVIP

基于机器视觉与6 p s 导航技术研究 摘要 视觉导航在智能车辆的智能导航中占有重要地位。由于机器视觉相对于常用 的传感器如测距仪等，具有信息量丰富，智能化水平高等特点，但是其处理的数 据量较大。用机器视觉方法对交通环境信息进行提取和识别，获得的结果能够直 接用于智能车辆的辅助驾驶或自动导航中。 本文研究了基于机器视觉的车道标志线实时检测问题。讨论了各种车道模 型，提出了基于分段切换车道模型，详细论述了车道图像的检测算法，并对试验 效果进行了讨论与分析结果表明，该基于分段切换车道模型的车道识别算法， 能够很好地匹配各种形状道路。并具有较好的实时性。 g p s 系统是车辆导航系统的主要导航信息源，由于g p s 定位性能有其无法 克服的局限性，组合导航系统通过多个定位信息源能够提供更好的系统性能。在 车辆导航定位系统中，无线数据传输实现方法也是近年来实际应用研究的重点， 为了使车辆导航系统功能进行扩展，需要将车辆的定位数据进行无线传输。车辆 导航系统中这两个方面的研究具有一定的实际意义。 本文介绍了一种利用车载惯性导航设备和g p s 导航卫星进行车辆实时定位 的导航系统，该导航仪用于实时测量车辆的经纬度数据信息，并显示在外挂的液 晶屏上。文中给出了该组合导航仪硬件的详细设计，并分析了导航所需的各种数 据信号的特征，分析了影响各种信号的状态因素。 关键词：机器视觉；g p s ；惯性导航 r e s e a r c ho nm a c h i r ev i s l o na n dg p s i nc a rn a y i g a t i 0 1 1s y s t e m a b s t r a c t t h ea p p li c a t i o no fv i s i o n b a s e ds y s t e m st oa ni n t e l l i g e n tv e h i c l ei s a v e r yc h a l l e n g i n gt a s k t h ec h a l l e n g ea r i s e sf r o mb o t ht h em e t h o d o l o g i e s t oh a n d l et h em u l t i p l ep r o b l e m sc a u s e db yt h es t r u c t u r eo ft h ev i s i o n s y s t e ma n dt h ec o m p u t a t i o n a lr e q u i r e m e n td u et ot h eh u g ei n f o r m a t i o n s u p p o r t e db yt h ev i s i o ns y s t e m sc o m p a r e dt op o o rs e n s o r s1 i k er a n g ef i n d e r b yu s i n gc o m p u t e rv i s i o nt oe x t r a c ta n dr e c o g n i z et h et r a f f i ce n v i r o n m e n t ， t h er e s u l t so fr e c o g n i t i o nc a nb eu s e dd i r e c t l yf o ra u x i l i a r yp i l o to r a u t o m a t i cp i l o t r e a l t i m ev i s i o n b a s e dd e t e c t i o no fl a n ee d g ei ss t u d i e d a 1 1k i n d so f l a n e m o d e l sa r ed e s c r i b e d al a n ed e t e c t i o na l g o r i t h mb a s e do nt h e m u l t i s e c t i o n a ls w i t c hl a n em o d e li sp r o p o s e da n dt h ed e t e c t i n ga l g o r i t h m o fl a n ei m a g ei sd i s c u s s e di nd e t a i l t h er e c o g n i t i o nr e s u l t sa r eg i v e n a n da n a l y z e di nt h ee n d e x p e r i m e n t a lr e s u l t ss h o wt h a tt h i sm e t h o dc a n f i tl a n eb o u n d a r i e s w i t hv a t i o u s s h a p e sa c c u r a t e l y ， a n di ti s c h a r a c t e r i z e db yi t sg o o dr e a l t i m e ，e t c i nt h ep a s t ，v e h i c l en a v i g a t i o ns y s t e m sm o s t l yg e tp o s i t i o no fv e h i c l e f o r mg l o b a lp o s i t i o ns y s t e m ( g p s ) g p si sap r e c i s es y s t e mp r o m o t e d b u t b e c a u s eo f1i m i t a t i o no fg p ss y s t e mf o ru r b a nc i r c u m s t a n c e ，t h ei n t e g r a t e d n a v i g a t i o ns y s t e mf o rg p sa n dd e a d r e c k o n i n gs y s t e m c o u l da c h i e v e c o n s i d e r a b l ea c c u r a c yv a l u e a n do nt h eo t h e rh a n d ，a n o t h e rq u e s t i o ni n t h ev e h i c l en a y i g a t i o ns y s t e mi st h et r a n s p o r t a t i o no ft h ei n f o r m a t i o n o fv e h i c l ep o s i t i o na n ds t a t u s t h ew a vo f t r a n s p o r t a t i o no f t h e i n f o r m a t i o nd e c i d e dt h eq u a l i t ya n dp r i c eo ft h es y s t e mi nl a r g ed e g r e e t h i sd i s s e r t a t i o ni n t r o d u c e sak i n do fc a rn a y i g a t i o ns y s t e mw h i c hu s e i n e r t i a ln a v i g a t i o ne q u i p m e n t sa n d g p sn a y i g a t i o nc a nm e a s u r ei n f o r m a t i o n o fv e h i c l ei n s t a n t a n e o u s l y ，s u c ha sl o n g i t u d e ，l a t i t u d ea n dd i s p l a yt h e s e i n f o r m a t i o no nl c d i nt h i se s s a y ，ig i v et h eh a r d w a r ed e s i g ni nd e t a i l o ft h isi n t e g r a t e dn a v i g a t i o ni n s t r u m e n t a n dia n a l y z et h ec h a r a c t e r s o ft h er e q u i r e dd a t as i g n a l s ，i n c l u d i n gt h ep r i m a r yp r i n c i p l eo f t r a n s m i t t i n gg p sd a t as i g n a la n dt h es t a n d a r do fd e c o d i n gi t k e y w o r d s ：m a c h i r ev is i o n ：g p s ；i n e r t i a in a v i g a t i o n n 独创声明 本人声明所呈交的学位论文是本人在导师指导下进行的研究工作及取得的研究成果。 据我所知，除了文中特另, l d i l 以标注和致谢的地方外，论文中不包含其他人已经发表或撰写 过的研究成果，也不包含未获得( 连! 垫超直基位置翌挂别主明 丝! 奎拦亘窒2 或其他教育机构的学位或证书使用过的材料。与我一同工作的同志对本研 究所做的任何贡献均已在论文中作了明确的说明并表示谢意。 学位论文作者签名：云d 声暂签字同期：四年 月刁f i 学位论文版权使用授权书 本学位论文作者完全了解学校有关保留、使用学位论文的规定，有权保留并向国家有 关部门或机构送交论文的复印件和磁盘，允许论文被查阅和借阅。本人授权学校可以将学 位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手 段保存、汇编学位论文。( 保密的学位论文在解密后适用本授权书) 学位论文作者签名：暑d 卢岢， 导师签字： 签字日期：l o 日年r 月习日 学位论文作者毕业后去向： 工作单位： 通讯地址： 伽辑 i 签字日期加班石月f 日 电话： 邮编： 堆十机器说觉ig p s 岢航技术州究 0 前言 随着我国国民经济的高速发展，国内商速公路、城市道路、停车场建设越来 越多，对交通控制、安全管理的要求也同益提高，智能交通系统( i n t e l l i g e n t t r a n s p o r t a t i o ns y s t e m ，简称i t s ) 己成为当前交通管理发展的主要方向。智能交 通系统，早期曾被称为智能车辆公路系统( i n t e l l i g e n tv e h i c l e h i 【g l l w a ys y s t e m ) 。 是上世纪9 0 年代兴起的新一代交通运输系统。它将先进的信息处理技术、导航 定位技术、数据通讯传输技术、电子控制技术以及计算机网络和计算机处理技术 等有效地综合应用于整个交通管理系统，通过加强道路、车辆、驾驶员和管理员 的联系，实现道路交通的“自动化”和车辆行驶的“智能化”，从而建立起一种在大 范围内、全方位发挥作用的、实时、准确、高效的运输综合管理系统。 我国有关部门已将i t s 列入“九五”、“十五”科技发展计划和2 0 1 0 年长期规 划中l l 】。我国i t s 的研究应用主要体现在： 1 城市交通信号控制系统( u t c s ：u r b a nt r a f f i cc o n t r o ls y s t e m ) 2 高速公路监控系统( f r e e w a ys u r v e i l l a n c ea n dc o n t r o ls y s t e m ) 3 电子收费系统( e t c ：e l e c t r o n i ct o l lc o l l e c t i o n ) 4 路径导行系统( e r g s ：e l e c t r o n i cr o u t eg u i d a n c es y s t e m ) 其中，应用于路径导行系统中的自主导航与辅助导航在智能交通系统中占有 重要的地位。从历史的发展来看，出现了各种各样的自主导航及辅助导航的方法， 有地下埋线导航、光学导航、视觉导航、超声导航、红外导航等，其中视觉导航 因其发展潜力巨大而受到各国的关注，是目前的导航方式的主澍2 】。 目前，机器视觉主要用于路径的识别与跟踪。与其它传感器相比，机器视觉 具有检测信息量大、能够遥测等优点。但由于数据处理量大，容易导致系统的实 时性问题。解决方法是采用更高性能的硬件或提出新的视觉算法。 纯粹的三维环境重建方法进行车辆高速行驶条件下的导航，在目前及将来一 段时间内还不具有现实可行性，但是随着计算机技术和图像处理技术的飞速发 展，利用高速公路路面上的白色路标线的二维图像边缘检测方法进行导航是目前 研究较集中的领域。 近年来，虽然车辆机器视觉算法取得了长足的进步，对结构化道路的识别与 跟踪可靠性有很大的提高。但机器视觉还存在两个明显的局限性。第一，就目前 发展水平，机器视觉可靠性尚需进一步提高。例如，道路标志线不清晰或残缺时， 机器视觉的可靠性大大下降甚至无法进行道路识别。第二，机器视觉只能识别具 体的道路，不能进行宏观路径规划。例如，车辆前方道路出现分支路径时，机器 视觉无法选择日u 进道路。因此，智能车辆上仅采用机器视觉导航难以适用如非结 | i i ；十机器视觉o g p s 甘航技术研究 构化道路、多分支道路等复杂环境。目静，随着交通运输技术的发展，g p s 在交 通领域丌始得到应用。利用g p s 的定位功能，可以十分方便地确定车辆当l ；i 位 置，配合电子地图。就能够从宏观上进行动态路径规划和车辆导行。 o 1 基于机器视觉与g p s 导航系统的组成和工作原理 典型的车辆导航系统一般由信息采集硬件部分、中央处理器、操作系统与处 理软件等几部分组成，有时还需要连接相应的数据库以完成特定的功能。 0 1 1 基于机器视觉车道识别的工作原理 公路路面的白色车道或道路两侧边缘和黑色路面的c c d 图像狄度值会有一 定的差异。根据这种差异，经图像处理后可以获得需要的路径图像信息，如方位 偏差、侧向偏差、车辆在道路中的位置等信息。将这些信息与c c d 的预瞄距离 及车辆的动力学方程相结合，可构成车辆控制系统数学模型。其原理流程如图 0 1 所示。 图0 1 车辆导行系统的原理流程图 系统可为图像采集、图像预处理、路径信息、决策控制、路径导行等几部分， 所有这些工作一般需要在一台较高配置的系统上完成。各部分的主要功能简述如 下： 1 车道图像采集采用视频卡捕获道路视频图像。这部分的任务主要是截 获图像作为后续识别之用。 2 图像预处理首先将输入的彩色图像进行灰度化，随后在灰度图像上利 用滤波算子进行滤波预处理，并生成一个门限，将滤波后的图像转化为二值图像， 对二值图像中的噪声还要进行消除。 3 路经信息在预处理得到的二值图像中进行区域搜索，获得需要的路径 图像信息，然后交给后续模块进行处理。 4 决策控制在得到路径信息和车辆自身状态信息利用自动控制、人工智 能等理论做出决策。 5 路径导行根据决策控制模块做出的决策发出相应的控制指令，引导车 辆导航，并将结果反馈到前面的模块。 o 1 2g p s 的工作原理 g p s 3 系统是由美国国防部的陆海空三军在7 0 年代联合研制的新型卫星导 精十机器税觉jg p s 学航技术训究 航系统，它的英文名称是“n a v i g a t i o ns a t e l l i t et i m i n ga n dr a n g i n gg l o b a l p o s i t i o n i n gs y s t e m ”，其意为“卫星测时测距导航全球定位系统”，简称g p s 系统。 它是一种为海上、陆上、空中的用户提供全方位实时三维导航与定位能力的卫星 导航与定位系统，并以全天候、高精度、自动化、高效益等显著特点，成功地应 用于航空航天、军事、交通运输、资源斟探、通信、气象等几乎所有的领域中【4 1 ， 被作为一项非常重要的技术手段和方法。 g p s 定位的基本原理1 5 】是卫星不问断地发送自身的星历参数和时白j 信息，用 户接受到这些信息后，经过计算求出接收机的三维位置、三维方向以及运动速度 和时间信息。 每一颗卫星连续不断地向g p s 接收机发送可跟踪的位移编码序列，g p s 接 收机可根据编码辨认相关的卫星，进而计算出接收机的确切位置和准确时间 6 1 。 航位推算( d e a dr e c k o n i n g ) 是经典的独立定位技术。对于在二维空间内移 动的物体，如果其起始位置和以前所有时刻的位移已知，则通过在初始位簧上累 加位移矢量的方法可以计算出物体的当前位置，这就是d r 定位的原理。航位推 算系统实际上是一个简化了的惯性导航系统，它依赖惯性传感器来拾取车辆的位 置和航向信息。 o 2 基于机器视觉与g p s 导航的研究现状 随着交通系统的迅速发展，越来越多的人开始关注有关交通安全、交通网络 优化的问题。解决这些问题的努力使人们对智能汽车系统的相关技术进行应用产 生了兴趣。为了实现完全或者部分的自动驾驶任务，人们提出了许多新方法、研 制了许多新系统并加以试验和改进。自动驾驶任务包括沿道理行驶、保持汽车之 间的安全距离、根据路况调整汽车的行驶速度、寻找到达目的地的最佳路线、在 城区环境下移动和停留等。 目前，世界各国都在开展智能交通系统( i t s ) 、智能车辆公路系统( i v h s ) 的研究，以期望提高运输效率、减少交通事故和减轻驾驶者的劳动负荷。在欧洲， 探索性的工作丌始于1 9 8 6 年的p r o m e t h e u s 项目，在该项目的框架下，指出 大量针对智能汽车的方法，并进行应用和测试；美国许多的汽车厂商、大学很早 就丌始一系列的相关尝试丌发工作。并于1 9 9 5 年美国政府成立国家自动高速公 堆十机器税觉ig p $ 导航技术研究 路系统联盟：同本也在1 9 9 6 年就成立先进自动巡航高速公路系统研究协会，并 研究和测试了关于汽车自动导航的各种方法 机器视觉由于可以提取驾驶过程中完整的信息，在智能车辆中具有极其重要 的作用，吸引了国内外众多研究学者的关注，他们纷纷致力于相关理论和应用的 研究，取得了许多突破性成果。 德国的u b m 大学的d i c k m a u n s 教授所在的智能车辆研究小组一直致力于动 态机器视觉领域的研究。该小组研制的e m s - - v i s i o n 视觉系统能够较好的模拟 人眼的功能。该系统的特点是：随着速度的变化，能够自动调节摄像机的焦距； 能够对周围较宽范围内的物体进行感知；系统适用不平道路的颠簸环境；能够对 立体视觉进行处理。 意大利的a l b e r t o b r o g g i 教授在a r g o 项目中提出一种基于外形的行人检测 算法。该算法是基于对行人外形的定位，通过对称性、尺寸大小、比例和形状来 识别行人。该算法首先对单帧图像进行粗略处理得到初步的行人外形，然后用立 体视觉技术得到距离，再对上述处理结果进行细化。目前，a r g o 项目所研制的 智能车可以在机动车道上自动驾驶，在实现车道跟踪、计算车道的几何形状、检 测前方障碍、定位前方车辆以及检测车辆前方行人等方面都做了深入研究。 法国的r o m u a l da u f r e r e 提出一种机器视觉方法，它可以正确地跟踪有路标 和无路标情况下的道路，该方法采用了三个模型：一个用于从图像中提取出道路 的边缘特征；另一个用于定位车辆所在车道的位置；还有一个模型用于提供可靠 的时间间隔。该视觉技术的特点是：仅用一台摄像机获取路面的信息，再采用车 道的统计模型进行精确匹配，得到较为准确的结果。 美国的m tu n i v e r s i t y 的y i m u r p h e y 采用单目摄像机进行设计，系统通过对 序列图像进行处理，能够测取深度等信息。 日本的m a s a n o r ih a r i y a m a 提出一种可靠的立体视觉匹配算法s a d ( s u no f a b s o l u t ed i f f e r e n c e s ) ，用来实现当前图像与参考图像之间的像素匹配。由于该算 法的运算量巨大，研究中专门采用了一种v l s i 处理器，可以将处理速度提高到 6 0 m s ，从而使得立体视觉的匹配算法得到实时处理。 对于g p s ，一经问世，即显示出强大的生命力和广阔的应用前景，并产生了 巨大的社会和经济效益，成为9 0 年代整个世界经济增长点之一。由于巨大的市 4 苹十机器视觉ojg p s 导航技术研究 场潜力和不可估量的发展静景。r 本几乎所有的汽车生产厂家都参加了这一高科 技角逐，仅近几年投入市场的新系统就有3 0 多个。如同本的宏达、尼桑、本嗣、 马自达、三菱以及松下、先锋、阿尔派、健伍等都己丌发出自己的车载导航产品。 世界其它发达国家如美国、德国、荷兰不甘落后，力图在该市场占有一席之地。 在欧洲，由飞利浦、西门子开发的车载导航系统1 9 9 5 年已在雷诺、索菲亚等大 众化民用车辆上使用。从1 9 9 4 年起，厂装车辆已将g p s 车载导航系统列在选装 清单上。此外，根据( g p s w o r l d 杂志刊登的美国工业发展研究机构的预测， 到2 0 1 0 - 2 0 1 5 年自j ，约有5 0 的汽车在出厂时，就已装备了车载导航系统。在 以后时间里该系统的普及率将会逐渐提高到1 0 0 。国内也已有部分厂商和研究 单位推出了一些车载导航定位系统，但要么由于技术简单，定位精度不够，要么 由于成本昂贵，不能为一般用户所承受，因而不能在实际车载系统中得到广泛的 应用。要将这种系统实用化，则必须在提高精度的同时大幅度降低成本。 0 3 导航技术的特点与难点 在智能车研究领域，车道识别无论是对于车道偏离报警还是车道保持等主动 安全系统都是一项关键技术。车道识别技术的一个重要步骤就是车道模型的选 择，合适的车道模型能够更好地描述车道的几何形状，同时又有利于检测算法的 实时性。 国内外的许多学者建立过多种车道模型。最简单的车道模型为直线模型 【14 】【1 5 1 ，该模型的优点在于所需计算量小，有利于提高算法的实时性，但是直线 模型对于有曲率路段的匹配不够精确。为了弥补直线模型的这个缺点，研究者提 出了多种曲线模型，例如同心圆曲线模型【1 6 1 、二次曲线模型【1 刀【1 8 1 、近似的回旋 曲线模型【伸】等。相比直线模型，曲线模型能够更好地描述车道线的几何形状， 但是曲线模型更为复杂，在和车道线匹配的过程中需要更大的计算量，会影响算 法的实时性。为了弥补单一模型的缺陷，有研究者提出了组合模型的概念，例如 分段直线模型【”、直线抛物线模型【8 】等，对于近视场区域，组合模型利用赢线匹 配车道线，但是对于远视场模型的选择，组合模型依然面临困难，如果选择直线 模型，和有曲率道路吻合的不好，如果选择曲线模型，又不利于计算量的控制。 另外对于g p s 定位导航系统虽然在空旷地带能够全天候、连续实时地提供 堆十机器税觉ig p s 岢航技术州究 高精度的三维位置和速度信息，但是车辆行驶在高楼林立的市区时，由于g p s 卫星信号经常受到遮挡，有些情况下要通过g p s 系统实现连续准确的定位是不 可能的。而车辆航位推算导航系统( d r ) 是一种自主式的车辆导航系统，它短 时问内精度很高。但导航误差随着时间而积累。因此这两种导航方式都有其优缺 点。但是利用组合导航技术把上述两种导航系统结合起来，构成g p s d r 组合导 航系统，利用其各自的优点，互相取长补短，能够获得优于任何单独一种导航系 统的精度和可靠性，可确保移动车辆在丢失卫星信号时仍能有效的确定车辆所在 的位置。一方面用g p s 精确定位结果辅助航位推算系统的初始化，给出准确的 初始位簧，同时对航位推算系统的位置误差进行自主校正，减少误差积累。另一 方面，当g p $ 无法定位或定位误差太大时，便切换至航位推算系统，短时间内 校正g p s 信息，直至g p s 定位恢复正常后，再切换至g p s 定位系统进行精确定 位。理论分析和试验结果表明，g p s d r 组合车辆导航系统具有较高的定位精度 与良好的可靠性。 0 4 本文的工作及结构安排 随着智能交通系统的发展，自主导航与辅助导航是智能车辆研究的关键技 术。从智能车辆发展历史来看，出现了各种各样的自主驾驶及辅助导航的方式， 有地下埋线导航、光学导航、视觉导航、超声导航、红外导航等，本文主要针对 视觉导航与g p s 导航两大技术进行研究。 本文的主要内容安排如下：第一章部分介绍机器视觉理论，研究了常见车道 模型，提出了一种基于分段切换车道模型的车道识别算法：第二部分介绍了g p s 特点和定位原理；第三部分介绍了静态导航原理；第四部分是关于g p s d r 硬件 设计的详细介绍；第五部分是对全文的总结，并提出了改进方向。 6 | 吝十机器说觉jg p s 甘航技术研究 l基于机器视觉导航算法的研究 近年来，视觉导航在车载导航中获得了广泛应用 9 - 1 2 1 。机器视觉相对于常用 的传感器如测距仪等来说，具有信息量丰富、成本低、智能化水平高等特点。但 是，因其处理的数据量大，致使实时性和鲁棒性较差。同时在复杂或干扰因素较 多的环境中。如何标识出路径图像，也是一个主要难题。在视觉导航中，基于标 识线图像识别的方法具有原理简单，实现容易，且技术成本和费用低等特点，成 为当前的研究热点，其关键问题是车道模型的选择。 1 1 二维平面的投影变换及标定方法 摄像机作为车辆的眼睛，实现从三维景物空间到二维图像平面的转换。人们 首先感兴趣的是转换的几何关系，也就是三维空间中的点与它在二维空白j 中的像 素点的对应关系。显然，这种关系是从图像( 二维) 推断景物的空间信息( 三维) 的基本出发点。而从数学的角度来说，可认为在三维景物空间和二维图像空间之 间必然存在- 1 个投影变换矩阵。 任何摄像机，无论它配备什么样的镜头，都可以抽象为如图1 1 所示的几何 图型。图中，o x y z 坐标系称为视觉坐标系，它固定在摄像机上，d 点为摄像机 的镜头中心，平面o x y 与像平面平行类似地，定义o z 轴( 与摄像机的光轴重 合且方向背离摄像机) 与像平面的交点为o x y 坐标系的原点o ，且o x 轴和缈轴分 别平行于o x 轴和o y 轴。图1 1 表明了c c d 摄像机的几何模型1 3 1 。 幽1 1 视觉坐标系 z 桀十帆器视觉o g p s 岢航技术研究 由相似三角形不难得到三维空问的点尼( x ，z ) 和它的像只( 工，y ) 之间的关 系为： 式中，为镜头的焦距，且令名= 乡为放大比 在齐次坐标系中，可将o x y z 和o x y 两个坐标系的投影变换关系写成如下的 线性形式： = l0 o 000 1 00 010 l x y z l ( 1 2 ) 由于采集到的图像为数字图像，而我们知道在数字图像中像素点的坐标原点 在图像的左上角。所以如果定义( ，v ) 为图像像素点的坐标，摄像机光学中点的 坐标为( ，v o ) ，则实际的图像点坐标( x ，) ，) 和对应的像素点坐标( “，v ) 满足以下关 系 f x = o , ( u - 一u o y = d y ( v v o ) s ， 【 一 ” 或者写成矩阵形式 料 1 0 u o 皿 0 1 v o d 。 ool ( 1 4 ) 式中，q 和e 分别为一个像素点在j 、y 方向上的尺寸，为数字图像的 放大比。 综合式( 1 2 ) 和式( 1 4 ) ，可得 土厂上厂 一z y z 堆十机器说觉o jg p $ 导航技术研究 阱 上0 皿 ” 0 l v o d 00l 1o ol 0 o 0 0 0 0 l0 l x y z 1 ( 1 5 ) 上式描述了一景物点和它对应的像素点的几何关系。其中p = 五。 下面将分析在摄像机三维空自j 中的二维像平面。在此定义世界坐标系 仉x ，l ，乙，其中q 乙轴平行于地面的法向量，而q x 。，l 在地面上。设坐标系 仉x 。l 乙中的一点只= ( j 0 ，l ，z 。) ，( r7 ) 为摄像机坐标系和世界坐标系之间 的几何变换矩阵，则有如下关系 x y z 1 i ，；2 ，；， 吒ik 岛 石i弓2五3 ooo x 。 l z 。 l ( 1 6 ) 式中，r = 珞，i = 1 ，2 ，3 ；j = l ，2 ，3 ，r = ，t 2 ，岛l 。 如定义焉= ( i ，2 ，r m 3 ) ，恐= ( b ，岛) 和焉= ( 五，r 3 2 ，r 3 ，) ，再结合式( 1 5 ) 和 式( 1 6 ) ，可得 x 。 匕 乙 1 ( 1 7 ) 因此可以近似乙趋近于零。从而，可把式( 1 7 ) 写成如下形式 融。， ；! 1 s ， 啪 + 岛 乞 ，一破厂一b 墨 墨 即 斗 焉 恐 厂一见厂一q ，一厂 = 1j 砌卸口 -。l 桀十机器视觉u p s 岢航技术i i j f 究 式中：= l - p 1 丢焉+ 墨 q 善岛+ v 0 尾 ” b 阱 i ， 矩阵日。是像平面与在摄像机三维空间中的二维平面之间的投影变换矩阵。 只要这两个面不重合，则必存在变换矩阵h 3 , a ，且满足下式 ：隐乏乏 m 埘 l 岛岛：1j 点，便可唯一地确定马，d 。非常有趣的是，标定这些点时，并不需要了解摄像机 的内外部参数，因为这些参数已经隐藏在矩阵县。里。 侣一一o x w y t - 有n 2 4 ) 个点，则只= ( 墨，x ) ，汪l ，2 ，栉 且与其一 一对应的像素点j = ( 坼，m ) ，i = 1 ，2 ，以) 。 “1 l l00 0 一l x l 一”l x l 00 0 lh 1 一l e一，i “。v 。 100 0 一“。x 。一v 。x 00 0 “。v 。 1 一“。l v n 上式可写成：m h = n 。在实际应用中，对这种线性系统的求解可采用多元 o 啪 + 如 厂一4厂一b 互ll匕 桀十机器说觉o ig p s 岢航拄术研究 线性回归参数估计法 1 2 车道标识线图像识别的导航原理及车道模型的选择 1 2 1 导航原理 标识线图像识别导航的基本原理是：假设智能车辆是在较平坦的路面行驶 的，根据地面设簧的白色条状标识线和路面背景的图像狄度值的差异，经过图像 处理后便可得到车辆的跟踪路径。在采集的图像窗口中提取白色标识线的边缘， 然后得到标识线的中心线，根据此中心线位簧来判断车体与跟踪标识线的相对位 置从而进行跟踪控制。 1 2 2 车道模型的选择 车道识别无论是对于车道偏离报警还是车道保持等主动安全系统都是一项 关键技术。车道识别技术的一个重要步骤就是车道模型的选择，合适的车道模型 能够更好地描述车道的几何形状，同时又有利于检测算法的实时性。 国内外的许多学者建立过多种车道模型。最简单的车道模型为直线模型 【4 】【5 】，该模型的优点在于所需计算量小，有利于提高算法的实时性，但是直线 模型对于有曲率路段的匹配不够精确。为了弥补直线模型的这个缺点，研究者提 出了多种曲线模型，例如同心圆监线模型【阍、二次曲线模型1 7 1 8 1 、近似的回旋 曲线模型【”】等。相比直线模型，曲线模型能够更好地描述车道线的几何形状， 但是曲线模型更为复杂，在和车道线匹配的过程中需要更大的计算量，会影响算 法的实时性。为了弥补单一模型的缺陷，有研究者提出了组合模型的概念，例如 分段直线模型7 】、直线抛物线模型8 1 等，对于近视场区域，组合模型利用直线匹 配车道线，但是对于远视场模型的选择，组合模型依然面临困难，如果选择直线 模型，和有曲率的道路吻合的不好，如果选择曲线模型，又不利于计算量的控制。 为了解决以往车道模型描述车道线实际形状的准确性与车道识别算法的实 时性之间的矛盾，本文对组合模型进行改进，设计了一种分段切换车道模型。该 模型和组合模型类似，也把图像分成了近视场区域和远视场区域，因为近视场区 域的车道线基本上为直线，因此分段切换车道模型的下半段采用了直线模型。对 于远视场区域，根据道路的弯曲程度，分段切换车道模型的上半段按照切换逻辑 单十机器税觉jg p s 导航技术州究 在直线模型和二次曲线模型之白j 进行切换。 在图像坐标系中，以图像的左下角点为坐标原点( 图像大小为6 4 0 * 4 8 0 ) ， 高度方向为y 方向，宽度方向为j 方向。用。川表示左侧的车道线方程，。神，表 示右侧的车道线方程。 在近视场区域所使用的直线模型如式f 1 1 2 ) 所示： k _ 2 k y + k 一蛳f y - ( 1 1 3 ) b r 哺| ：x x s m m 却2 k h - r | 却b y 。咖3 + b i r i 咖够y ) y 。2 ( y 一) 卅y 矿j ， y 一( 1 1 4 ) u r 。咖：x = d 鼬蚺i t y y b 帅缸了+ b a 咖y + c a 咖移y y 蛐 其中，式( 1 1 3 ) 为切换模型中的直线模型，式( 1 1 4 ) 为切换模型中的二次曲 线模型。 式( 1 1 3 ) 中，一埘和铆为左侧车道线的直线模型参数，k 一。枷和 哆h 。鲫为右侧车道线的直线模型参数，( 聊，y 一锄) 是远视场区域左侧 车道线的基点坐标，( 吒。一唧，蚝一。删) 是右侧车道线的基点坐标。基点是远 视场区域车道线的起始点，它是根据近视场区域识别得到的车道线方向，在远视 场区域内检测到的第一个位于真实车道线上的点。 式( 1 1 4 ) 中，吼斫、b l 驴和。蚴是左侧车道线的二次曲线模型参数，d 。神，、“们 和咖是右侧车道线的二次曲线模型参数。b l ，、，和c r 卿的值由式( 1 1 5 ) 确定： 堆十机器说觉jg p s 皆航技术研究 i = 锄 _ ，坳一。 ( 1 1 5 ) b r 西i2k n ”r 曲i 。 c r i g h t 2 x p x i g h t b t b 一y 式( 1 1 2 ) 、式( 1 1 3 ) 、式( i 1 4 ) 共同组成了对于分段切换车道模型的描述。 直线模型与二次曲线模型之间的切换逻辑由两部分组成：切换逻辑a ( 直线 一 二次曲线) 和切换逻辑b ( - - 次曲线一 直线) 。 切换逻辑a 为： 如果当前左侧车道线的远视场部分采用了直线模型，当满足如下两个条件 时，则对左侧车道线完成从直线模型n - 次曲线模型的转换： 1 ) c a 伽刍一a 劬( - 三，。q t a n c 瓦三，一a t a n ( _ 兰= 炒叩插， 此条件是为了保证在左右两条车道线发生了同样的转向趋势的情况下，才进 行模型切换： 2 ) | a t a n c 去一州亡，i 掰 - 7 ， 即左侧车道线达到了一定的弯曲程度。 右侧车道线的切换逻辑同理可得。 切换逻辑b 为： 如果当前左侧车道线的远视场部分采用了二次曲线模型，当满足如下条件 时，则对左侧车道线完成从二次曲线模型到直线模型的转换： l a t 研 厂& ( g r a y q j - g r a y i + , j ) ，& ( 1 2 8 ) g r a y i j 】 珐 其中g r a y i j 】为图像【讲月点的灰度值；t h 为按照行扫描所确定的阈值；三 为，行上的车道标志线宽度；，为非负整数，可在o l o 阃取值。而对于不满足 上述条件的像素不进行边缘检测并置为零灰度。 根据特征( 3 ) 、( 4 ) ，通过适当的边缘检测算法来提取车道左、右标志线的内 边缘。s o b e l 算子具有较强的抑制噪声的能力，其本质是反映相邻或相距一定距 离的像素点的灰度差异特征。对于高速公路等结构化道路而言，庙于正常路面上 物体特征接近，且光照一般是均匀的，所以相邻的像素点的灰度值相差不大。使 用s o b e l 算子增强边缘，可以大大减小了这些狄度差异值。另外，由于道路边界 与道路其它部分具有较大的灰度值差异，s o b e l 算子能够增大这种边界处的灰度 差异值，并远远大于其他路边部分的差异值。经过分析与比较，在道路识别算法 的预处理中可以采用s o b e l 算子来增强道路车道线的边缘，从而可以明显提高车 攮十机器说觉jg p s 岢航技术研究 道线提取的准确度。 1 3 5 霍夫变换与特征提取 h o u g h 变换是一种能够在图像中检测出形状曲线的技术，它对局部的曲线缺 失和噪声干扰不敏感，广泛应用于目标检测领域。下面介绍h o u g h 变换 0工_0 口叶万 ( c ) 图1 1 0 基于极坐标的h o u g h 变换 h o u g h 变换是从平面坐标空间到参数空间的变换。直线y = m x + bo 可以用极 坐标的形式表示为： p = x c o s 8 + y s i n 9 ( 1 2 9 ) 其中( p ，口) 定义了一个从原点到线上最近点的向量，这个向量与该直线垂直， 如图1 3 所示。考虑一个以参数p 和口定义的二维空间，石，y 平面的任意一条直 线对应于陔空| 日j 的一个点，h o u g h 变换就是将x y 平面的任意一条直线映射为 p ，护空间的一个点。 f p o 一 t y 幕十帆器税觉o g p s 导航技术研究 对于工。y 平面的一点( ，y i ) ，过该点的直线可有很多，每一条都对应了p ，0 空阃中的一点，这些点必然满足以，y j 为常量的等式( 1 2 9 ) 。因此在参数空白j 中 与j ，y 空间中所有这些直线对应的点的轨迹是一条证弦型曲线，而工，y 平面上的 任一点对应了p ，0 空间的一条正弦曲线。 如果有一组位于由参数风和岛决定的直线上的边缘点，则每个边缘点对应 了p ，p 空间的一条正弦型曲线。所有曲线必然交于点( 风，岛) ，因为这是它们共 享的一条曲线的参数。 由此可见，h o u g h 变换的关键就是在参数空间中找到对应于图像空间内边缘 线段的一组正弦曲线的交点，从而得到该边缘线段在图像空间中的直线方程参 数。 具体来说，首先将p , o 空间量化为许多小格，每个小格是一个累加器，对 每一个点 ；，y ，) ，将口的值逐一代a p = 而c o s o + y fs i n 0 ，计算出对应的p ，所 得的结果落于某个小格内，便使小格的累加器加1 。当完成全部的( ，y ，) 变换后， 对所有的累加器的值进行检验，峰值的小格对应于参数空间p 。0 的共线点。 h o u g h 变换的最大优点是抗干扰能力强。即使待检测直线有小的扰动或断 裂，经过h o u g h 变换仍能得到明显的峰点。 1 4 试验及结果 为了验证基于分段切换车道模型的车道识别算法的识别效果，在奔2 4 g c p u ，5 1 2 内存的p c 机上对一段长度为1 0 0 幅图像的序列进行了车道识别。该序 列既包含了直线道路的工况，也包含了左转弯和右转弯的道路。识别结果如图 1 1 1 所示： 壤十机器视觉g p s 学航技术研究 幽i 1 1 车道线识别结果 截取图像序列中的4 幅图像，分别利用分段直线段模型和分段切换车道模型 对车道线进行识别，以图像中左、右两条车道线的内边缘在y = 3 3 0 处的x 坐标的 均值作为两条车道线远端的中线位置，t h l - - 5 ，t h 2 = o 0 0 0 5 对比分段直线段 模型和分段切换车道模型识别得到的车道线中线位置如表1 1 所示： 中线 识别结果相对误差 序号真实 分段 分段 分段 直线直线 分段 位置切换 切换 段段 l1 9 82 7 02 0 23 6 4 2 0 2 1 1 81 8 61 2 55 7 6 5 9 33 7 62 5 43 5 93 2 4 4 5 43 8 83 6 13 7 37 0 3 9 表1 1 车道线中心识别结果对比 从表1 1 可以看出采用了分段切换车道模型的车道识别算法在远视场区域 能够对车道线的实际几何形状做出更为准确的匹配，而且由于对于左、右车道线 采用了独立的模型和识别模块，因此在远视场区域可能出现一侧车道线使用了直 线模型而另一侧车道线使用二次曲线模型的情况，这样的处理方式能够保证对于 两侧车道线的特点做出更为合理的响应，并且最大限度地选择简单的模型，即直 线模型，从而提高算法的实时性。 对算法所需的平均执行时间进行统计，如表1 2 所示： 桀十机器税觉jg p s 学航技术研究 i 远，近近直线，远分段切换 均直线二次曲线乍道模型 i 执行时间 l o 4 m s3 0 7 2 1 3 m s 表i 2 算法所需的平均执行时问对比 从算法的执行时问统计可以看出相比于曲线模型，分段切换车道模型能够有 效地抑制算法的时间消耗，从而保证算法能够满足智能车应用当中的实时性要 求。而且当使用工况中直线路段出现的越多，采用分段切换车道模型的车道识别 算法的实时性优势越强。虽然分段切换车道模型的算法实时性相比直线模型要差 一些，但是考虑到切换模型在车道线匹配准确性以及对车道弯曲发展趋势的预测 准确性方面的优势，算法时间的牺牲是值得的。 1 5 本章小结 本章主要介绍了机器视觉的基本理论知识。介绍了常见的车道标识