基于视觉的道路检测方法_图文

1、第37卷第2期2009年3月河南师范大学学报(自然科学版Journal of Henan Normal University(Natural ScienceMar.2009文章编号:1000-2367(200902-0033-04基于立体视觉的道路自动检测算法方晓莹12,刘富强1(1-同济大学信息与通信工程系,上海20009212.浙江国际海运职业技术学院。浙江舟山316021摘要:在智能驾驶系统中,道路边界及道路参数的自动检测是最为关键的问题.也是安全行驶的基本保证.传统的检测方法与单目视觉检测都存在检测精度不高,鲁棒性不够等问题.提出了一种基于立体视觉的道路检测算法,消除了对道路的一般性假

2、设。对三维道路状态能进行快速有效地检测与跟踪.保证行驶的安全性.关键词:立体视觉;道路识别;道路跟踪;扩展卡尔曼滤波中图分类号:TP391.41文献标识码:A随着计算机视觉和高分辨率成像技术的不断发展,数字图像处理技术在驾驶辅助系统(Driving Assis-tanee System中得到了广泛的应用。对道路边界进行准确地识别与跟踪是驾驶辅助系统的重要功能,这些道路信息是控制驾驶行为与障碍物检测所必需的,也是安全驾驶的前提.近年来,虽有越来越多的科研机构着力于将图像处理技术应用于道路的自动识别,但多数都是用单目图像处理技术对道路进行检测.在单目图像序列中,常用一个简单的模型来描述道路的特征1

3、矗,如假设道路是在一个二维平面上,道路是平行的,且有固定的曲率.当实际道路不满足这些条件时,测得的车辆在道路中的位置将有较大的偏差.本文提出了一种基于立体视觉的道路检测算法. 1道路模型在描述道路模型前,需要确立3个坐标系世界坐标系、车辆坐标系和摄像机坐标系,如图1所示.其中,世界坐标系0一XEyEZ的原点建立在道路中点,车辆坐标系0一XvyvZy的原点为车辆的后轴中心,摄像机坐标系0一Xcy。.Z。,的原点为光轴中心,Zc轴与光轴重合.图I系统坐标系三维空间中的道路边界可以用3次曲线方程来近似地描述3,即将y和Z表示成X。的函数: yF(xE:k了B+G.。警+c.,攀,zE(x:C仉。学+

4、c¨孥,其中,B为道路的宽度;Ch,。和G.。分别为道路的水平曲率和垂直曲率;C.。和G.。分别为水平曲率和垂直曲率的变化率;k为士1,当为道路左边界时取+l。为道路右边界时取一1.矢量;F=(X。,Y,Z表示道路边界上一点的世界坐标,矢量而=(Xv,Yv,ZvT表示该点的车辆坐标,两者可以有下面关系,z;一REv(z;一tr.-v.同理,摄像机坐标系可以看成是将车辆坐标系一定程度的平移与旋转,两者有如下的关系:XC= Rvc(高一焉,式中,R,为旋转向量,磊一(Xvc,Yvc,%T为平移向量,则得到世界坐标与摄像机坐标间的关系,茏一RvcREv云一RvcREv若一R托赢,其中,7v

5、c和7v分别表示两个坐标系间的x轴的旋转角度;收稿日期:20081011基金项目:2007年度浙江省高校优秀青年教师资助项目(浙教办高科C20083142号作者简介:方晓莹(1973-,女,浙江省舟山人,浙江国际海运职业技术学院副教授。研究方向:数字图像处理及在智能交通系统(ITS中的应用. 第2期方晓莹等:基于立体视觉的道路自动检测算法35如图2所示,黑点为边界点的预测值,边界两边的弧线为CD确定的检测范围宽度.在这个检测范围内检测灰度值的变化,确定该帧中最后的边界线,后续帧的检测以此帧的检测结果为基础,用扩展卡尔曼滤波器【71进行更新.图像各部分的检测区域由相邻的两条平行横线与矩阵CD确定

6、.在图像的第i部分,即第i和第i+1条平行线上,在预测点附近根据灰度的梯度值检测到实际的边界点坐标.为了区别预测值与检测值,用矢量“(ij =(2,士升。表示在预测阶段得到的第i部分的上下两个预测值,用矢量口(ij=(丁;,z斗,1表示第i部分的实际检测值.由扩展的卡尔曼滤波器对参数进行不断迭代与更新.2.3道路跟踪道路跟踪是在前一帧检测结果的基础上,通过一定的更新算法对后续帧中的道路边界进行实时预测与检测.设第k帧图像中的参数和协方差分别为广D(是1广Cn(是1M("5p(l,C M k卜i CIl声(I。(志l由式(2描述的车辆动力学方程,对矢量及药和莉进行更新,即矢量的预测值,

7、髅0;,:嚣麓”俐愀南+”和%叫:并;,!激2#嚣Z:,-p(k-,g中托为相应的卡尔曼增益系数,H,为雅可比行列式,K。一CM(是H丁H。Cf(点H丁+e,(奄+1,H“力=堡垒!坌±!独8M(kE,。帧的道路跟踪.以前一帧的结果为基础,如此反复迭代与更新,实现行驶过程中的道路实时跟踪. Array图2预测结果与检测网3道路边界识别效果网3实验结果将上述算法应用于实际交通图像,对系统自动识别出的道路标志用红色表示,得到的实验结果如图3所示.对道路进行跟踪过程中得到的道路参数。如道路路面宽度及道路曲率,分别如图4、图5所示.由图像可以看出,该系统自动识别的道路边界与实际道路有较高的吻

8、合度.4结束语道路的自动检测与跟踪是驾驶辅助系统中的关键问题。也是计算机视觉的重要特点.本文所介绍的检测 基于立体视觉的道路自动检测算法作者:方晓莹, 刘富强, FANG Xiao-ying, LIU Fu-qiang作者单位:方晓莹,FANG Xiao-ying(同济大学,信息与通信工程系,上海,200092;浙江国际海运职业技术学院,浙江,舟山,316021, 刘富强,LIU Fu-qiang(同济大学,信息与通信工程系,上海,200092刊名: 河南师范大学学报(自然科学版英文刊名:JOURNAL OF HENAN NORMAL UNIVERSITY(NATURAL SCIENCE年,卷

9、(期:2009,37(2参考文献(7条1.Grewal M S;Andrews A D Kalman Filtering-Theory and Practice 19932.Sergiu Nedevschi;Rolf Schmidt;Thorsten Graf3D Lane Detection System Based on Stereovision 20043.Romuald Aufrere;Roland Chapuis;Frederic Chausse A fast and robust vision road following algorithm 20004.Franke U Real time 3D-road modeling for autonomous vehicle guidance 19915.Goldbeck J;Huertgen B;Emst S Lane following combining vision and DGPS外文期刊 2000(016.Chapuis R;Potelle A;Brame J L Real time vehicle