基于概率投票法的道路消失点检测算法研究

尹金楷

摘要：本文提出了一种稳定的基于消失点估计的车道检测方法。估计消失点有助于检测车道，因为在投影的二维图像中，平行线会聚集在消失点上。然而，在背景复杂的图像中，正确估计消失点并不容易。因此，提出了一种鲁棒的消失点估计方法，该方法使用基于从输入图像提取的线段的交点的概率投票过程。实验结果表明，该方法能有效地估计消失点，并在不同环境下检测车道。

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.

关键词：消失点估计;车道检测;概率投票

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

中图分类号：TP391.41                                 文献标识码：A                                文章编号：1674-957X（2021）07-0170-02

0  引言

在高级驾驶员辅助系统的研究中，人们对能够提高驾驶员安全性的技术越来越感兴趣[1]。在这些技术中，车道偏离警告（LDW）系统在车辆偏离主干道和高速公路上的车道或狭窄道路时向驾驶员发出警告，并且仅当车辆超过特定速度时，它才运行以防止不必要的警告。LDW系统有助于减少由粗心造成的车辆碰撞或者昏昏欲睡的驾驶。对于LDW系统的基于视觉的车道线检测已经有很多研究[2]。在这些车道检测方法中，颜色或边缘信息被用作车道的特征。

在过去几年中，图像分类和识别的深度学习变得非常流行。克里哲夫斯基等[3]首次提出了一种用于图像分类的卷积神经网络（CNN），该网络在ImageNet大规模视觉识别挑战（ILSVRC）中表现非常好。这种成功证明了深度学习模型的优势，并激励研究人员开发基于CNN的对象检测系统。吉尔希克等人[4]提出了“具有CNN特征的区域”（R-CNN），快速RCNN，然后更快R-CNN。尽管精度和速度越来越好，但它仍然太慢，无法应用于实时目标检测系统。雷德蒙等人[5]提出了第一个实时的基于CNN的模型，稱为YOLO（你只看一次），它只使用来自最后一个卷积层的特征图来提取和检测建议，并且比R-CNN模型工作得更快。该模型通过使用从不同层提取的地图，在目标检测方面具有更高的灵活性。固态硬盘还可以应用特征映射直接提取建议，如YOLO，并在保持相对较高的检测速度的同时实现高精度。

本文的主要贡献有三个方面：①提出了一种新的对噪声鲁棒的消失点估计方法。所提出的概率投票函数被定义为线段强度，其表示所提取的线段的相关性。②提出了一种基于查找表的投票算法，降低了投票函数的计算成本。③基于检测到的平行线和它们的估计消失点之间的几何关系，通过在建议的得分函数中找到峰值来有效地检测宿主车道。然后，利用帧间相似性对其进行细化，帧间相似性考虑了检测到的车道与连续帧中估计消失点的位置一致性。

1  车道检测

图1所示为车道检测方法的概述。为了检测车道，首先通过在输入图像上使用LSD方法提取线段，并且为每个线段计算线段强度。然后，使用具有线段强度的概率投票过程来估计车道的消失点。通过考虑提取的线段的方向是否与车道的方向相似来过滤掉提取的线段，然后选择保留的线段作为候选线段。最后，从这些候选线段中检测车道。

2  消失点估计

现实世界环境中的平行线在图像中的单个点相交，这是因为在从3D图像投影到2D图像的过程中会出现透视效果。这个点叫做消失点。车道的消失点可以计算为从车道提取的一对线段的交点。消失点也可以用来寻找平行于车道的线。因此，如果找到平行于车道的线段的消失点，可以有助于检测车道。

为了考虑像素对准误差，在所提出的方法中引入了线段强度τ，其表示形成线段的像素的取向对准得如何。τ的定义是将更高的值分配给更长且对齐更清晰的线段，如下所示：（1）

其中li是通过LSD方法提取的线段的长度，？棕i是线段的宽度。τ值较高的线段被认为更相关。线段的厚度代表线段的强度。对于一对线段（Li，Lj），在图像平面中（Li，Lj）的交点被认为是高斯分布，如下所示：

其中，是（Li，Lj）在图像坐标中的交点，和是y轴和x轴的标准偏差。在这个方程中，假设高斯模型是各向同性的，然后：

当估计车道的消失点时，可以在图像中容易地找到穿过消失点的线段。大多数线段来自车道，但是，它们可能包含不平行于3D空间中的车道的线段，但是在投影的2D图像中偶然经过消失点。因此，本文提出了一种鲁棒的车道线检测方法来降低这些离群线段的影响。

在从所提出的车道检测方法获得的图像中，车道位于以估计消失点为中心的扇形区域中，对于车道检测，选择会聚在消失点的候选线段。但是，选定的候选线段可以包含从周围环境中提取的线段，并且不平行于3D空间中的车道。由于这些异常值会影响车道检测，通常，应该对视频序列的所有连续帧进行车道检测。在道路图像中，它可以包含各种路面标记、修复标记、树木或建筑物的阴影等。它们可以在车道周围看到，如果它们遮挡车道或具有与车道相似的方向，则会导致检测车道时出现问题。对于图像中没有出现的具有陈旧或破损车道的特定图像，车道检测有时是不可能的。（图2）

为了用基于查找表的近似来验证所提出的方法的计算效率，在不使用近似的情况下，该方法的平均计算时间约为每幅图像2秒，而所提出的具有近似的方法需要约0.18秒。此外，所提出的方法与近似值的方差约为0.05秒，然而，不使用近似值的方法的方差约为1.9秒。实验结果表明，提出的近似方法不仅由于计算时间的变化小于不使用近似方法而更加稳定，而且比不使用近似方法更快。

3  结论

描述了一种基于直线段相关性的消失点估计的鲁棒车道检测方法。该方法利用基于线段强度的概率投票过程，从噪声图像中正确估计车道消失点。在从车辆的前置摄像头获得的图像中，车道位于以估计消失点为中心的扇形区域中。基于这一观察，所提出的方法通过仅在该扇形区域中搜索来检测车道。然后，利用线段与估计消失点之间的几何关系，定义评分函数来估计车道。最后，通过对该评分函数应用洪泛分水岭算法来检测车道，并且检测到的宿主车道的位置是通过利用帧间相似性来细化，该帧间相似性考虑了连续帧中检测到的车道和估计消失点的位置一致性。此外，提出了一种使用查找表的方法来降低消失点估计过程中的计算成本。实验结果表明，该方法能有效地估计车道消失点，并能检测各种环境下的车道。此外，该方法可以成功地方面于走廊地板检测和输电线路检测等各种应用。在未來，我们希望正确估计汽车前方很远的车道。此外，我们希望将所提出的方法扩展到非结构化道路检测。

参考文献：

[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.