車道檢測的目標:
1. 車道形狀,包括寬度、曲率等幾何參數(shù)
2. 車輛在車道中的位置,包括橫向偏移量,車輛與道路的夾角(偏航角)
車道檢測與跟蹤一般分為以下幾個部分:
1. 車輛、道路、相機模型
2. 道路特征提取
3. 道路參數(shù)計算,如曲率,
4. 車道跟蹤
車輛、道路、相機模型
在現(xiàn)代道路設(shè)計中,道路有比較固定的設(shè)計模型,因此,對于高速公路等道路類型,車道的幾何模型可以以固定的形式表示。
車道弧長、曲率、偏航角、橫向偏移量構(gòu)成車輛與車道幾何模型的要素。
車道一般由直線、圓弧和緩和曲線構(gòu)成,緩和曲線通常是不同曲率的圓弧或直線的連接過渡,其曲率均勻變化,螺旋曲線是緩和曲線常用形式。
道路曲率與弧長(路長)的關(guān)系:
C = C0 + C1*L.
C0為起始點曲率,C1為曲率變化率。C0,C1都為0時,直線; C1為0時,C0不為0,圓??;C1不為0時,緩和曲線。
在世界坐標系下,或俯視圖下,在相機可視范圍內(nèi),若車道的變化方向較小,則道路可用圓弧近似表示:
道路的坐標可以由弧長和曲率一般表示為:
y = L
x = 0.5*C*L^2
若相機與車道的橫向偏移量為d,與車道的夾角為a,則車道模型為
y = L
x = d + a*L + 0.5*C*L^2
從公式來看,這是一個拋物線模型。這里沒有考慮曲率變換率,即忽略了高次項(C1*L^3)/6。
不同的系統(tǒng)要求與道路環(huán)境,道路模型的精度要求也不同。在較早的系統(tǒng)里,在大路(highway)環(huán)境下,
基于視覺的車道模型經(jīng)歷了,平行直線模型 --> 固定曲率圓弧模型 --> 螺旋曲線模型。道路模型的精度不斷提高。
使用哪種模型,要根據(jù)系統(tǒng)的實際需求。如早期的系統(tǒng)里,檢測大路(highway)中10米內(nèi)的車道狀況,應用簡單的線性模型即可。而車道偏離告警(LDW)系統(tǒng)中,在高速公路上,需要30米-40米的精確的道路模型,這時,螺旋曲線(高階)或拋物線(二階)模型就更為精確。
相機模型:
由圖像的二維信息恢復出場景的三維信息,就需要相機模型來確立兩者之間的對應關(guān)系。相機參數(shù)包括內(nèi)部參數(shù)和外部參數(shù)。相機模型分為針孔相機模型和透鏡畸變擴展模型。這些在另外一篇文章里有描述。相機的內(nèi)外參數(shù)通過標定都可以獲取。相機的外部參數(shù)體現(xiàn)了相機坐標下圖像與世界坐標下場景的齊次變換關(guān)系。
道路特征檢測
道路上車道標志的檢測是道路特征檢測的關(guān)鍵部分,并且已有很多算法,但道路場景太多,單一的算法還是無法適用所有的場景。算法分類:
適用場景 | 不適用場景 | |
基于邊緣檢測 | 虛線、實線明顯 | 陰影、光照變化、反射不均勻 |
基于頻域技術(shù) | 能處理反射不均的場景 | 陰影 |
基于路面紋理/模板 | 陰影、光照不均等 | 反射不均 |
基于邊緣檢測的常用算法有:
Sobel, DOG, LOG, Steerable Filter等。每種算法都有各自的優(yōu)缺點。這里不再描述。
由基本算法處理后得到道路的特征圖像,這里以邊緣為例,需要進一步分析其特性,去除干擾,保留符合車道特征的邊緣。如平行性、寬度等結(jié)構(gòu)特征。如果這些結(jié)構(gòu)特征分析做的好,也可以彌補基本算法的不足。
其他檢測方法:
雙閾值特征檢測:原圖像、梯度圖像(邊緣圖像)分別有各自的閾值,分割出車道標志特征,當某點的灰度和梯度值分別大于各自的閾值時,才被選取為車道的特征點,這個方法會去掉一些陰影等干擾。
可調(diào)濾波器steerable filter:
對原圖分別獲取Gxx, Gyy, Gxy,高斯二階分量。角度可變的濾波器的強度響應如下:
求上式的極值,則需求角度的導數(shù),則能獲取兩個角度
對于濾波器窗口內(nèi)圓形對稱的物體,則兩個角度的響應差不多;而對車道,兩個角度響應的差值就比較大,響應大的方向就是車道方向,車道方向也可以探測出。
道路參數(shù)計算
道路方向、曲率的計算。霍夫變換是常用的檢測直線的方法,還有其他方法篩選特征計算參數(shù)的方法,如最小二乘估計,RANSAC,這些方法基本上都設(shè)定了道路模型,由特征點來計算參數(shù)。但也可以由計算出的模型,去除不符合條件的特征。
跟蹤
一般跟蹤的作用就是預測下一幀圖像內(nèi)道路特征的位置,在一個較小的范圍內(nèi)檢測道路特征,提高效率。若預測范圍內(nèi)沒有檢測到道路特征,則采用估計或上一幀特征的位置,若連續(xù)幾幀都沒有檢測到道路特征,則啟動全圖像道路特征檢測。KalmanFilter是常用的跟蹤算法。
車道的狀態(tài)要考慮車道的位置、速度、偏航角及車輛行駛轉(zhuǎn)角之間的關(guān)系。
夾角增量 = 曲率 * 長度
狀態(tài)變量為道路弧長、車道夾角、道路曲率、車道寬度、車輛的行駛轉(zhuǎn)角作為控制輸入變量。
測量變量為道路弧長和車輛與道路的夾角。
則狀態(tài)轉(zhuǎn)移方程如下:
編輯:jq
-
相機
+關(guān)注
關(guān)注
4文章
1369瀏覽量
53958 -
邊緣檢測
+關(guān)注
關(guān)注
0文章
93瀏覽量
18250
原文標題:ADAS-LDW車道檢測與跟蹤方法_算法實例代碼
文章出處:【微信號:ADAS,微信公眾號:ADAS】歡迎添加關(guān)注!文章轉(zhuǎn)載請注明出處。
發(fā)布評論請先 登錄
相關(guān)推薦
采用華為云 Flexus 云服務(wù)器 X 實例部署 YOLOv3 算法完成目標檢測
![采用華為云 Flexus 云服務(wù)器 X <b class='flag-5'>實例</b>部署 YOLOv3 <b class='flag-5'>算法</b>完成目標<b class='flag-5'>檢測</b>](https://file1.elecfans.com//web3/M00/04/88/wKgZPGd2D0qAKG0fAAUifvLbZBc511.png)
激光焊縫跟蹤器與傳統(tǒng)焊縫檢測方法的對比
![激光焊縫<b class='flag-5'>跟蹤</b>器與傳統(tǒng)焊縫<b class='flag-5'>檢測</b><b class='flag-5'>方法</b>的對比](https://file1.elecfans.com//web3/M00/00/53/wKgZO2dILgSASh4_AABgk32ZH8U65.jpeg)
![](https://file1.elecfans.com/web2/M00/07/EE/wKgaombs2pyAbpacAAWGe7jT_FQ668.png)
抖動跟蹤不丟失 慧視圖像跟蹤板和自研算法強勢升級
![抖動<b class='flag-5'>跟蹤</b>不丟失 慧視圖像<b class='flag-5'>跟蹤</b>板和自研<b class='flag-5'>算法</b>強勢升級](https://file.elecfans.com/web2/M00/7E/AE/poYBAGOGzF6AIDgVAAAaMH2b3yk969.png)
光學跟蹤器接口連接方法有哪些
![](https://file1.elecfans.com/web2/M00/01/5A/wKgaomauHXGAZ1pYAAFTp7ku_U4371.jpg)
![](https://file1.elecfans.com/web2/M00/00/70/wKgZomauHPyAUC26AAE3IDYbHR0127.jpg)
圖像識別算法都有哪些方法
口罩佩戴檢測算法
![口罩佩戴<b class='flag-5'>檢測算法</b>](https://file1.elecfans.com/web2/M00/F7/9B/wKgaomaCnu2ARA27AADhqvybhOU191.png)
人員跌倒識別檢測算法
![人員跌倒識別<b class='flag-5'>檢測算法</b>](https://file1.elecfans.com/web2/M00/F6/02/wKgZomaA1UeAJOclAADWlsfbPAQ988.png)
康謀分享 | aiSim5仿真場景重建感知置信度評估(三)
![康謀分享 | aiSim5仿真場景重建感知置信度評估(三)](https://file1.elecfans.com/web2/M00/E2/26/wKgZomY7JtmAZHRuAAC4t2gOwHI724.png)
多目標跟蹤算法總結(jié)歸納
![多目標<b class='flag-5'>跟蹤</b><b class='flag-5'>算法</b>總結(jié)歸納](https://file1.elecfans.com/web2/M00/DF/00/wKgaomYtqhCADcRbAAAfdrnUmJg923.png)
評論