一种快速的公交专用车道检测方法

 

3 基于Gabor滤波器的车道线检测

 

　　针对道路车道线不清晰以及存在一些其他标志干扰的情况，本文提出了改进的车道线检测算法，即基于Gabor滤波器的车道线检测。通过Gabor找到图像的消失点，即图像中两条车道线的交点位置，再对消失点进行Hough变换，这样不仅提高了算法的适用性，还提高了算法的实时性。

　　3.1 Gabor变换原理

　　Gabor滤波器与人眼的生物作用相仿，因此经常用于纹理识别，并取得了较好的效果。Gabor滤波器是带通滤波器， 它的单位冲激响应函数（Gabor函数）是高斯函数与复指数函数的乘积。它是达到时频测不准关系下界的函数， 具有最好的兼顾信号在时频域的分辨能力。高斯函数的局部性特征使得Gabor滤波器只在局部起作用， 即具有良好的尺度特性和方向特性。因此，Gabor滤波器被广泛用于图像处理和图像分析领域。

　　本文通过对车辙印记以及车道线边缘等一些纹理特征进行分析，从而提取出道路的消失点以及车道线的信息。

　　Gabor滤波器的模板计算方程如式（2）所示，该模板分为实部（式（3））和虚部（式（4））两部分。

　　

　　通过建立K×K 大小的Gabor 模板，（x，y） 表示图像空间的一点。其中，θ 表示模板的方向， 为确定最后的道路纹理方向， 这里选择范围为0~72 ;λ 表示路面的波长；σ表示噪声容量， 本文取σ=K/9 。

　　3.2 消失点的求解

　　本文用不同方向的模板与图像进行卷积， 对于图像任意一点， 即可得到某一个方向上的卷积的结果为最大值， 这个最大值为纹理方向对应的能量， 该方向为纹理的方向。

　　

　　其中，α 表示模板对应的方向， 对于图像中的任意点I（x，y） 与α 方向的Gabor 模板进行卷积， 得到不同的t（x，y），求取其最大值， 将最大值对应的方向作为图像中（x，y）点的纹理方向， 同时将该最大值作为纹理方向上的纹理强度。

　　通 过计算可以得到图像中每一点的纹理方向以及能量。为了计算出消失点， 对图像中选取的点进行投票，这里选择图像下方一定的区域点， 如图5 所示。当纹理能量大于设定阈值的点作为投票点，p 表示图像中投票空间的点，θ （p） 表示p 纹理方向，v 表示消失点的候选点，a （p ，v） 表示p 点与v 点的夹角，n 为采用的Gabor 模板方向的个数，R 为定义的投票空间， 即图6 对应的方框区域， 通过vote （p，v） 来统计p 点对v 点的投票结果，votes （v ） 为对R 区域累加进行投票的统计结果，pvote 为最终被投票次数最多的点的坐标， 即消失点。

　　

　　

　　图6 中的框表示选取的投票区域， 即在该区域内选取400 个点进行Gabor 变换， 求出其纹理方及能量； 圆圈是求出的消失点位置。

　　

　　

3.3 车道线检测

 

　　对于传统的Hough 变换， 需要对每个点每个角度进行遍历， 这样比较耗时。本文采用改进的Hough 变换， 对消失点及其周围的有限个像素进行Hough 变换， 求取左右车道线的两个峰值点，并绘制出车道线。该方法能够有效地抑制图像的其他边缘噪声干扰，提高算法的实时性。车道检测结果如图7 所示。

　　

　　3.4 车道线跟踪

　　跟踪分为消失点的跟踪和车道线的跟踪。

　　（1） 消失点的跟踪： 消失点一般较远， 车辆在行进过程中消失点范围变化不是很大，而靠近车道线的道路两边由于车辆轮胎接触较为频繁， 纹理较为明显， 对消失点的贡献较大。因此， 随机选取靠近车道线两边100 个点对消失点及其周围的若干个点（ 本文选取36 个点） 进行投票，如图8 所示。

　　

　　（2）车道线跟踪：根据上一帧测量的结果，限定角度在一定变化范围内（本文限制在10°范围，如图8（b）所示）进行Hough变换，这样大大减少了运算速度。当图像检测的消失点及车道线上的点少于所设定的阈值时，程序重新初始化。

　　4 车道识别

　　本文在应用的基础上对合肥以及沈阳的BRT车道进行统计，其BRT车道相对其他车道具有如下特点：其左右车道线都为黄色，一般位于路的两边，道路的两边有栏杆或者路牙等特征。基于此特点，本文实现了BRT车道的识别系统，结合GPS判断其所在位置范围内有无BRT车道，若有则判断车道线颜色是否为黄色，即建立颜色模型，对车道线上的每一点颜色进行标记，并综合判断其左右车道线是否是黄色车道线，对黄色进行标记，如图9左图所示。由于车道线长期受到磨损有一定的失真，且在晚上黄光灯照射下不易准确地识别颜色，本文结合其栏杆、路牙等特征识别车道，对检测的车道线两边的一定区域（图9右图白色矩形区域）进行对比，比较其颜色边缘纹理等特征差别。通过大量的测试，本文得到了判断其是否为 BRT车道的先验阈值，当矩形区域差别大于设定阈值时，则判断为公交专用车道，从而准确实现车道检测。

　　

3.3 车道线检测

 

　　对于传统的Hough 变换， 需要对每个点每个角度进行遍历， 这样比较耗时。本文采用改进的Hough 变换， 对消失点及其周围的有限个像素进行Hough 变换， 求取左右车道线的两个峰值点，并绘制出车道线。该方法能够有效地抑制图像的其他边缘噪声干扰，提高算法的实时性。车道检测结果如图7 所示。

　　

　　3.4 车道线跟踪

　　跟踪分为消失点的跟踪和车道线的跟踪。

　　（1） 消失点的跟踪： 消失点一般较远， 车辆在行进过程中消失点范围变化不是很大，而靠近车道线的道路两边由于车辆轮胎接触较为频繁， 纹理较为明显， 对消失点的贡献较大。因此， 随机选取靠近车道线两边100 个点对消失点及其周围的若干个点（ 本文选取36 个点） 进行投票，如图8 所示。

　　

　　（2）车道线跟踪：根据上一帧测量的结果，限定角度在一定变化范围内（本文限制在10°范围，如图8（b）所示）进行Hough变换，这样大大减少了运算速度。当图像检测的消失点及车道线上的点少于所设定的阈值时，程序重新初始化。

　　4 车道识别

　　本文在应用的基础上对合肥以及沈阳的BRT车道进行统计，其BRT车道相对其他车道具有如下特点：其左右车道线都为黄色，一般位于路的两边，道路的两边有栏杆或者路牙等特征。基于此特点，本文实现了BRT车道的识别系统，结合GPS判断其所在位置范围内有无BRT车道，若有则判断车道线颜色是否为黄色，即建立颜色模型，对车道线上的每一点颜色进行标记，并综合判断其左右车道线是否是黄色车道线，对黄色进行标记，如图9左图所示。由于车道线长期受到磨损有一定的失真，且在晚上黄光灯照射下不易准确地识别颜色，本文结合其栏杆、路牙等特征识别车道，对检测的车道线两边的一定区域（图9右图白色矩形区域）进行对比，比较其颜色边缘纹理等特征差别。通过大量的测试，本文得到了判断其是否为 BRT车道的先验阈值，当矩形区域差别大于设定阈值时，则判断为公交专用车道，从而准确实现车道检测。