郭劍鷹，鄭 艷

（華域汽車系統(tǒng)股份有限公司，上海 200434）

一種基于機器學(xué)習(xí)的ADAS車道類型判別方法

郭劍鷹，鄭 艷

（華域汽車系統(tǒng)股份有限公司，上海 200434）

高級汽車輔助駕駛系統(tǒng)（Advanced Driving Assistance System，ADAS）是利用安裝在車上的各種傳感器，在汽車行駛過程中隨時感應(yīng)周圍的環(huán)境，收集數(shù)據(jù)，進行系統(tǒng)的運算與分析，有效增強汽車駕駛的舒適性和安全性。ADAS最重要的功能包括LDW、FCW、BSD、 PD、TSR等。目前，應(yīng)用最廣泛的傳感器是雷達和攝像頭。用單目攝像頭進行車道線的識別目前已經(jīng)有很多解決方案，但是還需要有效的車道線類型的檢測方法為自動駕駛過程中的變道決策提供依據(jù)。本文提出一種基于機器學(xué)習(xí)的判斷車道線類型的方法，利用車道線相鄰區(qū)域的直方圖特征，有效地解決了車道線類型的判別問題，實驗數(shù)據(jù)表明此方法能夠獲得99.99%的正確識別率。

ADAS；攝像頭傳感器；車道線判別；車道類型判別

圖1是一個車道偏離告警的結(jié)構(gòu)框圖。

圖1 車道偏離告警框圖

在圖1中，攝像頭標定模塊根據(jù)攝像頭的內(nèi)參和外參，得到圖像坐標和世界坐標之間的轉(zhuǎn)換關(guān)系，并根據(jù)車道線在世界坐標下的特征，結(jié)合輸入圖像，提取車道線的特征點。把車道線特征點進行擬合和跟蹤，可以得到車道線在世界坐標下的表達方程，并據(jù)此進行車道線偏離判斷。同時，再根據(jù)得到的車道線方程，映射到圖像坐標系下，判斷當前的車道線是實線還是虛線，為自動駕駛提供變道的決策依據(jù)。

1 圖像坐標和世界坐標之間的轉(zhuǎn)換關(guān)系

圖2 圖像坐標和世界坐標之間的關(guān)系示意圖

如圖2所示，（u，v） 為圖像坐標系， （x，y）為像平面坐標系，（Xc，Yc，Zc）為成像坐標系，（Xw，Yw，Zw）為項目中所用到的世界坐標系。

在式（1）中，dx、dy表示感光芯片上對應(yīng)1個像素的實際感光點的物理尺寸（單位為長度單位），u0、v0是圖像平面中心相對左上角原點偏移的像素個數(shù)。

式（2）由透視投影模型（圖3）得到。

圖3 透視成像模型

攝像機坐標系和世界坐標系之間的關(guān)系如式（3）所示，其外參矩陣由旋轉(zhuǎn)矩陣R和平移向量T組成，R矩陣和攝像頭的俯仰角、橫擺角和旋轉(zhuǎn)角相關(guān)。

由式（1）～（3），得到圖像坐標和世界坐標之間的關(guān)系，如圖4所示。

圖4 圖像坐標系和世界坐標系之間的關(guān)系

2 車道線模型

根據(jù)圖像坐標到世界坐標的映射關(guān)系，可以為車道線建立一個世界坐標系下的模型，如圖5所示。

圖5 圖像與透視圖

根據(jù)圖5c， 為左右2條車道線設(shè)計了車道線函數(shù)，分別為

在式（4）和（5）中，x 為距離車頭前方的距離。從圖2中可以看出，在圖像坐標系中，距離攝像頭（車頭）越遠，車道線的特征點越不明顯，因此，本文中的實驗僅采用距離車頭80 m范圍內(nèi)的車道線進行特征判斷， 即式（4）和（5）中 x 取值最大不超過80。

3 車道線區(qū)域直方圖

3.1 車道線的區(qū)域定義

式（4）和（5）是擬合跟蹤后的車道線方程，根據(jù)這2個方程，可以選取不同的點（Xw，Yw），其中Xw＜80， 這些點被映射到如圖5所示的圖像坐標系中，用（u，v）來表征，（u，v）成為“車道線關(guān)鍵點”，如圖6所示。對于左側(cè)車道而言，關(guān)鍵點左邊的未越過外側(cè)車道線的區(qū)域被成為內(nèi)部區(qū)域，其右邊區(qū)域被成為外部區(qū)域；對于右側(cè)車道而言，關(guān)鍵點右邊的未越過外側(cè)車道線的區(qū)域被成為內(nèi)部區(qū)域，其左邊區(qū)域被成為外部區(qū)域。

3.2 車道線關(guān)鍵點的選取

圖6 車道線關(guān)鍵點的選取示意圖

由于車道線離攝像頭越近，特征點的可靠性越高，本文采取以下策略選取特征點（Xw，Yw）和對應(yīng)的實時場景和典型的直方圖。的（u，v）值。即，當（u，v）值對應(yīng)的世界坐標在車頭20 m之內(nèi)，每隔0.3 m選取一個關(guān)鍵點；當（u，v）對應(yīng)的世界坐標在車頭50 m之內(nèi)時，每隔1 m選取一個關(guān)鍵點，其余情況每隔10 m選取一個關(guān)鍵點。偽代碼表示如下所示。其中f（Wx）根據(jù)左車道或右車道，分別選取函數(shù)（4）或（5）。

for （Wx = 0.0； Wx ＜ 80.0 && num＜MAX_NUM； ）

{ Wy = f（Wx）；

WorldToImage（Wx，Wy， &u， &v）；

if （Wx ＜ 20.0） Wx += 0.3；

else if （Wx ＜ 50.0） Wx += 1；

else Wx += 10；

}

3.3 車道線區(qū)域直方圖

以左側(cè)車道線關(guān)鍵點為例，對于每一個車道線的關(guān)鍵點，選取其左側(cè)的M個點，將像素值統(tǒng)計進入左側(cè)車道內(nèi)部區(qū)域直方圖；同時選取其右側(cè)的M個點，將像素值統(tǒng)計進入左側(cè)車道外部區(qū)域直方圖。

右側(cè)車道直方圖的建立類似。

圖7和圖8分別是左實線右虛線和左虛線右實線時

圖7 左實線右虛線的場景和對應(yīng)區(qū)域直方圖

圖8 左虛線右實線時的實時場景和對應(yīng)區(qū)域直方圖

4 機器學(xué)習(xí)在車道線判別的應(yīng)用

4.1 機器學(xué)習(xí)概述

機器學(xué)習(xí)是研究如何使用機器來模擬人類學(xué)習(xí)活動的一門學(xué)科，通過經(jīng)驗自動改進的計算機算法的研究。機器學(xué)習(xí)使用數(shù)據(jù)或者以往的經(jīng)驗，以優(yōu)化計算機程序的性能標準，從而在目標識別領(lǐng)域得到充分運用。

Adaboost是一種典型的機器學(xué)習(xí)迭代算法，其核心思想是針對同一個訓(xùn)練集訓(xùn)練不同的弱分類器，在前一個基本分類器分錯的樣本會得到加強，加權(quán)的全體樣本再次用來訓(xùn)練下一個基本分類器；同時，在每一輪中加入一個新的弱分類器，直到到達某個預(yù)訂的足夠小的錯誤率，或達到預(yù)先指定的最大迭代次數(shù)，然后把這些弱分類器集合起來，構(gòu)成一個強分類器。

4.2 車道線直方圖特征

圖7和圖8表征了車道線內(nèi)部區(qū)域和外部區(qū)域的圖像直方圖。

理論上，1條直線車道的內(nèi)部區(qū)域和外部區(qū)域直方圖，應(yīng)該只有1個峰值，而且峰值出現(xiàn)的位置不同。由于內(nèi)部區(qū)域是車道線，像素平均亮度高于地面部分像素平均亮度，因此，內(nèi)部區(qū)域的峰值是大于外部區(qū)域的。

1條虛線車道的內(nèi)部區(qū)域，應(yīng)該有2個峰值，分別出現(xiàn)在車道線出現(xiàn)部分的像素平均值和車道線間斷部分地面像素的平均亮度；外部區(qū)域直方圖應(yīng)該只有1個峰值，出現(xiàn)在地面部分像素平均亮度位置。根據(jù)以上分析，本文選取每條車道線內(nèi)

部和外部直方圖的以下特征值組成訓(xùn)練數(shù)據(jù)集合：①內(nèi)部區(qū)域直方圖的峰值個數(shù)及分布范圍；②內(nèi)部區(qū)域直方圖的HOG特征；③外部區(qū)域直方圖的峰值個數(shù)及分布范圍；④外部區(qū)域直方圖的HOG特征；⑤外部區(qū)域直方圖與內(nèi)部區(qū)域直方圖峰值的位置關(guān)系。

4.3 車道線類型判別濾波器

由于攝像頭本身或安裝過程會引入圖像噪聲，且車道線會受到天氣或者時間影響導(dǎo)致車道線的特征點會受到影響，本文中加入了卡爾曼濾波器對判斷結(jié)果進行濾波，從而提高系統(tǒng)的魯棒性。

4.4 車道線類型判別結(jié)構(gòu)框圖

車道線類型判別結(jié)構(gòu)框圖如圖9所示。

圖9 車道線類型判別結(jié)構(gòu)框圖

在Adaboost算法訓(xùn)練過程中，設(shè)定最大迭代次數(shù)為100次，納入的車道線實線樣本和虛線樣本分別為10 000張，生成的分類器檢測了2小時21.6 萬張圖片，正確判別率達99.99%，能夠滿足實際判別需求。

5 結(jié)論

車道線識別是ADAS的重要組成部分，而車道線類型的判別可以直接為自動駕駛決策提供依據(jù)。本文在對車道線進行識別的基礎(chǔ)上，根據(jù)車道線方程在圖像坐標中的反映射，找到車道線內(nèi)側(cè)區(qū)域和外側(cè)區(qū)域的像素點，建立直方圖，根據(jù)直方圖的特征，使用同一個攝像頭獲取的實線和虛線樣本，利用Adaboost算法設(shè)計分類器。實驗結(jié)果表明，此方法能夠獲得99.99%的車道線類型識別，能夠充分滿足實際需求。

The Lane Type Identification Method of ADAS Based on Machine Learning

GUO Jian-ying， ZHENG Yan
（Huayu Aotomotive System Co.， Ltd.， Shanghai 200434， China）

The advanced driving assistance system （ADAS） uses sensors to collect environment data during driving process， and then conducts analysis to effectively increase the driving comfortability and security. Main functions of ADAS includes LDW， FCW， BSD， PD， TSR， etc. Currently， the most widely used sensors are radars and cameras. There are already many solutions to recognize road line using monocular camera， but effective method to identify the lane type is still needed to help decision-making for automatic driving. This article proposes a lane type identifying method based on machine learning， which uses histogram characteristics of neighboring lane area to effectively recognize lane type. Test data indicates that this method can achieve an accuracy of 99.99%.

ADAS； camera sensor； road line recognizatoin； lane identification

U463.6

A

1003-8639（2017）12-0022-03

2017-09-19；

2017-10-26

郭劍鷹（1973-），男，高級工程師，博士，長期從事計算機輔助制造、機器人及自動化、汽車電子產(chǎn)品開發(fā)、規(guī)劃及管理工作；鄭艷（1979-），女，博士，長期從事于國際視頻解碼標準、圖像處理、模式識別、高級汽車輔助駕駛系統(tǒng)算法方向的研究。

（編輯 凌 波）