具有概率投票消失点估计的车道线检测新方法外文翻译资料

 2022-12-04 02:12

英语原文共 2 页，剩余内容已隐藏，支付完成后下载完整资料

具有概率投票消失点估计的车道线检测新方法

Ju Han Yoo Dong Hwan Kim 成基公园

韩国首尔科学技术研究院

{yoojuhan，gregorykim，skee}@kist.re.kr

摘要：本文提出了一种基于消失点估计的车道线检测新方法。我们首先通过使用线段强度进行概率投票来估计消失点，然后通过应用泛洪分水岭算法来检测车道。

一．介绍

在智能车辆系统中，人们对能够辅助驾驶员安全的技术的兴趣日益增长。在这些技术中，如果车辆偏离主干道和高速公路上的车道或狭窄道路，则车道偏离警告（LDW）系统会警告驾驶员，并且可以帮助减少由不小心或昏昏欲睡的驾驶引起的车祸。对于LDW系统，基于视觉的车道检测已有很多研究[1]。由于车道标记彼此平行，因此它们穿过图像平面中的消失点。从这个属性中，可以通过滤除不通过消失点的线来减少错误检测。因此，消失点已被广泛用于检测车道[2]和道路[3]。这些方法通过使用从canny / hough估计和gabor小波滤波器提取的线估计消失点。但是，它们有一个缺点，即虚假检测值会显着增加嘈杂的图像。

最近，Grompone von Gioi et al.[4]介绍了线段检测器（Line Segment Detector，LSD），该线段检测器将线段视为由具有相似梯度角的对齐点组成的矩形。为了增强对噪声的鲁棒性，Liu等人[5]将LSD用于检测车道。然而。他们没有考虑线段的相关性，所以他们的方法仍然有一个缺点，即它对噪音环境很敏感，因为线路不相关。

因此，在本文中，通过考虑线段的相关性我们提出了一个新的鲁棒消失点估计和车道检测方法。我们假设前方不远处的道路是平坦的，单目摄像头安装在汽车的中间。我们首先使用LSD[4]提取线段，并使用概率表决程序估计车道标记的消失点。投票功能是基于表示提取的线段的相关性的线段强度来定义的。 然后，我们通过在分数函数中找到峰值来检测主车道，该分数函数测量通过消失点的测试线具有从线段定向支持的高度。

  1. 检测

2.1消失点估计

在图像中，线段由对齐的像素组成。在线段提取过程中出现由曲线引起的像素对齐误差，线段周围的杂乱等，并且该误差使得难以准确估计平行线段的消失点。

为了考虑像素对准误差，我们引入线段强度tau;，其表示形成线段的像素的取向如何对齐。tau;被定义为将更高的值分配给更长的和良好对齐的更清晰的线段，如下所示：

，

其中li是长度，wi分别是线段的宽度。 具有较高tau;值的线段被认为更相关。对于一对线段，我们认为的交点具有高斯分布，，其平均值是，图像坐标中的的交点。我们假设高斯是各向同性的，并且我们将标准偏差sigma;定义为，其中并且意味着比例因子。该高斯模型对于具有较高线段强度值的一对具有更尖锐和更窄的分布，并且给出交点周围区域的消失点的更高概率。 估计消失点的总体投票功能如下：

j

其中N是线段的数量。最后，我们可以估算车道标记的消失点如下：

2.2车道检测

在所提出的车道检测算法中，车道位于以估计的消失点为中心的扇形区域中，如图1（a）所示。这个属性可以帮助我们有效地找到车道，只需在这个扇形区域搜索。对于每个测试线以角度，，以角度步长绕着消失点顺时针旋转，我们定义一个得分函数如下：

其中是和L的中心之间的距离，并且分别是和之间的角度。我们同时使用距离和角度，因为即使接近零，每个线段的方向也可以是任意的。在（4）中我们只考虑满足以下约束的线段：lt;和lt;，其中和是阈值。

然后，我们通过均值滤波对进行平滑滤波以降低噪声，并且我们应用洪水分水岭算法[6]找到与主车道对应的2个峰值（图1（b）中的红色点）。

图1：（a）在扇形区域搜索。 提取的线段用红色表示。（b）评分函数中的峰值检测。

图2：（a）合成线段图像。 （b）噪声线段图像上的消失点估计误差。

图3：所提出的车道检测方法的样本结果

三．实验结果

我们已经测试了所提出的消失点估计方法在合成线段图像上的有效性，如图2（a）所示。线段的两个端点均被零均值的高斯噪声以及由表示的各种标准偏差降级。图2（b）显示了对于每个高斯噪声的重复100次时估计消失点位置误差的均值和方差。 在所提出的方法中，虽然高斯噪声的标准偏差增加到5，但平均位置误差平均在大约4个像素以下。然而，在Liu等人的方法[5]中，误差上升到平均15像素。因此，我们可以看到，所提出的方法可以有效地估计嘈杂环境中的消失点。

为了评估所提出的车道检测方法的性能，对由我们的车辆系统在主干道路中获取的795个图像组成的数据库进行实验。如图3所示，数据库包含日夜两种不同环境下的图像，进出隧道，弯曲道路等。检测到的主车道由红色和蓝色线表示。 总的来说，建议的车道检测显示出良好的性能 但是，如果在道路上的安全标记中存在许多混乱的线段，则车道检测可能失败。

由于不正确的消失点估计，如图3最后一列图像中的红点所示。有41个图像具有错误检测，因此检测率为94.84％。我们实验中使用的参数值为：= 100，= 2和= 20。

  1. 结论

我们已经描述了一种使用消失点的鲁棒车道检测方法，该方法根据所提出的线段强度在概率性投票程序中估计。然后，我们应用洪水分水岭算法来寻找车道检测得分函数中的峰值。实验结果表明，该方法能够有效估计各种环境下的消失点和检测通道。

致谢

这项研究得到了国家科学技术研究委员会资助的国家议程项目和韩国政府MOTIE资助的机器人研发项目（10041111）的部分支持。

参考文献

  1. S. Yenikaya,G. Yenikaya and Even,“Keeping the vehicle on the road:A survey on on-road lane detection systems,”ACM Computing Surveys,vol.46,no.1,Oct.2013.
  2. Y.Wang.E.Khwang,T.and D.Shen,“Lane detection and tracking using B-Snake,”Image and Vision Computing,vol.22,no.4,pp.269-280,Apr 2004.
  3. H. Kong,J.-Y.Audibert and J. Ponce.“General Road Detection From a Single Image,”IEEE Trans.Image Proc.,vol.19,no.8,Aug.2010.
  4. R. Grompone von Gioi,J.Jakubowicz, J.-M.Morel, and G.Randall,“Lsd:A fast line segement detector with a flase detection control,”IEEE Trans.Pattern Anal.Machine Intell.,vol.32.no.4.Apr.2010.
  5. W. Liu, S. Li and X. Huang,“Extraction of lane markings using orientation and vanishing point constraints in structred road scenes,”Int. J. Comput.Math.,Aug.2013.
  6. J.Goutsias and Henk J. A. M.Heijmans.“Mathematical Morphology.”Int. J. Comput.Math.,2000.

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[21539]，资料为PDF文档或Word文档，PDF文档可免费转换为Word

原文和译文剩余内容已隐藏，您需要先支付 30元 才能查看原文和译文全部内容！立即支付

以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。

您可能感兴趣的文章