调查使用霍夫变换车道检测技术

家门口Panwar¹,信心Raut²

助理教授、ECE系Sinhgad研究所的Kashibai Navale Engg学院浦那(印度马哈拉施特拉邦
PG学生(VLSI & ES),部门的ECE Sinhgad研究所的Kashibai Navale Engg学院浦那(印度马哈拉施特拉邦

文摘

在很多高速公路交通事故,主要原因是直线检测。以避免事故直线检测是智能交通系统的重要组成部分。介绍了不同的车道标记算法和分析车道检测算法的优点和缺点。本文说明了调查B-Snake算法,RANSAC算法为城市街道,无监督和自适应分类器技术,健壮和车道检测算法在具有挑战性的情况下,最有效的直线检测技术与逻辑区域和减少内存利用率是霍夫变换。比较研究表明,基于霍夫变换车道检测算法是非常可靠的。

关键字

Hough变换,直车道检测、直线检测算法

介绍

直线检测已广泛应用于许多工业应用智能车辆、图像分析、模式识别和智能机器人。道路交通事故的问题之一是冒着人们的生活。许多车道偏离尤其是高速公路道路交通事故是由于司机的疏忽或无能或嗜睡。因此需要系统保存相当数量的生命迫在眉睫的危险的警告司机。从道路图像检测和本地化车道是许多智能交通系统的重要组成部分。事实上车道检测是智能交通系统的研究最多的话题之一,在当前的十年[1]。最优直线检测几个嵌入式视觉应用程序是一个巨大的一步。本文给出各种线检测算法。

现在我们一天的观察,大多数研究者关注交通安全系统需要增加减少事故的风险。车辆的基于视觉的系统控制、车道偏离警告和避碰已经发展在过去的20年。最近,许多驾驶员辅助系统(DAS)出现在和谐与人类司机工作,例如前碰撞预警系统(结合)和车载车道偏离预警系统(长春)。这种系统可以用来帮助防止司机的错误,有效地减少交通事故。最近现代汽车都配备一个高度复杂的计算机辅助系统,如长春安全驾驶。长春是一种机制,旨在警告司机当车辆开始搬出去的车道道路没有信号。智能驾驶辅助系统的目的主要是提高驾驶安全性和减少驾驶员的工作负载。有两种主要类型的系统:1。系统警告司机并自动采取措施,以确保车辆在车道(车道保持系统,路)。2。 Systems which warn the driver (lane departure warning, LDW) if the vehicle is leaving its lane (visual, audible, and/or vibration warnings). LDWS consists of many image processing algorithms, and the lane detection is the most important part of the LDWS. There are several approaches for the lane detection algorithm, such as B-snake, Histogram based segmentation, Edge linking and Hough transform.

本文的组织结构如下:部分中,我介绍了霍夫变换,第二部分描述了不同的车道检测算法和第三部分给出了综述论文的比较。结论是在第四节。

二世。调查的车道检测算法

最优直线检测几个嵌入式视觉应用程序是一个相当大的一步,现在最大的研究重点是基于霍夫变换(HT)。直线检测已广泛应用于许多工业应用图像分析,智能机器人,智能车辆,和认识模式。现在我们一天的观察,大多数研究者关注交通安全系统需要增加减少事故的风险。有大量的基于视觉的系统车辆控制、避碰和车道偏离警告,这已经发展在过去的20年。最近,许多驾驶员辅助系统(DAS)出现在和谐与人类司机工作,例如前碰撞预警系统(结合)和车载车道偏离预警系统(长春)。这种系统可以用来帮助防止司机的错误和减少交通事故有效[3]。

最近现代汽车都配备一个高度复杂的计算机辅助系统,如长春安全驾驶。长春是一种机制,旨在警告司机当车辆开始搬出去的车道道路没有信号。智能驾驶辅助系统的目的主要是提高驾驶安全性和减少驾驶员的工作负载。这个系统可以帮助司机保持适当的驾驶车道内,也警告司机离开车辆时当前车道,这样司机提醒采取适当的行动。车道偏离警告系统监控车辆的位置对边界。当车辆离开巷无意的危险,例如,当司机不完全关注前方的道路,系统提供警告司机。

许多研究人员在车道检测算法技术。车道检测算法被授予为遵循的各种方法。

1)y . Wang e . k .销量,d .沈介绍了车道检测和跟踪使用b-snake [5]。在车道检测和跟踪,提出不使用任何相机参数。b样条可以形成任意形状通过一组控制点B-Snake基于车道模型能够描述更广泛的车道结构。通过使用的知识角度平行线检测车道两边的问题标记(或范围)已经合并在车道的中线检测的问题。B-Snake提供一个良好的初始位置,提出了一个健壮的算法称为CHEVP。还确定控制点B-Snake模型,最小误差方法,最小均方误差(MMSE)提出了双方的整体形象力的车道。这个方法是健壮的对噪声、阴影和光照变化的图像捕获的道路。它适用于道路和固体涂料划线标记和未标记的道路。

为检测模型中发挥着重要作用。建设2 d车道模型是通过假设双方地面道路的边界是平行的平面上,如图1所示(一个)。

假定的右边路的移动版本的左边路在远处,D = (Xr - Xl);沿着x轴在地上飞机。这里Xr Xl是两个对应点的x坐标P1 (X1, y)和公关(Xr, y)在地上飞机。从地面投影后飞机的水平距离,

l是透镜的焦距,H是相机的高度位置,赫兹是图像中vanishline窗格的位置,和r垂直坐标用于图像平面(如图1所示(b))。

2)m .阿里介绍实时检测车道标记在城市的街道。它是一个实时、高效、健壮的算法在城市街道检测车道。在这个算法生成一个路的顶视图,然后使用选择性的过滤是关心的是高斯过滤器,使用RANSAC拟合技术给初始猜测到一个新的和贝塞尔样条函数拟合的快速RANSAC算法。后处理是最后一步。它检测到所有车道街道的静态图像在不同的天气条件。它的速度50赫兹。它给优秀的结果明确的条件,但也有一些假阳性,因为停止在十字街头,附近的十字路口,过往车辆。

在这个算法有一个红色通道,使更好的白色和黄色车道图像比将它转换为灰度。应该有工作进一步改进该算法。可以做进一步的工作分类不同车道边界通过使用颜色信息即白色实线,双黄线等。这可以去除假阳性由于限制检测车道,以及街道上混乱的作品。这种算法的缺点是它并没有给出准确的结果车道检测[3]。

图2。IPM坐标。左:坐标轴(世界、相机和图像帧)。右:左摇右摆的α和β角的定义。

在上面的图2。——世界坐标系的定义{弗兰克-威廉姆斯}= {Xw, Yw, Zw}集中相机光学中心,相机帧{Fc} = {Xc、Yc佐},和一个图像帧{Fi} = {u, v}。

在RANASC计算分数(善良的测量)软渲染样条的使用一种有效的迭代方式,然后计算像素属于花键的值。它还考虑了平直度和花键的长度,通过惩罚更短更弯曲的曲线。在上面的图3,分数计算为:

分数= s (1 + k1 l′+ k2θ′)

后处理算法的最后一步。在前一个阶段的输出试图更好的本地化花键和扩展它的图像,图4。这样做是在原始图像和IPM的形象。它完成后将IPM的样条函数空间到图像空间。它在定位、扩展和几何支票的步骤。改善花键的立场后,给一个更好的适合巷一个扩展的IPM和原始图像按顺序执行。这样做是同样通过花键的前后两个端点沿切线方向(红点),并通过正常创建线段方向(红色线段),并找到卷积的顶峰的灰度剖面段平滑高斯滤波器。

3)祖茂堂Andres f . Cela Luis m . Bergasa富兰克林·l·桑切斯和马可·a . Herrera推出了基于无监督的车道检测和自适应分类器。这个分类器参数的选择,因为我们不知道车道在路上,虽然我们知道车道,只有他们需要分类。道路的车道的亮度在很多视频测试和测量。一般来说,在路上是白色的。他们用HSV的图像。然后,产生一组可能的他们用霍夫变换。这些线必须分类。初始参数分类器的帮助下开始,因为他们假设道路和车辆在车道的中心。两种类型的类,第一个是左边路行,第二个是正确的路。也有两个参数:每一行线斜率和线的中间点。 These parameters are changing in order to adjust to the real lanes. A variable quantity holds the two lines to not to separate more than the variable allows. The new class’s parameters are improved by a Kalman filter estimates and improves the tracking of the lanes. At last they use a mask in order to highlight the lane and show to the user a better image.

该算法架构是在三个阶段完成。在第一阶段,我们以前处理的输入图像。我们测量的图像亮度,然后我们定义一个ROI,最后新图像过滤检测车道道路在一个二进制图像。在第二阶段霍夫变换应用于图像。结果行是由非监督分类的分类器。最后一个卡尔曼滤波器可以减少噪声的参数行每个类。这些行是显示原始图像和他们修建了道路。车辆的位置估计在过去的阶段,真正的车道道路突出显示。一个指标显示司机屏幕上的偏差。该算法可以实现在智能手机。 The drawback of this system is that it cannot detect changes in line[2].

4)祖茂堂星期几金,提出一个健壮的车道检测和跟踪在具有挑战性的场景中。健壮lane-detectionand——跟踪算法处理具有挑战性的场景,比如巷曲率,车道变化,穿巷标记和新兴,合并,结束,分裂车道。在这种算法比较研究首先找到一个好的实时完成车道标记检测分类器,然后就完成了。车道标记分为lane-boundary假说。处理合并和分裂的车道,分组的左和右车道边界。

快速、鲁棒算法基于随机样本的共识和粒子滤波实时生成大量的假设。这个框架明确结合了基于可能性物体识别算法与Markov-style流程(跟踪)。它也可以应用于general-part-based对象跟踪的问题。实验结果表明,该算法是非常可靠的当地街道和高速公路。该系统的缺点是有错误的检测在弯曲的道路和错误检测由于阴影[4]。

5)Hyo-Kyun桢,Yong-Jin桢,Yi-Fan林提出了霍夫变换硬件加速器设计车道检测。霍夫变换对噪声的鲁棒性。霍夫变换的目的是使用一个参数代表几何形式的边缘信息空间定义为ρ和¨,ρ是距离原点的直线和¨正常和轴之间的角度。这地图图像空间中的几何行踝关节空间中的一个点。同样,逆霍夫变换回脚腕的空间转换成一条线在图像空间。一般来说,霍夫变换被认为包括逆变换。

Hough变换的详细过程如下,首先找到图像的边缘点,然后使用方程计算ρρ和¨,并计算出蓄电池的ρ用作地址内存的投票是累积的,在那之后发现脚腕空间中的局部极大值。最后每个局部极大值点在踝关节空间映射回线在图像空间。

这个方法获得高性能方面的执行速度和处理。该算法的优势减少了逻辑区域和内存利用率。这个系统可以有效地设计和模拟与FPGA [1]。

三世。车道检测算法的比较

比较以上论文描述下表1中给出。

IV.CONCLUSION

车道检测非常重要,因为它是一个自治车辆控制系统中最主要的部分。调查现有的车道检测和标记方法提供了这项工作。前面的方法提出了检测和标记有几个缺点。车道偏离警告系统和使用提出了霍夫变换车道标志检测。通过合并一个离职预警系统,车道标记的功能系统可以提高。霍夫变换可以实现FPGA板上。FPGA实现计算少也很紧凑,快速力量。

引用

m·阿里,“实时检测车道标记在城市街道上,“IEEE智能车辆研讨会,7 - 12页,2008年6月。
ZuWhanKim,会员,IEEE,“健壮的车道检测和跟踪在具有挑战性的情况下”,IEEE智能交通系统,9卷,2008年3月1号。
e . k . y . Wang销量,d .沈,“使用B-Snake车道检测和跟踪”,图像视觉计算卷。22日,页。269 - 280年,2004年4月。