基于均值漂移的车道线检测模型

韩高格　方周　夏盼　葛东东

摘 要：无人驾驶、辅助驾驶是目前人工智能领域最火热的前沿研究方向之一，它具有巨大的商业价值和发展前景.道路车道线检测是无人驾驶系统中几个重要核心技术之一，它可以为无人驾驶系统提供行驶决策规划、外部感知.本文提出了一种基于均值漂移的道路车道线检测算法，首先对道路图像的车道线区域进行感兴趣区域（ROI）选取，再进行下采样处理和逆透视变换.再进一步采用基于均值漂移算法对道路图像进行图像分割，对分割所得的车道线进行非线性回归方法拟合车道线.实验表明，该方法可以有效检测出道路车道线，可以适应复杂道路场景中的阴影、遮挡、模糊、弯曲道路等情况中的车道线检测，并且具有鲁棒性好、精确度高的特点.

关键词：车道线检测;无人驾驶;均值漂移算法;图像分割

中图分类号：TP391  文献标识码：A  文章编号：1673-260X（2019）11-0051-03

1 引言

近年来，无人驾驶技术日趋火热，随着社会经济发展、城市交通的不断完善、汽车数量的增多、高新技术的发展，人们对生活质量有着更高的要求、汽车行驶安全也成为人们关心的话题.无人驾驶技术也应运而生，它可以利用计算机技术帮助人们实现汽车的自动行驶，使人们的生活变得更加智能和便捷、社会的运作更加高效，由于无人驾驶的高度安全性，也将会大大减少交通事故的发生.

无人驾驶系统是一个复杂的计算机控制系统，它包含了很多复杂技术，它分为感知层、认知层、决策层、控制层四层.车道线检测作为无人驾驶系统认知层中关键性技术，是最近几年研究的热点.车道线检测的结果可以为无人驾驶系统提供路径的规划决策、确保汽车的行驶正确以及驾驶辅助系统的车道偏离报警系统.公路车道线容易遭受磨损以及受道路阴影、光照、天气等因素影响，导致车道线模糊不清.所以它是一项十分具有难度与挑战的任务.

到目前为止，多数的车道线检测方式是采用基于道路规则化约束[1]的方式，首先对获取图像灰度化预处理，然后利用一些图像边缘提取算法提取图像的边缘信息，选取一定的感兴趣区域（ROI）进行深度处理，最后利用霍夫变换去拟合道路车道线.这种方案优点是计算资源消耗少，处理速度快，但是对于弯曲道路、等检测效果较差.还有基于图像分割的方式[2]，首先将RGB图像转化到CIE颜色空间，采用K均值进行图像分割、提取特征，最后采用二次曲线方法进行车道线的拟合.

本文针对道路车道线检测，提出了一种基于均值漂移的道路车道线检测算法.主要步骤有：（1）图像预处理，对采集到的道路车道线图片，先进行感兴趣区域的选取和下采样处理，用于尽可能地去除与道路无关的图像信息和减少不必要的图像运算.（2）道路图像分割，采用基于均值漂移算法对道路车道线进行图像分割，以获取图像中的车道线.（3）车道线拟合，采用非线性回归的方法去拟合道路车道线，可以高精度的拟合车道线的各种形状.

2 ROI选取和下采样处理

由于原始的道路图像包含了天空、树木等与车道线检测无关的内容，所以为了避免不必要的图像运算，对原图进行ROI选取，尽可能多的包含车道对象.另外，车道線检测无须过高的分辨率，所以进一步进行一定的下采样处理，在不损失车道线检测精度的情况下，最大程度地减少计算机对图像的计算，本文采用的是双线性插值的方法，公式的定义如下：

如果对图像每一个样本点都进行计算以得到其密度最大点，无疑需要进行大量的计算.考虑到从样本点xi开始，最终收敛到点xc，在其质心移动过程中，路径上的那些样本点若进行迭代搜索计算也会最终收敛到点xc.所以在一点搜索结束后，对于其搜索路径上的所有点pi，i=1，2，…，N也进行赋值操作pi=xc，这可以显著降低整幅图片计算复杂度，提升车道线检测实时性.

最后将收敛到同一点的各类像素点合并，本文综合考虑了像素点的颜色相似性以及坐标相似性.若两样本点xi和xj满足条件||xis-xjs||<ts或||xir-xjr||<tr就将两点合并.同时再从新合并的点出发继续进行合并操作，直到碰到不相似的点或者该点已经属于其他类.而对于含有像素点个数少于阈值m的区域，则将它与其最相似的区域合并，达到消除杂点的作用.

4 车道线拟合

多数的插值方法拟合曲线往往拟合曲线的精度不够，本发明采用神经网络进行非线性回归的方法取拟合道路车道线.设置6节点的网络隐藏层，采用tanh激活函数进行非线性变化.首先进行线性的变换，公式如下：

6 结语

本文所提出的基于均值漂移的道路车道线检测算法，经过实验得知，具有以下优点：（1）可以对不同的道路曲线进行拟合，无论是曲线还是直线都可以达到很高的准确性.（2）对多种道路场景，诸如道路阴影、遮挡、明暗交替、车道线模糊都有很好的检测效果，并且鲁棒好、精确度高.

参考文献：

〔1〕钱基德，陈斌，钱基业，陈刚.基于感兴趣区域模型的车道线快速检测算法[J].电子科技大学学报，2018，47（03）：356-361.

〔2〕MA Chao， XIE Mei. A method for lane detection based on color clustering[C]//Third International Conference on Knowledge Discovery and Data Mining. Phutet： IEEE Computer Society， 2010： 200-203.

〔3〕李向阳.基于单目视觉的机动车道路检测和跟踪研究[D].上海交通大学，2015.

〔4〕Li， X.， Fang， X.， Wang， C.， & Zhang， W. （2014）. Lane Detection and Tracking Using a Parallel-snake Approach. Journal of Intelligent & Robotic Systems， 77（3-4）， 597–609.

〔5〕Neven， D.， Brabandere， B. D.， Georgoulis， S.， Proesmans， M.， & Gool， L. V. （2018）. Towards End-to-End Lane Detection： an Instance Segmentation Approach. 2018 IEEE Intelligent Vehicles Symposium （IV）.

〔6〕Gurghian， A.， Koduri， T.， Bailur， S. V.， Carey， K. J.， & Murali， V. N. （2016）. DeepLanes： End-To-End Lane Position Estimation Using Deep Neural Networks. 2016 IEEE Conference on Computer Vision and Pattern Recognition Workshops （CVPRW）.

〔7〕Huang， Y.， Chen， S.， Chen， Y.， Jian， Z.， & Zheng， N. （2018）. Spatial-Temproal Based Lane Detection Using Deep Learning. Artificial Intelligence Applications and Innovations， 143–154.

〔8〕Comaniciu， D.， & Meer， P. （2002）. Mean shift： a robust approach toward feature space analysis. IEEE Transactions on Pattern Analysis and Machine Intelligence， 24（5）， 603–619.

〔9〕胡秀敏，何志琴.無人驾驶汽车中的车道线检测研究[J].新型工业化，2018，8（12）：57-60.

〔10〕黄思育，柳培忠.一种自适应的车道线检测算法[J].东莞理工学院学报，2019，26（01）：45-49.

〔11〕张家搏.基于图像的规则化道路检测与跟踪算法研究[D].哈尔滨工业大学，2017.