车道检测与跟踪
from:車道檢測與跟蹤
車道檢測的目標：
1. 車道形狀，包括寬度、曲率等幾何參數
2. 車輛在車道中的位置，包括橫向偏移量，車輛與道路的夾角（偏航角）
車道檢測與跟蹤一般分為以下幾個部分：
1. 車輛、道路、相機模型
2. 道路特征提取
3. 道路參數計算，如曲率，
4. 車道跟蹤
車輛、道路、相機模型
在現代道路設計中，道路有比較固定的設計模型，因此，對于高速公路等道路類型，車道的幾何模型可以以固定的形式表示。
車道弧長、曲率、偏航角、橫向偏移量構成車輛與車道幾何模型的要素。
車道一般由直線、圓弧和緩和曲線構成，緩和曲線通常是不同曲率的圓弧或直線的連接過渡，其曲率均勻變化，螺旋曲線是緩和曲線常用形式。
道路曲率與弧長（路長）的關系：
C = C0 + C1*L.
C0為起始點曲率，C1為曲率變化率。C0，C1都為0時，直線; C1為0時，C0不為0，圓弧；C1不為0時，緩和曲線。
在世界坐標系下，或俯視圖下，在相機可視范圍內，若車道的變化方向較小，則道路可用圓弧近似表示：
道路的坐標可以由弧長和曲率一般表示為：
y = L
x = 0.5*C*L^2
若相機與車道的橫向偏移量為d，與車道的夾角為a，則車道模型為
y = L
x = d + a*L + 0.5*C*L^2
從公式來看，這是一個拋物線模型。這里沒有考慮曲率變換率，即忽略了高次項(C1*L^3)/6。
不同的系統要求與道路環境，道路模型的精度要求也不同。在較早的系統里，在大路（highway）環境下，
基于視覺的車道模型經歷了，平行直線模型 --> 固定曲率圓弧模型 --> 螺旋曲線模型。道路模型的精度不斷提高。
使用哪種模型，要根據系統的實際需求。如早期的系統里，檢測大路（highway）中10米內的車道狀況，應用簡單的線性模型即可。而車道偏離告警（LDW）系統中，在高速公路上，需要30米-40米的精確的道路模型，這時，螺旋曲線（高階）或拋物線（二階）模型就更為精確。
相機模型：
由圖像的二維信息恢復出場景的三維信息，就需要相機模型來確立兩者之間的對應關系。相機參數包括內部參數和外部參數。相機模型分為針孔相機模型和透鏡畸變擴展模型。這些在另外一篇文章里有描述。相機的內外參數通過標定都可以獲取。相機的外部參數體現了相機坐標下圖像與世界坐標下場景的齊次變換關系。
道路特征檢測
道路上車道標志的檢測是道路特征檢測的關鍵部分，并且已有很多算法，但道路場景太多，單一的算法還是無法適用所有的場景。算法分類：
| ? | 適用場景 | 不適用場景 |
| 基于邊緣檢測 | 虛線、實線明顯 | 陰影、光照變化、反射不均勻 |
| ?基于頻域技術 | 能處理反射不均的場景 | 陰影 |
| 基于路面紋理/模板 | 陰影、光照不均等 | 反射不均 |
| ? | ? | ? |
基于邊緣檢測的常用算法有：
Sobel, DOG, LOG, Steerable Filter等。每種算法都有各自的優缺點。這里不再描述。
由基本算法處理后得到道路的特征圖像，這里以邊緣為例，需要進一步分析其特性，去除干擾，保留符合車道特征的邊緣。如平行性、寬度等結構特征。如果這些結構特征分析做的好，也可以彌補基本算法的不足。
其他檢測方法：?
雙閾值特征檢測：原圖像、梯度圖像（邊緣圖像）分別有各自的閾值，分割出車道標志特征，當某點的灰度和梯度值分別大于各自的閾值時，才被選取為車道的特征點，這個方法會去掉一些陰影等干擾。
可調濾波器steerable filter：
對原圖分別獲取Gxx, Gyy, Gxy,高斯二階分量。角度可變的濾波器的強度響應如下：
求上式的極值，則需求角度的導數，則能獲取兩個角度
對于濾波器窗口內圓形對稱的物體，則兩個角度的響應差不多；而對車道，兩個角度響應的差值就比較大，響應大的方向就是車道方向，車道方向也可以探測出。
道路參數計算
道路方向、曲率的計算。霍夫變換是常用的檢測直線的方法，還有其他方法篩選特征計算參數的方法，如最小二乘估計，RANSAC，這些方法基本上都設定了道路模型，由特征點來計算參數。但也可以由計算出的模型，去除不符合條件的特征。
跟蹤
一般跟蹤的作用就是預測下一幀圖像內道路特征的位置，在一個較小的范圍內檢測道路特征，提高效率。若預測范圍內沒有檢測到道路特征，則采用估計或上一幀特征的位置，若連續幾幀都沒有檢測到道路特征，則啟動全圖像道路特征檢測。KalmanFilter是常用的跟蹤算法。
車道的狀態要考慮車道的位置、速度、偏航角及車輛行駛轉角之間的關系。
夾角增量 = 曲率 * 長度
狀態變量為道路弧長、車道夾角、道路曲率、車道寬度
車輛的行駛轉角作為控制輸入變量。
測量變量為道路弧長和車輛與道路的夾角。
則狀態轉移方程如下：
總結
- 上一篇： 图像处理中消除相机透镜畸变和视角变换
- 下一篇： 基于光线追踪的Mental Ray鱼眼镜