一文读懂自动驾驶车道线识别

智驾最前沿 2022-08-18 08:30

精密双向电流感应放大器设计方案 【有奖直播】提升毫米波信号测试精度

--关注回复“40429”--

↓↓领取：《汽车驾驶自动化分级》（GB/T 40429-2021）↓↓

车道识别是自动驾驶领域的一个重要问题，今天介绍一个利用摄像头图像进行车道识别的实用算法。该算法利用了OpenCV库和Udacity自动驾驶汽车数据库的相关内容。

该算法包含以下步骤：

摄像头校准，以移除镜头畸变（Lens distortion）的影响
图像前处理，用于识别车道线
道路视角变换（Perspective transform）
车道线检测
车辆定位和车道半径计算

摄像头校准

摄像头输出的视频可以看做一系列图像的时间序列。镜头的结构特性造成利用针孔摄像机拍摄的图像容易发生径向畸变，导致根据物体与光轴的距离而导致不一致的放大。

以下图片展示了两种典型的径向偏差。

为了正确地识别图像中的车道，首先需要消除图像中的径向偏差。计算机视觉专家们找到了一种有效的方式来修正径向偏差：首先将图像转换成棋盘模型，然后校正摄像头，使获得的图像中白色和黑色格子达到相同规尺度。

为了修正失真效应，需要识别棋盘的中心并利用期望的棋盘尺度来计算失真系数，并用其来消除图像的径向失真。

在上图中，最左边的图像显示了原始的失真图像，最右侧的图可以看出图像顶部的角度扭曲，中间的图像是经过摄像头校准后的未失真图像。

OpenCV的findChessBoardCorners和calibrateCamera函数可以用来实现以上的摄像头校准过程。

校准完摄像头后，我们用真实的汽车摄像头图像来验证下效果，结果如下。

图像预处理

解决了摄像头图像失真问题后，我们继续探索检测车道的算法。在计算机视觉领域，分离和检测对象的一种常用方法是使用颜色变换和梯度来生成一个具有过滤阈值的二值化图像。

对于颜色变换，我们尝试了HSL、LAB和LUA三种颜色空间，以找出哪一种最适合于过滤在道路上的车道线的像素。

HSL: 通过对色相(H)、饱和度(S)、明度(L)三个颜色通道的变化以及它们相互之间的叠加来得到各式各样的颜色的

LAB: 由亮度(L)和有关色彩的A, B三个要素组成。L表示亮度(Luminosity)，A表示从洋红色至绿色的范围，B表示从黄色至蓝色的范围

LUV: 由CIE XYZ空间经简单变换得到，具视觉统一性。L表示物体亮度，U和V是色度

经过试验，我们发现LAB的B道和LUV的L通道是识别车道线的最佳组合。

接下来，我们试验了Sobel梯度滤波器。图像梯度度量了颜色变化的方向强度。Sobel是一种利用高斯平滑和微分运算来降低噪声影响的梯度滤波器。

视角变换

车道检测的难点在于准确获得车道线的方向以及角度。在摄像头的默认视角下，远离摄像机的物体显得更小，同时车道线在远离汽车的方向逐渐相交，这和实际情况是不符的。解决这种视点扭曲的一种方法是改变图像的视角，比如可以从上往下看（鸟瞰图）。

OpenCV提供了 getPerspectiveTransform

和 warpPerspective函数，可用于进行图像的视角变换。首先，我们在图像中选择想要变换的区域，在下图中，我们选择了汽车前面的车道线部分。

接下来，选择代表目标空间的点集，在本例中，任何矩形内的点集都可以。我们可以使用warpPerspective函数将选定区域变换到我们选择的视角中。

下图显示了两条不同路段的车道线进行视角变换后的结果。

车道检测

下面，我们正式开始进行车道检测。在前面的各步骤中，我们进行了图像的二元阈值化和视角变换，最终获得一个黑白图像，其中白色的像素代表我们试图检测的车道线的部分。

接下来，我们需要找到一个最佳起始点来寻找属于左车道线的像素和属于右车道线的像素。一种有效的方法是生成图像中车道线像素的直方图。直方图应该有两个尖峰，各代表一条车道线，左边的尖峰是左边的车道线，右边的尖峰是右边的车道线。

然后将两个峰值的位置作为起始点来搜索属于每条车道线的像素。我们采用了滑动窗口搜索技术，它从底部开始，迭代地扫描到图像的顶部，并将检测到的像素添加到列表中。如果在一个窗口中检测到足够数量的像素，那么下一个窗口将以它们的平均位置为中心，这样我们就沿着像素的路径寻遍整个图像。

在我们检测到每个车道线的像素之后，我们就可以通过这些点来拟合一个多项式，从而产生一条平滑曲线，从而实现车道线的最佳近似。

下面的图像展示了滑动窗口技术的作用，多项式曲线通过检测到的车道线像素拟合获得(红色为左车道像素，蓝色为右车道像素)。

下面是滑动窗口搜索技术的另一个视图，高亮显示并填充搜索区域:

车辆/车道线位置

最后，利用两个检测到的车道线的位置，并假设摄像头位于图像的中心位置，可以计算出汽车相对于车道的位置。根据图像的分辨率，能够进行从像素到米的换算。

此外，利用尺度测量，我们还可以通过拟合一个新的多项式到物理空间来计算车道线的曲率，然后计算曲率半径。这条线的曲率半径就是这两个半径的平均值，下图显示了两条车道线的曲线半径和中心偏移量(图像中不可见)。

以上介绍了自动驾驶中进行车道线检测的实用算法，我们通过一个多边形投影区域来显示检测结果，可以看到检测结果与实际非常吻合。

转载自九三智能控，文中观点仅供分享交流，不代表本公众号立场，如涉及版权等问题，请您告知，我们将及时处理。

-- END --

登录阅读全文



免责声明：该内容由专栏作者授权发布或作者转载，目的在于传递更多信息，并不代表本网赞同其观点，本站亦不保证或承诺内容真实性等。若内容或图片侵犯您的权益，请及时联系本站删除。侵权投诉联系： nick.zong@aspencore.com！

智驾最前沿「智驾最前沿」深耕自动驾驶领域技术、资讯等信息，解读行业现状、紧盯行业发展、挖掘行业前沿，致力于助力自动驾驶发展与落地！公众号：智驾最前沿

进入专栏

文章：1925篇粉丝：36人

 私信

一文读懂自动驾驶车道线识别

最近文章

热门文章

推荐

最新资讯