一种视频交通流检测场景中的自适应道路结构提取算法

大，则说明检测到的车道线是错误的。假设车道线 Li 分 别与车道线 Lj 和车道线 Lk 交于 A、B 两点，用 djk 表示 A、B 两交点间的距离，则车道线 Li 的消失点误差可定 义如下
Di =max(djk ), (1≤i、j、k≤n，i≠j，i≠k，j≠k)
(5)
其中，n 为车道线总数。以图 4 为例，车道线 L1 与车道
2009 年 03 期(总第 51 期) 165
交通工程
oA 与 x 轴正方向之间的夹角，代表该直线的方向。由
于极坐标形式能够避免斜截式形式在直线垂直时出现斜率无限大的情形，来自此算法采用极坐标形式来表示车道
线，同时也方便算法利用霍夫变换进行车道线检测。假
设检测场景有 n 条车道线，各车道线的极径和极角分别
和基于车辆运动轨迹[9]的道路识别方法，但都比较复杂， 实用性不强。
由于以上方法的应用目标是智能车辆的自动导航和 驾驶，应用场景与视频交通流检测场景存在较大差异， 通常不能直接应用到视频交通流检测系统中。为此，本 文提出一种视频交通流检测场景中的自适应道路结构提 取算法。该算法选用直线模型拟合车道线和道路边界， 建立道路结构模型；通过霍夫变换对车道线和道路边界 进行检测，并利用匹配误差和消失点约束对车道线和道 路边界的检测结果进行校验和修正，最终提取出正确的 道路结构信息。从外场实验效果看，道路结构提取结果 令人满意。
以车道线组合构造道路结构模型。在场景变化时，算法通过霍夫变换检测变化后的车道线，然后利用匹配误差和
消失点约束对检测结果进行校验和修正，最终提取出正确的道路结构信息。实验结果表明，该算法在白天正常天
气下提取正确率达 99.1%，是一种有效可行的道路结构提取算法。
关键词：视频交通流检测；道路结构提取；车道线检测；霍夫变换；消失点
(6)
其中 m 为正确车道线之间的交点总数。相应地，对 不正确的车道线进行如下修正：令其通过消失点，且极 角等于其在初始标定位置时的极角。即将不正确的车道 线 （假设为车道线 L）i 的极径和极角修正为
(7)
由实验可知，经过这样修正后的车道线位置与其真 实位置之间相差很小，可以满足应用需要。图 5(a)中最 右边的黑色直线即检测错误的车道线。图 5(b)中最右边 的黑色直线是按照消失点约束修正后的车道线。
中的直线 y=kx+b 可用 (1) 式所示的极坐标形式来表示
ρ=xcosθ+ysinθ
(1)
其中，极径 ρ 是原点 o 到直线 y=kx+b 的垂线段 oA
的长度，表示该直线离开原点的距离；极角 θ 是垂线段
基金项目：“十一五”国家科技支撑计划项目 （2006BAG01A04）。 作者简介：罗东华 (1979-)，男，广东湛江人，博士研究生，主要研究方向为视频交通流检测。
图 2 图像预处理
图像预处理包括灰度化、背景提取、边缘检测和二 值化等四个步骤。首先，算法对输入的彩色图像进行灰 度化，以减少计算量；其次，为了剔除检测场景中行驶 车辆的干扰，更好地对车道线进行检测，算法采用中值 法对灰度化后的序列图像进行背景提取；由于边缘是车 道线的显著特征，因此算法接下来用的 3×3 的 sobel 检
经过以上步骤的校验和修正，就可以得到新的道路
2009 年 03 期(总第 51 期) 167
交通工程
图 7 雾天的道路结构提取结果
图 5 车道线修正
结构 {L1，L2，…，Ln}。
4 实验结果
整个算法采用 VC++ 6.0 实现，并用工控机、云台 和摄像头搭建了实验平台，在真实高速公路环境中进行 实验。实验中，控制云台旋转、俯仰，使检测场景在选 定的初始场景附近作随机变动，然后对变动后的检测场 景提取道路结构。
图 3 车道线变化范围
166 2009 年 03 期(总第 51 期)
3.3 车道线校验 由于环境光照变化及图像采集噪声干扰等原因，检
测到的车道线不一定正确，必须对新车道线进行校验。 文中以图 2 所示的三车道场景为例进行分析说明。 3.3.1 匹配误差校验
首先进行匹配误差校验。车道线 Li 的匹配误差定 义如下
为 ρ1，ρ2，…，ρn 和 θ1，θ2，…，θn，则道路结构可用 (2) 式表示
L!
# #
1
：ρ1
=xcosθ1
+ysinθ1
#
L#
" #
2
：ρ2
=xcosθ2
+ysinθ2
(2)
#
L#
#
$n
：ρn
=xcosθn
+ysinθn
算法在开始时先对一个比较理想的检测场景的道路
结构进行标定，记录每条车道线 Li 的初始极径 ρi0、极 角 θi0 和长度 li0，获得初始道路结构{L10，L20，…，Ln0}。
图 1 直线的极坐标形式
3 自适应道路结构提取算法
3.1 图像预处理
测算子对提取的背景图像进行边缘检测；最后，为了突 出车道线边缘和方便计算机处理，算法采用迭代法对灰 度的背景边缘图像进行二值化。图像预处理的具体过程 可参考文献[10]。图像预处理的效果如图 2 所示。 3.2 车道线检测
在公式 (2) 表示的道路模型基础上，利用霍夫变换 对车道线进行检测。霍夫变换的基本思想是：
在白天正常天气下进行的 151 次实验中，变动后检 测场景在允许范围之内的有 115 次。其中，可以直接通 过匹配误差校验而正确提取出道路结构的有 79 次，必 须通过消失点误差校验和车道线修正而正确提取出道路 结构的有 35 次；两者合起来总的提取正确率为 99.1%； 此外，对剩下的 36 次实验，算法均能正确检测出检测 场景已超出允许范围之外，达到了设计目的。图 6(a)是 初始选定的比较理想的检测场景，其中的 4 条黑色直线 是标定的初始道路结构。图 6(b)~(e)分别是云台及摄像机 在允许范围内左转、右转、仰视、俯视后的检测场景， 图中黑色直线是由本算法提取出来的新的道路结构。
2 道路结构模型
在视频交通流检测场景中，大多数的道路为结构化
道路，如高速公路，它们通常都具有清晰的道路边界和
车道线 （为简便起见，以下统称为车道线），一般为连
续的白线或白色的短划线。另外，设定检测位置的道路
通常具有较大的转弯半径，曲率很小，因此检测场景中
的车道线可以近似为直线。由平面解析几何可知，图 1
将图像直角坐标系下的一条直线 y=kx+b 用极坐标 参数形式 ρ=xcosθ+ysinθ 来表示，即将图像空间中的一 条直线映射为参数空间中的一个点；反过来，参数空间 中的一个点也代表着图像空间中的一条直线。进行变换 时，首先将参数空间坐标 ρ 和 θ 按需要的检测精度量 化，然后遍历每一个图像前景点 (x，y)，对每一个量化 的 θ 计算出其对应的 ρ，并使参数空间中相应坐标的累 加器单元的值加 1；这样，当所有图像前景点都遍历完 之后，参数空间中拥有最大值的累加器单元所对应的坐 标点就代表图像空间中最长的直线。
NME=1、2，检测结果正确性无法确定，继续进行下 一步校验；
NME>2，检测结果不正确，必须使检测场景复位。 其中 NME>2 的情形多数是由于检测场景超出允许的 范围之外导致的，自动调整检测区域的方法不再有效，
必须通过发送云台和摄像机指令等方式使检测场景复
位。
3.3.2 消失点误差校验
对于 NME=1 或 2 的情形，继续对检测结果进行消失 点误差校验。由映射投影几何知识可知，现实物理空间
中图分类号：U491
文献标识码：B
1 引言
从目前的参考文献看，国内外学者在视频交通流检 测系统方面的研究主要集中在在智能车辆的场景检测和 道路识别方面。其中，利用单个摄像机的方法主要方法 可分为基于边缘、基于颜色和基于模型等几类。基于边 缘的方法[1]利用道路边界以及车道线和其他区域存在明 显亮度差异的特点，通过各种不同的边缘检测算子提取 出道路边界和车道线边缘，具有定位精确、受环境亮度 变化影响较小的优点，对结构化道路的识别效果较好； 基于颜色的方法[2， 3]利用道路区域与非道路区域之间存 在颜色差异的特点，通过聚类分析等方法将道路区域分 割出来，对于没有车道线的非结构化道路以及车道线被 遮挡或褪色严重的结构化道路具有较好的识别效果。但 是，该方法易受阴影和水迹等路面介质反射因素的影 响，因此实用中经常与基于边缘的方法结合使用[4]。基 于模型的方法[5-7]通过采用某种数学模型对检测出的道路 边界或车道线进行拟合而得到道路结构信息。采用直 线[5]等简单模型，算法简单且运算量小，但结果精度不 高，且无法拟合弯道；选用二次曲线[6]等复杂模型，则 可对不同形状的道路进行拟合，灵活性好，得到的结果 精度也较高，但是算法运算量大，不利于实时处理。实 际应用中往往根据实际道路情况来选择相应的模型，或 者多种模型结合使用[7]。此外，还有基于投影逆变换[8]
NVE=0，检测结果完全正确，可直接进入检测区域 调整环节；
NVE=1，有一条车道线检测不正确，需要进行车道 线修正；
NVE≥2，检测结果不正确，必须使检测场景复位。 其中 NVE≥2 的情形多数也是由于检测场景超出允 许的范围之外导致的，必须通过发送云台和摄像机指令 等方式使检测场景复位。 3.4 车道线修正 上述 NVE= 1 的情形，需要对检测不正确的车道线 （Di >TVE 对应的车道线） 进行修正，以获得正确的车 道线位置。由于正确的车道线 （Di≤TVE 对应的车道线） 的交点可能不止一个，但交点间的距离都很小，因此可 以取这些交点的中心作为消失点的近似位置。假设 (xi， yi) 为正确车道线之间的交点位置，则消失点近似位置 (xv，yv) 可由下式获得
(3)
式中，P 为图像点集合，Δθmax、Δρmax 的取值可由实验确 定。每条车道线 Li 的变化范围确定后，在此变化范围内 利用霍夫变换检测直线，并将检测到的最长直线作为新 的车道线 Li′，记录其极角 θi′、极径 ρi′和长度 li′。这样， 就得到了新的道路结构 {L1′，L2′，…，Ln′}。