在車輛的自動駕駛和輔助駕駛中,實時分析車輛的運動狀態(tài)具有重要的實際應(yīng)用價值。為了實現(xiàn)對車輛行為的判斷,提出一種基于車道信息融合的車輛行為識別算法。首先提出一種基于改進Robinson與LSD的模型,運用改進的Robinson算子獲取最佳梯度幅值實現(xiàn)對車道的邊緣提取,再通過LSD算法實現(xiàn)車道的檢測。然后采用一種基于滑動窗口的三次樣條插值法對車道進行擬合,最后根據(jù)車道參數(shù)信息分析車輛的運動狀態(tài),結(jié)合車輛的中心位置得到車輛的偏離信息。在BDD100K數(shù)據(jù)集的測試中,本文算法的車道檢測準確率為95.61%,車輛行為識別準確率為93.04%,每秒傳輸幀數(shù)達到42.37。實驗結(jié)果表明,本文算法在不同場景下可以有效地區(qū)分車輛的運動狀態(tài)并給出車輛的偏離信息,具有更高的準確性和魯棒性。 

【文章來源】：液晶與顯示. 2020,35(01)北大核心CSCD

【文章頁數(shù)】：11 頁

【部分圖文】：

最佳梯度方向

LSD直線檢測算法主要參考梯度大小和方向兩個因素計算局部直線輪廓，在線性時間內(nèi)能夠獲得亞像素級精度的檢測結(jié)果。算法首先根據(jù)每個像素點的level-line角度生成level-line區(qū)域，再利用種子生長法尋找角度一致line-support區(qū)域，如圖2所示，通過最小外接矩形對line-support區(qū)域進行擬合，其中該區(qū)域的主軸方向由矩形的主軸方向確定；然后統(tǒng)計最小外接矩形內(nèi)的像素點個數(shù)，即level-line角度與主軸角度之差在容錯區(qū)間2τ范圍內(nèi)的像素點個數(shù)；最后計算基于獲取數(shù)據(jù)下的最小外接矩形的NFA(Number of False Alarm）值，并判斷NFA的值是否滿足閾值條件，由此決定最小外接矩形是否為直線。LSD直線檢測過程中的種子生長法定義為：在未搜索的區(qū)域內(nèi)，把像素點中梯度幅值最大的點確定為種子點，并將該像素點標定為已搜索，搜索該像素點周圍未搜索過并與該像素點的角度誤差值在閾值范圍內(nèi)的鄰域點，然后以新點作為起點并進行遞歸搜索。LSD算法在檢測的過程中由于不需要調(diào)節(jié)參數(shù)，因此能夠滿足幾何圖像的快速變換。2.2 車道擬合

按照x軸方向?qū)④嚨罊z測的結(jié)果劃分為左右兩個部分進行區(qū)域搜索，分別將兩個部分在x軸方向做直方圖統(tǒng)計，得到像素峰值分布圖如圖3所示，將最大峰值的位置確定為車道線搜索的基點。設(shè)置搜索窗口的寬度和高度參數(shù)，窗口寬度設(shè)定為車道寬度的2倍，以窗口寬度的3/4定義窗口的高度。以基點中心作為當前搜索的起點進行網(wǎng)格化縱向搜尋，對每個搜尋窗口分別進行x軸方向和y軸方向直方圖統(tǒng)計，獲取搜索窗口內(nèi)非零像素的個數(shù)并濾除非零像素個數(shù)小于閾值的窗口，計算剩余窗口內(nèi)非零像素的坐標均值作為當前搜索窗口的中心點，并將當前搜索窗口的中心點作為下一個備選基點。設(shè)第i個基點為Si(xSi,ySi），第i個窗口的中點為Ci(xi,yi），若基點Si和中心點Ci的坐標滿足式（12）及式（13):

【參考文獻】：
期刊論文
[1]對數(shù)域梯度與改進Sobel算子相結(jié)合的邊緣檢測[J]. 任克強,張镕.  液晶與顯示. 2019(03)
[2]基于感興趣區(qū)域模型的車道線快速檢測算法[J]. 錢基德,陳斌,錢基業(yè),陳剛.  電子科技大學學報. 2018(03)
[3]基于混合貝塞爾曲線模型的車道檢測算法[J]. 韓浩,王舜燕.  計算機工程與設(shè)計. 2018(03)
[4]監(jiān)控視頻中的車輛異常行為檢測[J]. 黃鑫,肖世德,宋波.  計算機系統(tǒng)應(yīng)用. 2018(02)
[5]路徑約束條件下車輛行為的時空演化模型[J]. 潘登,鄭應(yīng)平.  物理學報. 2015(07)



本文編號：3525232