[發(fā)明專利]基于機(jī)器視覺的道路跟蹤方法

在審

• 申請?zhí)枺?/td>: 201410538370.0
• 申請日: 2014-10-13
• 公開（公告）號: CN104331878A
• 公開（公告）日: 2015-02-04
• 發(fā)明（設(shè)計）人: 李向陽;方向忠;王慈
• 申請（專利權(quán)）人: 上海交通大學(xué)
• 主分類號: G06T7/00
• 分類號: G06T7/00
• 代理公司: 上海漢聲知識產(chǎn)權(quán)代理有限公司 31236
• 代理人: 郭國中

技術(shù)領(lǐng)域

本發(fā)明涉及圖像模式識別領(lǐng)域，特別涉及一種基于機(jī)器視覺的道路跟蹤方法。該方法使用平行主動輪廓模型進(jìn)行道路檢測，并使用卡爾曼濾波器對道路進(jìn)行跟蹤。

背景技術(shù)

基于機(jī)器視覺的道路跟蹤是通過計算機(jī)視覺技術(shù)對含有道路場景的視頻序列中道路區(qū)域進(jìn)行跟蹤。這些圖像序列通常是通過安裝在移動車輛上的攝像機(jī)獲取。道路跟蹤在智能交通、車輛安全輔助駕駛以及無人駕駛汽車等領(lǐng)域都具有重要的作用。

實(shí)際的道路可以分為結(jié)構(gòu)化道路和非結(jié)構(gòu)化道路。結(jié)構(gòu)化道路是指那些具有完整道路邊界標(biāo)示線的高速公路或者普通公路。這些標(biāo)示線可以簡化道路的檢測方法，并且使檢測方法具有較高的檢出度和準(zhǔn)確率。而非機(jī)構(gòu)化道路是指那些不具有道路標(biāo)示線的普通公路和鄉(xiāng)村道路。這類道路沒有清晰的道路邊界線，不利于檢測方法的設(shè)計。但是在邊界周圍也存在明顯的顏色或者紋理變化，這些信息為使用道路跟蹤方法進(jìn)行正確檢測帶來了可能。

道路跟蹤方法利用道路視頻序列中道路特征在前后相鄰幀之間的相關(guān)性進(jìn)行道路跟蹤。道路跟蹤方法可以提高道路檢測的準(zhǔn)確性，并且可以減少道路檢測方法的時間消耗。道路跟蹤屬于物體跟蹤的一個特例。基于視覺的物體跟蹤方法是主要是選取不同的圖像特征和似然函數(shù)，從而在前一幀的基礎(chǔ)上搜尋下一幀中與其最相關(guān)的區(qū)域從而完成物體的跟蹤。該方法常用的代表有：均值漂移方法、粒子濾波器等；該方法的基本流程如圖2所示：1)獲取視頻圖像；2)計算興趣區(qū)域的圖像特征；3)計算目標(biāo)區(qū)域的圖像特征；4)從目標(biāo)區(qū)域中選取與興趣區(qū)域相似度最高的目標(biāo)作為跟蹤結(jié)果；5)輸出結(jié)果。

該類方法通過選取合適的圖像特征及其對應(yīng)的似然函數(shù)可以得到良好的跟蹤結(jié)果，但是該類方法沒有考慮檢測結(jié)果在時間t上的分布以及檢測噪聲的分布，所以對噪聲的抑制力比較差。而且傳統(tǒng)的基于卡爾曼濾波器的道路跟蹤方法，往往采用塊檢測等簡單的方法，該類方法沒有使用道路的結(jié)構(gòu)信息，只是對道路的區(qū)域大小進(jìn)行建模，因而不具有良好的魯棒性。

其主要表現(xiàn)在：1)如果一幀中如果出現(xiàn)檢測錯誤，則該錯誤會對后續(xù)幀的檢測結(jié)果產(chǎn)生影響。2)不能對下一幀的目標(biāo)出現(xiàn)的區(qū)域進(jìn)行預(yù)測，用于提高檢測效率。3)使用簡單的道路檢測方法，沒有統(tǒng)一的道路模型，所以容易受噪聲以及陰影的因素的影響，從而方法的魯棒性較差。

發(fā)明內(nèi)容

本發(fā)明針對現(xiàn)有技術(shù)存在的以上缺陷，提出了一種基于平行主動輪廓模型和卡爾曼濾波器的道路跟蹤方法。該方法通過馬爾科夫鏈對道路視頻序列中的道路在時間t上的分布進(jìn)行建模，通過平行主動輪廓模型來對每一幀中的道路進(jìn)行建模，并且使用卡爾曼濾波器對道路模型的參數(shù)以及檢測噪聲進(jìn)行建模，從而用于參數(shù)的預(yù)測和噪聲的抑制。

根據(jù)本發(fā)明提供的一種基于機(jī)器視覺的道路跟蹤方法，包括如下步驟：

步驟S1：通過成像設(shè)備獲取道路場景圖像；

步驟S2：使用逆透視映射恢復(fù)道路的結(jié)構(gòu)信息；

步驟S3：使用卡爾曼濾波器對道路模型參數(shù)進(jìn)行預(yù)測；

步驟S4：根據(jù)步驟S3得到的預(yù)測結(jié)果，使用平行主動輪廓模型對道路進(jìn)行檢測，得到檢測結(jié)果；其中，所述平行主動輪廓模型是在兩條獨(dú)立的開環(huán)主動輪廓模型的基礎(chǔ)上通過添加平行性約束得到的一組模型，該模型通過兩條主動輪廓模型周邊的內(nèi)力和外力共同作用，并且由于平行性約束，最終得到兩條平行的二次曲線；

步驟S5：使用卡爾曼濾波器對檢測結(jié)果進(jìn)行優(yōu)化；

步驟S6：輸出道路跟蹤結(jié)果。

優(yōu)選地，在步驟S2中使用逆透視映射恢復(fù)道路左右邊界的平行性結(jié)構(gòu)。

優(yōu)選地，在步驟S4中使用平行主動輪廓模型對道路進(jìn)行檢測，包含以下幾個步驟：

步驟S41：初始化道路模型參數(shù)；

步驟S42：在步驟S2中獲取的包含道路結(jié)構(gòu)信息的圖像I_pers中，分別計算(x,y)分量上的梯度場(Gx,Gy)，作為平行主動輪廓模型的外部能量函數(shù)；其中，x表示X軸方向，y表示Y軸方向，Gx表示x方向上的梯度場，Gy表示Y方向上的梯度場；

步驟S43：據(jù)步驟S42中的初始化得到的平行主動輪廓模型，計算利用該平行主動輪廓模型像素位置的一階和二階導(dǎo)數(shù)作為該平行主動輪廓模型的內(nèi)部能量函數(shù)；其中，非循環(huán)矩陣被用于產(chǎn)生開環(huán)平行主動輪廓模型；

步驟S44：根據(jù)步驟S42得到的外部能量函數(shù)和步驟S43得到的內(nèi)部能量函數(shù)，計算平行主動輪廓模型的移動矢量；

步驟S45：根據(jù)移動矢量計算平行主動輪廓模型的當(dāng)前位置，并使用最小二乘法對平行拋物線進(jìn)行擬合；