基于深度学习的逐窗口流车道线检测算法

王文 刘文娟

摘要：随着人们生活水平的提高，对于车辆行驶的安全问题也日益关注度。目前主要通过高级辅助驾驶系统（ADAS）减少交通事故，其关键是为车辆驾驶决策提供必要环境的道路识别技术。主流车道检测算法大多不能兼有实时性与准确性，为解决该问题，提出基于兴趣区域的窗口流车道检测与跟踪技术，并利用深度学习使得检测精度不断提高。在实验室模拟情况中，通过对5000张道路图片的检测，该算法共计准确识别图片4993张，模糊识别图片5张，错误识别图片2张，识别率达到99.86%。在实際道路识别中，可满足实时视频的检测，具有很好的实时性、准确性、鲁棒性和抗干扰性，对无人驾驶有一定的辅助作用。

关键词：无人自动驾驶;高级辅助驾驶系统（ADAS）;逐窗口流车道检测与跟踪;深度学习

中图分类号：TP391      文献标识码：A

文章编号：1009-3044（2019）18-0209-03

Abstract： Under the current social environment， people pay more and more attention to the safety of vehicle driving. At present， the most important way to reduce traffic accidents is to assist driving through advanced assisted driving system （ADAS）， in which the key part of road identification technology can provide necessary road environment information for the driving decision-making part of the vehicle. Most of the current mainstream lane detection algorithms cannot be real-time and accurate at the same time. Therefore， a new window-by-window lane detection and tracking technology based on region of interest is proposed， in which deep learning is used to improve the accuracy of the algorithm. In the laboratory simulation， through the detection of 5000 road images， the algorithm accurately identified 4993 images， 5 fuzzy identification images， 2 wrong identification images， the recognition rate reached 99.86%.In the actual road identification， it can meet the real-time video detection， with good real-time， accuracy， robustness and anti-interference， and has a certain auxiliary role for unmanned driving.

Key words： Unmanned autonomous driving; Advanced assisted driving system （ADAS）; Window-by-window lane detection and tracking; Deep learning

1 引言

近年来，随着计算机视觉以及人工智能的快速发展，无人驾驶车辆技术的研究日益火热，而在一定的科技发展程度上，对于技术的普遍性有一定需求。采用视觉处理技术辅助车辆驾驶是一种高效而成本较低的解决方案，但是当前环境下，大多数道路检测技术无法达到实时准确[1]，所以如何实时准确地进行车道线检测成为当前探究热点。

目前国内外主流的基于计算机视觉的车道线检测方式主要可分为如下几种，基于曲线拟合特征提取检测[2]，基于Hough变换[3-4]或者卡尔曼滤波器[5]的检测，基于卷积神经网络的检测[6-7]，以及基于深度学习的检测[8]等。

国内在道路识别技术发展上起步晚，技术点散，整体的研究技术较为落后，与国外有较大差距。尤其在辅助驾驶等方面的研究较少，相比之下国外车辆企业在该技术领域已经形成了自己完整的生产链[9]。为了使车道识别技术更为普遍应用，本文基于结构化道路具有相对稳定车道线，提出一种应用于智能无人车载视频的实时检测车道线算法。该算法首先对图像进行预处理，利用摄像机标定技术[10]对图像畸变进行修复。然后处理后图像使用ConvNet[11]选取感兴趣区域，再对选取区域进行透视变换[12]。最后，利用逐窗口流方法检测车道线。

2 视频图像处理

在实际情况中，许多摄像头所拍摄图像会有一定的畸变，尽管在肉眼上我们人类可能无法识别，但在机器处理中会对结果有一定的影响。所以首先对视频图像进行摄像机标定处理，对畸变进行一定修复。车载摄像头产生的为径向畸变，可以通过以下公式（1）（2）进行纠正：

简单来说，如果我们想对畸变的图像进行校正就必须找到五个造成畸变的系数：[Distortion cofficients=（k1， k2， p1， p2，k3）]。除此之外，我们还需要再找到一些信息，比如摄像机的内部和外部参数。内部参数是摄像机特异的。它包括的信息有焦距（fx，fy），光学中心（cx，cy）等。这也被称为摄像机矩阵。这些畸变参数由摄像机自身引起，只需要计算一次，以后就可以已知使用了。可以用下面的3×3的矩阵（3）表示：