英语原文共 12 页
基于梯度增强转换的光照鲁棒性车道检测
摘要
车道检测在很多高级驾驶辅助系统（ADAS）中很重要。基于视觉的车道检测算法被广泛使用并且通常使用梯度信息作为车道特征。然而，车道和道路之间的梯度值随着光照变化而变动，这会降低车道检测系统的性能。在本文中，我们提出了一个用于光照鲁棒性车道检测的梯度增强转换方法。我们提出的梯度增强转换方法基于线性判别分析从RGB颜色图像生成新的灰度图像。转换后的图像在车道边界处有很大的梯度。为了应对光照变化，灰度转换矢量被动态更新。此外，我们提出了一种新颖的车道检测算法，该算法使用所提出的转换方法，自适应Canny边缘检测器，Hough变换和曲线模型拟合方法。我们在各种照明环境中进行了几次实验，并确认在道路的车道边界处梯度最大化。所提出的车道检测算法的平均检测率是96%，在非常恶劣的环境中大于93%。
关键词：梯度增强转换，光照鲁棒性方法，车道检测，线型判决分析。
1介绍
随着车辆数量的增加，车祸受害者的数量每年都在增加。许多事故是由于驾驶员疏忽或视觉干扰导致对驾驶状况缺乏认识而引起的。先进的驾驶辅助系统（ADAS）被认为是减少此类事故的一种重要技术。车道检测和跟踪被认为是ADAS的基本模块。这些算法是车道偏离警告系统和车道保持系统的核心。另外，关于检测到的车道位置的信息可用于检测接近的车辆和障碍物。
几乎所有车道检测算法都使用以下三个步骤：车道特征提取，离群值去除和跟踪。特征提取是车道检测中重要的一步。如果没有正确地检测特征，很难在处理过程中进行补偿。许多特征（如颜色，角落，边缘和几何形状）可用来表征车道。边缘是最重要的特征之一，因为车道在道路上形成明显的边缘。换句话说，由于它们的强度不同，在道路和车道之间存在很大的梯度。因此，许多传统方法都采用用基于梯度的特征。这些基于梯度的车道检测算法将梯度特征提取应用于从一定比例的RGB或者YCbCr亮度系数中所获得的灰度图像。然而，它们在检测车道特征方面存在问题，车道与道路相比较具有很大的梯度。由于彩色通道被转换成类似于道路的灰度值，因此彩色通道和道路之间的梯度被高度抑制并且可能导致车道检测失败。这可能会在实际应用中造成严重问题，因为彩色通道可能会传达更重要的信息，例如中心线。
Sun等人使用饱和度图像来补偿灰度图像的弱点。Cheng等人提出了一种新的颜色空间，其通道代表RGB色差。在他们提出的色彩空间中，他们还分析了道路的颜色分布并且使用高斯分布假设提取地面标记颜色。已经有多种方法被提出来了，wang等人使用直方图均衡，它提供了更大的对比度，以补偿梯度抑制。Kim根据经验确定了RGB权重，这使得车道和道路之间的梯度更大。但是，在室外道路环境中，照明可能随时间，天气和光线而变化。 因此，在先前的方法中，固定的RGB比率或离线的颜色分析不能控制所有这些条件。一种动态亮度补偿方法被提出，将伽马校正应用于传统的灰度图像。基于自聚类算法（SCA）和模糊C均值，通过分析像素的累积值来生成伽马校正系数。当道路和车道产生单独的集群时，它运作良好。然而，道路和车道的强度值通常被分类到相同的群集中。因此，色道和道路被转换成相似的值这一基本问题仍然没有得到解决。
在本文中，我们提出了一种基于线性判别分析（LDA）的梯度增强变换，用于照明鲁棒车道检测。我们的方法生成最佳RGB权重，最大化道路上车道边界的梯度，以区分车道和道路。本文的结构如下：第二节描述了传统灰度图像转换方法的问题。第三节提出了一种用于照明鲁棒车道检测的梯度增强变换方法。 第四节描述了在各种照明条件下的一些实验结果，以证实所提算法的优越性。 最后，第五节讨论分析了我们的结论和未来的工作。
图1.驾驶环境中彩色图像的示例
2对现有的用于车道检测算法的梯度增强方法的再验证
边缘，脊或可操纵滤波器在许多车道检测算法中被用作车道特征，并且是基于灰度图像中的梯度信息。基于梯度的车道特征通常用于车道检测，假设车道和道路的灰度值显著不同。然而，在某些照明条件下，由于车道和道路被转换成类似的灰度值，因此差异不够大。也就是说，车道和道路之间的梯度太小，无法充分提取车道特征。在本文中，为方便起见，我们将车道和道路之间的梯度称为车道梯度。
在此，我们介绍传统的灰度图像转换方法及其问题。此外，我们提出几种现有的方法来克服这些问题，并证实它们在各种环境中的车道检测方面仍然存在一些局限性。
- 传统的灰度图像转换方法
许多基于梯度特征的车道检测算法[13]-[16]没有考虑传统灰度图像转换方法的问题。传统方法在颜色空间中使用平均RGB通道或亮度通道，例如YCbCr。 YCbCr转换矩阵如下式所示：
其中Y是亮度通道，Cb和Cr分别代表蓝色和红色差值。
图2展示了在通过传统方法转换之后图1彩色图像的灰度图像的示例。虽然在彩色图像中清晰地区分了车道和道路，但它们与转换后的图像类似，如图2所示。
在转换的灰度图像中适当地提取梯度特征是困难的。图3给出了图2中的边缘检测结果。如图3（a）和（c）所示，未检测到黄色通道的边缘。如果我们使用较小的阈值，则可以检测到车道边缘。但是，也检测到太多不需要的边缘，如图3（b）和（d）所示。我们可能需要复杂的异常值删除过程来克服这个问题。
图2通过传统方法获得的图1的灰度图像
- RGB的平均值（b）YCbCr中的Y通道
图3.具有不同阈值的Canny边缘检测结果
- th s = 60,th l = 100 to Fig. 2(a). (b) th s = 30, th l = 50 to Fig. 2(a).
(c) th s = 60,th l = 100 to Fig. 2(b). (d) th s = 30, th l = 50 to Fig. 2(b).
B.基于直方图的对比度增强方法
直观地来说，白色通道具有高强度值，并且道路具有低强度值。直方图均衡是一种用于对比度调整的算法，可用于增强白车道沙路之间的梯度。然而，在许多情况下，黄色车道的强度类似于道路的强度。换句话说，如果道路和车道具有相似的强度值，则基于直方图的方法不能很好地工作，如图4（a）[17]，[18]所示。
图4.常规方法的梯度增强结果。
（a）直方图均衡化。
（b）固定RGB比率（红色为0.5，绿色为0.4，蓝色为0.1）。
C.改进的基于RGB比率的梯度增强变换方法
在[6]中，对具有两种不同比率的颜色和灰度图像模拟了神经网络的分类性能。如图4（b）所示，通过它们的比率（红色为0.5，绿色为0.4，蓝色为0.1）转换的灰度图像优于用于检测黄色车道标记的等量转换的灰度图像。这种观察在日光条件下可能是合理的，因为黄色和白色通道的值都高于红色和绿色通道中的道路。然而，在不同的色温照明下仍然存在问题，例如傍晚的太阳或人工照明条件。
D.基于灰度聚类的亮度补偿方法
王等人[11]提出了一种车道检测算法来解决由天气条件引起的照明问题。他们在YIQ色彩空间的Y通道图像中进行亮度补偿，其中I代表同相，Q代表正交。他们分析了Y通道图像的直方图，并通过SCA和模糊C均值聚类将Y通道图像分为亮和暗分量。对于每个分量，基于（2）中所示的伽马校正来实现补偿。 通过模糊逻辑隶属函数计算校正项，即来自（2）的alpha;。
因此：c(i) = (p(i)/255) alpha; times; 255
其中c（i）是第i个像素的补偿强度，p（i）是第i个像素的原始强度。王等人的方法。分析帧并对帧应用自适应校正处理。如果将道路和车道分类为不同的集群，则可以充分提高坡度。如果分类失败，则亮度得不到很好的补偿。由于车道和道路在许多情况下具有相似的强度值，因此可能会出现误分类。
基于灰度图像增强（例如对比度增强和亮度补偿）的所有方法都具有局限性。 如果原始灰度级相似，则增强值也类似。因此，无法恢复由灰度级图像转换处理丢失的信息。另外，改进的基于RGB比率的方法不能保证在各种照明条件下车道和道路之间的梯度保持适当。因此，需要一种新的转换方法，以在各种照明条件下在车道和道路之间产生更大的梯度，以正确地检测车道。
3提出的方法
在这里，我们提出了一种梯度增强转换方法，该方法从彩色图像产生通道梯度最大化的图像。此外，我们提出了一种基于梯度增强转换方法的照明鲁棒车道检测算法。
A.梯度增强转换
彩色图像采集过程建模如下[19]：
其中lambda;表示光的波长；， 和是图像的第i个像素的RGB值；E(lambda;)表示光的光谱功率分布；并且(lambda;)是第i个像素的物体表面反射率。RGB传感器的光谱灵敏度分别由(lambda;)，(lambda;)和(lambda;)表示。换句话说，E(lambda;)由照明条件确定，(lambda;)由物体表面颜色确定，Q(lambda;)由相机传感器的特性确定。因此，由相同相机捕获的相同颜色对象的图像的RGB值可随照明变化而变化。这意味着固定RGB比率方法不能产生解决各种照明条件下的车道梯度最大化问题的最佳解决方案。
为了解决给定的问题，我们动态生成可以在各种照明和道路条件下进行调整的转换矢量。转换矢量将彩色图像转换为灰度图像以提供最大的车道梯度。通过先前帧的车道和道路颜色信息更新转换矢量。
灰度转换通常由RGB的加权和实现，如下所示：
其中，和是RGB的权重，y是（R，G，B）的转换值。转换后图像中的车道梯度在数学上表示如下：
其中和分别是道路和车道的灰度值。
等式（4）可以表示为转换矢量和RGB矢量之间的内积。因此，我们通过转换向量w表示图像的第i个像素的转换值，如下所示：
其中w表示RGB的转换矢量（，，），并且表示RGB矢量（， ，）。内积在几何上被解释为一个矢量到另一个矢量的标量投影。因此，(6)中的是对权重向量w的标量投影。换句话说，可以通过从3-D向量到1-D标量的降维来实现。使用(6)，来自(5)的可表示如下：
其中和分别是道路和车道区域的RGB像素值。因此，梯度增强转换涉及找到满足以下等式的向量：
由于（6）中的灰度级图像转换是一种降维，因此可以通过找到导致道路和车道类别的不同转换值的降维矢量来解决（8）。为了从（8）获得图像的降维矢量，我们应该知道图像的和，它们是由训练数据定义的。训练数据包括道路和车道类。要为当前图像创建训练数据，我们需要知道图像中车道和道路的RGB值。 然而，由于这是车道检测算法的预处理步骤，因此该信息不足以提取当前帧中的训练数据。因此，从几个先前帧中提取当前帧的训练数据。第III-B节解释了训练数据的创建和更新过程的详细信息。
在t时刻训练帧的c类的数据定义如下：
其中是在t时刻训练帧的c类的数据，c是车道或道路，表示在t时刻从帧中提取的c类训练数据，k是被用作当前帧的训练数据的先前帧的数量。
- 中的问题变成了降维矢量的识别，其最大化了不同类别之间的区分，并且可以通过LDA方法来解决，LDA方法是在统计，模式识别和机器学习中经常使用的方法，以找到表征或分离两类或更多类对象或事件的特征的线性组合。LDA使用两种不同的方差来找到类间散射和类内散射之间的线性组合。 每个术语定义如下：
其中x是数据，是类i中的数据的数量，是类i的平均值，m是所有数据的平均值，c是类的数量,是类i中的所有数据的集合。
为了区分不同的类，应该最大化wx的类间散布，并且应该最小化类内散射。因此
车道类分为黄色车道类和白色车道类，因为车道通常被标为白色或黄色。为了使梯度增强最大化，我们确定了两个转换向量：一个用于增强白色通道梯度，另一个用于增强黄色通道梯度。因此，使用两类LDA方法，并且从一个彩色图像生成两个转换图像。图5示出了梯度增强的转换图像的示例。图5（a）是白车道梯度增强图像，图5（b）是黄色车道梯度增强图像。在两个图像中，黄色和白色通道比图1和2中所示的其他方法更明显。白色和黄色通道的梯度均大于其他方法，如表I所示。
图5. 图1的车道梯度增强图像
- 白车道梯度；（b）黄道梯度。
B.车道检测算法
基于前一节中描述的梯度增强转换方法，我们实现了一种照明鲁棒的车道检测算法。所提出的算法从基于梯度增强矢量的图像转换开始。然后执行边缘检测作为特征提取方法。霍夫变换（HT）和边缘链接方法用于初始车道估计。通过拟合车道模型产生最终车道检测结果。更新训练数据以适应照明变化。在更新步骤中，我们提取下一帧的新训练数据。算法的整个过程如图6所示，每个步骤的细节表示如下。
图6.车道检测和跟踪算法的流程图
边缘检测可保留重要的结构属性并显着减少数据量。在边缘检测算法中，我们使用具有自适应阈值的Canny边缘检测器。Canny边缘检测器使用两个阈值来确定边缘。具有高于较大阈值th1的梯度值的像素被选择为边缘。另一方面，具有低于较小阈值ths的值的像素被确定为非边缘。两个阈值之间的像素被设置为边缘候选，并且如果存在从这个像素到边缘的路径则将其分类为边缘。因此，两个阈值显着影响边缘检测的性能。由于转换图像中的通道梯
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
