基于车道信息融合的车辆行为识别

发布时间：2021-11-28 22:05

　　在车辆的自动驾驶和辅助驾驶中,实时分析车辆的运动状态具有重要的实际应用价值。为了实现对车辆行为的判断,提出一种基于车道信息融合的车辆行为识别算法。首先提出一种基于改进Robinson与LSD的模型,运用改进的Robinson算子获取最佳梯度幅值实现对车道的边缘提取,再通过LSD算法实现车道的检测。然后采用一种基于滑动窗口的三次样条插值法对车道进行拟合,最后根据车道参数信息分析车辆的运动状态,结合车辆的中心位置得到车辆的偏离信息。在BDD100K数据集的测试中,本文算法的车道检测准确率为95.61%,车辆行为识别准确率为93.04%,每秒传输帧数达到42.37。实验结果表明,本文算法在不同场景下可以有效地区分车辆的运动状态并给出车辆的偏离信息,具有更高的准确性和鲁棒性。 

【文章来源】：液晶与显示. 2020,35(01)北大核心CSCD

【文章页数】：11 页

【部分图文】：

最佳梯度方向

LSD直线检测算法主要参考梯度大小和方向两个因素计算局部直线轮廓，在线性时间内能够获得亚像素级精度的检测结果。算法首先根据每个像素点的level-line角度生成level-line区域，再利用种子生长法寻找角度一致line-support区域，如图2所示，通过最小外接矩形对line-support区域进行拟合，其中该区域的主轴方向由矩形的主轴方向确定；然后统计最小外接矩形内的像素点个数，即level-line角度与主轴角度之差在容错区间2τ范围内的像素点个数；最后计算基于获取数据下的最小外接矩形的NFA(Number of False Alarm）值，并判断NFA的值是否满足阈值条件，由此决定最小外接矩形是否为直线。LSD直线检测过程中的种子生长法定义为：在未搜索的区域内，把像素点中梯度幅值最大的点确定为种子点，并将该像素点标定为已搜索，搜索该像素点周围未搜索过并与该像素点的角度误差值在阈值范围内的邻域点，然后以新点作为起点并进行递归搜索。LSD算法在检测的过程中由于不需要调节参数，因此能够满足几何图像的快速变换。2.2 车道拟合

按照x轴方向将车道检测的结果划分为左右两个部分进行区域搜索，分别将两个部分在x轴方向做直方图统计，得到像素峰值分布图如图3所示，将最大峰值的位置确定为车道线搜索的基点。设置搜索窗口的宽度和高度参数，窗口宽度设定为车道宽度的2倍，以窗口宽度的3/4定义窗口的高度。以基点中心作为当前搜索的起点进行网格化纵向搜寻，对每个搜寻窗口分别进行x轴方向和y轴方向直方图统计，获取搜索窗口内非零像素的个数并滤除非零像素个数小于阈值的窗口，计算剩余窗口内非零像素的坐标均值作为当前搜索窗口的中心点，并将当前搜索窗口的中心点作为下一个备选基点。设第i个基点为Si(xSi,ySi），第i个窗口的中点为Ci(xi,yi），若基点Si和中心点Ci的坐标满足式（12）及式（13):

【参考文献】：
期刊论文
[1]对数域梯度与改进Sobel算子相结合的边缘检测[J]. 任克强,张镕.  液晶与显示. 2019(03)
[2]基于感兴趣区域模型的车道线快速检测算法[J]. 钱基德,陈斌,钱基业,陈刚.  电子科技大学学报. 2018(03)
[3]基于混合贝塞尔曲线模型的车道检测算法[J]. 韩浩,王舜燕.  计算机工程与设计. 2018(03)
[4]监控视频中的车辆异常行为检测[J]. 黄鑫,肖世德,宋波.  计算机系统应用. 2018(02)
[5]路径约束条件下车辆行为的时空演化模型[J]. 潘登,郑应平.  物理学报. 2015(07)



本文编号：3525232