Lane Detection Algorithm Based on Top-View Image Using Random Sample Consensus Algorithm and Curve Road Model === ###### Juseok Shin, Eunryung Lee, KeeKoo Kwon, SooIn Lee Automotive IT Platform Research Section Electronics and Telecommunications Research Institute Daegu, Korea{jsshin, blue4dia, kwonkk, silee}@etri.re.kr ## Keyword Lane Detection, Top-View Perspective Mapping, Curve road model. ### 中英 collision 碰撞 particular 特別的 guarantee 保證 Inverse perspective Mapping (IPM) 反透視變換 Random Sample Consensus (RANSAC) 隨機抽樣一致 Region Of Interest (ROI) 感興趣區域 intrinsic 本身的 Bezier spline 貝茲曲線 spline 樣條 ## Content 基於Top-View影像使用隨機抽樣一致性演算法和彎道模型 ### 實驗方法 #### 道路邊線檢測演算法（LANE DETECTION ALGORITHM） 採分段處理 ##### 1. 前處理（Pre-processing） 調整來自鏡頭的影像大小，使用調整過的影像的相機參數計算消失線 根據計算出消失線建立感興趣區域（ROI） 再使用反透視變換（IPM）對照ROI區域轉換出Top-View圖像 要得到IPM後的影像，使用假設平坦的道路，並使用相機在既有的參數（焦距、焦點）校準，外部（俯仰角、偏離角、角度、地面高度）參數，以及圖像與大地座標系相關的坐標系，獲得調整大小後的IPM 由二維高斯過濾生成Top-view 使用分位數保留最高值，將0設置為低於此閥值 > 實驗中使用90%的ROI（消失線以下的區域），因為消失線附近的像素不可靠 > 實驗中分位數參數q設為96.5%（q-quantile是指將有限值集分為q個接近相同尺寸的子集） ![Top-View圖像從原始圖片](https://i.imgur.com/mRu43xm.png) ##### 2. 邊線偵測（Lane Detection） 過濾圖像中分析每列的累計直方圖，對於高於特定閥值進行列分組，並且透過用於線性方程式的隨機抽樣一致（RANSAC）算法檢測每個組別 在候選線之後，考慮到彎曲車道的情況，透過對樣條進行隨機抽樣一致（RANSAC）算法，繪製每組中概率最高的樣條。 $B(t)=T(t)M_BP= \left(\begin{array}{ccc}t^3 t^2 t^1 1\end{array}\right) \left( \begin{array}{ccc} -1 & 3 & -3 & 1 \\ 3 & -6 & 3 & 0 \\ -3 & 3 & 0 & 0 \\ 1 & 0 & 0 & 0 \\ \end{array} \right) \left( \begin{array}{ccc} P_0 \\ P_1 \\ P_2 \\ P_3 \\ \end{array} \right)$ >實驗中使用的樣條是3°貝茲曲線（Bezier spline），定義如公式 ##### 3. 鋪上彎道模型（Apply Curve Road Model） 計算變換後的Top-View影像的最後一行和繪製取樣曲線的中間和最後一點的直線交點，他將轉換為帶有樣條的原始圖座標 圖像最標曲線道路模型為 $column = k^,/(row-hz)+b^,*(row-hz)+vp$ $hz$圖像平面中對應地平面水平線 $k^,$與接地平面上的弧度呈線性比例 $vp$圓弧在地平線上的切線方向，與圓弧取率耦合（耦合量取決於相機傾斜度） $b^,$圓弧與相機在地平面上的偏移量，並與圓弧取率和切線方向偶額（同上） 雖然左右車道線邊緣的曲率半徑和切線方向會略有不同，但左車道和右車道具有相同的$k^,$和$vp$，使其非常接近於所有曲率半徑，但曲率半徑很小的實際車道邊緣形狀。 使用樣條曲線的起點和中點以及轉換原始圖像座標的交點來確立公式的$k^,,b^,,vp$ 使用確定得值（$k^,,b^,,vp$）從樣條曲線的起點到ROI的最後一行車道位置提供給LDWS,LKAS等系統 ### 結果 #### 實驗條件 提出的車道檢測算法在各種環境條件下測試（直線、曲線道路、大霧等天氣狀況），以1280 * 720彩色圖片作為實驗條件 車道檢測算法使用OpenCV，以CPU 2GHz雙核和4Gbyte Ram進行測試 評估所提出算法的性能為fps，結果以25fps執行 #### 實驗結果 ![](https://i.imgur.com/4Tle8HD.png) ### 結論 在本文中提出基於Top-View的車道演算法，使用RANSAC 所提出的算法偵測直線和曲線，在實驗結果將檢測到的道路顯示到曲線道路模型的ROI區域 ## Review 這篇論文以前正影像作為輸入，透過前處理調整大小後計算消失線，再使用IPM反透視變換將影像轉為俯視圖（Top-View），然後以消失線下90%的區域建立ROI，以相機內外部參數進行座標校正，再將圖片丟入邊緣偵測RANSC算出候選線，在這裡用OpenCV函式庫處理，最後把圖片噗上彎道模型建立取樣條點，藉由此方法把線條緊緊貼在道路線上。 ## Reference [1] C. Rasmussen, “Grouping dominant orientations for ill-structured road following,” CVPR 2004, pp. 394-398, July 2004. [2] Z. kim, “Robust Lane Detection and Tracking in Challenging Scenarios,” IEEE Trans. Intelligent Transportation Systems, vol. 9, no. 1, pp. 16-26, 2008. [3] K. Kluge, S. Lakshmanan, "A deformable template approach to lane detection,” Proc. IEEE Intelligent vehicle, pp. 54-59, September 1995. [4] S. Lakshmanan, K. Kluge, “Lane detection for automotive sensor,” ICASSP 1995, pp.2955-2958, May 1995. [5] A.Broggi, “Robust Real-Time Lane and Road Detection in Critical Shadow Conditions,” IEEE International Symposium on Computer Vision, pp. 353-358, November 1995. [6] D. Solomon, Curves and Surfaces for Computer Graphics, Springer, 2006. ###### tags: `Finish` `論文` `IEEE` `Conference` `2014`