[发明专利]基于机器视觉的道路跟踪方法

说明书

技术领域

本发明涉及图像模式识别领域，特别涉及一种基于机器视觉的道路跟踪方法。该方法使用平行主动轮廓模型进行道路检测，并使用卡尔曼滤波器对道路进行跟踪。

背景技术

基于机器视觉的道路跟踪是通过计算机视觉技术对含有道路场景的视频序列中道路区域进行跟踪。这些图像序列通常是通过安装在移动车辆上的摄像机获取。道路跟踪在智能交通、车辆安全辅助驾驶以及无人驾驶汽车等领域都具有重要的作用。

实际的道路可以分为结构化道路和非结构化道路。结构化道路是指那些具有完整道路边界标示线的高速公路或者普通公路。这些标示线可以简化道路的检测方法，并且使检测方法具有较高的检出度和准确率。而非机构化道路是指那些不具有道路标示线的普通公路和乡村道路。这类道路没有清晰的道路边界线，不利于检测方法的设计。但是在边界周围也存在明显的颜色或者纹理变化，这些信息为使用道路跟踪方法进行正确检测带来了可能。

道路跟踪方法利用道路视频序列中道路特征在前后相邻帧之间的相关性进行道路跟踪。道路跟踪方法可以提高道路检测的准确性，并且可以减少道路检测方法的时间消耗。道路跟踪属于物体跟踪的一个特例。基于视觉的物体跟踪方法是主要是选取不同的图像特征和似然函数，从而在前一帧的基础上搜寻下一帧中与其最相关的区域从而完成物体的跟踪。该方法常用的代表有：均值漂移方法、粒子滤波器等；该方法的基本流程如图2所示：1)获取视频图像；2)计算兴趣区域的图像特征；3)计算目标区域的图像特征；4)从目标区域中选取与兴趣区域相似度最高的目标作为跟踪结果；5)输出结果。

该类方法通过选取合适的图像特征及其对应的似然函数可以得到良好的跟踪结果，但是该类方法没有考虑检测结果在时间t上的分布以及检测噪声的分布，所以对噪声的抑制力比较差。而且传统的基于卡尔曼滤波器的道路跟踪方法，往往采用块检测等简单的方法，该类方法没有使用道路的结构信息，只是对道路的区域大小进行建模，因而不具有良好的鲁棒性。

其主要表现在：1)如果一帧中如果出现检测错误，则该错误会对后续帧的检测结果产生影响。2)不能对下一帧的目标出现的区域进行预测，用于提高检测效率。3)使用简单的道路检测方法，没有统一的道路模型，所以容易受噪声以及阴影的因素的影响，从而方法的鲁棒性较差。

发明内容

本发明针对现有技术存在的以上缺陷，提出了一种基于平行主动轮廓模型和卡尔曼滤波器的道路跟踪方法。该方法通过马尔科夫链对道路视频序列中的道路在时间t上的分布进行建模，通过平行主动轮廓模型来对每一帧中的道路进行建模，并且使用卡尔曼滤波器对道路模型的参数以及检测噪声进行建模，从而用于参数的预测和噪声的抑制。

根据本发明提供的一种基于机器视觉的道路跟踪方法，包括如下步骤：

步骤S1：通过成像设备获取道路场景图像；

步骤S2：使用逆透视映射恢复道路的结构信息；

步骤S3：使用卡尔曼滤波器对道路模型参数进行预测；

步骤S4：根据步骤S3得到的预测结果，使用平行主动轮廓模型对道路进行检测，得到检测结果；其中，所述平行主动轮廓模型是在两条独立的开环主动轮廓模型的基础上通过添加平行性约束得到的一组模型，该模型通过两条主动轮廓模型周边的内力和外力共同作用，并且由于平行性约束，最终得到两条平行的二次曲线；

步骤S5：使用卡尔曼滤波器对检测结果进行优化；

步骤S6：输出道路跟踪结果。

优选地，在步骤S2中使用逆透视映射恢复道路左右边界的平行性结构。

优选地，在步骤S4中使用平行主动轮廓模型对道路进行检测，包含以下几个步骤：

步骤S41：初始化道路模型参数；

步骤S42：在步骤S2中获取的包含道路结构信息的图像I_pers中，分别计算(x,y)分量上的梯度场(Gx,Gy)，作为平行主动轮廓模型的外部能量函数；其中，x表示X轴方向，y表示Y轴方向，Gx表示x方向上的梯度场，Gy表示Y方向上的梯度场；

步骤S43：据步骤S42中的初始化得到的平行主动轮廓模型，计算利用该平行主动轮廓模型像素位置的一阶和二阶导数作为该平行主动轮廓模型的内部能量函数；其中，非循环矩阵被用于产生开环平行主动轮廓模型；

步骤S44：根据步骤S42得到的外部能量函数和步骤S43得到的内部能量函数，计算平行主动轮廓模型的移动矢量；

步骤S45：根据移动矢量计算平行主动轮廓模型的当前位置，并使用最小二乘法对平行抛物线进行拟合；