[发明专利]一种基于卡尔曼滤波器组的多车道线追踪方法

摘要

一种基于卡尔曼滤波器组的多车道线追踪方法，属于数字图像处理技术领域。通过建立建立车道线追踪的卡尔曼滤波器模型，对采集的车辆前方道路图像在进行车道线检测的基础上，利用卡尔曼滤波器模型输出车道线的最优估计值；当连续25幅道路图像检测出同一条车道线时，认为卡尔曼滤波器的最优估计有效，并将卡尔曼滤波器输出的最优估计值作为检测结果。本发明使得车道偏离预警系统中车道线的检测结果更加稳定，从而极大降低因车身抖动、光照变化、路面破损等原因引起的车道线检测不准或者漏检；根据设定的滤波器的个数，可以同时追踪相应的车道线数，相对单一对车道线感兴趣区域的追踪，极大的提高了车道线检测的精度以及抗干扰能力。

主权项

1.一种基于卡尔曼滤波器组的多车道线追踪方法，包括以下步骤：步骤1：在车辆行驶过程中，采用车载视频采集设备采集车辆前方道路图像；并将采集到的道路图像数据输入计算机，进行车道线检测；使用Hough变换检测出车道线，用侧向距离ρ和方位角θ表示检测出的车道线，即(ρ_i，θ_i)i＝1，2，3L表示道路图像上检测出的车道线；步骤2：建立车道线追踪的卡尔曼滤波器模型；步骤2-1：定义车道线状态；由于车辆在连续两帧视频图像采集过程中的运动可视为匀速运动，对于每一帧道路图像中检测到的车道线的状态用状态向量X(k)表示：X(k)＝[ρ(k)，θ(k)，u(k)，ω(k)]^T其中表示车辆在状态k，即t时刻的径向速度，表示车辆在状态k，即t时刻的角速度；步骤2-2：定义车道线追踪过程中卡尔曼滤波器的状态方程；因为系统由状态X(k)到下一状态X(k+1)满足下式：ρ(k+1)=ρ(k)+u(k)+w1(k)θ(k+1)=θ(k)+ω(k)+w2(k)u(k+1)=u(k)+w3(k)ω(k+1)=ω(k)+w4(k)]]>设定状态k的系统噪声为：W(k)＝[w₁(k)，w₂(k)，w₃(k)，w₄(k)]^T，因此卡尔曼滤波器的状态方程表示为：X(k)＝AX(k-1)+W(k)其中A=1010010100100001.]]>步骤2-3：定义车道线追踪过程的观测方程；由于观测值是实际状态值与噪声影响的结果，即观测值可表示如下：Z(k)=z1(k)z2(k)=ρ(k)+v1(k)θ(k)+v2(k)]]>因此得到观测方程为：Z(k)＝HX(k)+V(k)其中测量矩阵H=10000100,]]>V(k)为观测噪声、且V(k)＝[v₁(k)v₂(k)]^T；步骤2-4：定义卡尔曼滤波器迭代更新方程：X(k|k)＝X(k|k-1)+Kg(k)(Z(k)-HX(k|k-1))其中：Kg(k)＝P(k|k-1)H^T/(HP(k|k-1)H^T+R)P(k|k)＝(I-Kg(k)H)P(k|k-1)X(k|k)为卡尔曼滤波器输出的k状态的最优化估计值，X(k|k-1)为利用k-1状态预测出的k状态的结果，Kg(k)是状态k下卡尔曼滤波器增益，Z(k)是状态k的观测值，H是测量矩阵；步骤3：系统初始化；步骤3-1：设定状态向量初值；由卡尔曼滤波器基本原理可知，只要初始状态满足E[X(0)]＝E[X(0|0)]，所得到的估计值就是无偏的，因此设定系统初始状态为零向量，即X(0)＝[0000]^T步骤3-2：设定系统噪声初始值；系统噪声W(k)为零均值随机过程向量，并且不同时刻状态下系统噪声是统计独立的，其相关矩阵满足下式：E[W(n)WH(k)]=Q(n)δ(n-k)=Q(n),k=n0,k≠n]]>假定同时刻不同状态噪声间也是统计独立的，因此矩阵Q(k)是对角矩阵；因为系统噪声由于车辆机动性能引起，在追踪过程中影响不大，为了计算方便，根据经验数据假设w₁(k)，w₂(k)，w₃(k)，w₄(k)独立同分布，并且满足i＝1，2，3，4，因此设定系统噪声初始值为：Q(k)=E[W(k)WH(k)]=0.0500000.0500000.0500000.05]]>步骤3-3：设定观测噪声初始值；根据经验数据可知观测噪声比系统噪声影响大，并且v₁(k)，v₂(k)满足独立同分布，设定i＝1，2，所以设定观测噪声初始值为：R(k)=E[V(k)VT(k)]=1001]]>步骤3-4：设定观测噪声自相关值；为了追踪迅速收敛，观测噪声自相关值取为100，设定初始值如下：P(0)=100×1000010000100001]]>步骤4：采用20组卡尔曼滤波器，全部采用步骤3中设定的初始值，根据步骤2-4定义的卡尔曼滤波器迭代更新方程完成一次卡尔曼滤波器的迭代运算，输出一组车道线的最优估计值(ρ_i，θ_i)i＝1，2，3，L，20；步骤5：对单个滤波器进行使能控制；步骤5-1：将道路图像中检测到的一条车道线定义为(ρ，θ)，分别按下式求出(ρ，θ)到(ρ_i，θ_i)i＝1，2，3，L，20的距离D_iD_i＝|ρ-ρ_i|+|θ-θ_i|*W_image其中W_imae表示道路图像的像素宽度；步骤5-2：求出最小距离D_min＝min(D_i)，并且记上一次迭代的距离最小值为_Dmin′；步骤5-3：每组滤波器对应的使能计数器记为C_i，并且满足下式即当最小距离小于或者等于上一次迭代的最小距离时，计数值加1，反之计数值减1；步骤5-4：对车道线进行追踪，设定有效的样本输入数为25，即当连续25幅道路图像检测出同一条车道线时，认为卡尔曼滤波器的最优估计有效，否则认为正确的样本数不足，而不进行追踪。因此将C_i通过阀门[0，25]，即按下式进行处理C_i：Ci=25Ci≥25CiCi<25]]>步骤5-5：得到每个滤波器的使能E_i表示如下：Ei=1Ci=250Ci<25,i=1,2,3,L,20]]>步骤6：将卡尔曼滤波器输出的最优估计值作为检测结果。