【学习笔记】模拟设计（6）：基于单目视觉的车道偏离预警算法研究
摘要：随着科技的发展，智能交通已成为当前的研究热点，自适应巡航是智能交通主要应用之一，而车道偏离预警在主动安全、自适应巡航中起着关键性的作用。因此，提出一种基于视频的车道偏离预警算法。把检测到的车道线的ROI分割为两个子区域，两个子区域分别应用霍夫变换寻找左右车道线。分割的方法可以提高车道线检测的计算速度。综合车辆驾驶状态、驾驶环境等相关影响因素，基于混合高斯隐型马尔科夫模型建立了驾驶人换道意图识别模型，以提高驾驶员换道意图辨别的准确率与灵敏度。
0引言
在高速公路上，由于车道偏离引起的交通事故在总交通事故数量中占了很大一部分比重。在科技不断进步的今天，发展与应用驾驶员辅助系统（包括安全车距预警、车道偏离预警［12］、疲劳驾驶检测、变道辅助系统、自适应巡航等）引起了高度的重视。
本文主要针对车道偏离预警展开研究，比较经典的预测车道偏离的方法有跨道时间(TLC)［3］与跨道距离(DLC) ，但这两个方法都只考虑了车与路，误警率、虚警率比较高，容易使驾驶员分心。
国内外学者在驾驶员意图识别、换道行为等方面展开了一定的研究［45］，如模糊推理、神经网络、认知模型、动态贝叶斯网络等，但大多数是基于模拟器的仿真或采用不能描述随时间变化的特征信号［6］，所以在真实驾车环境下误警率及虚警率比较高，因此本文采用HMM模型并综合考虑自车与周围车辆的动力学关系，如横向速度、偏向角、角速度等动力学特征，进行驾驶员驾驶意图识别，进而降低车道偏离预警的虚警率。
1兴趣区域分割
1.1兴趣区域
兴趣区域的选择是影响车道线检测算法计算复杂度的关键因素，在车道线检测的图片当中只有40%左右的ROI是有效的车道线区域，车辆前部遮挡、天空、车道周边环境占了大部分，如图1所示。ROI的选取可以减少计算复杂度，提高算法的实时性，因此本文只针对ROI应用车道线检测算法，并针对该区域计算出用于驾驶员换道意图预测的特征参数。
通过将ROI区域（图1）划分为左、右两个子区域，并且分别实施霍夫变换［7］，检测左右车道线标记。如图2所示，霍夫变换的中间点初始位于W/2(W是ROI区域的宽)，根据检测到的左右标线边界不断的改变中间点（图2中细实线）的位置。
1.2车道线提取与跟踪
车道线检测是决定车道偏离预警算法实时性与鲁棒性的关键因素之一。在近视端，车道线可近似为直线，因此本算法是基于上文所述ROI区域进行霍夫变换的，获取车道线位置，并利用卡尔曼滤波器进行跟踪。
由于高速公路车道线分为4车道、6车道不等，因此本文假设视频中车道线数目最多为12条，建立12组卡尔曼跟踪模型。每个滤波器定义对应的计数向量，在跟踪的过程中，如果检测结果与预测输出值匹配，将检测结果作为滤波器的观测值输入，并将对应的计数位加1，反之输出预测结果作为观测值，并将计数自减1。设定一定阈值，当连续不匹配次数占对应滤波器总迭代次数的比率大于阈值，则重新跟踪。算法流程图如3所示。
2混合高斯隐型马尔科夫模型
驾驶员驾驶意图是一系列不能直接观察到的内部状态，但是它可以通过观察自车与周围驾驶环境的相对状态来推测，如横向车速、转向角、角速度、相对运动状态等，而且此刻的状态与前一刻状态和采取的动作有关。隐形马尔科夫链(HMM)［8］不仅可以描述随着时间变化的观察信号，还能推测驾驶员的驾驶意图。
HMM是一个双重随机过程，其中之一是Markov链，它描述了状态之间的转移，另一个随机过程描述状态和观测序列之间的统计关系，如图4所示。
本文选取的观察值为连续信号，并将观测矢量的PDF（概率分布函数）拟合称为混合高斯概率密度函数，避免矢量化时信息丢失和减少误差，因此本文选择混合高斯隐型马尔科夫链来识别驾驶员的驾驶意图。
3实验结果
由于驾驶行为与一个时间序列的动力学状态相关，因此本文还考虑将横向车速、加速度、转向角、角速度作为特征参数。驾驶状态划分为三类：保持、左偏和右偏。横向速度由相邻两帧图像获取的横向距离计算而来:
其中，T为相邻帧时间间隔，do当前帧横向偏移量，dpre为前一帧横向偏移量。偏向角由极坐标下求得的theta获得，同理可求得角速度和横向加速度。驾驶行为是一个连续的过程，而且当前的状态仅依赖于上一个状态，基于以上所选的特征参数，每个意图模型的隐含状态参数为3个，高斯混合数为3个。其中观测向量如式(2)所示，分别为横向偏移do、横向速度vo、加速度ao、偏向角thetao、角速度ωo。
特征变化曲线如图5所示，第一列是车辆右偏时的变化曲线，第二列是车辆左偏时的变化曲线，横坐标是用图像帧表示的时间序列，纵坐标为特征幅值。可以看出不同驾驶行为特性向量的时间序列所呈现出动力学特性，例如右偏驾驶时，到右车道线的横向距离逐渐减小，横向速度、横向加速度与角速度在一定范围内波动，偏向角逐渐变大。
本文采用t=2 s、3 s、4 s、5 s作为时间窗（实验验证2 s时间窗效果最佳），分别训练意图识别模型，包括：左偏离状态模型（HMMLeft）、右偏离状态模型（HMMRight）、车道保持模型（HMMKeep）。得到HMMLeft模型部分参数如下：
π=［0100］T(3)
类似可以得到另外两个模型的参数。本文实验选取测试时间序列长度为15帧，得到驾驶人换道意图识别结果为样本分别在3个模型中的最大loglikehood值，部分样本测试结果分布如表1所示，20个车道保持样本检测正确率达到100%，左偏测试样本检测正确率85%，右偏测试样本检测正确率90%。
据Daimler Benz调查显示，如果能够提前0.5 s发出危险警告，可以防止60%的碰撞，提前1.5 s可防止90%的碰撞危险，本算法可以提前2 s对驾驶偏离状态发出警告，故本算法是可靠的。
4结论
通过算法仿真结果表明，本算法对驾驶员驾驶行为辨别有较高的准确率，针对感兴趣区域提取车道线，使得算法满足实时性要求，采用基于马尔科夫链模型的驾驶行为辨别模型，可以提前2 s发出危险警告，算法可靠性较强。
参考文献
［1］ 刘媛. 基于机器视觉的车道偏离预警系统关键算法研究［D］.长沙：湖南大学,2013.
［2］ 李克强,陈涛,罗禹贡,等. 智能环境友好型车辆——概念、体系结构及工程实现［J］. 汽车工程,2010（9）:743-748，762.
［3］ MAMMAR S, GLASER S, NETTO M. Time to line crossing for lane departure avoidance: A theoretical study and an experimental setting［J］. IEEE Transactions on Intelligent Transportation Systems, 2006,7(2): 226-241.
［4］ GAIKWAD V, LOKHANDE S. Lane departure identification for advanced driver assistance［J］. IEEE Transactions on Intelligent Transportation Systems, 2015, 16(2): 910-918.
［5］ 张磊,王建强,杨馥瑞,等. 驾驶员行为模式的因子分析和模糊聚类［J］. 交通运输工程学报,2009,9（5）:121-126.
［6］ 刘军,陶昌岭,余节发，等.基于汽车主动安全的车载嵌入式平台的研究［J］.电子技术应用,2014,40(7):21-23,26.
［7］ 刘富强,张姗姗,朱文红,等. 一种基于视觉的车道线检测与跟踪算法［J］. 同济大学学报(自然科学版),2010，38（2）:223-229,306.
［8］ RABINER L R. A tutorial on hidden Markov models and selected applications in speech recognition［J］. Proceedings of the IEEE, 1989, 77(2): 257-286.