一种快速的公交专用车道检测方法

（2）所示，该模板分为实部（式（3））和虚部（式（4））两部分。

通过建立K×K 大小的Gabor 模板，（x，y） 表示图像空间的一点。其中，θ 表示模板的方向，为确定最后的道路纹理方向， 这里选择范围为0~72 ;λ 表示路面的波长；σ表示噪声容量，本文取σ=K/9 。

3.2 消失点的求解

本文用不同方向的模板与图像进行卷积， 对于图像任意一点， 即可得到某一个方向上的卷积的结果为最大值， 这个最大值为纹理方向对应的能量， 该方向为纹理的方向。

其中，α 表示模板对应的方向， 对于图像中的任意点I（x，y） 与α 方向的Gabor 模板进行卷积， 得到不同的t（x，y），求取其最大值， 将最大值对应的方向作为图像中（x，y）点的纹理方向， 同时将该最大值作为纹理方向上的纹理强度。

通 过计算可以得到图像中每一点的纹理方向以及能量。为了计算出消失点， 对图像中选取的点进行投票，这里选择图像下方一定的区域点， 如图5 所示。当纹理能量大于设定阈值的点作为投票点，p 表示图像中投票空间的点，θ （p） 表示p 纹理方向，v 表示消失点的候选点，a （p ，v） 表示p 点与v 点的夹角，n 为采用的Gabor 模板方向的个数，R 为定义的投票空间， 即图6 对应的方框区域， 通过vote （p，v） 来统计p 点对v 点的投票结果，votes （v ）为对R 区域累加进行投票的统计结果，pvote 为最终被投票次数最多的点的坐标，即消失点。

图6 中的框表示选取的投票区域， 即在该区域内选取400 个点进行Gabor 变换， 求出其纹理方及能量； 圆圈是求出的消失点位置。

3.3 车道线检测

对于传统的Hough 变换， 需要对每个点每个角度进行遍历， 这样比较耗时。本文采用改进的Hough 变换， 对消失点及其周围的有限个像素进行Hough 变换， 求取左右车道线的两个峰值点，并绘制出车道线。该方法能够有效地抑制图像的其他边缘噪声干扰，提高算法的实时性。车道检测结果如图7 所示。

3.4 车道线跟踪

跟踪分为消失点的跟踪和车道线的跟踪。

（1） 消失点的跟踪： 消失点一般较远， 车辆在行进过程中消失点范围变化不是很大，而靠近车道线的道路两边由于车辆轮胎接触较为频繁，纹理较为明显， 对消失点的贡献较大。因此， 随机选取靠近车道线两边100 个点对消失点及其周围的若干个点（ 本文选取36 个点） 进行投票，如图8 所示。

（2）车道线跟踪：根据上一帧测量的结果，限定角度在一定变化范围内（本文限制在10°范围，如图8（b）所示）进行Hough变换，这样大大减少了运算速度。当图像检测的消失点及车道线上的点少于所设定的阈值时，程序重新初始化。

4 车道识别

本文在应用的基础上对合肥以及沈阳的BRT车道进行统计，其BRT车道相对其他车道具有如下特点：其左右车道线都为黄色，一般位于路的两边，道路的两边有栏杆或者路牙等特征。基于此特点，本文实现了BRT车道的识别系统，结合GPS判断其所在位置范围内有无BRT车道，若有则判断车道线颜色是否为黄色，即建立颜色模型，对车道线上的每一点颜色进行标记，并综合判断其左右车道线是否是黄色车道线，对黄色进行标记，如图9左图所示。由于车道线长期受到磨损有一定的失真，且在晚上黄光灯照射下不易准确地识别颜色，本文结合其栏杆、路牙等特征识别车道，对检测的车道线两边的一定区域（图9右图白色矩形区域）进行对比，比较其颜色边缘纹理等特征差别。通过大量的测试，本文得到了判断其是否为 BRT车道的先验阈值，当矩形区域差别大于设定阈值时，则判断为公交专用车道，从而准确实现车道检测。

5 实验结果与分析

实现BRT 车道识别的具体流程如图10 所示。

本文首先通过GPS采集车辆所在区域的经纬度信息， 并建立道路经纬度信息库判断车辆所在位置附近是否具备BRT专用车道，若有，则进行车道线检测，找到车辆所在车道的左右车道线，并判断车道线上颜色信息以及车道线左右的边缘亮度等信息，分析其是否具备BRT快速公交车道的特征，如具备，则可以作为监控前方车辆是否违规驶入BRT车道的一个依据。

6 改进应用

该模型不仅适用于公路等有车道线的结构化道路，也可适用于车辙痕迹较为清晰的乡间土路、没有车道线的柏油路等非结构化道路， 能够较为准确地检测道路的消失点。当车辆行进方向偏离其消失点时，提醒司机采取相应的措施， 从而实现了车道偏离预警， 可以有效地抑制事故的发生。图12 为对白色区域进行Gabor 卷积运算， 将卷积结果较大（ 即能量较大） 的点的方向绘制出来， 如图12