快速公交专用车道检测

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 右图所示。可以看出， 方向基本指向道路的消失点。图13 为复杂道路的消失点， 其中圆圈表示消失点投票结果。

本文对合肥公交专用车道进行了大量的实验，实验结果表明，该算法具有很强的适用性，能够准确地检测到车辆所在车道的车道线，并