戴秋菊，陳賢富

　　(中國科學技術(shù)大學 信息科學技術(shù)學院，安徽 合肥 230027)

　　摘要：隨著科技的發(fā)展，智能交通已成為當前的研究熱點，自適應(yīng)巡航是智能交通主要應(yīng)用之一，而車道偏離預警在主動安全、自適應(yīng)巡航中起著關(guān)鍵性的作用。因此，提出一種基于視頻的車道偏離預警算法。把檢測到的車道線的ROI分割為兩個子區(qū)域，兩個子區(qū)域分別應(yīng)用霍夫變換尋找左右車道線。分割的方法可以提高車道線檢測的計算速度。綜合車輛駕駛狀態(tài)、駕駛環(huán)境等相關(guān)影響因素，基于混合高斯隱型馬爾科夫模型建立了駕駛?cè)?a class="innerlink" href="http://ihrv.cn/tags/換道意圖識別" title="換道意圖識別" target="_blank">換道意圖識別模型，以提高駕駛員換道意圖辨別的準確率與靈敏度。

　　關(guān)鍵詞：視覺;車道偏離;換道意圖識別;隱型馬爾科夫模型

0引言

　　在高速公路上，由于車道偏離引起的交通事故在總交通事故數(shù)量中占了很大一部分比重。在科技不斷進步的今天，發(fā)展與應(yīng)用駕駛員輔助系統(tǒng)（包括安全車距預警、車道偏離預警［12］、疲勞駕駛檢測、變道輔助系統(tǒng)、自適應(yīng)巡航等）引起了高度的重視。

　　本文主要針對車道偏離預警展開研究，比較經(jīng)典的預測車道偏離的方法有跨道時間(TLC)［3］與跨道距離(DLC) ，但這兩個方法都只考慮了車與路，誤警率、虛警率比較高，容易使駕駛員分心。

　　國內(nèi)外學者在駕駛員意圖識別、換道行為等方面展開了一定的研究［45］，如模糊推理、神經(jīng)網(wǎng)絡(luò)、認知模型、動態(tài)貝葉斯網(wǎng)絡(luò)等，但大多數(shù)是基于模擬器的仿真或采用不能描述隨時間變化的特征信號［6］，所以在真實駕車環(huán)境下誤警率及虛警率比較高，因此本文采用HMM模型并綜合考慮自車與周圍車輛的動力學關(guān)系，如橫向速度、偏向角、角速度等動力學特征，進行駕駛員駕駛意圖識別，進而降低車道偏離預警的虛警率。

1興趣區(qū)域分割

　　1.1興趣區(qū)域

　　興趣區(qū)域的選擇是影響車道線檢測算法計算復雜度的關(guān)鍵因素，在車道線檢測的圖片當中只有40%左右的ROI是有效的車道線區(qū)域，車輛前部遮擋、天空、車道周邊環(huán)境占了大部分，如圖1所示。ROI的選取可以減少計算復雜度，提高算法的實時性，因此本文只針對ROI應(yīng)用車道線檢測算法，并針對該區(qū)域計算出用于駕駛員換道意圖預測的特征參數(shù)。

　　通過將ROI區(qū)域（圖1）劃分為左、右兩個子區(qū)域，并且分別實施霍夫變換［7］，檢測左右車道線標記。如圖2所示，霍夫變換的中間點初始位于W/2(W是ROI區(qū)域的寬)，根據(jù)檢測到的左右標線邊界不斷的改變中間點（圖2中細實線）的位置。

　　1.2車道線提取與跟蹤

　　車道線檢測是決定車道偏離預警算法實時性與魯棒性的關(guān)鍵因素之一。在近視端，車道線可近似為直線，因此本算法是基于上文所述ROI區(qū)域進行霍夫變換的，獲取車道線位置，并利用卡爾曼濾波器進行跟蹤。

　　由于高速公路車道線分為4車道、6車道不等，因此本文假設(shè)視頻中車道線數(shù)目最多為12條，建立12組卡爾曼跟蹤模型。每個濾波器定義對應(yīng)的計數(shù)向量，在跟蹤的過程中，如果檢測結(jié)果與預測輸出值匹配，將檢測結(jié)果作為濾波器的觀測值輸入，并將對應(yīng)的計數(shù)位加1，反之輸出預測結(jié)果作為觀測值，并將計數(shù)自減1。設(shè)定一定閾值，當連續(xù)不匹配次數(shù)占對應(yīng)濾波器總迭代次數(shù)的比率大于閾值，則重新跟蹤。算法流程圖如3所示。

2混合高斯隱型馬爾科夫模型

　　駕駛員駕駛意圖是一系列不能直接觀察到的內(nèi)部狀態(tài)，但是它可以通過觀察自車與周圍駕駛環(huán)境的相對狀態(tài)來推測，如橫向車速、轉(zhuǎn)向角、角速度、相對運動狀態(tài)等，而且此刻的狀態(tài)與前一刻狀態(tài)和采取的動作有關(guān)。隱形馬爾科夫鏈(HMM)［8］不僅可以描述隨著時間變化的觀察信號，還能推測駕駛員的駕駛意圖。

　　HMM是一個雙重隨機過程，其中之一是Markov鏈，它描述了狀態(tài)之間的轉(zhuǎn)移，另一個隨機過程描述狀態(tài)和觀測序列之間的統(tǒng)計關(guān)系，如圖4所示。

　　本文選取的觀察值為連續(xù)信號，并將觀測矢量的PDF（概率分布函數(shù)）擬合稱為混合高斯概率密度函數(shù)，避免矢量化時信息丟失和減少誤差，因此本文選擇混合高斯隱型馬爾科夫鏈來識別駕駛員的駕駛意圖。

3實驗結(jié)果

　　由于駕駛行為與一個時間序列的動力學狀態(tài)相關(guān)，因此本文還考慮將橫向車速、加速度、轉(zhuǎn)向角、角速度作為特征參數(shù)。駕駛狀態(tài)劃分為三類：保持、左偏和右偏。橫向速度由相鄰兩幀圖像獲取的橫向距離計算而來:

　　其中，T為相鄰幀時間間隔，do當前幀橫向偏移量，dpre為前一幀橫向偏移量。偏向角由極坐標下求得的theta獲得，同理可求得角速度和橫向加速度。駕駛行為是一個連續(xù)的過程，而且當前的狀態(tài)僅依賴于上一個狀態(tài)，基于以上所選的特征參數(shù)，每個意圖模型的隱含狀態(tài)參數(shù)為3個，高斯混合數(shù)為3個。其中觀測向量如式(2)所示，分別為橫向偏移do、橫向速度vo、加速度ao、偏向角thetao、角速度ωo。

　　特征變化曲線如圖5所示，第一列是車輛右偏時的變化曲線，第二列是車輛左偏時的變化曲線，橫坐標是用圖像幀表示的時間序列，縱坐標為特征幅值?？梢钥闯霾煌{駛行為特性向量的時間序列所呈現(xiàn)出動力學特性，例如右偏駕駛時，到右車道線的橫向距離逐漸減小，橫向速度、橫向加速度與角速度在一定范圍內(nèi)波動，偏向角逐漸變大。

　　本文采用t=2 s、3 s、4 s、5 s作為時間窗（實驗驗證2 s時間窗效果最佳），分別訓練意圖識別模型，包括：左偏離狀態(tài)模型（HMMLeft）、右偏離狀態(tài)模型（HMMRight）、車道保持模型（HMMKeep）。得到HMMLeft模型部分參數(shù)如下：

　　π=［0100］T(3)

　　類似可以得到另外兩個模型的參數(shù)。本文實驗選取測試時間序列長度為15幀，得到駕駛?cè)藫Q道意圖識別結(jié)果為樣本分別在3個模型中的最大loglikehood值，部分樣本測試結(jié)果分布如表1所示，20個車道保持樣本檢測正確率達到100%，左偏測試樣本檢測正確率85%，右偏測試樣本檢測正確率90%。

　　據(jù)Daimler Benz調(diào)查顯示，如果能夠提前0.5 s發(fā)出危險警告，可以防止60%的碰撞，提前1.5 s可防止90%的碰撞危險，本算法可以提前2 s對駕駛偏離狀態(tài)發(fā)出警告，故本算法是可靠的。

4結(jié)論

　　通過算法仿真結(jié)果表明，本算法對駕駛員駕駛行為辨別有較高的準確率，針對感興趣區(qū)域提取車道線，使得算法滿足實時性要求，采用基于馬爾科夫鏈模型的駕駛行為辨別模型，可以提前2 s發(fā)出危險警告，算法可靠性較強。

參考文獻

　?。?］ 劉媛. 基于機器視覺的車道偏離預警系統(tǒng)關(guān)鍵算法研究［D］.長沙：湖南大學,2013.

　?。?］ 李克強,陳濤,羅禹貢,等. 智能環(huán)境友好型車輛——概念、體系結(jié)構(gòu)及工程實現(xiàn)［J］. 汽車工程,2010（9）:743-748，762.

　?。?］ 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.

　?。?］ GAIKWAD V, LOKHANDE S. Lane departure identification for advanced driver assistance［J］. IEEE Transactions on Intelligent Transportation Systems, 2015, 16(2): 910-918.

　?。?］ 張磊,王建強,楊馥瑞,等. 駕駛員行為模式的因子分析和模糊聚類［J］. 交通運輸工程學報,2009,9（5）:121-126.

　　［6］ 劉軍,陶昌嶺,余節(jié)發(fā)，等.基于汽車主動安全的車載嵌入式平臺的研究［J］.電子技術(shù)應(yīng)用,2014,40(7):21-23,26.

　　［7］ 劉富強,張姍姍,朱文紅,等. 一種基于視覺的車道線檢測與跟蹤算法［J］. 同濟大學學報(自然科學版),2010，38（2）:223-229,306.

　?。?］ 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.