【智能驾驶】车道线检测中的新IPM(逆透视变换)算法实验效果

1实验内容

在车道保持LKA功能实现时,需要对车道线进行精准检测:①、计算曲率半径,②、保证测距精度。因此需要对相机的透视图persImg进行IPM逆透视变换,得到俯视图birdImg,在birdImg中进行车道线特征检测、拟合和测距。

基于以下思路,建立了新的IPM模型:对真实世界坐标系中欲关注车前的区域(如12m×30m),由相机模型可以确定在透视图中的对应区域。在设定好分辨率的俯视图中,把对应世界坐标系中的点在透视图中对应点的像素赋给俯视图。

原IPM模型是基于加州大学论文《Real time Detection of Lane Markers in Urban Streets》实现的,该算法俯视图效果车道线区域占俯视图比重小,保留干扰多,测距精度低。在更新IPM模型后,会使用实车样本进行新IPM、原IPM模型的对比实验。

2、实验条件

① 生成的俯视图分辨率:240×312;

② 为了尽可能和原IPM模型参数接近,在新IPM模型中取:车前ROI底部为5m,顶部为35m,宽度为12m;

③ 根据params.txt中的参数,最终调整相机姿态角为:

YawPitchRoll[3]={-0.5,  3.522106, 0.683845 };

3、实验结果展示及对比

原IPM模型、新IPM模型生成的俯视图的对比效果如下:

IPM模型                                   IPM模型

     

    【智能驾驶】车道线检测中的新IPM(逆透视变换)算法实验效果_第1张图片 

由上面第13、213帧,对比原IPM和新IPM模型生成的俯视图,可以发现:IPM模型从“需求”出发只关注车前划定的区域(自定义宏,可根据实际情况进行修改)。所以生成的俯视图尽可能的包含了实际需要的车道线信息,而且几乎充满俯视图的显示区域内。

IPM模型直接在透视图中画矩形ROI,由于近端和远端在俯视图上的相同像素,代表的实际距离相差数倍,所以生成的俯视图呈“下窄上宽”的倒梯形。因此,保留了很多车道线外的干扰信息,还把真实有用的车道线“拥挤”在俯视图中央区域显示

     【智能驾驶】车道线检测中的新IPM(逆透视变换)算法实验效果_第2张图片

    

对比第915、1060帧中,原、新IPM模型生成的俯视图,可以发现:与原IPM模型相比,IPM模型下俯视图中的车道线更粗,更清晰。而且,远端车道线的信息也更加完整清楚、易于辨识

    

     【智能驾驶】车道线检测中的新IPM(逆透视变换)算法实验效果_第3张图片

    

     【智能驾驶】车道线检测中的新IPM(逆透视变换)算法实验效果_第4张图片

对比上面第1565、1611、3238、5055帧(带前车干扰),可以看出:与原IPM模型相比,IPM模型下前车干扰的长度变短、宽度增大,整体而言畸变减小。故带来的干扰区域更集中、与车道线的夹角更大。在后期的特征提取模块,干扰更易于处理

综上所述,与原IPM模型相比,新IPM模型效果提升显著:1、考虑了相机三个姿态角,俯视图中车道线信息平行等宽效果变好;2、直接定车前欲关注的范围,俯视图中车道线信息更清晰准确,干扰信息大幅减小。

4、实验结论

  验证发现:IPM模型和相机外参模型结果正确通过对比新、原IPM模型下效果发现:与原IPM模型相比,效果提升显著。IPM模型下俯视图中车道线信息更加清晰,无效信息大幅减小。

你可能感兴趣的:(智能驾驶,计算机视觉)