【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：

原IPM模型                                   新IPM模型

     

     

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：新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。

而原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。

    

    

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，新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。

    

    

    

    

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，新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。新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。