车道线跟踪

在完成车道线检测后，接下来要做的就是车道线的跟踪，这也是智能汽车辅助驾驶的关键技术。

在此领域的研究中，产生了多种车道线算法，如AURORA的自适应的模板相关法，该方法只能在路面状况缓慢变化时工作良好；LOIS的变形模板法，能处理图像中车道边缘比较弱的情况，而且还能排除路面阴影、污水等的影响；RALPH 系统从前方道路中提取梯形区域，对此区域进行二次采样并将其变换到平面道路图中；MOB-RAB系统假设道路是平坦的，通过把透视图变换为平面图得到车道线；SCARF系统利用颜色视觉及单线和双线的语义；Waxman 等人采用两步图像处理的方法提高道路识别跟踪速度；Redmill 运用匹配滤波和Kalman滤波检测道路，其中Kalman 滤波被用来保持平滑，并预测下一帧图像中的车道线参数。

本文研究在小波图像边缘检测得到车道线后，利用Hough变换对噪声不敏感并能较好地处理直线的优点，采用Hough变换的方法在图像序列的各帧中提取车道线的参数，然后利用Kalman 滤波来一帧帧地依次跟踪这些参数。这样，就将车道线的跟踪转化成车道线参数的跟踪，不仅提高了跟踪的速度，而且将Kalman跟踪的方法引入，提高了跟踪的准确度。

1 基于Hough变换的车道线参数提取

Hough变换具体步骤如下：
（1）在ρ和θ 合适的最小值、最大值之间建立一个离散的参数空间，以及一个累加器A(ρθ) ，并把每个元素置0。
（2）利用先验知识，限定参数的ρ和θ 的取值范围，对二值图像上满足条件的像素点做Hough 变换，即算出该点在每个ρ - θ 网格上的对应曲线，并在相应的累加器上加1，即：
A(ρθ) = A(ρθ) + 1
（3）找出对应图像平面共线点的累加器上的最大值，这个值提供了图像平面上共线点所在直线的参数。由此算法可知，可以把在x-y 平面上寻找共线的点（即寻找直线）的问题转化成在参数空间（即Hough 变换的空间）中寻找峰值的问题。为此，编写函数houghtrans 来实现直线型车道线参数的提取，得到Hough 变换域的直线参数rodetect 和tetadetect，即ρ 和θ 的值。

2基于Kalman的车道线参数跟踪

由上节的Hough变换得到基于直线模型的车道线的参数 ρ和θ后， 就可以用Kalman滤波对其进行跟踪了。
Kalman跟踪的算法描述如下： 
（1）编写函数initialk（）：其主要功能是由序列图像中的前5幅求取待跟踪参数的维数的平均值Mr，以此作为与其他帧的参数维数相比较的基础。 
（2）设定Hough变换相关的参数。
（3）设定Kalman跟踪的相关参数。 
（4）依次载入序列帧图片，此处的图片为240×320的RGB序列图像。
（5）对载入的图像进行小波边缘检测，得到二值化的边缘图像。
（6）对得到的边缘图像进行Hough变换的直线参数提取，得到ρ-θ变换域的直线参数ρ和θ。
（7）矩阵维数匹配判断：由于每个序列帧车道线的不同，所检测的直线参数ρ和θ的维数也不同，为利用Kalman进行跟踪，参数的维数必须统一。为此，需利用矩阵维数匹配判断，当前帧的参数维数Xr大于平均值Mr时，舍弃后边的Xr－Mr维；当当前帧参数的维数Xr小于平均值Mr时，后边的Mr－Xr维补0。这样，任何一帧的待跟踪参数的维数都是Mr，这样就可以利用Kalman来实现跟踪了。
（8）Kalman跟踪计算：Kalman跟踪的核心是它的5个公式，实现此功能。参数初值和协方差P的初值设为单位阵，本状态的预测值是上一状态的跟踪结果，本状态的真实值是当前读入的序列帧，由此可得到本状态的跟踪值（即最优估计结果）。此值又作为下一状态的预测值，实现车道参数的循环估计，即跟踪。