基于Gabor滤波器的车道线识别

本文为论文阅读笔记，不当之处欢迎指正。论文链接：Road Lane Detection With Gabor filters

摘要

　　车道线识别需要应对多种环境，在无人驾驶领域依然是具有挑战性的工作。本文提出了一种基础Gabor滤波器的可靠方法。其过程包括两个步骤。第一步，基于纹理特征估算消失点（vanishing-point ）位置，这种方法的关键特性包括显著纹理方向，以及基于纹理方向的消失点投票，和软投票机制。第二步，使用消失点找出车前方的车道线。这种方法对于道路情况和光照的适应性较强。

1. 引言

　　消失点：三维空间的平行线，在摄像机采集的远景透视图中似乎相交于一点，该点称为消失点。
　　图像空间中，纹理可用来寻找平行线，以及决定消失点。并且纹理是图片的一种非局部性质，受光照和颜色变换的影响较小。

2. 消失点估计

　　对图像直接进行消失点估计受道路人行道、较暗光线影响较大。故使用Gabor filter滤波器，分为以下两个步骤：
（1）纹理方向估计：
　　分析每个像素的局部纹理方向，计算每个像素的局部最大值，响应最强的方向作为显著纹理方向。
（2）消失点投票：
　　通过预定义的投票规则，每个像素投票得到候选消失点。得票最高的点为消失点。

A 纹理方向估计

Gabor 滤波器定义如下：

$$G(x,y)=e^{-\frac{x^2+y^2}{2\delta^2}}*e^{j\omega(xcos\theta+ysin\theta)}$$
　　其中 $\omega$为调制高斯函数的正弦波的角频率， $\theta$为半径方向角度， $\delta$为高斯函数标准差。本文中使用n=36个空间均匀分布的Gabor滤波器， $\delta=2.2$, $\omega=2.1\times2^{s}(s=\{0,1,2,3,4\})$。在生成Gabor核之后，我们将其分为36组，每组只包含方向相同的核。
　　之后测试图片与每组核进行卷积。
$$\Phi(x,y)=G(x,y)\bigotimes I(x,y)$$
　　每个像素的方向取决于能够产生最大卷积相应的组。

B 软投票

硬投票：像素对消失点投票的权重不受距离影响。
软投票：像素对消失点的投票受距离影响。

C 移除部分像素和图片压缩

由于消失点只与下方图像（路面）有关，故不考虑图片上方的像素点。
由于卷积较为耗时，故将图像大小缩小为1/4之后寻找消失点，之后在原图寻找车道线。

3. 从边缘图中探测车道线

得到消失点之后，边缘可以更加可靠地找出。流程为：
（1）去除消失点之上的图像
（2）通过Gabor filter提取纹理边缘图
（3）使用霍夫变换检测直线段
（4）移除噪声边缘，寻找左右两侧车道线。
A 基于Gabor 滤波器的边缘检测

　　传统边缘检测方法sobel 或Prewitt算子 通过一阶导数最大值或者二阶导数为零来检测边缘。由于噪声也是高频信号，故其抗噪声能力较差。
　　Gabor能够在不同方向、多种尺度下获取选定时频特性下的线段。
边缘检测过程为：
1. 生成不同尺度和方向的Gabor核
2. 图像与Gabor滤波器进行卷积，从局部最大值中获得边缘
3. 计算边缘点的梯度值，保留阈值以上的点。
4. 链接边缘点。

B 线段检测与移除噪声线段

使用霍夫变换检测线段。 保留通过消失点的线段。

4. 实验结果

在颜色变化、阴天、光照、和四周为建筑物的环境下进行测试。效果良好。只是静态测试，将来在实时视频流和车载摄像头使用。

5. 评价

卷积过程计算量大、未提供精确度和相关事件数据。消失点，投票等思路可供参考。