以霍夫轉換為基礎之智慧型快速車道線偵測
70
0
0
全文
(2)
(3) 以 霍 夫 轉 換 為 基 礎 之 智 慧 型 快 速 車 道 線 偵 測. 學生：范耿豪. 指導教授：蘇崇彥 博士. 國立臺灣師範大學應用電子科技研究所碩士班 摘. 要. 車道線偵測在自動化駕駛佔有關鍵性的角色。在車道線偵測系統中， 為了減少非車道線物件的干擾，通常需要耗費非常大的計算量。此外，傳 統上利用霍夫轉換來偵測車道線，亦因繁重的計算量而降低其實用性。 本論文針對上述的問題提出一個新的解決方案。首先，將偵測範圍縮 小在靠近車輛的區域，以減少非車道線的物件干擾；再者，將車道線以直 線近似；接著透過訂定適當初始條件，以及利用最小平方誤差法，來得到 道路線的斜率；最後，利用霍夫轉換搭配直線方程式，來獲得車道線的位 置。 經由真實道路行駛所錄製的影片驗證，在特定條件如不同天候及震動 幅度較大的狀況下，可穩定且正確的偵測出主車道線的位置。此外在執行 速度方面，每張 640 × 480 的畫面平均只需 17 ms 即可算出車道線位置。 關鍵字：霍夫轉換、道路線偵測、車道偵測、輔助駕駛. i.
(4) Intelligent Fast Lane Detection Based on Hough Transform –––––––––––––––––––––––––––––––––––––––––––––––––––––––– Student：Gen-Hau Fan. Advisor：Dr. Chung-Yen Su. Institute of Applied Electronics Technology National Taiwan Normal University ABSTRACT. Lane detection is crucial for autonomous driving. In lane detection system, to reduce interferences from non-lane marking objects, it costs a great amount of computations. Moreover, the heavy computations would cause less practicability when applying commonly used Hough transform in lane detection. A new solution of above problems is proposed in this thesis. First, the detection region is narrowed down to regions close to vehicles. This method can reduce the interferences of non-lane marking objects. Second, lane markings are approximated to straight lines for computing simplicity. Third, the slope of lane line is acquired by giving proper initial conditions and computing with the least squared error method. Finally, by applying the above information into Hough transform and linear equations, the position of lane line is located. Examined through actual on-road video, even under specific conditions such as different weathers and greater bumping, the proposed method can steadily and correctly detect the lane lines. Moreover, in executing efficiency, only 17 ms is needed to calculate out the line position in a 640 × 480 frame. Keywords: Hough transform、Lane detection、Driver assistance. ii.
(5) 誌. 首先誠摯的感謝指導教授. 謝. 蘇崇彥博士，老師細心的教導使我得以一. 窺影像處理領域的深奧，不時的討論並指點我正確的方向，使我在這些年 中獲益匪淺。老師對學問的嚴謹更是我輩學習的典範。同時也感謝口試委 員. 吳炳飛教授、. 瞿忠正教授和. 高文忠教授的建議與指導，使本篇論. 文更加完整。. 再次感謝蘇崇彥教授提供良好的研究環境，而且研究資源不虞匱乏， 使我們能夠專心致力在自己的研究工作上，順利完成學業。另外亦得感謝 應電系辦的助教們－士恆、瓊姿和琇文的大力協助。因為有你們的幫忙， 使得在處理任何相關事務上都能輕鬆應付。. 兩年裡的日子，實驗室裡共同的生活點滴，學術上的討論，生活上的 互相幫助，以及放假時的休閒娛樂…，感謝眾位學長姐、同學、學弟妹的 共同砥礪，你／妳們的陪伴讓這兩年的研究生活變得精采萬分。. 感謝宜賢、述理和啟銘學長們不厭其煩的指出我研究中的缺失，能在 我迷惘時為我解惑，也感謝志祥、志兆和嘉安同學們的幫忙，也恭喜我們 順利走過這兩年。實驗室的侑霖、仁岡、志祥及其他 SOC Lab 學弟們當然 也不能忘記，你們的幫忙以及其搞笑的功力，讓我印象深刻。 最後，謹以此文獻給我至愛的雙親。. 范耿豪. 謹誌. 于台灣師範大學影像處理實驗室 2009 年 7 月 iii.
(6) 目. 錄. 要 ................................................................................................................. i . 摘. ABSTRACT ................................................................................................................... ii 誌. 謝 ....................................................................................................................... iii . 目. 錄 ....................................................................................................................... iv . 圖 目 錄 ....................................................................................................................... vi 表 目 錄 ..................................................................................................................... viii 第一章. 緒論 .............................................................................................................1 . 1.1 研究動機與背景 ...............................................................................................1 1.2 研究目的 ...........................................................................................................4 1.3 論文架構 ...........................................................................................................5 第二章. 車道偵測和追蹤的相關研究之探討 .........................................................6 . 2.1 車道偵測相關研究 ...........................................................................................6 2.2 霍夫轉換(Hough Transform) ...........................................................................8 2.3 OpenCV 介紹................................................................................................... 11 2.4 座標轉換 .........................................................................................................12 第三章. 高速路段的道路線偵測 ...........................................................................18 . 3.1 偵測區域之劃分 .............................................................................................19 3.2 道路線之初始偵測 .........................................................................................22 3.3 連續輸入畫面之車道偵測 .............................................................................31 3.4 暫存軌跡 .........................................................................................................34 第四章. 實驗數據與模擬結果 ...............................................................................36 . 4.1 實驗設備與環境 .............................................................................................36 4.2 白天車道線偵測結果 .....................................................................................37 4.3 夜晚車道線偵測結果 .....................................................................................41 iv.
(7) 4.4 陰雨天車道線偵測結果 .................................................................................43 4.5 車體震動情況下偵測結果 .............................................................................45 4.6 成果比較 .........................................................................................................46 4.7 模擬結果總結 .................................................................................................51 第五章. 結論與未來工作 .......................................................................................53 . 參考文獻 .......................................................................................................................55 . v.
(8) 圖 目 錄. 圖 1-1 交通事故發生原因比例圖(資料來源：交通部高公局) .................................3 圖 2-1 (A) 旁車產生的陰影 (B) 高架橋所產生之陰影 (C) 車輛改換車道.............8 圖 2-2 HOUGH TRANSFORM 的參數空間示意圖 ..........................................................9 圖 2-3 HOUGH TRANSFORM 的演算法流程 ................................................................10 圖 2-4 HOUGH TRANSFORM 的原始影像 .................................................................... 11 圖 2-5 原影像直線轉換至 HOUGH TRANSFORM 的參數空間 ................................... 11 圖 2-6 影像座標和攝影機座標關係圖[30] ...............................................................13 圖 2-7 世界座標和攝影機座標關係圖[30] ...............................................................16 圖 3-1 初始畫面的演算法流程..................................................................................18 圖 3-2 連續行車影像流程圖......................................................................................19 圖 3-3 白天快速道路的車視影像..............................................................................20 圖 3-4 偵測區域之劃分(初始狀態) ...........................................................................21 圖 3-5 偵測區域與現實世界距離對照圖 .................................................................21 圖 3-6 偵測區域之劃分(行車狀態) ...........................................................................22 圖 3-7 符合初始條件之行車影像..............................................................................23 圖 3-8 將影像轉至 256 色灰階..................................................................................24 圖 3-9 二值化步驟示意圖..........................................................................................25 圖 3-10 車道線寬度....................................................................................................26 圖 3-11 影像高度與相對應車道線寬度示意圖........................................................27 圖 3-12 兩條直線的遠方交點示意圖 .......................................................................30 圖 3-13 初始畫面偵測結果。(A) 符合初始條件之行車畫面 (B) 靠近車輛的區域 (C) 計算圖(D)後得到的左右兩條直線 (D) 圖(B)二值化後的結果 ...................30 圖 3-14 僅保留 SOBEL 垂直方向偵測後的正值 ......................................................32 圖 3-15 經由 OTSU 二值化與刪除圖 3-14 中非車道線的邊緣點結果 ...................32 vi.
(9) 圖 3-16 使用在霍夫轉換的累增器示意圖 ...............................................................33 圖 3-17 經由霍夫轉換計算所得直線 .......................................................................34 圖 3-18 右邊車道線脫落............................................................................................35 圖 3-19 經由暫存資訊所得結果................................................................................35 圖 4-1 攝影機架設圖(A) 車輛內部 (B) 車輛外部 ...................................................36 圖 4-2 快速道路白天行車影像模擬結果(A) ~ (F)為白天狀態下的連續行車畫面 38 圖 4-3 快速道路白天行車影像模擬結果 (A) 右邊車道線被旁車陰影遮蔽 (B) 道 路上方有看板所產生的陰影 (C) 左邊車道線被旁車遮蔽(D) 路旁山坡所產生 的陰影 ....................................................................................................................39 圖 4-4 快速道路白天行車影像模擬結果(A)~(D) 為進入隧道前的連續畫面 .......40 圖 4-5 快速道路白天行車影像模擬結果(A)~(D) 為離開隧道前的連續畫面 .......41 圖 4-6 快速道路夜間行車影像模擬結果(A) ~ (F)為夜間狀態下的連續行車畫面 42 圖 4-7 快速道路夜間行車影像模擬結果 (A) 光線變化 (B) 進入隧道前(C) 離開 隧道前 (D) 路燈所產生的眩光 ...........................................................................43 圖 4-8 雨天快速道路行車影像模擬結果(A) ~ (F) 為雨天狀態下的連續行車畫面 其中 (C) ~ (F) 畫面中有雨刷干擾情形 ...............................................................44 圖 4-9 快速道路陰天行車影像模擬結果 (A)~(B) 擋風玻璃上佈滿水滴的情形 ..45 圖 4-10 白天快速道路行車影像模擬結果(A) ~ (F) 為車輛震動狀態下的連續行車 畫面 ........................................................................................................................46 圖 4-11 JUNG[21]所使用的影像座標 ........................................................................47 圖 4-12 本演算法與 JUNG[21]比較結果 (A)~(B) 為一般行車的比較情形 (C)~(D) 為在隧道內的比較情形 (E)~(F) 為擋風玻璃上佈滿雨滴的比較情形 .............49 圖 4-13 本演算法與 JUNG[21]比較結果 (A)~(B) 為路面上有非車道的條紋的比較 情況 (C)~(D) 為右側車道磨損消失的比較情形 (E)~(F) 為左側有明顯黑色線 條的比較情形 ........................................................................................................50 圖 4-14 (A) 為白天場景出現偵測錯誤的情形 (B) 為雨天場景出現偵測錯誤的情 形 (C) 為夜間場景出現偵測錯誤的情形 (D) 為隧道內場景出現偵測錯誤的 情形 ........................................................................................................................52 vii.
(10) 表 目 錄. 表 1-1 每戶家庭小客車數量........................................................................................1 表 1-2 96 年十大死因/意外事故/關鍵數字 ................................................................2 表 2-1 圖 2-6 參數說明 ..............................................................................................14 表 3-1 α. 0時，u 和 v 的變化量.............................................................................27. 表 4-1 各種天候狀況下的偵測準確率 .....................................................................52 . viii.
(11) 第一 一章. 緒論. 1.1 研究動 機與背景 景 近幾年來 來，全球車 車輛數目 逐漸的增 增加，根據 據交通部[ 1]的統計 資料顯 示， 在 2006 年，台灣 灣每戶家庭 庭的小客車 車數量比率 率已達到 0.77，法 法國則以 高達 達 1.66 的比 比率，暫居 居全球第 第一，可參 參照表 1-1。另外，伴 伴隨車輛 輛總數的 增加 加，交通問 問題也變的 的日趨嚴重 重，由行政 政院衛生 生署[2]在 996 年所公 公布的國 人十 十大死因對 對照表可知 知，事故傷 傷害已佔居 居到第五名 名的位置 置，其中又 又以機動 車交 交通事故死 死亡為最主 主要的原因 因，佔了 58%的比 比例，可參 參照表 1-2 2。更進 一步 步的分析交 交通事故的 的發生原因 因，以人為 為疏失佔了 了最大的 的比例，高 高達八成 以上 上，如駕駛 駛不當、未 未保持行車 車距離和疲 疲勞駕駛 ，如圖 1--1 所示。 因此， 如何 何降低交通 通事故的發 發生率、利 利用先進科 科技來輔助 助駕駛以提 提升行車 車安全， 一直 直都是各國 國政府與產 產、學界所 所努力的 重點方向 向之一。. 表 1-1. 每 每戶家庭 庭小客車數 數量. 年別 別. 中 中華民國. 法國 國. 德國. 美國 國. 20044. 0.75. 1.2 21. 1.16. 1.2 5. 20055. 0.77. 1.2 21. 1.16. 1.2 4. 20066. 0.77. 1.1 19. 1.18. -. 先進車輛 輛控制及安 安全系統 AVCSS(A A Advanced Vehicle V Coontrol and d Safety Servvices)屬於 於智慧型運 運輸系統 ITS(Intel ligent Traansportatiion System m)七個 子系 系統中的一 一項，包含 含了七個群 群組，三十 十多項的駕 駕駛服務單 單元[3]。AVCSS 主要 要的相關研 研究目的在 在於如何 何將現今先 先進的科技 技應用於車 車輛及道 路防護. 1.
(12) 設備上，以協助駕駛者對車輛的控制與路況的掌握，以提高行車安全、降 低交通事故的發生率，減少生命財產的損失。而 AVCSS 現今的主要發展 為結合各類感測器、電腦、通訊、電機及控制技術應用於車輛及道路設施 上，以彌補駕駛者感官功能上的不足，減少意外事故的發生，同時提高自 動化控制的程度，從事更可靠的、安全與準確的行車駕駛，減少因駕駛者 過度疲勞駕駛、技術不佳和判斷錯誤下，所造成的事故，其相關技術為： 前方車輛等之相關危險警告、關於前方車輛之駕駛輔助和道路環境資訊的 提供等相關技術。. 表 1-2. 96 年十大死因/意外事故/關鍵數字. 死因. 死亡人. 平均死亡. 數. 人數/日. 平均時間/人. 1. 惡性腫瘤. 40306. 110 人/日. 每 13 分/1 死. 2. 心臟疾病. 13003. 36 人/日. 每 40 分/1 死. 3. 腦血管疾病. 12875. 35 人/日. 每 41 分/1 死. 4. 糖尿病. 10231. 28 人/日. 每 51 分/1 死. 5. 事故傷害. 7130. 20 人/日 每 1 小時 13 分/1 死. 4127. 11.0 人/日 每 2 小時 11 分/1 死. a. 機動車交通事故 b. 意外之淹死及溺水. 1.4 人/日. c. 意外墜落. 3.1 人/日. d. 意外中毒. 0.9 人/日. e. 火災事故. 0.3 人/日. 6. 肺炎. 5895. 16 人/日 每 1 小時 29 分/1 死. 7. 慢性肝病及肝硬化. 5160. 14 人/日 每 1 小時 41 分/1 死. 8. 腎炎腎徵候群及腎性病變. 5099. 14 人/日 每 1 小時 43 分/1 死. 9. 自殺. 3933. 11 人/日 每 2 小時 14 分/1 死. 10. 高血壓疾病. 1977. 5 人/日 每 4 小時 26 分/1 死. 2.
(13) 圖 1-1. 交通事故發生原因比例圖(資料來源：交通部高公局). 然而，由感測的方式可進一步區分為主動式與被動式的感測器，主動 式的感測器如：雷達、雷射測距儀等，雷達主要的問題在於在接收複數訊 號的反射以及本身解析度不夠的問題，容易造成許多錯誤的警示。另一方 面，雷射測距儀雖具有較高的解析度，且較不受外在條件的干擾，如：濃 霧等不良天候，但目前成本過高，不適合做為一般通用的感測器。非主動 式感測器像是 CCD 或是 CMOS，比起主動式感測器在車輛系統的實際應 用上來說，是較為經濟且便利，且其獲得資訊的方式如同人類用眼睛觀看 一般，如此意謂著利用 CCD 和 CMOS 可獲取比較多的參考資訊。. 更進一步的去了解發生交通事故的路段可以發現，在 2006 年時，高 速公路每件死亡車禍的死亡率為 1.1 人/每起車禍，而全台公路每件死亡車 禍的死亡率為 1.05 人/每起車禍，這單單只是死亡率的分析，尚未將交通 量與路段長度加入參考，因在高速公路上，速限較為寬鬆，因此若駕駛者 3.
(14) 因過度疲勞或注意力不集中，往往會釀成大錯，造成無法挽回的傷害，故 如何適當利用感測元件去輔助駕駛者，尤其是在高速行駛的狀態下格外的 重要。在本研究中，我們利用攝影鏡頭來擷取高速公路上的行車畫面，及 時偵測道路線的位置，以便判斷車輛有無偏離主要的行車道路。. 1.2 研究目的 本研究目的如下： 1. 藉由較為便利且成本較低的非主動式感測器來輔助駕駛者 利用目前非常進步且常見的影像鏡頭來記錄及偵測道路狀況，可降 低設置的成本，且安裝也較為方便；況且，利用攝影鏡頭來當作駕 駛者的另一雙眼睛也是較為擬人化的作法，對駕駛者來說，是一些 硬體設施，如雷達，所不能給予的信任感。 2. 以電腦視覺與影像處理的技術為基礎來發展高速公路即時車道線偵 測的駕駛輔助系統 在高速行駛的路段中，一旦因為駕駛者的疲勞或疏忽，導致車輛偏 移出行駛的車道，往往會釀成大禍，如連環大車禍就是一個血淋淋 的例子，我們主要選用可高速行駛的路段，如高速公路、快速道路 等，為我們的研究場景，搭配攝影鏡頭，以電腦視覺與影像處理的 技術來發展高速公路即時車道線偵測的駕駛輔助系統，以適時提醒 駕駛者車輛有無偏移，以降低因駕駛一時疏忽或長時間駕駛所產生 的疲勞而產生的交通事故。 3. 車輛晃動時能可準確辨別車道位置 在台灣，甚至一些較為落後的國家，其允許高速行駛的道路雖比一 般道路平整，但由於保養不易所產生的小坑洞，或橋梁間的接縫，. 4.
(15) 均會使在高速行駛下的車輛產生不小的晃動，進而影響攝影畫面的 穩定度，因此如何增進演算法的強韌性，也是研究目的之一。 4. 不同天候下均可穩定運行 台灣屬於海島國家，故天氣並不是非常穩定，有時出門時是艷陽高 照的好天氣，但在路上卻已轉變成雷聲隆隆的大雷雨，故為了讓系 統能發揮最大的功效，我們希望在不同的天候環境下，如白天、陰 天和雨天等，系統均能夠正常運行。. 1.3 論文架構 本篇論文共分為五個章節，各章節內容簡述如下： 第一章 緒論 說明研究動機與背景、研究目的和論文架構。 第二章 車道偵測和追蹤的相關研究之探討 簡介車道偵測和追蹤相關研究的探討，並對一些常用的方法做簡 介。 第三章 高速路段的道路線偵測 主要為詳述本研究使用非主動性感測器 CCD 攝影機來擷取行車 影像，並偵測與追蹤車道的相關理論架構與流程。 第四章 實驗與模擬結果 將我們所提出演算法在不同的天候環境下去執行，其中有白天、 陰天、雨天和夜晚這三種不同天候的執行結果，並比較類似演算 法的效能。 第五章 總結本論文與未來研究方向 討論本論文的成果與不足之處，以及未來研究的展望。. 5.
(16) 第二章. 車道偵測和追蹤的相關研究之探討. 2.1 車道偵測相關研究 目前由於智慧型運輸系統( Intelligent Transport Systems， ITS)的大力推 動下，各種道路偵測的演算法以推陳出新的被提出，而通常可分為兩類， 一類是以主動式感測器做為工具來偵測周邊的道路環境。許多道路線偵測 與位置估測演算法已被提出[4]，在這些演算法當中有許多如雷達、雷射 與 GPS 做為輔助駕駛的工具。M. Beauvais [5] 提出 CLARK(Combined Likelihood Adding Radar Knowledge)結合了雷達和視覺系統的技術來偵測 車輛周邊的環境。Bertozzi[6-8]所提出的 GOLD 系統，便是利用主動性感 測器，如雷射，來做主要周邊環境偵測的工具，再輔以影像設備來加強偵 測的效能。. 由於影像設備日益進步，因此許多研究便以影像設備來當作截取外界 環境的設備，而利用影像設備來做截取外界環境主要會三個主要的問題， 光線強度的變化、物體產生的陰影以及車輛變換車道所產生的閉塞現象 [9]，如圖 2-1。而[9]-[25]便陸續提出解決這幾種問題的方法。Chen[9] 則 提出一種利用以找尋邊緣為基礎的偵測方式，然而此類偵測方式在目前道 路線偵測上仍是常用的方法之一；但畫面中充斥著許多非車道線的物件， 因此仍需要大量的運算來去除雜訊。Lipski[10]則提出利用多台攝影機來 擷取畫面，得到不同角度了影像，並融合成車輛前方全景畫面，使偵測範 圍變為較為寬廣，同時也使用 IPM (Inverse Perspective Mapping)的影像處 理方式，將行車影像加以投影，形成類似 Top view 的畫面，使用這種方 式的好處在於可以使道路線呈現平行的狀態，除了易於辨別之外，也降低 6.
(17) 偵測直線的難度；但 IPM 將會使偵測範圍變得較為狹小，且整體所使用 的 計 算 量 也 會 大 幅 增 加 [6-8] 。 Jeong[11] 是 將 整 張 影 像 做 直 方 圖 等 化 (Histogram equalization)，接著再利用 Sobel 濾波器做邊緣點偵測，將邊緣 偵測結果投影至地面，其優點在於避免將整個畫面都做投影的動作，以節 省計算量；但其缺點在於非車道線的物件仍會被投影，且經由直方圖等化 處理後，雜訊相對會被增強，所以在濾除雜訊與非車道線的物件上需要花 費更多的心思。Cheng[12]提出一個轉換系統，使駕駛者在有系統的道路， 如快速道路，及鄉間小路中皆可使用，是以有無車道線存在為判斷的依據。 Wu[13]提出一個較新的觀念，即為利用設定 ROI (region of interest)，只對 於該區域做偵測，其好處在於可以大幅減少計算量；但缺點為若遇到車體 有較為強烈震動時，可能會產生誤判。Su[14]提出一個利用車道線以及路 面亮度值不同的演算法，並利用數學式比對道路線的寬度，以及使用簡單 的線性方程，並將 ROI 區域更加以縮小，使得整個系統運算速度十分迅 速；但其二值化是採用定值的方式，因此會有使用上的限制。Jia[15]也是 採用類似 Su[14]的方法，由中點開始向兩旁偵測，可增快偵測時間。Yim[16] 提出一個 TFALDA(three-feature based automatic lane detection algorithm) 的演算法，主要精神在於將車道線的特色加以利用，如在連續畫面中，車 道線具有固定的角度、方向，及飽和度。[17]-[18]均是利用邊緣偵測加以 去判斷車道線的存在。Assidiq[19]和 Wang[20]則是提出利用 Canny 結合 Hough transform 做車道線偵測的演算法，其效果相當不錯；但由於 Canny 以及 Hough transform 都是較耗費計算量，因此所花費時間較長。Jung[21] 也是利用 Hough transform 做為偵測直線的工具，搭配 Sobel 濾波器使用， 效果依然不錯；但在找尋角度參數時需要耗費相當大的計算量，且若在偵 測範圍內有較長的非車道線物件邊緣產生時，則會出現判斷錯誤的情形， 在車道線為虛線時容易發生此類狀況。Li[22]所提出的 Springrobot 系統中 以 Adaptive Randomized Hough Transform 來偵測車道線，並改善 Hough transform 速度太慢的問題，但利用模板為基礎的方法在未知的場景或複 雜的道路狀況下均會產生偵測錯誤的情形。D’Cruz[23]則是採用 Otsu 二 7.
(18) 值化的方法將道路線和路面分離，但在場景亮度相當時，會有錯誤的發生。 Wang[24]則是使用 B-Snake 的方法去建構道路線模型來對行車畫面做偵 測及追蹤車道線，此優點在於不需攝影器材的內部參數即可動作；但其缺 點在於偵測速度太慢。Foda[25]是利用類神經網路的方法(Neural Network) 來訓練，並輔以模糊系統(Fuzzy System)來和前一張偵測結果做比對，進 而確定車道線的位置，優點在於能省去過濾非車道線物件的步驟；但其缺 點為需要連續影像做為判斷的依據，因此若之前畫面有缺少或有誤判的情 形，則之後的影像將會連續出現偵測錯誤的情形。. (a) 圖 2-1. (b). (c). (a) 旁車產生的陰影 (b) 高架橋所產生之陰影 (c) 車輛改換車道. 2.2 霍夫轉換(Hough Transform) 霍夫轉換是一種將通過某一點的所有直線收集起來的演算法。一般的 線性方程為 y=ax+b，其中(x,y)為座標點，a 為直線斜率，b 為直線 y 軸的 截距， a 的範圍是從 ∞~. ∞，對需要即時處理的直線偵測來說範圍太大；. 因此，一種有效的線性偵測演算法─霍夫轉換被提出，它將線性方程式兩 個參數 a 和 b 改成. 和. ，並把直線方程式改為：. ρ = x cos θ + y sin θ ...........................................(2-1). 8.
(19) 所代表的意思為直線到原點的垂直距離， 代表 和 x 軸的夾角，如. 其中. 下圖 2-2 所示：. 圖 2-2. Hough transform 的參數空間示意圖. 若影像的大小為. ，則. 的最大範圍為 √2 ，而. 範圍介於 90 和. 90 之間，其演算法包含了三個主要的步驟： 1.. 設置一個大小適當的參數空間，決定增量的大小(∆ 或∆ )。. 2.. 將參數空間的儲存單位初始化。. 3.. 利用(2-26)式將原始影像中直線上的點座標(x,y)轉換到參數空間， 找出相對應的. ,. ，並在參數空間中相對應的位置加一；最後將. 累計數超出門檻值的暫存器取出，再將. ,. 對應回原影像中所代. 表的直線。 圖2-3為霍夫轉換演算法的流程圖，圖2-4及圖2-5分別為影像中的直線轉至 ,. 參數空間的情況。. 9.
(20) 開始. x=y=0. I(x,y) 為邊緣點?. 否 下一個座標點. 是. θ的初始值 90 o. 解. ρ = xcosθ + ysinθ. 儲存(x,y)在 ( ρ , θ )區塊中. θ next = θ - Δ θ. 否. 圖 2-3. θ = - 90 o - Δ θ ?. 是. Hough transform 的演算法流程. 10.
(21) 圖 2-4. 圖 2-5. Hough transform 的原始影像. 原影像直線轉換至 Hough transform 的參數空間. 而在本論文中，我們將應用霍夫轉換的基本精神，並稍加修改，來即 時找尋車道線位置。. 2.3 OpenCV 介紹 OpenCV 是 Intel 所資助的開源計算機視覺相關原始碼函式庫。它由一 系列 C 函數和部分 C++所構成，實現許多影像處理和機器視覺方面的處 理演算法，讓初次接觸影像視覺這方面的學生能輕鬆利用其建構的函式庫， 來開發影像視覺相關的演算法，減少自行撰寫常用程式的時間。OpenCV. 11.
(22) 擁有 300 多個 C/C++函數的跨平台(Windows、Linux 等)的中、高層 API (Application Programming Interface，API)[26]。 OpenCV 對非商業應用和商業應用都是免費的，使用者可在[27]下載 取得。另外 OpenCV 也為 Intel 公司的 Integrated Performance Primitives (IPP) 提 供 了 接 口 ， 意 味 著 若 有 為 特 定 的 處 理 器 (Intel)優 化 的 IPP 庫 ， OpenCV 將在運行時自動加載[28]。 OpenCV 主要所包含的模塊： 1.. cv─主要的 OpenCV 函數。. 2.. cvaux─輔助的(實驗性)OpenCV 函數。. 3.. cxcore─數據結構與線性代數相關。. 4.. ml─機器學習模組。. 5.. highgui─圖形介面函數。. OpenCV 函式庫具有下列幾項功能[29]： 1.. 影像的操作(分配、釋放、複製和轉換等). 2.. 影像為視頻的 I/O(由檔案輸入或是由攝影機取得). 3.. 矩陣和向量的操作以及線性代數方程的實現(矩陣乘積、方程式的 解、矩陣的特徵値、特徵向量和奇異值等). 4.. 各種動態數據庫結構(列表和集合等). 5.. 基本的影像處理(濾波、邊緣偵測、色彩轉換和直方圖等). 6.. 結構分析(輪廓處理、模板匹配和 Hough transform 等). 7.. 運動分析(前景、背景分離等). 8.. 基本的 GUI(鍵盤和滑鼠的應用等). 9.. 圖像標註(線、圓、多邊形和文字等)。. 2.4 座標轉換 在電腦視覺中，座標轉換是一個基本且重要的知識，因為一般真實世 12.
(23) 界均為 3D 立體影像，而藉由座標轉換將其轉換至 2D 的影像座標[30]。這 小節當中將會介紹影像、攝影機和世界座標的相互關係。. 首先使用投影原理，將實體投影至影像座標上，其中攝影機的座標軸 X c 投影至影像座標將對應到影像中的 u 座標軸，攝影機的座標軸 Z c 投影 至影像座標將對應到影像中的 v 座標軸，而攝影機的座標軸 Y c 在使用單 一攝影機時將會損失，即影像的景深資訊，如圖 2-6 所示。而圖 2-6 中的 所有參數定義如表 2-1 所示。. Zc Yc. v Oi udu vdv 成像. f Oc. z. u. camera. y. Xc. x. 圖 2-6. 影像座標和攝影機座標關係圖[30]. 13.
(24) 表 2-1. 圖 2-6 參數說明[30]. 參數名稱. 說明. Xc. 攝影機水平座標軸. Yc. 攝影機前後座標軸. Zc. 攝影機垂直座標軸. Oc. 攝影機座標原點. u. 影像水平座標軸. v. 影像垂直座標軸. Oi. 影像座標原點. f. 攝影機焦距. x. 實體投影至 X c 分量大小. y. 實體投影至 Y c 分量大小. z. 實體投影至 Z c 分量大小. udu. x 投影至影像水平座標軸 u 的大小. vdv. z 投影至影像垂直座標軸 v 的大小. ⁄. 接著利用透視原理，水平方向為 ⁄ 將 ⁄. ⁄ ，整理後為 令為 p u ，令 ⁄. ⁄. 、. ⁄. ⁄ ，垂直方向為. ，為了之後推導的方便，. 為 p v 。最後將攝影機座標轉換至影像座標，並以. 矩陣的形式表示，如(2-2)式。 v v I h = Pproj Ch …………….…………............(2-2). 1 為影像的齊次座標，P proj 為一個 4×4 透視轉換矩陣， 如 (2-3)式 所 示 ，. 1 為 攝 影 機 齊 次 座 標 ， 藉 由 (2-2)式 和 (2-3). 式的計算後可得到攝影機座標轉換至影像座標後的結果，如(2-4)式。. 14.
(25) ⎡ pu ⎢0 =⎢ ⎢0 ⎢ ⎣0. Pproj. 0. 0. 1 0. 0 pv. 0. 0. 0⎤ 0 ⎥⎥ …………………............(2-3) 0⎥ ⎥ 1⎦. ⎡ xi ⎤ ⎡ p u X c ⎤ v ⎢y ⎥ ⎢ Y ⎥ I h = ⎢ i ⎥ = ⎢ c ⎥ ……………..………...........(2-4) ⎢ zi ⎥ ⎢ pv Z c ⎥ ⎥ ⎢ ⎥ ⎢ ⎣1⎦ ⎣ 1 ⎦. 攝影機座標和世界座標的關係如圖 2-7 所示，其中(X w ,Y w ,Z w )組成世 界座標，(X c ,Y c ,Z c )組成攝影機座標。為了內容的一致性，因此仍採用矩陣 1 ，攝影機的. 的形式來表示，將世界座標的齊次式表示為. 1 。而攝影機座標和世界座標之間的關係可表. 齊次座標仍為 示成(2-5)式。. v v v C h = R W h − T ………....…………..............(2-5). R 為 4×4 的旋轉矩陣， 為 4×1 的平移矩陣。通常旋轉矩陣 R 可分解 成三種旋轉矩陣，R α、 R β 和 R γ，可表示為 R= R α R β R γ。α、β 和 γ 分別圍繞 著世界座標的 X 軸、Y 軸和 Z 軸旋轉，旋轉方向分別為由世界座標的原點 O w 往+X w、+Y w 和+Z w 軸的逆時針旋轉角度。繞 X w 軸的旋轉矩陣表示成(2-6) 式，在實際操作上即為攝影機的仰、俯角。繞 Y w 軸的旋轉矩陣表示成(2-7) 式，在實際操作上即為攝影機本身的旋轉角度。繞 Z w 軸的旋轉矩陣表示 成(2-8)式，在實際操作上即為攝影機水平轉動的角度。. ⎡ ⎢ Rα = ⎢ ⎢ ⎢ ⎣. 1 0 0 0. 0 cos α sin α 0. 15. 0 − sin α cos α 0. 0 0 0 1. ⎤ ⎥ ⎥ ……….............(2-6) ⎥ ⎥ ⎦.
(26) ⎡ cos β ⎢ sin β Rβ = ⎢ ⎢ 0 ⎢ ⎣ 0 ⎡ cos γ ⎢ 0 Rγ = ⎢ ⎢ − sin γ ⎢ ⎣ 0. 圖 2-7. − sin β cos β 0 0. 0 0 1 0. 0 0 0 1. 0 1 0 0. sin γ 0 cos γ 0. 0 0 0 1. ⎤ ⎥ ⎥ ……….............(2-7) ⎥ ⎥ ⎦ ⎤ ⎥ ⎥ …………..........(2-8) ⎥ ⎥ ⎦. 世界座標和攝影機座標關係圖[30]. 由世界座標的原點 O w 平移至攝影機座標 O c 可利用 來表示，在圖 2-7 中，H 即為 O w 和 O c 之間的距離，因此 可表示為(2-9)式。 v T = [0. 0. H. ′ 0 ] ………....………............(2-9). 將(2-5)式做改寫，可將攝影機座標改換至世界座標上，如(2-10)式 v v v Wh = R −1 (Ch + T ) ……….…..……............(2-10) 16.
(27) 最後將攝影機座標，世界座標和影像座標整合在一起，如(2-11)式。 v v I h = Pproj C h. v v = Pproj ( RWh − T ) ⎡ pu ⎢0 =⎢ ⎢0 ⎢ ⎣0. 0. 0. 1. 0. 0. pv. 0. 0. (2-11) 0 ⎤⎡ X w cos γ + Z w sin γ ⎤ ⎥ ⎥ ⎢ 0⎥ X w sin α sin γ + Yw cos α − Z w sin α cos γ ⎥ ⎢ 0 ⎥ ⎢ − X w cos α sin γ + Yw sin α + Z w cos α cos γ − H ⎥ ⎥⎢ ⎥ 1 ⎦⎣ 1 ⎦. 接著將世界座標(Xw,Yw,Zw)轉換至影像座標(u,v)可以表示成(2-12)式與(2-13) 式。. u=. v=. xi X w cos γ + Z w sin γ ……….…(2-12) = pu yi X w sin α sin γ + Yw cos α − Z w sin α cos γ. − X w cos α sin γ + Yw sin α + Z w cos α cos γ − H zi ………(2-13) = pv yi X w sin α sin γ + Yw cos α − Z w sin α cos γ. 在本論文的攝影機架設中，無水平旋轉和仰俯角，因此 α=0 和 γ=0，所 以可將(2-12)式和(2-13)式進一步簡化，得到(2-14)與(2-15)式。. u = pu. v = pv. 17. Xw …………............…............(2-14) Yw. Zw − H …….................…............(2-15) Yw.
(28) 第三章. 高速路段的道路線偵測. 在本章我們將介紹高速路段道路線偵測的演算法，共分為三個部分。 首先，我們會訂定幾個初始條件，然後在符合初始條件的行車影像中去獲 得該路段的車道線斜率；接著，我們利用霍夫轉換的另一個形式，即以斜 率和截距為參數的線性方程，並利用從符合初始條件的影像所算出來的斜 率為中心，向兩端擴展，以形成霍夫轉換中斜率參數的範圍，進而利用累 增器來求得最符合行車途中的道路線斜率及截距，來標示出主車道線的位 置；最後，利用暫存軌跡的方式來減少因為遮蔽、道路線模糊及陰影所造 成道路線短暫消失，而造成誤判的情形。圖 3-1 及圖 3-2 分別代表為本演 算法初始狀態下，以及後續連續行車影像的處理流程圖。. 訂定初始 條件. 擷取影像. 利用車道線寬 度刪除不適當 邊緣點 利用最小平方 法算出該路段 斜率 圖 3-1. 初始畫面的演算法流程. 18.
(29) 擷取影像. 利用Sobel 濾 波器偵測正邊 緣 判斷每行邊緣 點數量刪除不 適當邊緣點 讀取前次儲存 否 之車道線資訊. 邊緣點數量 >T. 是. 利用霍夫轉換 來偵測車道線 圖 3-2. 連續行車影像流程圖. 3.1 偵測區域之劃分 在一般的駕駛環境中，不論外部天氣如何，是晴天萬里，或是濃濃大 霧，超過一段距離的影像都會變得渺小不清，尤其是車道線，在遠端的車 道線所佔的像素微乎其微，甚至比路樹或路標來的不明顯，因此，在偵測 上就會大幅增加誤判的錯誤率；因此，將偵測目標區域盡可能得靠近車子 本身位置，一方面可減少非車道線的物體干擾；另一方面可以加快運算的 速度。. 圖 3-3 為一般白天的快速道路上的景象，其解析度為 640 × 480 個像 素，色彩深度 24 位元。在駕駛人精神良好且集中的狀況下，車輛會保持 19.
(30) 在車道內，因此，左右車道線便會分別落於影像的左右下方，而由圖 3-3 中也可以看見遠方的車道線已經非常細微，幾乎已辨識不出來，因此，我 們將整張圖片分為三個部分，如圖 3-4，在解析度為 640 × 480 的狀況下 只偵測整張影像的下三分之一的部分，在實際的道路場景中約為車前 15 公尺的範圍，如圖 3-5 所示，並以影像中點做區分，分為左半平面及右半 平面，同時以左下角為原點，詳細說明如下：. 圖 3-3. 白天快速道路的車視影像. 1. 離車輛較遠的部分( y > 159 )： 此部分所提供的車道資訊較為微弱且易受非目標物體的干擾。然而 設定的區域距離會因影像大小或攝影機的傾斜角、高度而有所改變， 且車輛的晃動也會造成改變，但不影響偵測的狀況。 2. 離車輛較近的右半部分( y < 159 & x >= 319)： 此為我們之後演算法所要處理的左邊區域，目的要偵測位於車輛的 右邊區域的車道線，而焦點放置在此區的好處在於可以減少非車道 線物件的干擾，降低誤判的錯誤率，且可提升速度。 3. 離車輛較近的左半部分( y < 159 & x < 319)： 此為我們之後演算法所要處理的左邊區域，其目的與右半平面相同， 20.
(31) 差別在於方向相反。. 圖 3-4. 圖 3-5. 偵測區域之劃分(初始狀態). 偵測區域與現實世界距離對照圖. 而在連續行車的狀態下，會依照初始偵測時所得到的道路線資訊，進 而將偵測區域再次縮小，以便增加運算速度，而縮小後的偵測區域如圖 21.
(32) 3-6 所示。. p2. p4. p3. p1 圖 3-6. 偵測區域之劃分(行車狀態). 其中 p 1 和 p 2 為左車道線的兩個端點， p 3 和 p 4 為右車道線的兩個端點，為 防止車輛在行駛當中所產生的左右偏移，造成偵測上的錯誤，因此以 p 2 和 p 4 的 x 座標為基準，做偵測區域的縮減，縮減後的區域如圖3-6斜線區域所示。. 3.2 道路線之初始偵測 一般快速道路的車道線具有較為清楚和有規則且變動不大的特性，我 們將利用前幾張行車影像，來估測行駛路段的道路線斜率；另外，本論文 所使用的影像感測器為一般市面上常見的攝影機種，所以為了增加系統的 穩定性，因此在偵測快速道路的道路線的斜率上，我們訂定了系統以下幾 個初始條件： 1. 攝影器材設置於約車輛的正中央，約為中控台最上方和後視鏡的垂 直範圍之內。 2. 車輛位於應行駛車道內。 22.
(33) 3. 道路行駛的畫面內左右兩邊需有清楚的車道線，且兩車道線間無其 他線條或文字。 4. 距離本車輛外約一百公尺內無障礙物。. 符合初始條件的道路狀況如圖3-7所示；在此尋找其初始斜率的主要目 的是為了加快後續的處理速度，因此將會採用二值化及最小平方誤差(least squared error)的方法，而不採用一般偵測道路線演算法中常用的邊緣偵測 (如：Sobel和Canny等)，以便加快此步驟的運算速度。. 圖 3-7. 符合初始條件之行車影像. 在此階段的影像二值化方法上，為了讓本系統可以在任何天候狀況下 能夠穩定的運行，因此不採用固定門檻值的方法[14]，而是利用車道線和行 駛路面的亮度有一定的差距的特性，來分離車道與車道線；為了降低運算 量，先將影像轉換為256色灰階，如圖3-8所示，左邊的圖代表轉至灰階之影 像，右邊的圖代表左邊圖中方框內的像素值。. 23.
(34) 圖 3-8. 將影像轉至 256 色灰階. 接著我們利用車道線像素點亮度一般高於路面的特性，將整個灰階影 像二值化，步驟如下： 1. 以 整 張 畫 面 寬 度 的 中 心 為 起 點 ， 分 別 向 右 及 向 左 一 列 一 列 開 始 偵 測。 2. 若該點像素值比前一點高於所設定之門檻值 TH，則將其設定為右邊 緣起點 P r1 與左邊緣起點 P l1 。 3. 接著分別繼續往左方及右方偵測，直到左右兩邊像素點分別比 P r1 與 P l1 低於所設定之門檻值 TH 時，則該列偵測結束，並將該像素點的前. 一像素點標示為右邊緣終點 P r2 與右邊緣終點 P l2 。 4. 繼續換下一列繼續偵測，直到整張畫面偵測完畢，這裡所設定的 TH 值為10。. 圖3-9為以上所述之步驟以圖解方式做說明，由於在畫面左方及右方所 採用的步驟相同，故以左方畫面為例做圖示說明。. 24.
(35) >TH. >TH. Pl2. TH=10. 像素值. Pl2. Pl1. 像素值比較方向. Pl1. 座標值. 圖 3-9. 二值化步驟示意圖. 由圖3-9下方的統計圖可見，車道線和路面的灰階直存在著一定的差距， 而為了系統在任何天候下均能穩定的運作，故將門檻值 TH 訂為10，以便即 使在夜間也能利用此特性將車道線和路面做初步的切割。. 另外，為避免因將路面或擋風玻璃造成的反光，誤判為車道線，進而 影響兩邊邊緣點的設置，所以進一步偵測邊緣起點與邊緣終點之間的距離 是否和一般車道線的寬度相符，而車道線的寬度會因攝影機的傾斜角度、 位置以及解析度的不同而有所不同，在本論文中為了加快運算速度及降低 複雜度，我們由觀察許多行車影像中的車道線發現，在640 × 480的畫面尺 寸下，在我們偵測的區域當中，當高度為0(即靠近車輛的地方)的情況下， 車道線的寬度大約為28個像素點，而高度約每增加6個像素點，寬度即會減 少一個像素，最後在高度為160時，即偵測區域的最上方寬度大約為7個像 素點，圖3-10表示在實際道路上，最下方(高度為0)與高度為150時的道路線 寬度表示圖。. 25.
(36) 圖 3-10. 車道線寬度. 因此我們由實驗測試的結果，歸納出(3-1)式，即為車道線寬度和畫面 高度之間存在的比例關係：. ⎢13 × H i ⎥ W i = 28 − ⎢ ± 2 , 0 ≤ i < the height ⎣ 96 ⎥⎦. of. ROI .............(3-1). (3-1)式中的 H i 代表正在偵測畫面中的高度，而 W i 表示該列相對應的 道路線寬度，如圖 3-11，而符號. 代表將 x 近似成接近 0 的數字，(3-1). 式中的參數會因攝影機所設置的高度、傾斜的角度以及解析度的大小有所 不同，且為了因應車輛在行駛當中有光線的變化，所以 W i 取±2 的誤差範 圍。. (3-1)式是在無仰俯角，鏡頭離地高度為 115 公分的狀態下，經由實驗 26.
(37) 所獲得的，即α=0、γ=0，而由(2-12)式及(2-13)式可知，當 α. 0時，世. 界座標投影至影像座標的值會跟著改變。我們利用一些假設值和(2-12)式 及(2-13)式來求得當 α. 0時，其 u 和 v 的改變量，如表 3-1 所示。. 表 3-1. α. 0時， u 和 v 的變化量. ( 令 Y w = 100 、 Z w = 615 、 H= 115 、 p u = 1 、 p v = 1 ). α. u ( X w =500). u ( X w =3300). v. 寬度. v 相對應可容許寬度範圍. 0°. 5. 33. 5. 28. 26~30. 1°. 6. 38. 6. 32. 26~30. 5°. 11. 74. 11. 63. 25~29. 7°. 20. 131. 20. 111. 23~27. 8°. 39. 256. 39. 217. 20~24. 1°. 4. 29. 4. 25. 26~30. 5°. 3. 21. 3. 18. 26~30. 7°. 3. 19. 3. 16. 26~30. 9°. 3. 17. 2. 14. 26~30. 觀察表 3-1 可以得知，若攝影機有仰俯角產生時，利用(3-1)式計算即 會產生錯誤的情形發生。. 圖 3-11. 影像高度與相對應車道線寬度示意圖. 27.
(38) 接著應用直線近似方法中的最小平方誤差找尋該畫面的初始斜率，因 為此方法在直線近似上是最為簡單，且計算量較小的方法，在無雜訊的狀 況下，其結果也十分良好，以下詳細介紹其計算方式： 首先定義直線方程為：. yˆ i = axi + b ……………….………............(3-2). 為了求得畫面中的每一像素點到該直線的最短距離，使用誤差平方和 (sum of squared error)為最小多項式的解，因此由(3-2)式可推得(3-3)式：. N. 2 E 2 ( a , b ) = ∑ ( y i − ax i − b ) …………..…............(3-3) i =1. 而為了得到(3-3)式的最小值， E 2 (a, b) 分別對 a 與 b 作偏微分，取為 0 的值，進而得到(3-4) 式及(3-5)式：. N ∂E 2 = −2 ∑ ( yi − ax i − b )xi = 0 …..….….…………(3-4) ∂a i =1 N ∂E 2 = −2 ∑ ( yi − ax i − b ) = 0 …..….…...…………(3-5) ∂b i =1. 將(3-4)式與(3-5)是稍做整理後可分別得到下列兩個式子：. N. 2. N. N. i =1. i =1. a ∑ xi + b ∑ xi = ∑ xi yi ……...………..…………(3-6) i =1. N. N. i =1. i =1. a ∑ xi + bN = ∑ yi ……........……..….…………(3-7). 28.
(39) N. N. N. N. i =1. i =1. i =1. i =1. 令 M x = ∑ xi ， M xx = ∑ xi 2 ， M xy = ∑ xi yi ， M y = ∑ y i ， 即可將(3-6)式及(3-7)式整 理成矩陣的形式如下：. ⎡ N ⎢M ⎣ x. M x ⎤ ⎡b ⎤ ⎡ M y ⎤ =⎢ ⎥ …....……..….…………(3-8) M xx ⎥⎦ ⎢⎣ a ⎥⎦ ⎣ M xy ⎦. 而由(3-8)式的整理可得(3-9)式，並藉由解逆矩陣的過程及可得到 a 、 b 兩 個直線方程的參數。. −1. Mx ⎤ ⎡My ⎤ ⎢ ⎥ ….......…….…………(3-9) M xx ⎥⎦ ⎣ M xy ⎦. ⎡b ⎤ ⎡ N ⎢a ⎥ = ⎢ M ⎣ ⎦ ⎣ x b= a=. M xx M NM NM. xy. NM. y xx. − M x M xy −Mx. 2. − M xM xx. −Mx. 2. y. ….................…………(3-10). …....................…………(3-11). 因此，只要將上述二值化後所得到的車道線像素點，分為左右兩群組， 分別帶入(3-10)式及 (3-11)式則可順利將該路段位於車輛左右兩邊的車道 線斜率 a 及截距 b 算出，且進而求出兩車道現在影像遠方的交點 P，計算 的方式如(3-12)式，其中 a r 、 a l 分別為左方與右方車道線斜率， b r 、 b l 分 別為左方與右方車道線截距，而 P y 則為交點 y 的座標，如圖 3-12。. Py =. a l br − a r bl …................…….…………(3-12) al − a r. 29.
(40) (Px, Py). y = alx+bl 圖 3-12. y = arx+br 兩條直線的遠方交點示意圖. 最後，將左右兩條直線參數帶入直線方程則可完成初始的斜率偵測及 在畫面上繪出左右兩邊的道路線，圖 3-13 顯示本節的結果。. (a). 圖 3-13. (c). (b) (d) 初始畫面偵測結果。(a) 符合初始條件之行車畫面 (b) 靠近車輛. 的區域 (c) 計算圖(d)後得到的左右兩條直線 (d) 圖(b)二值化後的結果. 30.
(41) 3.3 連續輸入畫面之車道偵測 由於 3.2 節所介紹的車道偵測方法是建構在初始條件設定下，一般來 說，在行車途中，整個行車畫面是十分複雜且擁有許多干擾，因此我們本 節將應用 3.2 節所得到的道路線斜率來偵測行車途中的車道線。. 首先，我們仍要先將非車道線的物件濾除，以便後續道路線偵測的處 理；我們應用 Sobel 濾波器在灰階影像上做邊緣偵測的動作，Sobel 運算 包含兩個基本的運算子，表示如下： ⎡ − 1 0 1⎤ S x = ⎢ − 2 0 2 ⎥ ….............…….…………(3-13) ⎢ ⎥ ⎢⎣ − 1 0 1 ⎥⎦ 2 1⎤ ⎡1 ⎢ 0 0 ⎥ …..............….…………(3-14) Sy = 0 ⎢ ⎥ ⎢⎣ − 1 − 2 − 1⎥⎦. S x 及 S y 分別表示垂直及水平方向的邊緣偵測，然而一般來說道路線. 擁有垂直與水平共兩對邊緣，而水平邊緣若和垂直邊緣比較長度，則水平 邊緣往往都小許多，因此，我們在偵測區域內只使用 Sobel 垂直邊緣偵測 (3-13)式，來偵測車道線的垂直邊緣，而由(3-13)式與(3-14)式來看，Sobel 濾波器通常會在物體的邊緣處分別產生極正與極負的邊緣，為了減少 Hough transform 的計算量，因此在本論文只保留產生極正值的邊緣，如 圖 3-14 所示。. 做完影像的邊緣偵測之後，我們利用 Otsu[31]方法對影像做二值化， 進一步將影像的像素值分為 255 與 0，方便接下來的判斷。緊接著我們利 用偵測區域非常靠近車輛區域，以及 Hough transform 較不受斷線與小雜 訊干擾的兩個特性，通常在一般狀況下畫面中通常只會存在車道線及旁邊 超越的車輛，因此，我們對畫面的每行做判斷，即對每行統計剩下可能為 31.
(42) 車道線的邊緣點數量，並訂定一個範圍為門檻值，此處的範圍設定為 5~2， 當每行中的邊緣點數量超過門檻值，即將該行邊緣點全部刪除，以便刪除 非車道線的像素點，圖 3-15 所示。. 圖 3-14. 圖 3-15. 僅保留 Sobel 垂直方向偵測後的正值. 經由 Otsu 二值化與刪除圖 3-14 中非車道線的邊緣點結果. 最後，利用霍夫轉換的概念配合(3-2)式來將車道線畫出，且為了讓本 演算法可以不受因道路接縫所引起的震動所干擾，我們將以 3-2 節所計算 出來的斜率 a 為中心，以 0.01 為單位，往左右各擴張 10 個單位，以便應 付因震動所產生斜率的變化。這邊將左右兩邊分開做運算，以下以左邊區 域做詳細說明，而右邊區域的流程亦同。將左邊區域剩下的邊緣點帶入 (3-2)式做運算，再配合上述所訂定的斜率範圍逐一算出相對應的截距，整 理成一個累增器，如圖 3-16 所示，b min 和 b max 分別為左半邊所算出截距的 最大與最小值。. 32.
(43) bmin. ‧‧‧ bmax. a-0.1 ‧‧‧ a ‧‧‧ a+0.1 圖 3-16. 使用在霍夫轉換的累增器示意圖. 接著，為了減少累增器的大小，利用(3-15)式來將截距尺度縮小。 b ′ = ( bmax -bmin ) ÷ 10 …..........…….…………(3-15). 如此可將截距的尺度縮小 10 倍，減少累增器的大小，而且將截距全 部平移至正數做計算，等到左邊所有邊緣點都已經做完計算，取出累增器 內最大的值，再利用(3-16)式將截距還原，之後即可得到左半平面內最適 合的直線參數。圖 3-17 即為經由霍夫轉換計算後所得到的直線。 b = ( b ′ + bmin ) × 10 ….........…….…………(3-16). 33.
(44) 圖 3-17. 經由霍夫轉換計算所得直線. 3.4 暫存軌跡 由於在行車途中，周邊的場景及車道線的完整性都是不可預測性的， 尤其是遇到閉塞、陰影或旁車變換車道時恰好遮擋到車道線，這都會使得 在偵測區域內沒有車道線的存在或十分稀少，造成辨識上的錯誤，為了改 善這方面問題的發生以及整個系統的穩定性，進一步利用車道線連續以及 連續兩車道線的方向性相同的特性，我們將會記錄前一張能夠正常辨識的 畫面，保存其車道線資訊，用以輔助改善此類問題的發生。. 在這部分，我們會將左右兩邊的車道線相關資訊，如斜率、截距以及 車道畫面的狀況分開處理，換句話說，我們將視個別的情況去判斷是否需 要利用前幾張車道線的資訊去取代現今畫面的資訊。首先，我們仍依照第 3-2 ~ 3-3 節所提出的方法將行車畫面做處理，然後分左右兩邊個別去統計 邊緣點的數量，若個別的邊緣點的數量均大於所設定的門檻值，則繼續利 用霍夫轉換去計算適合的直線參數；反之若有一方的邊緣點數量少於所設 定的門檻值，則利用先前所儲存的車道線資訊來取代該方的車道線資訊。. 如圖 3-18 所示，右側車道線因車輛長時間行駛造成脫落，在畫面上 34.
(45) 已幾乎消失不見，為避免此類狀況發生時所產生判斷錯誤的情形，因此藉 經由前張影像所提供的車道線資訊，即可將右側車道線完整畫出，如圖 3-19 所示。. 圖 3-18. 圖 3-19. 右邊車道線脫落. 經由暫存資訊所得結果. 35.
(46) 第四章. 實驗數據與模擬結果. 4.1 實驗設備與環境 本系統所獲取的行車影像主要是藉由架設在車輛前座的攝影機來獲 取，而攝影機架設於中控台正中央的上方，同時攝影機的光軸平行於路面， 無仰角或俯角的產生，而拍攝結果將儲存於個人電腦中；測試用的車輛為 一般房車，架設攝影機的位置圖如圖4-1所示。. (a) 圖 4-1. (b) 攝影機架設圖(a) 車輛內部 (b) 車輛外部. 執行演算法所使用模擬平台規格如下： 中央處理器：Intel Pentium IV 2.8GHz 主記憶體：2GB記憶體 作業系統：Windows XP 模擬軟體：Microsoft Visual Studio 2008 影像解析度：640 × 480像素 攝影機型號：SONY DCR-TRV80 架設高度：115cm(離地) 車輛規格：福特天王星 2000cc 36.
(47) 4.2 白天車道線偵測結果 圖 4-2 表示在白天快速道路上連續行車畫面的模擬結果，可以看出其 不受旁車陰影的影響仍可準確的偵測出車道線的位置。圖 4-3 為一些在行 車當中會發生的現像，如圖 4-3(a)，雖然左邊整個車道線已被旁車遮蔽， 但能可準確的偵測出車道線的位置，圖 4-3(b)則是出現由道路上方看板所 產生的陰影，但仍不受影響，圖 4-3(c)左邊車道線被旁車遮蔽，仍可正確 偵測出來，圖 4-3(d)為路邊山丘所產生的大片陰影的情況。由於台灣地區 群 山 綿 延 ， 因 此 在 行 車 當 中 不 免 會 經 過 幾 個 中 小 距 離 的 隧 道 ， 如 圖 4-4 (a)~(d)為進入隧道前的景象，而圖 4-5 (a)~(d)則為離開隧道時的情況，而 一般攝影器材在進入隧道及離開隧道的同時，會因為攝影機內的感測器來 不及反應而造成過曝的現象，由於我們的演算法具備暫存資料的功能，因 此仍可以保持穩定的動作，直到畫面恢復正常。. 37.
(48) 圖 4-2. (a). (b). (c). (d). (e) (f) 快速道路白天行車影像模擬結果(a) ~ (f)為白天狀態下的連續行. 車畫面. 38.
(49) (a). 圖 4-3. (b). (d) (c) 快速道路白天行車影像模擬結果 (a) 右邊車道線被旁車陰影 遮. 蔽 (b) 道路上方有看板所產生的陰影 (c) 左邊車道線被旁車遮蔽(d) 路 旁山坡所產生的陰影. 39.
(50) (a). 圖 4-4. (b). (d) (c) 快速道路白天行車影像模擬結果(a)~(d) 為進入隧道前的連續畫. 面. 40.
(51) (a). 圖 4-5. (b). (d) (c) 快速道路白天行車影像模擬結果(a)~(d) 為離開隧道前的連續畫. 面. 4.3 夜晚車道線偵測結果 圖 4-6 為夜間行車連續畫面，畫面經過光線的變化仍不影響本演算法 的結果。圖 4-7 為一些特殊的情形，圖 4-7(a)和圖 4-6 相同，經由路燈的 光線變化的偵測情形，圖 4-7(b)和 圖 4-7(c)為夜間進出隧道的情形，圖 4-7(d)為路燈產生眩光的情形，由於眩光呈現一長條的垂直狀，依本演算 法的處理後，仍可正確偵測車車道線位置。. 41.
(52) 圖 4-6. (a). (b). (c). (d). (e) (f) 快速道路夜間行車影像模擬結果(a) ~ (f)為夜間狀態下的連續行. 車畫面. 42.
(53) (a). 圖 4-7. (b). (d) (c) 快速道路夜間行車影像模擬結果 (a) 光線變化 (b) 進入隧道前. (c) 離開隧道前 (d) 路燈所產生的眩光. 4.4 陰雨天車道線偵測結果 圖 4-8 為雨天快速道路的行車影像，可由觀察圖 4-8 (c)~(f)可發現， 即使畫面中央有雨刷出現，仍不會影響我們的偵測結果。圖 4-9 則是在擋 風玻璃上佈滿雨滴的情形。. 43.
(54) 圖 4-8. (a). (b). (c). (d). (e) (f) 雨天快速道路行車影像模擬結果(a) ~ (f) 為雨天狀態下的連續行. 車畫面其中 (c) ~ (f) 畫面中有雨刷干擾情形. 44.
(55) 圖 4-9. (a) (b) 快速道路陰天行車影像模擬結果 (a)~(b) 擋風玻璃上佈滿水滴的. 情形. 4.5 車體震動情況下偵測結果 台灣屬於海島國家，氣候較不穩定，因此道路的狀況無法始終保持在 最佳狀態，因此在行車當中難免會產生些許的震動，尤其是在高速行駛的 狀態下，只要路面有一點凹凸不平，如道路接縫，就可能造成車體不小的 震動，而我們提出的演算法除了選擇較靠近車輛的區域之外，只採用分隔 左右兩邊的偵測區域，且進一步縮小偵測範圍也不侷限在已偵測到的車道 線兩邊的範圍，即是在預防此類情形發生。如圖 4-10 即為該類狀況的連 續行車畫面，即便如此，我們所提出的演算法仍可正常作用。. 45.
(56) 圖 4-10. (a). (b). (c). (d). (e) (f) 白天快速道路行車影像模擬結果(a) ~ (f) 為車輛震動狀態下的. 連續行車畫面. 4.6 成果比較 在本章節中，我們將和 Jung[21]的近端偵測的部分做比較，因其利用 46.
(57) Sobel 以及 Hough transform 做為近端車道的偵測，和本論文所提出的方法 相似，以下簡述 Jung[21]在近車端的演算法流程。. 圖 4-11 表示 Jung[21]所使用的影像座標，同時他也對初始值偵測做 了幾項設定，設定內容與本論文相似，因此就不在贅述；首先，定義近車 端也就是 x > x m 的區域，在其區域內做 Hough transform 直線偵測。. y x. far field. xm. near field. 圖 4-11. Jung[21]所使用的影像座標. 對近端區域做灰階化得到灰階影像 I ，之後對 I 做梯度運算(如 Sobel 運算)，如(4-1)式： T. ⎛ ∂I ∂I ⎞ ∇ I ( x , y ) = ⎜⎜ , ⎟⎟ ≈ ( D x , D y ) T …..…….…………(4-1) ⎝ ∂x ∂y ⎠. 這裡的 D x 及 D y 分別代表 x 方向及 y 方向的微分計算，在利用(4-2)式來計 算▽ I(x,y) 的大小： ∇ I ( x , y ) ≈ D x + D y ….............…….…………(4-2). 接著利用(4-3)式來計算▽ I(x,y) 上每一點的角度值：. 47.
(58) θ ( x, y ) =. ⎛ 1 tan −1 ⎜ ⎜ 2 ⎝. ∑ ∑. ⎞ ⎟ 2 2 ⎟ …...........……(4-3) − ( D ( u , v ) D ( u , v ) ) x y ( u , v )∈R ⎠ ( u , v )∈R. 2 D x (u , v ) D y (u , v ). 這裡的 R 是代表(2 L +1)×(2 L +1)的區域大小，在 Jung[21]中， L 設定為 1， 及 R 為一個 3×3 的區域，角度的範圍為在[-90, 90]之間，並量化成每兩度 為一區間，因此區間數由 180 減少為 90，並建立 tan -1 的角度對照表，來 加快計算速度；接著利用 EDF(Edge Distribution Function)來統計每一個角 度的強度總和，之後由角度─強度統計表找尋累計強度最大的角度α。接 著利用(4-3)式將和角度值相差過大的邊緣點濾除：. if θ ( x , y ) − α < T. ⎧⎪ ∇ I ( x , y ) , g ( x, y ) = ⎨ ⎪⎩ 0,. otherwise. ……..........……(4-4). 此處的門檻值 T 設定為 2，經由(4-3)式即可得到將不適合的邊緣點濾除後 的影像 g 。接著對 g 做 Hough transform 的運算，角度則固定為先前所找 尋到的α，在利用剩餘的邊緣點將合適的ρ計算出來，接著透過(4-5)式將 座標點求出，以便將線段標示在圖上；以上便是 Jung[21]在近車端所使用 找尋車道線的方法。. 但由於 Jung[21]是利用角度做為參數，因此在計算量上耗損相當大， 而且在非車道線剔除的部分，仍是利用角度資訊來加以剔除，因此在多車 道 的 環 境 下 容 易 造 成 判 斷 上 的 錯 誤 ， 圖 4-12 和 圖 4-13 為 本 演 算 法 和 Jung[21]比較的結果，左邊均為本演算法的偵測結果，右邊則為 Jung[21] 的偵測結果。圖 4-12 中，Jung[21]偵測的結果和我們相差不遠，但由圖 4-13 發現 Jung[21]在道路上若出現比車道線長的線條，如圖 4-13(b)，即 會出現偵測錯誤的情形，或是在周圍有強邊緣的情形下，如圖 4-13(f)中 的陰影，產生誤判的機會亦相當高。. 48.
(59) 圖 4-12. (a). (b). (c). (d). (e) (f) 本演算法與 Jung[21]比較結果 (a)~(b) 為一般行車的比較情形. (c)~(d) 為在隧道內的比較情形 (e)~(f) 為擋風玻璃上佈滿雨滴的比較情 形. 49.
(60) 圖 4-13. (a). (b). (c). (d). (e) (f) 本演算法與 Jung[21]比較結果 (a)~(b) 為路面上有非車道的條紋. 的 比 較 情 況 (c)~(d) 為 右 側 車 道 磨 損 消 失 的 比 較 情 形 (e)~(f) 為 左 側 有 明顯黑色線條的比較情形. 50.
(61) 4.7 模擬結果總結 在本節當中，我們將我們模擬的結果整理成表格的形式，表 4-1 的數 據代表我們的演算法在不同天候狀況下的正確率統計，而正確率的計算是 由偵測後的結果和原始影像作比對，判斷其偵測的正確與否，如圖 4-14 顯示判斷為偵測錯誤的情形。在圖 4-14(a)至圖 4-14(c)中，車道線皆為虛 線的形式，所以在某些畫面中，在偵測區域內只存在單一區段的車道線， 缺少前後的參考點，因此在標示車道線時，會產生這類偏移的錯誤。圖 4-14(d)為隧道當中的場景，由於在進入隧道前有產生震動，接著立刻進入 隧道，因光線較暗的關係，因此偵測出來的邊緣數量會偏少，因此系統會 持續以先前能正常偵測畫面的資訊來標示車道線的位置，因而產生此類的 錯誤。在執行本論文的演算法，每張畫面所需的時間為 17ms，由每張畫 面的執行時間來看，本論文提出的演算法在 PC 平台上有能力足以應付每 秒三十張畫面的影像畫面。. 51.
(62) (a). 圖 4-14. (b). (c) (d) (a) 為白天場景出現偵測錯誤的情形 (b) 為雨天場景出現偵測. 錯誤的情形 (c) 為夜間場景出現偵測錯誤的情形 (d) 為隧道內場景出現 偵測錯誤的情形. 表 4-1 天氣狀. 各種天候狀況下的偵測準確率. 總張數. 正確張數. 錯誤張數. 正確率. 白天. 8802. 8688. 114. 98.70%. 夜間. 11756. 11454. 302. 97.43%. 陰雨天. 15513. 15062. 451. 97.09%. 36071. 35204. 867. 97.60%. 況. 52.
(63) 第五章. 結論與未來工作. 在本研究論文中，我們提出一個以霍夫轉換為基礎的智慧型快速車道 線辨識。我們將偵測區域訂定在靠近在車輛的前方，一方面可以減少車輛 及非車道線物件的干擾，另一方面可大幅增進我們演算法的速度；在尋找 車道線方面雖然是採用霍夫轉換的概念去實行，但我們配合初始條件設立， 加上車道線和路面亮度值的差距來將影像二值化，再利用簡單的線性方程 式將該行駛路段的車道線斜率估算出來，以該斜率為尋找範圍的中心，如 此一來，就可以消除斜率的範圍有無窮大的問題，也可以省去傳統霍夫轉 換在偵測直線時所需的三角函數的計算，進一步增進速度。. 在行車當中，我們利用 Sobel 濾波器正邊緣的計算，以及畫面中每行 的邊緣點數量來去除可能不是車道線的邊緣點，再利用初始畫面所計算出 來的斜率來訂定固定的斜率範圍，配合直線參數的霍夫轉換來將車道線偵 測出來；最後，分別去計算左右兩方邊緣點的數量，若多於門檻值，則使 用該張畫面所得到的參數來將車道線標示出來；若少於門檻值，則利用該 方前一張的車道線資訊來將車道線標示出來。. 我們整個演算法單純使用電腦視覺與影像處理的基礎，將車道線標示 出來，而不依賴攝影機的內部參數去做動態補償，一方面可使駕駛者不需 事先了解所使用的攝影鏡頭內部的參數，另一方面可減少計算量，增進計 算速度。. 雖然本論文在特定的條件以及利用 PC 設備模擬的環境上，在各個天 候狀態均獲得不錯的成果，但仍有很多值得繼續研究與改進的地方。如何 進一步將此演算法實現在嵌入式系統或 FPGA 的環境下，仍是一個需要努 53.
(64) 力的目標；另外，在行車途中，確保自己沒有偏離主要的的車道固然重要， 但對於周圍車輛的位置仍需要注意，因此對於後續的車輛偵測的部分，以 及彎曲車道的標示都是需要再進一步的研究並努力的目標。. 54.
(65) 參考文獻. [1]. 交通部全球資訊網 http://www.motc.gov.tw/mocwebGIP/wSite/mp?mp=1.. [2]. 行政院衛生署 http://www.doh.gov.tw/cht2006/index_populace.aspx.. [3]. 交通部運輸研究所http://safety2.iot.gov.tw/asv/6/AVCSS.htm.. [4]. J.C. McCall and M.M. Trivedi, “Video-Based Lane Estimation and Tracking for Driver Assistance:. Survey, System, and Evaluation,”. IEEE Trans. Intelligent Transportation Systems 7(1), pp. 20–37, 2006 [5]. M. Beauvais and S. Lakshmanan, “CLARK: a heterogeneous sensor fusion method for finding lanes and obstacles,” Image and Vision Computing Special Issue on Intelligent Vehicles , Vol. 18, pp. 397–413,. 2000. [6]. M. Bertozzi and A. Broggi, “Real-time lane and obstacle detection on the GOLD system,” Proc. IEEE Intelligent Vehicles Symposium , Tokyo, Japan, Sep.18-20, pp.213-218, 1996.. [7]. Bertozzi, M. and A. Broggi, “GOLD: a parallel real-time stereo vision system for generic obstacle and lane detection,” IEEE Trans. on Image Processing, vol.7, no.1, pp.62-81, Jan. 1998.. [8]. M. Bertozzi, L. Bombini, A. Broggi, P. Cerri, and P. Grisleri, “GOLD: A Framework for Developing Intelligent-Vehicle Vision Applications,” IEEE Trans. Intelligent Systems, vol. 23, no.1, pp.69–71, 2008.. [9]. S.-Y. Chen and J.-W. Hsieh, “Edge-Based Lane Change. Detection and. its Application to Suspicious Driving Behavior Analysis,” International Conference Intelligent Information Hiding and Multimedia Signal Processing (IIHMSP) , pp.415–418, Nov. 2007 55.
(66) [10] C. Lipski, B. Scholz, K. Berger, C. Linz, and T. Stich, “ A Fast and. Robust Approach to Lane Marking Detection and Lane Tracking,” IEEE Southwest Symposium on Image Analysis and Interpretation (SSIAI) , pp.. 57–60, March 2008 [11] S.G. Jeong, C.S. Kim, D.Y. Lee, S.K. Ha, D.H. Lee and M.H. Lee,. “Real-time International. lane. detection. Symposium.. forautonomous On. Industrial. vehicle,”. Proc.IEEE. Electronics ,. Vol.. 3,. pp.1466-1471, 2001. [12] H.-Y. Cheng, C.-C. Yu, C.-C. Tseng, K.-C. Fan, J.-N. Hwang, and B.-S.. Jeng, “Hierarchical Lane Detection for Different Types of Roads,” IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP) , pp. 1349–1352, March 2008. [13] B.-F. Wu, W.-H. Chen, C.-W. Chang, C.-J. Chen, and M.-W. Chung, ”A. New Vehicle Detection with Distance Estimation for Lane Change Warning Systems,” IEEE Intelligent Vehicles Symposium , pp. 698–703, June 2007 [14] C.-Y. Su and G.-H. Fan, “An Effective and Fast Lane Detection. Algorithm,” Proceedings of the 4th International Symposium on Advances in Visual Computing , vol. 5359, pp. 942-948, 2008. [15] L. Jia, L. Zheying, and C. Tingting, “ Study on Road Recognition. Algorithm ,” IEEE Conference Industrial Electronics and Applications (ICIEA) , pp. 2539–2541, May 2007. [16] Y. - U. Yim and S.-Y. Oh, “ Three-Feature Based Automatic Lane. Detection Algorithm (TFALDA) for Autonomous Driving ,” IEEE Trans. Intelligent Transportation Systems , pp . 219–225, 2003. [17] R. Aufrere, R. Chapuis, and F. Chausse, ” A Fast and Robust. Vision-Based Road Following Algorithm,” IEEE Intelligent Vehicles Symposium , pp. 192–197, Oct. 2000. 56.
(67) [18] J.P.. Gonzalez. and. U.. Ozguner,. “ Lane. Detection. Using. Histogram-Based Segmentation and Decision Trees,” IEEE Intelligent Transportation Systems , 346–351, Oct. 2000. [19] A.A. Assidiq, O.O. Khalifa, M.R. Islam, and S. Khan, “ Real Time Lane. Detection. for. Autonomous. Vehicles,”. International. Conference. Computer and Communication Engineering (ICCCE), pp. 82–88, May. 2008. [20] C.-C. Wang, S.-S. Huang, and L.-C. Fu, “Driver assistance system for. lane detection and vehicle recognition with night vision,” International Conference Intelligent Robots and Systems(IROS), pp.3530-3535, Aug.. 2005 [21] C.R. Jung and C.R. Kelber, “Lane following and lane departure using a. linear-parabolic model,” Image and Vision Computing, vol. 23, no.13, pp. 1192-1202, Nov. 2005. [22] Qing Li, Nanning Zheng, and Hong Cheng, “Springrobot: a prototype. autonomous vehicle and its algorithms for lane detection,” IEEE Trans. on Intelligent Transportation Systems , vol. 5, No. 4, Dec. 2004. [23] C. D’Cruz and J.J. Zou, “ Lane Detection for Driver Assistance and. Intelligent. Vehicle. Applications ,”. International. Symposium. Communications and Information Technologies , pp. 1291–1296, Oct.. 2007. [24] Yue Wang, Eam Khwang Teoh, and Dinggang Shen, “Lane detection. and tracking using B-Snake,” Image and Vision Computing , vol.22, pp. 269-280, 2004. [25] Qing Li, Nanning Zheng, and Hong Cheng, “Springrobot: a prototype. autonomous vehicle and its algorithms for lane detection,” IEEE Trans. on Intelligent Transportation Systems , Vol. 5, No. 4, Dec. 2004. [26] OpenCV中文網站， 57.
(68) http://www.opencv.org.cn/index.php/%E9%A6%96%E9%A1%B5. [27] sourceforge.net-Open Computer Vision Library,. http://sourceforge.net/project/showfiles.php?group_id=22870. [28] Intel Software Network,. http://www.intel.com/software/products/ipp/index.htm. [29] Open Source Computer Vision Library Community,. http://tech.groups.yahoo.com/group/OpenCV/ [30] R.. Klette,. K.. Schluns,. and. A.. Koschan,. Computer. Vision:. Three-Dimensional Data from Images , New York, Springer, 1998. [31] N. Otsu, “A Threshold Selection Method from Gray-Level Histogram,”. IEEE Tran. On System, Man, and Cybernetics , val. SMC-9, pp. 62-66,. 1979.. 58.
相關文件
Shinar, "Effects of an in-vehicle collision avoidance warning system on short- and long-term driving performance," Human Factors, vol. Abdel-Aty Mohamed, “Investigating
Cheng-Chang Lien, Cheng-Lun Shih, and Chih-Hsun Chou, “Fast Forgery Detection with the Intrinsic Resampling Properties,” the Sixth International Conference on Intelligent
Ko, “Fast Intra Prediction Mode Selection Scheme Using Temporal Correlation in H.264,” IEEE International Region 10 Conference, pp. Yu, “A Fast Mode Decision Method for
[16] Goto, M., “A Robust Predominant-F0 Estimation Method for Real-time Detection of Melody and Bass Lines in CD Recordings,” Proceedings of the 2000 IEEE International Conference
通常在研究賽格威這類之平衡系統時在於機構之設計是十分的昂貴，本論文
Clay Collier, “In-Vehicle Route Guidance Systems Using Map-Matched Dead Reckoning＂, Position Location and Navigation Symposium, IEEE 1990, 'The 1990's - A Decade of Excellence in the
Dragan , “Provably good global buffering using an available buffer block plan”, IEEE International Conference on Computer-Aided Design, pp.. Cong, “Interconnect performance
Chen, “Adjustable gamma correction circuit for TFT LCD,” IEEE International Symposium on Circuits and Systems, vol. Kan, “Implementation of the Gamma (γ) Line System Similar
