一种地址事件数据流的车道线识别方法技术

本发明专利技术公开了一种针对地址事件AER(Address Event Representation)数据流的车道线识别方法，主要解决运动模糊、光照明暗环境下的车道线识别问题。实现的方案是：(1)使用事件仿真器将传统车道线图像帧转换成事件流数据(2)利用事件流的异步输出特性，对事件数据进行滤波的方式去噪。(3)用LIF(Le aky Integrate

【技术实现步骤摘要】
一种地址事件数据流的车道线识别方法


[0001]本专利技术涉及车道线识别
，特别涉及一种地址事件数据流的车道线识别方法。

技术介绍

[0002]车道线识别是目前高级驾驶辅助系统的关键技术之一，借助车载传感器来辅助驾驶员感知行车环境中存在的安全隐患，通过识别车道线分析出车辆位于行驶车道的相对位置，从而判断车辆是否存在车道偏离的危险，对可能存在的危险情况提前预警进一步。现有的车道线识别方法大多借助于传统的可见光相机，可以归纳为基于特征的车道线识别方法、基于模型的车道线识别方法、机器学习的图像分割方法。当车辆高速行驶时，容易造成运动模糊，而且这些包含大量冗余信息的连续图像帧会极大地浪费计算能力、内存空间和时间。
[0003]事件相机是一种仿神经形态的传感器，近年来受到研究人员广泛的关注，该传感器可对其感光阵列中的每一个像素点上的光强信息按时间先后进行连续检测，当相对变化超过阈值时，异步独立地输出该像素点的位置信息和变化属性，这种包含位置信息和变化属性的数据称为“事件”。传统相机以“帧”的形式捕捉和存储视频，不管亮度变化，在一个固定的周期内拍摄完整的帧画面，且每一帧图像都携带着来自所有像素的视觉信息。这种成像机制带来了大量的信息冗余，对带宽和存储提出了很大的挑战，而通过事件驱动的方式完全可以满足数据量小且高时间分辨率的要求。
[0004]基于地址事件表示的目标识别与跟踪在计算机视觉领域虽然已经取得研究进展，但在现实应用中，环境多变以及光照明暗等复杂情况给车道线识别带来很大困难。Maqueda等人通过实验证明在具有挑战性的光照条件和快速运动的情况下，事件数据在预测车辆的转向角度时仍具有鲁棒性。但是，该方法中使用的模型是传统图像训练的网络模型，未保留事件流数据的异步特性。Wang提出一种基于改进高斯斑点跟踪算法的定位检测器，用于事件目标跟踪和定位，可以实现参考正方向的识别。但是，当增加分类方向时容易发生识别错误。 Ramesh等人提出一种事件信息的(Distribution Aware RetinalTransform，DART)描述子，但该描述子在设计原理上未考虑旋转、尺度、视角的不变性。Li采用相关滤波器和卷积神经网络对事件流对象进行跟踪，但噪声事件对其影响较大。

技术实现思路

[0005]本专利技术的目的是针对上述现有方法的不足，提出一种针对地址事件数据流的车道线识别方法，可以在车辆高速行驶、环境的光线亮暗等影响下实现车道线识别，同时，本专利技术有效利用事件流数据的高时间分辨率、宽动态范围等特性，减少车道线数据的计算量和存储空间，提高了计算能力、车道线的检测率。
[0006]本专利技术的具体步骤包括如下：
[0007](1)模拟生成地址事件数据流：
[0008](1a)利用事件仿真器ESIM，将传统相机拍摄的车道线视频转换成事件流数据；
[0009](1b)将四种不同场景下的车道线事件流数据文件组成地址事件的车道线数据库；
[0010](2)对事件流数据进行滤波：
[0011](2a)将一个事件定义为e
i
＝(x
i
,y
i
,t
i
)，假设在T时间段内，共发生事件数量为N，记为事件数N包括噪声引起的事件(无效事件 N
noise
)和真实发生的事件(有效事件N
valid
)，用数学表达式写作
[0012][0013](2b)在固定时间间隔T＝20毫秒内，利用事件流密度值计算公式，计算当前时空领域内事件的密度值ρ，所述的密度计算公式如下：
[0014][0015]其中，ρ表示事件的密度值，U(x,y,t)为事件(x,y,t)的时空领域，i表示时空领域内所有事件的序号，i＝1,2,
…
,n，x
i
表示地址事件流集中第i个事件在三维坐标系对应的横坐标位置，同理y
i
是对应的纵坐标位置，t
i
是对应的时间戳，∫表示积分操作，ε(x,y,t)表示阶跃函数。
[0016](2c)在时空邻域U(x,y,t)内，若当前事件的密度ρ大于50，则保留该事件数据，否则，为无效事件，丢弃此事件数据；
[0017](3)用LIF(Leaky Integrate
‑
and
‑
Fire)编码方式得到事件帧：
[0018](3a)把每个图像像素(x,y)看作是一个具有膜电位和触发计数器n 的神经元；
[0019](3b)每个输入事件会导致像素(x,y)处的膜电位(Membrane Potential,MP)阶跃增加，同时相应的MP值遵循固定衰减速率下降；一旦像素MP值超过设定阈值，则将其重置为0；
[0020](3c)在时间T＝20毫秒内，统计每个像素的膜电位MP超过阈值的次数n，通过如下归一化计算公式将像素值映射到0～255；
[0021][0022]式中，σ(n)是事件帧的像素值，n为20毫秒的时间内像素点(x,y) 上发生的事件总数。
[0023](3d)采用阈值分割法对像素值σ(n)二值化操作,若大于设定阈值，则当前位置的像素设为1，否则像素值为0；
[0024](4)对预处理后的车道线进行视角转换得到俯瞰图：
[0025]通过逆透视变换矩阵将相机拍摄的视角转化成车道线的俯瞰视角，从而恢复两条车道线的平行关系。相机坐标系(x,y,z)到二维图像坐标系(u,v)的变换公式如下；
[0026][0027]其中，Z
c
是比例因子，通常假设车道是平行的，Z
c
即为固定值；是相机内参数矩阵；R是旋转矩阵；t是位移。
[0028](5)利用统计直方图的峰值定位出起始点的搜索位置：
[0029](5a)将视角转换后的俯瞰图沿着竖直方向一分为二，划分为左、右两个搜索区域；
[0030](5b)对俯瞰图的左、右两个区域在竖直方向上做非零像素点个数的直方图统计；
[0031](5c)左、右区域的两个峰值分别作为左、右两条车道线的搜索起点；
[0032](6)利用滑动窗定位特征点，并采用随机抽样一致法拟合车道线：
[0033](6a)将当前搜寻的基点作为搜索起点，并以当前基点为中心，做网格化搜寻。同时，统计每个搜索框区域内非零像素的个数，剔除非零像素个数小于一定阈值的搜索框；
[0034](6b)计算每个搜索框内非零像素坐标的均值，作为特征点；
[0035](6c)根据如下三次B样本曲线模型，随机选取若干个点，生成一条初始曲线；
[0036][0037]其中，q
i
是控制曲线的特征点，i＝1,2,
…
，t的取值范围为 [0,1]。
[0038](6d)计算剩余特征点与初始曲线的相对距离，当相对距离小于设定阈值时执行(6e)，否则执行步骤(6c)，直至达到最大迭代次数；
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种地址事件数据流的车道线识别方法，其特征在于，该方法具体包括以下步骤：(1)模拟生成地址事件数据流：利用事件仿真器ESIM，将传统相机拍摄的车道线视频转换成事件流数据；(2)对事件流数据进行滤波：在固定时间间隔T＝20毫秒内，利用事件流密度值计算公式，计算当前时空领域内事件的密度值ρ，若当前事件的密度ρ大于50，则保留该事件数据，否则，为无效事件，丢弃此事件数据；(3)用LIF(Leaky Integrate
‑
and
‑
Fire)编码方式得到事件帧：(3a)把每个图像像素(x,y)看作是一个具有膜电位和触发计数器n的神经元，每个输入事件会导致像素(x,y)处的膜电位MP值阶跃增加，同时相应的MP值遵循固定衰减速率下降；一旦像素MP值超过设定阈值，则将其重置为0；(3b)在时间间隔T＝20毫秒内，统计每个像素的膜电位MP超过阈值的次数n，通过归一化计算公式将像素值映射到0～255；(4)对预处理后的车道线进行视角转换得到俯瞰图：通过逆透视变换矩阵将相机拍摄的视角转化成车道线的俯瞰视角，从而恢复两条车道线的平行关系；(5)利用统计直方图的峰值定位出起始点的搜索位置：(6)利用滑动窗定位特征点，并采用随机抽样一致法拟合车道线...

【专利技术属性】
技术研发人员：张远辉，许璐钧，
申请(专利权)人：中国计量大学，
类型：发明
国别省市：