Parking Slot Markings Recognition for Automatic Parking Assist System

Abstract

提出了一种基于单目视觉的停车泊位标记识别算法，用于自动停车辅助系统目标位置的自动选择。特别地，霍夫空间的一维滤波器是利用对鸟瞰边缘图像中标记线特征的先验知识设计的。采用修正的点与线段距离来区分准则与识别的标记线段。一旦准则被成功识别，t型模板匹配很容易识别分割标记线段。

Introduction

自动停车系统由环境识别、路径生成、位姿估计、路径跟踪控制器、主动转向/制动系统、人机界面六部分组成。半自动停车系统使刹车动作，即速度控制，由驾驶员负责。虽然目前的系统一般采用超声波、激光扫描仪等距离传感器作为环境识别传感器，但视觉系统有望成为未来系统的主要传感器。

基于视觉的自动停车系统分为三类，第一种方法是将相邻车辆识别为可用停车位的边界，第二种方法是识别停车位标记，第三种方法同时识别停车位标记和相邻车辆。本文提出的是给予视觉的方法。

方法由六个阶段组成:

1. 通过广角镜头拍摄产生的图像建立鸟瞰图
2. 边缘图像的霍夫曼变换
3. 通过峰对检测进行标识线识别
4. 标记线段识别
5. 利用点到线段的修正距离进行准则识别
6. 分割标记线段识别

接下来会重点讲述这六部分，峰对检测是在边缘图像中，假设一个标记线段在边缘图像中变成了一个距离固定宽度的平行线对，在霍夫空间中形成一个特征模式。结合这种先验知识的一维滤波器成功地检测出划线。不懂可以看下文。

霍夫变换

1. 鸟瞰图生成

文章使用 Ho Gi Jung, Yun Hee Lee, Dong Suk Kim, and Pal Joo Yoon, “Stereo vision based advanced driver assistance system”, Proceedings of AVEC International Workshop 2005, 19 Dec. 2005, pages: 97~104. 提出的方法进行两个坐标间的转换。然后用sobel算子得到边缘图像。

2. 边缘图像的霍夫曼变换

等距平行线段对在霍夫空间中形成了一种特征模式。也就是说，与线段对对应的霍夫空间中的两个峰在方向轴上的坐标几乎相同，且在霍夫空间的距离轴上的距离固定，彼此之间的距离一定。此外，两个峰的高度应该是相同的。接下来讨论了为什么霍夫变换可以识别线。具体高深的东西可以看原文，下图表示变换后的结果。

标记线段识别

一维过滤和聚合在霍夫变换中用来检测峰对值，在霍夫空间的d轴，两个山峰有相同的$\theta$θ值和固定的距离W。结合霍夫空间中峰对的先验知识，在d轴方向上进行一维滤波，可以检测出峰对的候选点。通过形态扩张和连通分量搜索，连续检测候选簇。无疑每个簇的质心是峰对对应的标记线参数的良好估计。然后作者设计了下图 的一维滤波。

虽然在霍夫空间中，几乎所有的候选直线都是一个簇，但也有一些候选直线不与簇相连，这取决于直线的厚度和长度。为了弥补二值化的缺点，采用5x5矩形核的扩张算法对候选簇进行了鲁棒检测。结果如下图所示。

接下来一步线段的识别，在峰值对检测中使用先验知识。

Parking Slot Marking Recognition

导轨线识别

在已识别的车位标记的标记线段中，采用距离摄像机较近且可能垂直于注视方向的准则进行选择，导轨是车位识别中最重要的线段，是车位与道路的边界，是车位识别的参考。导轨线识别的具体方法首先判断离摄像机的距离，然后进行修正。如下图所示，虽然线段S2的起点比S1的起点近，但由于线段S2的方向与注视方向相似，因此S2的修正距离大于S1。

划分标记线段

利用标记时像素的强度与标记时像素的强度沿导轨线的差异，可以检测出标记线段分割的停车位。车位标志由一条导轨组成，将车位与巷道分开，并将标线与导轨垂直分割。通过检测强度差确定为较小的位置，成功地识别出导轨与划分标记线段之间的“T”形连接。
此外，因为T型结是沿着整条扩展的导轨线搜索的，可以检测到额外的分划线，这些线在峰值对检测中不会被检测到，因为它们位于较远且模糊的位置。

小计

这是我仔细研究的第一篇停车位检测为文章，论文作者的功底可谓深厚，看了好几遍有的地方还是不太明白，不过整个作者的处理流程应该是比较简单，主要思路是通过检测导轨线来进一步检测停车线。初级菜鸟，欢迎交流！