1、實驗內容

在車道保持LKA功能實現時，需要對車道線進行精準檢測：①、計算曲率半徑，②、保證測距精度。因此需要對相機的透視圖persImg進行IPM逆透視變換，得到俯視圖birdImg，在birdImg中進行車道線特征檢測、擬合和測距。

基于以下思路，建立了新的IPM模型：對真實世界坐標系中欲關注車前的區域（如12m×30m），由相機模型可以確定在透視圖中的對應區域。在設定好分辨率的俯視圖中，把對應世界坐標系中的點在透視圖中對應點的像素賦給俯視圖。

原IPM模型是基于加州大學論文《Real time Detection of Lane Markers in Urban Streets》實現的，該算法俯視圖效果車道線區域占俯視圖比重小，保留干擾多，測距精度低。在更新IPM模型后，會使用實車樣本進行新IPM、原IPM模型的對比實驗。

2、實驗條件

① 生成的俯視圖分辨率：240×312；

② 為了盡可能和原IPM模型參數接近，在新IPM模型中取：車前ROI底部為5m，頂部為35m，寬度為12m；

③ 根據params.txt中的參數，最終調整相機姿態角為：

YawPitchRoll[3]={-0.5,? 3.522106, 0.683845 }；

3、實驗結果展示及對比

原IPM模型、新IPM模型生成的俯視圖的對比效果如下：

原IPM模型????????????? ?????????????????????新IPM模型

??? ?

??? ?

由上面第13、213幀，對比原IPM和新IPM模型生成的俯視圖，可以發現：新IPM模型從“需求”出發，只關注車前劃定的區域（自定義宏，可根據實際情況進行修改）。所以生成的俯視圖盡可能的包含了實際需要的車道線信息，而且幾乎充滿俯視圖的顯示區域內。

而原IPM模型直接在透視圖中畫矩形ROI，由于近端和遠端在俯視圖上的相同像素，代表的實際距離相差數倍，所以生成的俯視圖呈“下窄上寬”的倒梯形。因此，保留了很多車道線外的干擾信息，還把真實有用的車道線“擁擠”在俯視圖中央區域顯示。

????

????

對比第915、1060幀中，原、新IPM模型生成的俯視圖，可以發現：與原IPM模型相比，新IPM模型下俯視圖中的車道線更粗，更清晰。而且，遠端車道線的信息也更加完整清楚、易于辨識。

????

????

????

????

對比上面第1565、1611、3238、5055幀（帶前車干擾），可以看出：與原IPM模型相比，新IPM模型下前車干擾的長度變短、寬度增大，整體而言畸變減小。故帶來的干擾區域更集中、與車道線的夾角更大。在后期的特征提取模塊，干擾更易于處理。

綜上所述，與原IPM模型相比，新IPM模型效果提升顯著：1、考慮了相機三個姿態角，俯視圖中車道線信息平行等寬效果變好；2、直接定車前欲關注的范圍，俯視圖中車道線信息更清晰準確，干擾信息大幅減小。

4、實驗結論

? 驗證發現：IPM模型和相機外參模型結果正確。通過對比新、原IPM模型下效果發現：與原IPM模型相比，效果提升顯著。新IPM模型下俯視圖中車道線信息更加清晰，無效信息大幅減小。

《新程序員》：云原生和全面數字化實踐50位技術專家共同創作，文字、視頻、音頻交互閱讀

總結

以上是生活随笔為你收集整理的【智能驾驶】车道线检测中的新IPM（逆透视变换）算法实验效果的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。