CN102208019A - 基于车载摄像机的车辆变道检测方法 - Google Patents

Abstract

一种基于车载摄像机的当前车辆变道检测方法，第一步，初始化读入图像，将输入的

图像转换到灰度空间；第二步，对图像天空区域和地面区域进行分割，获取地面区域图像；第三步，利用索贝尔算子进行边缘检测；第四步，利用大津法进行二值化；第五步，限定拟合范围，有最低拟合点数限制的霍夫变换，提取车道线方程；第六步，判断车道线类型；第七步，车道线处理结果归类；第八步，判断当前车辆变道情况，本发明采用图像的方式检测当前车辆变换车道情况，利用驾校已有的车载摄像机，成本低廉，实时性高，检测数据多样化，评价学员变道水平准确客观，设备安装简单，适用面广。

Description

基于车载摄像机的车辆变道检测方法

技术领域

本发明涉及图像处理和交通视频检测领域，是一种基于车载摄像机的车辆变道检测方法，主要应用于驾校路考时的车辆变道检测评价。

背景技术

现代社会开车基本成为一个必备技能，考驾照的人数逐年递增，驾校学员的增多让教练员工作量增大，从而给每个学员指导的时间就少了，不利于学员水平的提高。另外，在考驾照过程中，偶尔一些学员通过不正当手段，买通考官，这样没学扎实就拿到驾照，为以后道路交通安全留下隐患。因此，有人提出用一些仪器设备自动检测学员的驾驶水平，并进行信息反馈，减轻教练员的压力，同时，在考试时，利用仪器设备进行评价，更能够做到公平公正，标准统一，让每一个拿到驾照的考生都是合格的司机。

开车时变换车道是驾驶中非常重要的一环，目前评价驾校学员变换车道水平主要依靠教练员和教官目测，人为因素较大，标准不统一，而且依靠人连续判断，时间长了之后效果明显降低，容易出错。另外，少数驾驶学校给车安装陀螺仪，判断该车辆变换车道情况，但是效果非常糟糕，如果方向盘转的角度稍大，就会判断为变换车道成功，容易误判，变道通过的标准也很低，对学员提供驾车水平没有太多益处。

发明内容

本发明是一种实时性高的基于车载摄像机的车辆变道检测方法。

为了实现该目标，本发明采取如下技术方案：

一种基于车载摄像机的车辆变道检测方法，按照以下步骤进行：

步骤1：初始化，从车载摄像机读入视频文件，并截取一帧M₁×M₂×3大小的彩色图像，其中M₁和M₂为正整数，分别表示图像矩阵的行数和列数，然后将获得的彩色图像从RGB彩色空间转换到灰度空间，记为S₁，大小为M₁×M₂，

步骤2：对图像S₁的天空区域和地面区域图像进行分割，其具体分割方法为：利用亮度特征动态寻找图像中路面和背景的分界线，首先采用水平均值投影法对图像S₁进行投影其算法如下：用H(i，j)表示图像S₁中像素点(i，j)的灰度值，则

$x_i=\frac{1}{M_2}\underset{j=1}{\overset{M2}{\mathrm{\Σ}}}H(i,j),$ i＝1，2，…，M₁

其中x_i表示第i行按水平方向投影的灰度均值，构成一个包含M₁个元素的列向量，记为x，从x的第

个元素开始向第M₁个元素进行逐个搜索，其中

表示取整，如果有元素x_c，满足

x_c＜x_c-1且x_c＜x_c+1，

x_c为列向量x的第c个元素，则以第一次出现的满足x_c＜x_c-1且x_c＜x_c+1条件的元素x_c对应的图像矩阵S₁的第c行作为地面区域和天空区域的分割线位置，选取分割线下面的区域作为地面区域图像S₂，地面区域图像S₂的大小为N₂×M₂，其中N₂为正整数，N₂为地面区域图像矩阵S₂的行数，

步骤3：利用公知的Sobel算子对步骤2中选取的地面区域图像S₂进行边缘检测，得到大小为N₂×M₂的图像S₃，

步骤4：利用大津法对图像进行二值化，其具体方法如下：计算类间方差g，

g＝ω₀×ω₁×(μ₀-μ₁)^2，

其中，

${\mathrm{\ω}}_0=\frac{N_0}{N_2\×M_2},$

${\mathrm{\ω}}_1=\frac{M_0}{N_2\×M_2},$

N₀为图像S₃中像素的灰度值小于阈值T₁的像素个数，M₀为图像S₃中像素的灰度值大于阈值T₁的像素个数，μ₀为图像S₃中像素的灰度值小于阈值T₁的所有像素平均灰度，μ₁为图像S₃中像素的灰度值大于阈值T₁的所有像素平均灰度，阈值T₁＝0、1、2、3、……、255，由此得到256个类间方差g，再从中选出最大g值，并以最大g值所对应的阈值T₁作为道路线和路面的分割阈值T，图像S₃中灰度大于T的像素点赋值为255，小于T的像素点赋值为0，得到大小为N₂×M₂的二值化图像S₄，

步骤5：提取车道线方程，其具体算法如下：将二值化图像S₄平均分成左右两部分，左半部分拟合左车道线，右半部分拟合右车道线，对于左车道线拟合，使用左半部分图像，遍历每一个白色像素点(i_l，j_l)，其中1≤j_l≤N₂，其中

表示取整，使用方程：

ρ_l＝i_l×cos(θ_l)+j_l×sin(θ_l)

在θ_l∈(40°，52°)内遍历，ρ_l是直线到坐标原点的距离，这样将图像左半部分白点映射到(ρ_l，θ_l)参数空间累加图像D_l，找到累加图像D_l中累加值最大的点(ρ_lm，θ_lm)，并以累加值最大的点(ρ_lm，θ_lm)的值大于50作为拟合直线的要求，如果满足拟合直线的要求，则该点对应的直线作为潜在左车道线，否则放弃这一帧图像的处理，

对于右车道拟合，使用右半部分图像，遍历每一个白色像素点(i_r，j_r)，其中

1≤j_r≤N₂，其中

表示取整，使用方程：

ρ_r＝i_r×cos(θ_r)+j_r×sin(θ_r)

在θ_r∈(140°，128°)内遍历，ρ_r是直线到坐标原点的距离，这样将图像右半部分白点映射到(ρ_r，θ_r)参数空间累加图像D_r，找到累加图像D_r中累加值最大的点(ρ_rm，θ_rm)，并以累加值最大的点(ρ_rm，θ_rm)的值大于50作为拟合直线的要求，如果满足拟合直线的要求，则该点对应的直线作为潜在右车道线，否则放弃这一帧图像的处理，

步骤6、判断车道线类型，其具体算法如下：对于左车道线，根据上一步得到的车道线方程：ρ_lm＝i_l×cos(θ_lm)+j_l×sin(θ_lm)，令i_l＝1，求出左车道线和图片边缘交点(1，j_l)，如果图片边缘交点中的j_l比图片高度N₂小70以上，认为车道线拟合不准确，放弃，否则，开始判断左车道线类型，建立一个列向量L，共N₂个元素，对于列向量L中的元素L_k的值，1≤k≤N₂，如果图像S₄中第k行里有坐标点为(i_l，j_l)的像素满足方程|ρ_lm-i_l×cos(θ_lm)+j_l×sin(θ_lm)|＜5，且该点像素为白色，L_k取1，否则L_k取0，得到列向量L后，记L中1的个数为L₁，如果

左车道线为虚线，否则为实线，

对于右车道线，根据上一步得到的车道线方程：ρ_rm＝i_r×cos(θ_rm)+j_r×sin(θ_rm)，令i_r＝M₂，求出右车道线和图片边缘交点(M₂，j_r)，如果图片边缘交点中的j_r比图片高度N₂小70以上，认为车道线拟合不准确，放弃，否则，开始判断右车道线类型，建立一个列向量R，共N₂个元素，对于元素R_k的值，如果图像S₄中第k行里有坐标点为(i_r，j_r)的像素满足方程|ρ_rm-i_r×cos(θ_rm)+j_r×sin(θ_rm)|＜5，且该点像素为白色，R_k取1，否则R_k取0，得到列向量R后，记R中1的个数为R₁，如果

右车道线为虚线，否则为实线，

步骤7、车道线处理结果归类

将不能满足步骤5所述拟合直线要求的图像标记为0；将步骤6中车道线拟合不准确的图像记为0；步骤6中左车道线为实线且右车道线为虚线的图像记为1，对应左车道，左右车道线都是虚线的图像记为2，对应中间车道，左车道线为虚线且右车道线为实线的图像记为3，对应右车道，

步骤8、判断当前车辆变道情况

将摄像机读入的每一帧图像经过步骤1至步骤7的处理出来的结果标记为0、1、2、3中的一个数字，并按照处理结果的先后顺序，将代表处理结果的标记数字0、1、2或3组合成一个序列，且将新的图像处理结果不断地排在序列的尾部，由此形成一个实时更新的序列，并从这个实时更新的序列中可以判断车辆变道情况，具体判断方法如下：

步骤8.1对实时更新的序列的最后十个元素进行观察，如果发现最后十个元素的数值同时为1、同时为2或同时为3，则记这最后十个元素对应的同一个数值为a，否则，进入步骤8.2，

步骤8.2从序列倒数第十一个元素开始向前搜索，如果再次发现连续十个元素的数值同时为1、同时为2或同时为3，则记这十个元素对应的同一个数值为b，否则，返回步骤8.1，

步骤8.3如果数值a与数值b不相等，则变换车道成功，否则，返回步骤8.1，继续观察实时更新的序列的最后十个元素。

与现有的技术相比，本发明的特点在于：

1)利用已有的车载摄像机，外加一个简单的工控机，成本低廉，比请教练员省很多费用。

2)实时性高。摄像机每秒可以提供25帧图像，而只要10帧就可以准确检测出变换车道情况，耗时小于0.5秒。

3)检测数据多，评价变道水平准确客观。通过该方式可以检测变道所用的时间，是否压线，结合其他一些设备，可以检测变道所用距离等参数，可以对考试变道水平进行准确客观的评价。

4)适用面广，易于推广。硬件设备简单便宜，安装时不要对车进行改造，易于安装，很容易推广到全国的大部分驾校考试系统。对于一些特例，对软件进行简单改进，也能适用。

附图说明

图1是整个程序的流程图。

具体实施方式

在具体的实施方式中，将结合附图，清楚完整地描述基于车载摄像机的当前车辆变道检测的详细过程，

一种基于车载摄像机的车辆变道检测方法，其特征在于按照以下步骤进行：

步骤1：初始化，从车载摄像机读入视频文件，并截取一帧M₁×M₂×3大小的彩色图像，其中M₁和M₂为正整数，分别表示图像矩阵的行数和列数，然后对于彩色图像每一个像素，使用公式Y＝0.299*R+0.587*G+0.114*B(R、G、B分别代表每一个像素红色，绿色，蓝色分量值)将Y作为该点灰度值，从而将彩色图像转换为灰度图像，记为S₁，大小为M₁×M₂，

步骤2：对图像S₁的天空区域和地面区域图像进行分割，其具体分割方法为：利用亮度特征动态寻找图像中路面和背景的分界线，首先采用水平均值投影法对图像S₁进行投影其算法如下：用H(i，j)表示图像S₁中像素点(i，j)的灰度值，则

$x_i=\frac{1}{M_2}\underset{j=1}{\overset{M2}{\mathrm{\Σ}}}H(i,j),$ i＝1，2，…，M₁

其中x_i表示第i行按水平方向投影的灰度均值，构成一个包含M₁个元素的列向量，记为x，从x的第

个元素开始向第M₁个元素进行逐个搜索，其中

表示取整，如果有元素x_c，满足

x_c＜x_c-1且x_c＜x_c+1，

x_c为列向量x的第c个元素，

则以第一次出现的满足x_c＜x_c-1且x_c＜x_c+1条件的元素x_c对应的图像矩阵S₁的第c行作为地面区域和天空区域的分割线位置，选取分割线下面的区域作为地面区域图像S₂，地面区域图像S₂的大小为N₂×M₂，其中N₂为正整数，N₂为地面区域图像矩阵S₂的行数，

步骤3：利用Y方向的Sobel算子对步骤2中选取的地面区域图像S₂进行边缘检测，算子如下：

$\left[\begin{array}{ccc}-1& -2& 1\\ 0& 0& 0\\ 1& 2& 1\end{array}\right]$

得到大小为N₂×M₂的图像S₃，

步骤4：利用大津法对图像进行二值化，其具体方法如下：计算类间方差g，

g＝ω₀×ω₁×(μ₀-μ₁)^2，

其中，

${\mathrm{\ω}}_0=\frac{N_0}{N_2\×M_2},$

${\mathrm{\ω}}_1=\frac{M_0}{N_2\×M_2},$

N₀为图像S₃中像素的灰度值小于阈值T₁的像素个数，M₀为图像S₃中像素的灰度值大于阈值T₁的像素个数，μ₀为图像S₃中像素的灰度值小于阈值T₁的所有像素平均灰度，μ₁为图像S₃中像素的灰度值大于阈值T₁的所有像素平均灰度，阈值T₁＝0、1、2、3、……、255，由此得到256个类间方差g，再从中选出最大g值，并以最大g值所对应的阈值T₁作为道路线和路面的分割阈值T，图像S₃中灰度大于T的像素点赋值为255，小于T的像素点赋值为0，得到大小为N₂×M₂的二值化图像S₄，

步骤5：提取车道线方程，其具体算法如下：将二值化图像S₄平均分成左右两部分，左半部分拟合左车道线，右半部分拟合右车道线，对于左车道线拟合，使用左半部分图像，遍历每一个白色像素点(i_l，j_l)，其中

1≤j_l≤N₂，其中

表示取整，使用方程：

ρ_l＝i_l×cos(θ_l)+j_l×sin(θ_l)

ρ_l是直线到坐标原点的距离，在θ_l∈(40°，52°)内遍历，θ_l有13个取值，每一个白色像素点也对应13个ρ_l，这样将图像左半部分白点映射到(ρ_l，θ_l)参数空间累加图像D_l，找到累加图像D_l中累加值最大的点(ρ_lm，θ_lm)，并以累加值最大的点(ρ_lm，θ_lm)的值大于50作为拟合直线的要求，如果满足拟合直线的要求，则该点对应的直线作为潜在左车道线，否则放弃这一帧图像的处理，

对于右车道拟合，使用右半部分图像，遍历每一个白色像素点(i_r，j_r)，其中

1≤j_r≤N₂，其中

表示取整，使用方程：

ρ_r＝i_r×cos(θ_r)+j_r×sin(θ_r)

ρ_r是直线到坐标原点的距离，在θ_r∈(140°，128°)内遍历，θ_r有13个取值，每一个白色像素点也对应13个ρ_r，这样将图像右半部分白点映射到(ρ_r，θ_r)参数空间累加图像D_r，找到累加图像D_r中累加值最大的点(ρ_rm，θ_rm)，并以累加值最大的点(ρ_rm，θ_rm)的值大于50作为拟合直线的要求，如果满足拟合直线的要求，则该点对应的直线作为潜在右车道线，否则放弃这一帧图像的处理，

步骤6、判断车道线类型，其具体算法如下：对于左车道线，根据上一步得到的车道线方程：ρ_lm＝i_l×cos(θ_lm)+j_l×sin(θ_lm)，令i_l＝1，求出左车道线和图片边缘交点(1，j_l)，如果图片边缘交点中的j_l比图片高度N₂小70以上，认为车道线拟合不准确，放弃，否则，开始判断左车道线类型，建立一个列向量L，共N₂个元素，对于列向量L中的元素L_k的值，1≤k≤N₂，如果图像S₄中第k行里有坐标点为(i_l，j_l)的像素满足方程|ρ_lm-i_l×cos(θ_lm)+j_l×sin(θ_lm)|＜5，且该点像素为白色，L_k取1，否则L_k取0，得到列向量L后，记L中1的个数为L₁，如果

左车道线为虚线，否则为实线，

对于右车道线，根据上一步得到的车道线方程：ρ_rm＝i_r×cos(θ_rm)+j_r×sin(θ_rm)，令i_r＝M₂，求出右车道线和图片边缘交点(M₂，j_r)，如果图片边缘交点中的j_r比图片高度N₂小70以上，认为车道线拟合不准确，放弃，否则，开始判断右车道线类型，建立一个列向量R，共N₂个元素，对于元素R_k的值，如果图像S₄中第k行里有坐标点为(i_r，j_r)的像素满足方程|ρ_rm-i_r×cos(θ_rm)+j_r×sin(θ_rm)|＜5，且该点像素为白色，R_k取1，否则R_k取0，得到列向量R后，记R中1的个数为R₁，如果

右车道线为虚线，否则为实线，

步骤7、车道线处理结果归类

每一帧图像经过步骤1到步骤6的处理都会得到唯一一个结果，将不能满足步骤5所述拟合直线要求的图像标记为0；将步骤6中车道线拟合不准确的图像记为0；步骤6中左车道线为实线且右车道线为虚线的图像记为1，对应左车道，左右车道线都是虚线的图像记为2，对应中间车道，左车道线为虚线且右车道线为实线的图像记为3，对应右车道，

步骤8、判断当前车辆变道情况

将摄像机读入的每一帧图像经过步骤1至步骤7的处理出来的结果标记为0、1、2、3中的一个数字，并按照处理结果的先后顺序，将代表处理结果的标记数字0、1、2或3组合成一个序列，且将新的图像处理结果不断地排在序列的尾部，由此形成一个实时更新的序列，并从这个实时更新的序列中可以判断车辆变道情况，具体判断方法如下：

步骤8.1对实时更新的序列的最后十个元素进行观察，如果发现最后十个元素的数值同时为1、同时为2或同时为3，则记这最后十个元素对应的同一个数值为a，否则，进入步骤8.2，

步骤8.2从序列倒数第十一个元素开始向前搜索，如果再次发现连续十个元素的数值同时为1、同时为2或同时为3，则记这十个元素对应的同一个数值为b，否则，返回步骤8.1，

步骤8.3如果数值a与数值b不相等，则变换车道成功，否则，返回步骤8.1，继续观察实时更新的序列的最后十个元素。

Claims (1)

1.一种基于车载摄像机的车辆变道检测方法，其特征在于按照以下步骤进行：

步骤1：初始化，从车载摄像机读入视频文件，并截取一帧M₁×M₂×3大小的彩色图像，其中M₁和M₂为正整数，分别表示图像矩阵的行数和列数，然后将获得的彩色图像从RGB彩色空间转换到灰度空间，记为S₁，大小为M₁×M₂，

步骤2：对图像S₁的天空区域和地面区域图像进行分割，其具体分割方法为：利用亮度特征动态寻找图像中路面和背景的分界线，首先采用水平均值投影法对图像S₁进行投影其算法如下：用H(i，j)表示图像S₁中像素点(i，j)的灰度值，则

$x_i=\frac{1}{M_2}\underset{j=1}{\overset{M2}{\mathrm{\Σ}}}H(i,j),$ i＝1，2，…，M₁

其中x_i表示第i行按水平方向投影的灰度均值，构成一个包含M₁个元素的列向量，记为x，从x的第

个元素开始向第M₁个元素进行逐个搜索，其中[□]表示取整，如果有元素x_c，满足

x_c＜x_c-1且x_c＜x_c+1，

x_c为列向量x的第c个元素，

则以第一次出现的满足x_c＜x_c-1且x_c＜x_c+1条件的元素x_c对应的图像矩阵S₁的第c行作为地面区域和天空区域的分割线位置，选取分割线下面的区域作为地面区域图像S₂，地面区域图像S₂的大小为N₂×M₂，其中N₂为正整数，N₂为地面区域图像矩阵S₂的行数，

步骤3：利用公知的Sobel算子对步骤2中选取的地面区域图像S₂进行边缘检测，得到大小为N₂×M₂的图像S₃，

步骤4：利用大津法对图像进行二值化，其具体方法如下：计算类间方差g，

g＝ω₀×ω₁×(μ₀-μ₁)^2，

其中，

${\mathrm{\ω}}_0=\frac{N_0}{N_2\×M_2},$

${\mathrm{\ω}}_1=\frac{M_0}{N_2\×M_2},$

N₀为图像S₃中像素的灰度值小于阈值T₁的像素个数，M₀为图像S₃中像素的灰度值大于阈值T₁的像素个数，μ₀为图像S₃中像素的灰度值小于阈值T₁的所有像素平均灰度，μ₁为图像S₃中像素的灰度值大于阈值T₁的所有像素平均灰度，阈值T₁＝0、1、2、3、……、255，由此得到256个类间方差g，再从中选出最大g值，并以最大g值所对应的阈值T₁作为道路线和路面的分割阈值T，图像S₃中灰度大于T的像素点赋值为255，小于T的像素点赋值为0，得到大小为N₂×M₂的二值化图像S₄，

步骤5：提取车道线方程，其具体算法如下：将二值化图像S₄平均分成左右两部分，左半部分拟合左车道线，右半部分拟合右车道线，对于左车道线拟合，使用左半部分图像，遍历每一个白色像素点(i_l，j_l)，其中1

1≤j_l≤N₂，其中[□]表示取整，使用方程：

ρ_l＝i_l×cos(θ_l)+j_l×sin(θ_l)

在θ_l∈(40°，52°)内遍历，ρ_l是直线到坐标原点的距离，这样将图像左半部分白点映射到(ρ_l，θ_l)参数空间累加图像D_l，找到累加图像D_l中累加值最大的点(ρ_lm，θ_lm)，并以累加值最大的点(ρ_lm，θ_lm)的值大于50作为拟合直线的要求，如果满足拟合直线的要求，则该点对应的直线作为潜在左车道线，否则放弃这一帧图像的处理，

对于右车道拟合，使用右半部分图像，遍历每一个白色像素点(i_r，j_r)，其中

1≤j_r≤N₂，其中[□]表示取整，使用方程：

ρ_r＝i_r×cos(θ_r)+j_r×sin(θ_r)

在θ_r∈(140°，128°)内遍历，ρ_r是直线到坐标原点的距离，这样将图像右半部分白点映射到(ρ_r，θ_r)参数空间累加图像D_r，找到累加图像D_r中累加值最大的点(ρ_rm，θ_rm)，并以累加值最大的点(ρ_rm，θ_rm)的值大于50作为拟合直线的要求，如果满足拟合直线的要求，则该点对应的直线作为潜在右车道线，否则放弃这一帧图像的处理，

步骤6、判断车道线类型，其具体算法如下：对于左车道线，根据上一步得到的车道线方程：ρ_lm＝i_l×cos(θ_lm)+j_l×sin(θ_lm)，令i_l＝1，求出左车道线和图片边缘交点(1，j_l)，如果图片边缘交点中的j_l比图片高度N₂小70以上，认为车道线拟合不准确，放弃，否则，开始判断左车道线类型，建立一个列向量L，共N₂个元素，对于列向量L中的元素L_k的值，1≤k≤N₂，如果图像S₄中第k行里有坐标点为(i_l，j_l)的像素满足方程|ρ_lm-i_l×cos(θ_lm)+j_l×sin(θ_lm)|＜5，且该点像素为白色，L_k取1，否则L_k取0，得到列向量L后，记L中1的个数为L₁，如果

左车道线为虚线，否则为实线，

对于右车道线，根据上一步得到的车道线方程：ρ_rm＝i_r×cos(θ_rm)+j_r×sin(θ_rm)，令i_r＝M₂，求出右车道线和图片边缘交点(M₂，j_r)，如果图片边缘交点中的j_r比图片高度N₂小70以上，认为车道线拟合不准确，放弃，否则，开始判断右车道线类型，建立一个列向量R，共N₂个元素，对于元素R_k的值，如果图像S₄中第k行里有坐标点为(i_r，j_r)的像素满足方程|ρ_rm-i_r×cos(θ_rm)+j_r×sin(θ_rm)|＜5，且该点像素为白色，R_k取1，否则R_k取0，得到列向量R后，记R中1的个数为R₁，如果右车道线为虚线，否则为实线，

步骤7、车道线处理结果归类

将不能满足步骤5所述拟合直线要求的图像标记为0；将步骤6中车道线拟合不准确的图像记为0；步骤6中左车道线为实线且右车道线为虚线的图像记为1，对应左车道，左右车道线都是虚线的图像记为2，对应中间车道，左车道线为虚线且右车道线为实线的图像记为3，对应右车道，

步骤8、判断当前车辆变道情况

将摄像机读入的每一帧图像经过步骤1至步骤7的处理出来的结果标记为0、1、2、3中的一个数字，并按照处理结果的先后顺序，将代表处理结果的标记数字0、1、2或3组合成一个序列，且将新的图像处理结果不断地排在序列的尾部，由此形成一个实时更新的序列，并从这个实时更新的序列中可以判断车辆变道情况，具体判断方法如下：

步骤8.1对实时更新的序列的最后十个元素进行观察，如果发现最后十个元素的数值同时为1、同时为2或同时为3，则记这最后十个元素对应的同一个数值为a，否则，进入步骤8.2，

步骤8.2从序列倒数第十一个元素开始向前搜索，如果再次发现连续十个元素的数值同时为1、同时为2或同时为3，则记这十个元素对应的同一个数值为b，否则，返回步骤8.1，

步骤8.3如果数值a与数值b不相等，则变换车道成功，否则，返回步骤8.1，继续观察实时更新的序列的最后十个元素。

Images