CN104102905B - 一种车道线自适应的检测方法 - Google Patents

Abstract

本发明涉及智能交通领域，尤其涉及一种车道线自适应检测的方法，利用图像消失点属性的原理，完成坐标转换，确定感兴趣区域；对感兴趣区域进行分层分块，对边缘图像进行二值化处理；统计线段特征，根据车道线的宽度特征与亮度特征去干扰处理；建立Hough变换中所需投影直线的表格，结合左右车道的距离特征和两条车道线相互平行特征，找出最合适的直线，作为当前的车道线。本发明的有益效果在于：通过对图像的分层分块，使算法在局部小区域里处理，再在边缘图上做分割处理，降低光照不均的影响，增强对质量较差车道线的检测效果；有效排除字符、车辆、阴影等干扰，增加检测的准确性；将cos(θ)×w和sin(θ)×h以查表的方式实现，有效地降低Hough变换的计算量。

Description

一种车道线自适应的检测方法

技术领域

本发明涉及智能交通领域，尤其涉及一种车道线自适应的检测方法。

背景技术

随着交通事业的飞速扩展和汽车数量的迅速增加，交通事故也不断的上升。据统计，因驾驶员疲劳或注意力不集中，导致其驾驶的车辆偏离当前车道，所造成的事故约占整个交通事故的1/3。而车道偏离预警***，就是给那些无意识地将车辆偏离本车道的驾驶员，提供报警唤醒。然而，车道线检测的效果直接影响到整个车道偏离预警***的性能。

目前，车道线检测方法主要有基于特征的识别方法和基于模型的识别方法。其中，基于特征识别的方法主要是利用车道线的颜色特征、灰度特征、边缘特征将车道线识别出来。其中，颜色特征主要应用于非结构化道路，但需要彩色图像作为数据的输入，影响算法的执行效率；灰度特征，主要是利用车道线的亮度比路面高，但容易受尾灯、积水反光的影响；基于边缘特征的方法，其检测车道线的速度快、实时性好，但容易受阴影等干扰的影响。基于模型的识别方法，主要是针对车道标线相对规则的结构化道路。该方法虽能适应外部环境的影响，但是会受路面的文字、标记等干扰的影响。

发明内容

本发明为克服上述的不足之处，目的在于提供一种车道线自适应的检测方法，该方法能够较好的检测出车道线，且计算时间短，实现车道偏离预警。

本发明是通过以下技术方案达到上述目的：一种车道线自适应检测的方法，包括以下步骤：

1)感兴趣区域划分：

1.1)读取图像帧，图像帧上沿车身平行方向配置标志点，根据配置获取图像中的直线消失点；

1.2)利用消失点属性的相机标定原理，完成路面坐标到图像坐标转换；

1.3)计算出相对于相机中心的宽度范围为[3.5m,10m]处以及前方距离[3.5m,100m]处所对应的图像坐标，拟合出相应的直线，确定出下部分为矩形，上部分为梯形的感兴趣区域；

2)基于分层分块的图像分割：

将感兴趣区域分成4层，共16块，每一块区域采用高斯滤波算法和Sobel算子处理；然后统计各块区域内图像灰度平均值PixelMean及方差PixelStd，计算出分割阈值；根据分割阈值对边缘图像进行分割；

3)车道线特征的提取以及去干扰处理：

统计分割图像中的所有线段，计算每条线段的特征，包括：起点start，终点end，从起点到终点的实际距离HopWidth、平均亮度meanpixel，起止点位置之前平均亮度fmeanpixel，起止点位置之后平均亮度afmeanpixel，利用车道线的宽度特征对线段进行一次去干扰处理，再利用车道线亮度特征进行二次去干扰处理；

4)车道线确认：

在感兴趣区域内，以消失点为中心，将消失点左半部分为左车道线的搜索区域、消失点右半部分为右车道线的搜索区域，建立cos(θ)×w和sin(θ)×h的变换表格，根据变换表格搜索所有区域计算得到候选车道线；通过车道宽度特征及车道线相互平行特征筛候选车道线确定车道线。

作为优选，所述感兴趣区域的矩形区域包括第一层和第二层，最下方为第一层，第一层平分成3块，第二层平分成4块；感兴趣区域的梯形区域包括第三层和第四层，第三层平分成5块，第四层平分成6块。

作为优选，所述车道线确认步骤中，在搜索区域前，先对Hough变化进行初始化，确定以2度为搜索的步长，分配存储投影数目Hough_Matrix(θ,ρ)内存。

作为优选，所述投影直线ρ＝w×cos(θ)+h×sin(θ)，若在相应的直线上存在白点，则在其对应的投影数目Hough_Matrix(θ,ρ)中加1。

本发明的有益效果在于：通过对图像的分层分块，使算法在局部小区域里处理，再在边缘图上做分割处理，可以有效地降低光照不均的影响，增强对质量较差车道线的检测效果；利用车道线的宽度、亮度特征、车道的宽度、车道线相互平行等特征，可以有效地排除字符、车辆、阴影等干扰，增加检测的准确性；将cos(θ)×w和sin(θ)×h以查表的方式实现，可以有效地降低Hough变换过程中的计算量。

附图说明

图1是本发明的车道线自适应检测方法的流程图；

图2是本发明中，图像感兴趣区域分层分块的结果；

图3是本发明中，在晚上车道线模糊情况下，车道线检测的过程；其中(a)表示感兴趣区域，(b)表示分割后的结果，(c)表示根据车道线特征去干扰后的结果，(d)表示车道线检测的最终结果；

图4是本发明中，在有字符干扰情况下，车道线检测的过程；其中(a)表示感兴趣区域，(b)表示分割后的结果，(c)表示根据车道线特征去干扰后的结果，(d)表示车道线检测的最终结果；

图5是本发明中，在有阴影情况下，车道线检测的过程；其中(a)表示感兴趣区域，(b)表示分割后的结果，(c)表示根据车道线特征去干扰后的结果，(d)表示车道线检测的最终结果。

具体实施方式

下面结合具体实施例对本发明进行进一步描述，但本发明的保护范围并不仅限于此：

实施例1：如图1所示，一种车道线自适应检测方法，包括以下步骤：

步骤1——感兴趣区域的划分：

Step01:首先在路面中进行标志点的配置，沿着与车身平行的方向设置4个标志点，保证这4个标志点的图像距离在[200,300]像素之间，并在其中一个方向上，测量一段实际距离范围在[2m,6m]之间的线段并给予相应的标记；

Step02:完成相应的配置后，利用消失点属性的相机标定原理，实现安装的相机相对于路面的俯仰角fpitch，朝向角fYaw，翻转角fRoll、以及像平面与路面坐标两坐标系的距离fL这几个外部参数的标定，从而确定了从路面坐标到图像坐标的转换公式，如下所示，其中f为相机的焦距：

Step03:图像的感兴趣区域，设定在与之对应的路面坐标系的左右距离范围为[-3.5m,3.5m]处，根据公式(1)可以计算出(-3.5m,100m)和(3.5m,100m)处所对应的图像坐标，分别设为A(xLeftTop,yLeftTop)和B(xRightTop,yRightTop)；再计算出在(3.5m,10m)和(-3.5m,10m)处所对应的图像坐标，分别设为C(xRightBottom,yRightBottom)和D(xLeftBottom,yLeftBottom)。以此计算出左右两条边的斜率Lk和Rk、截距Lb和Rb，以确定感兴趣区域的边界。若计算所得到的边界点超过图像的范围，则以图像的边界代替。边界点确定的方法如下：

步骤2——基于分层分块的图像分割，如图2所示：

Step01：首先根据感兴趣区域的起点和终点的坐标，将整个区域分成矩形DEFC部分和梯形ABCD部分。根据DE的高度，将矩形DEFC在水平方向上平分成2层。再根据AD的高度，将梯形ABCD在水平方向上平分成2层；

Step02:对每层进行分块，规定最下方为第一层，依次递增。其中，第一层平均分成3块，每块的宽度为Width/3；第二层平分成4块，每块的宽度为Width/4；第三层平分成5块，每块的宽度为Width/5；第四层平分成6块，每块的宽度为Width/6，各分块在图像中的位置；

Step03:对采集到的图像，先采用高斯滤波对相应的图像区域进行平滑降噪；然后采用Sobel边缘检测算子，对滤波后的图像进行边缘增强；

Step04:在边缘图中，统计各块区域内图像灰度平均值PixelMean及方差PixelStd，通过计算Threshold＝PixelMean+PixelStd，对边缘图像进行相应的分割。

步骤3——车道线特征的提取和去干扰

Step01:在感兴趣区域内，进行逐行统计，统计每个线段点的起点start，终点end。结合标定数据，计算出起点到终点的实际距离HopWidth、平均亮度meanpixel，以终点到起点之间的距离，统计起止点前后区域的平均亮度fmeanpixel和afmeanpixel，以此作为车道线去干扰的条件；

Step02:根据上述所统计的特征，进行去干扰处理。先通过车道线的宽度特征进行筛选，满足车道线宽度范围在[10cm,60cm]之间的给予置白：

再根据车道线的亮度特征，满足本身区域为高亮度，两边区域为低亮度的特征，进一步的筛选：

步骤4——车道线的确认

Step01:先对Hough变换进行初始化，确定以2度为搜索的步长，图像的左半部分为左车道线的搜索区域，右半部分为右车道线的搜索区域，分配Hough_Matrix(θ,ρ)内存，用于存放相应直线的投影数目；

Step02:建立cos(θ)×w和sin(θ)×h的变换表格，在遍历相应区域时，作为计算相对应的投影直线ρ＝w×cos(θ)+h×sin(θ)，以减少计算量；若在相应的直线上存在白点的，则在其对应的Hough_Matrix(θ,ρ)中加1。

Step03:在图像的左右区域里，根据Hough_Matrix(θ,ρ)投影数目从大到小的选择5条直线作为候选车道线；

Step04:统计候选车道线投影到路面坐标系下，所得到的直线斜率kLeft[i]和kRight[i]确定相应的直线表达式，根据车道的宽度在[2.5m,4m]的范围内，进行候选直线的筛选；

Step05:根据上一步处理后，对剩下的候选直线，计算5米远处的左右直线的宽度fwidth[i]和起点处的宽度nwidth[i]，选***(fabs(fwidth[i]-nwidth[j]))所对应的两条直线，为最终的车道线。

在晚上车道线模糊情况下，本发明的车道线检测方法具有良好检测结果，检测过程如图3所示，(a)表示感兴趣区域，(b)表示分割后的结果，(c)表示根据车道线特征去干扰后的结果，(d)表示车道线检测的最终结果。

在有字符干扰情况下，本发明的车道线检测方法具有良好检测结果，检测过程如图4所示，(a)表示感兴趣区域，(b)表示分割后的结果，(c)表示根据车道线特征去干扰后的结果，(d)表示车道线检测的最终结果。

在有阴影情况下，本发明的车道线检测方法具有良好检测结果，检测结果如图5所示，(a)表示感兴趣区域，(b)表示分割后的结果，(c)表示根据车道线特征去干扰后的结果，(d)表示车道线检测的最终结果。

由此可见，本发明方法在有字符、车辆、阴影干扰及夜晚时，能够有效排除干扰，不会存在将非车道线特征误判为车道线特征点的情况，车道线检测准确性高；同时，根据查表方式能够有效降低Hough变换过程中的计算量，检测速度快。

以上的所述乃是本发明的具体实施例及所运用的技术原理，若依本发明的构想所作的改变，其所产生的功能作用仍未超出说明书及附图所涵盖的精神时，仍应属本发明的保护范围。

Claims (2)

1.一种车道线自适应检测的方法，其特征在于包括以下步骤：

1)感兴趣区域划分：

1.1)读取图像帧，图像帧上沿车身平行方向配置标志点，根据配置获取图像中的直线消失点；

1.2)利用消失点属性的相机标定原理，完成路面坐标到图像坐标转换；

1.3)计算出相对于相机中心的宽度范围为[3.5m,10m]处以及前方距离[3.5m,100m]处所对应的图像坐标，拟合出相应的直线，确定出下部分为矩形，上部分为梯形的感兴趣区域；

2)基于分层分块的图像分割：

所述感兴趣区域的矩形区域包括第一层和第二层，最下方为第一层，第一层平分成3块，第二层平分成4块；感兴趣区域的梯形区域包括第三层和第四层，第三层平分成5块，第四层平分成6块，每一块区域采用高斯滤波算法和Sobel算子处理；然后统计各块区域内图像灰度平均值PixelMean及方差PixelStd，计算出分割阈值；根据分割阈值对边缘图像进行分割；

3)车道线特征的提取以及去干扰处理：

统计分割图像中的所有线段，计算每条线段的特征，包括：起点start，终点end，从起点到终点的实际距离HopWidth、平均亮度meanpixel，起止点位置之前平均亮度fmeanpixel，起止点位置之后平均亮度afmeanpixel，利用车道线的宽度特征对线段进行一次去干扰处理，再利用车道线亮度特征进行二次去干扰处理；

4)车道线确认：

在感兴趣区域内，以消失点为中心，将消失点左半部分为左车道线的搜索区域、消失点右半部分为右车道线的搜索区域，建立cos(θ)×w和sin(θ)×h的变换表格，根据变换表格搜索所有区域计算得到候选车道线；通过车道宽度特征及车道线相互平行特征筛候选车道线确定车道线；

其中，建立cos(θ)×w和sin(θ)×h的变换表格，根据变换表格搜索所有区域计算得到候选车道线，通过车道宽度特征及车道线相互平行特征筛候选车道线确定车道线的具体步骤如下：

(A)建立cos(θ)×w和sin(θ)×h的变换表格，在遍历相应区域时，作为计算相对应的投影直线ρ＝w×cos(θ)+h×sin(θ)，以减少计算量；若在相应的直线上存在白点，则在其对应的投影数目Hough_Matrix(θ,ρ)中加1；

(B)在图像的左右区域里，根据Hough_Matrix(θ,ρ)投影数目按照从大到小选择5条直线作为候选车道线；

(C)统计候选车道线投影到路面坐标系下，所得到的直线斜率kLeft[i]和kRight[i]确定相应的直线表达式，根据车道的宽度在[2.5m,4m]的范围内，进行候选直线的筛选；

(D)根据步骤(C)处理后，对剩下的候选直线，计算5米远处的左右直线的宽度fwidth[i]和起点处的宽度nwidth[i]，选***(fabs(fwidth[i]-nwidth[j]))所对应的两条直线，为最终的车道线。

2.根据权利要求1所述的一种车道线自适应检测的方法，其特征在于，所述车道线确认步骤中，在搜索区域前，先对Hough变化进行初始化，确定以2度为搜索的步长，分配用于存储投影数目Hough_Matrix(θ,ρ)的内存。