CN106529404A - 基于摄像原理的无人驾驶汽车对路面标志线的识别方法 - Google Patents

Abstract

本发明涉及一种基于摄像原理的无人驾驶汽车对路面标志线的识别方法，包括如下步骤：步骤1：在无人驾驶汽车的车前纵向中心处安装摄像装置，通过该摄像装置获取车辆当前所处的路面信息，并生成路面信息图像；步骤2：采集带有路面标志线的感兴趣区域，提取感兴趣区域形成区域图片；步骤3：对区域图片进行边缘化处理；步骤4：对区域图片进行二值化处理；步骤5：通过拟合算法对区域图片进行识别；当区域图片中的标志线残缺及破损不能识别时，控制器通过报警装置发出报警声音。本发明采用摄像装置获取图像信息，可有效识别路面标志线，比单线激光扫面雷达扫描识别更加准确，降低了无人驾驶车辆在行驶过程中的安全隐患。

Description

基于摄像原理的无人驾驶汽车对路面标志线的识别方法

技术领域

本发明涉及无人驾驶汽车技术领域，尤其是涉及一种基于摄像原理的无人驾驶汽车对路面标志线的识别方法。

背景技术

无人驾驶车辆在国际上也称为机器人车辆，属于室外移动机器人的一种，是一个集环境感知、规划与决策、控制等多项功能于一体的综合智能***，涵盖了机械、控制、传感器技术、信号处理、模式识别、人工智能和计算机技术等多学科知识。无人驾驶汽车也是衡量一个国家科研实力和工业水平的重要标志之一，在国防和公众交通方面具有广阔的应用前景。无人驾驶车辆起源于军事运动，从20世纪70年代开始，美、英、德等发达国家就开始了无人驾驶车辆的研究，经过这么多年的发展，无人驾驶车辆从军事领域也逐渐发展到民用领域。在民用领域阶段最显著的特点是需要对公路上的标志线进行识别，采用摄像原理的无人驾驶汽车在环境感知方面，相比于激光扫面雷达具体投入低、简单易行等优点，可以降低生产成本。

国内外目前无人驾驶汽车对标志线识别的最主要手段是通过单线激光雷达对标志线进行扫描，这种对于正常的标志线具有准确性和可靠性，但是对于某些残缺或者模糊的标志线，往往不能识别，还会导致汽车误判，可能造成安全事故。

发明内容

本发明要解决的技术问题是：提供一种基于摄像原理的无人驾驶汽车的路面标志线识别方法，可有效识别路面标志线。

本发明解决其技术问题所采用的技术方案是：一种基于摄像原理的无人驾驶汽车对路面标志线的识别方法，包括如下步骤：

步骤1：在无人驾驶汽车的车前纵向中心处安装摄像装置，通过该摄像装置获取车辆当前所处的路面信息，并生成路面信息图像；

步骤2：对上步生成的路面图像信息，采集带有路面标志线的感兴趣区域，提取感兴趣区域形成区域图片；

步骤3：对区域图片进行边缘化处理；

步骤4：对区域图片进行二值化处理；

步骤5：车道线识别：通过拟合算法对区域图片进行识别；当区域图片中的标志线残缺及破损不能识别时，控制器通过报警装置发出报警声音。

进一步地，所述边缘化处理方法为：

(1)在区域图片中确定大小为M×N的路面图像f(x,y)；

(2)在其所采集到任意像素点的坐标值f(i,j)，以该像素为中心的小邻块记为B×B，即基元块；

(3)取基元块为中心的区域块记为D×D；

(4)求基元块B×B的均方差σ_B，公式如下；

其中：μ为算数平均值；

(5)当均方差σ_B比设定的阈值T1小则输出边缘图像g(i,j)＝0并结束，否则进行下一步；

(6)用如下公式求出区域图片的相似系数和相关系数；

其中：S为相似系数，R为相关系数；

b_i为B×B所有像素点的灰度值；

d_i为D×D所有像素点的灰度值；

(7)若相似系数和相关系数小于设定的阈值T2，输出边缘图像g(i,j)＝0并结束，否则输出g(i,j)＝1并至下一步；

(8)返回步骤(2)，继续对区域图片的图像点进行判断，直至区域图片中所有点全部判断完。

进一步地，通过拟合算法对区域图片进行识别包括如下步骤：

(1)建立图像平面坐标系，标定左上角坐标原点O，水平方向为X轴方向，垂直方向为Y轴方向；

(2)左、右道路标志线的模型为，如下公式：

y_l＝k_left×x_l+b_left；

y_r＝k_riht×x_r+b_right；

其中：x_l，y_l，x_r，y_r分别表示左、右道路的横、纵向坐标；

k_left，k_right分别表示左、右道路标志线的斜率；

b_left，b_right分别表示左、右道路标志线的截距；

(3)把上述公式转换为l＝xcosθ+ysinθ，从而把X-Y平面的任一条直线变换为对应l-θ空间的一个点；

(4)将l-θ空间离散化为栅格，由每一个(x，y)点带入θ的离散值，并求出各个l值；

(5)统计所有点，计算值大的栅格对应于共线点，其(l，θ)作为直线的拟合参数；

(6)把l-θ空间的直线拟合参数转换为直角坐标内的参数，确定标志线的形状和面积；

(7)在标志线的形状和面积识别之后，判断汽车能否识别该标志线，如果标志线能够识别，则车辆按照识别的标志线类型前进，如果汽车不能识别该标志线，控制器通过报警装置发出报警声音。

本发明的有益效果是：本发明采用摄像装置获取图像信息，可有效识别路面标志线，比单线激光扫面雷达扫描识别更加准确，降低了无人驾驶车辆在行驶过程中的安全隐患。

另外，本发明改进了边缘化处理和车道线识别算法，二值化处理通过常用的二值化处理手段，对区域图片进行处理，提高了车辆在行驶过程中的安全系数。

附图说明

下面结合附图对本发明进一步说明。

图1是本发明的整体流程图；

图2是本发明的边缘化处理算法流程图；

图3是本发明中的基元块和区域快的示意图；

图4是本发明的平面坐标系图；

具体实施方式

现在结合附图对本发明作进一步的说明。这些附图均为简化的示意图仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。

如图1、图2、图3、图4所示，一种基于摄像原理的无人驾驶汽车对路面标志线的识别方法，包括如下步骤：

步骤1：在无人驾驶汽车的车前纵向中心处安装摄像装置，通过该摄像装置获取车辆当前所处的路面信息，并生成路面信息图像；

步骤2：对上步生成的路面图像信息，采集带有路面标志线的感兴趣区域，提取感兴趣区域形成区域图片；

步骤3：对区域图片进行边缘化处理；

步骤4：对区域图片进行二值化处理；

步骤5：车道线识别：通过拟合算法对区域图片进行识别；当区域图片中的标志线残缺及破损不能识别时，控制器通过报警装置发出报警声音。

进一步地，所述边缘化处理方法为：

(1)在区域图片中确定大小为M×N的路面图像f(x,y)；

(2)在其所采集到任意像素点的坐标值f(i,j)，以该像素为中心的小邻块记为B×B，即基元块；

(3)取基元块为中心的区域块记为D×D；

(4)求基元块B×B的均方差σ_B，公式如下；

其中：μ为算数平均值；

(5)当均方差σ_B比设定的阈值T1小则输出边缘图像g(i,j)＝0并结束，否则进行下一步；

(6)用如下公式求出区域图片的相似系数和相关系数；

其中：S为相似系数，R为相关系数；

b_i为B×B所有像素点的灰度值；

d_i为D×D所有像素点的灰度值；

(7)若相似系数和相关系数小于设定的阈值T2，输出边缘图像g(i,j)＝0并结束，否则输出g(i,j)＝1并至下一步；

(8)返回步骤(2)，继续对区域图片的图像点进行判断，直至区域图片中所有点全部判断完。

进一步地，通过拟合算法对区域图片进行识别包括如下步骤：

(1)建立图像平面坐标系，标定左上角坐标原点O，水平方向为X轴方向，垂直方向为Y轴方向；

(2)左、右道路标志线的模型为，如下公式：

y_l＝k_left×x_l+b_left；

y_r＝k_riht×x_r+b_right；

其中：x_l，y_l，x_r，y_r分别表示左、右道路的横、纵向坐标；

k_left，k_right分别表示左、右道路标志线的斜率；

b_left，b_right分别表示左、右道路标志线的截距；

(3)把上述公式转换为l＝xcosθ+ysinθ，从而把X-Y平面的任一条直线变换为对应l-θ空间的一个点；

(4)将l-θ空间离散化为栅格，由每一个(x，y)点带入θ的离散值，并求出各个l值；

(5)统计所有点，计算值大的栅格对应于共线点，其(l，θ)作为直线的拟合参数；

(6)把l-θ空间的直线拟合参数转换为直角坐标内的参数，确定标志线的形状和面积；

(7)在标志线的形状和面积识别之后，判断汽车能否识别该标志线，如果标志线能够识别，则车辆按照识别的标志线类型前进，如果汽车不能识别该标志线，控制器通过报警装置发出报警声音。

本发明采用摄像装置获取图像信息，可有效识别路面标志线，比单线激光扫面雷达扫描识别更加准确，降低了无人驾驶车辆在行驶过程中的安全隐患。

另外，本发明改进了边缘化处理和车道线识别算法，二值化处理通过常用的二值化处理手段，对区域图片进行处理，提高了车辆在行驶过程中的安全系数。摄像装置可采用高速面阵相机。

以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。

Claims (3)

1.一种基于摄像原理的无人驾驶汽车对路面标志线的识别方法，其特征在于：包括如下步骤：

步骤1：在无人驾驶汽车的车前纵向中心处安装摄像装置，通过该摄像装置获取车辆当前所处的路面信息，并生成路面信息图像；

步骤2：对上步生成的路面图像信息，采集带有路面标志线的感兴趣区域，提取感兴趣区域形成区域图片；

步骤3：对区域图片进行边缘化处理；

步骤4：对区域图片进行二值化处理；

步骤5：车道线识别：通过拟合算法对区域图片进行识别；当区域图片中的标志线残缺及破损不能识别时，控制器通过报警装置发出报警声音。

2.根据权利要求1所述的基于摄像原理的无人驾驶汽车对路面标志线的识别方法，其特征在于：所述边缘化处理方法为：

(1)在区域图片中确定大小为M×N的路面图像f(x,y)；

(2)在其所采集到任意像素点的坐标值f(i,j)，以该像素为中心的小邻块记为B×B，即基元块；

(3)取基元块为中心的区域块记为D×D；

(4)求基元块B×B的均方差σ_B，公式如下；

${\mathrm{\σ}}_B=\sqrt{\frac{1}{N}\underset{i=1}{\overset{N}{\Σ}}{(x_i-\mathrm{\μ})}^2};$

其中：μ为算数平均值；

(5)当均方差σ_B比设定的阈值T1小则输出边缘图像g(i,j)＝0并结束，否则进行下一步；

(6)用如下公式求出区域图片的相似系数和相关系数；

$S=\frac{\underset{i=1}{\overset{k}{\Σ}}{d}_{ni}{b}_{ni}}{{\left(\underset{i=1}{\overset{k}{\Σ}}{b}_{ni}^2\underset{i=1}{\overset{k}{\Σ}}{d}_{ni}^2\right)}^{\frac{1}{2}}}\×k=B\×B;$

$R=\frac{\underset{i=1}{\overset{k}{\Σ}}\left(b_i-\stackrel{\‾}{b}\right)\left(d_i-\stackrel{\‾}{d}\right)}{{\left(\underset{i=1}{\overset{k}{\Σ}}{\left(b_i-\stackrel{\‾}{b}\right)}^2\×\underset{i=1}{\overset{k}{\Σ}}{\left(d_i-\stackrel{\‾}{d}\right)}^2\right)}^{1/2}}\×k=B\×B;$

其中：S为相似系数，R为相关系数；

b_i为B×B所有像素点的灰度值；

d_i为D×D所有像素点的灰度值；

(7)若相似系数和相关系数小于设定的阈值T2，输出边缘图像g(i,j)＝0并结束，否则输出g(i,j)＝1并至下一步；

(8)返回步骤(2)，继续对区域图片的图像点进行判断，直至区域图片中所有点全部判断完。

3.根据权利要求1所述的基于摄像原理的无人驾驶汽车对路面标志线的识别方法，其特征在于：通过拟合算法对区域图片进行识别包括如下步骤：

(1)建立图像平面坐标系，标定左上角坐标原点O，水平方向为X轴方向，垂直方向为Y轴方向；

(2)左、右道路标志线的模型为，如下公式：

y_l＝k_left×x_l+b_left；

y_r＝k_riht×x_r+b_right；

其中：x_l，y_l，x_r，y_r分别表示左、右道路的横、纵向坐标；

k_left，k_right分别表示左、右道路标志线的斜率；

b_left，b_right分别表示左、右道路标志线的截距；

(3)把上述公式转换为l＝xcosθ+ysinθ，从而把X-Y平面的任一条直线变换为对应l-θ空间的一个点；

(4)将l-θ空间离散化为栅格，由每一个(x，y)点带入θ的离散值，并求出各个l值；

(5)统计所有点，计算值大的栅格对应于共线点，其(l，θ)作为直线的拟合参数；

(6)把l-θ空间的直线拟合参数转换为直角坐标内的参数，确定标志线的形状和面积；

(7)在标志线的形状和面积识别之后，判断汽车能否识别该标志线，如果标志线能够识别，则车辆按照识别的标志线类型前进，如果汽车不能识别该标志线，控制器通过报警装置发出报警声音。