CN106778551B - 一种高速路段及城市道路车道线识别方法 - Google Patents
一种高速路段及城市道路车道线识别方法 Download PDFInfo
- Publication number
- CN106778551B CN106778551B CN201611084618.6A CN201611084618A CN106778551B CN 106778551 B CN106778551 B CN 106778551B CN 201611084618 A CN201611084618 A CN 201611084618A CN 106778551 B CN106778551 B CN 106778551B
- Authority
- CN
- China
- Prior art keywords
- lane
- model
- image
- lane line
- points
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种高速路段及城市道路车道线识别方法,包括以下步骤:通过摄像机获取车道图像,利用摄像机参数自标定方法得到摄像机的内外参数,求得车道平面消失线;对车道图像进行灰度化处理并划分感兴趣区域;对上一步得到的图像进行中值滤波;对中值滤波后的图像使用Gabor变换提取车道线纹理特征;采用多角度Haar特征描述车道线边缘特征,利用Adaboost分类器进行分类识别;针对结构化道路设计双曲线组合模型;利用改进Ransac算法估计双曲线组合模型参数。本发明解决了在有阴影、车道线磨损、天气恶劣等复杂环境下的车道线检测问题,并且具有较好的实时性。
Description
技术领域
本发明属于图像处理技术领域,具体涉及一种高速路段及城市道路车道线识别方法。
背景技术
车道线识别是高级驾驶辅助***的核心部分。由于视觉传感器成本低且易于构建***,基于机器视觉的车道线检测方法得到广泛应用。而基于机器视觉的车道线检测方法一般可以分为两大类:基于图像特征的方法和基于模型识别的方法。
基于图像特征的方法主要是灰度图像中对灰度边缘的识别,而基于模型的方法是建立数学模型表示车道边界。在城市街道和高速公路通常使用基于模型识别的方法,常用的车道线检测模型包括直线模型、双曲线模型、抛物线模型、样条曲线模型等。简单的模型不能很好的表示车道线,而复杂的模型又会有复杂的计算和较高的错误率。
现有的方法大都能在多种场景下有较好的检测效果,但在车道线状况不佳,例如阴影、树木、光照强度、车道线磨损等情况,检测时往往将非车道线特征点识别为车道线特征点,导致参数估计偏差。
发明内容
本发明的目的在于提供一种高速路段及城市道路车道线识别方法,克服多种因素干扰下车道线较难检测的问题,且兼具实时性。
实现本发明目的的技术方案为:一种高速路段及城市道路车道线识别方法,包括以下步骤:
步骤1、通过摄像机获取车道图像,利用摄像机参数自标定方法得到摄像机的内外参数,求得车道平面消失线;
步骤2、对车道图像进行灰度化处理并划分感兴趣区域;
步骤3、对步骤2得到的图像进行中值滤波;
步骤4、对中值滤波后的图像使用Gabor变换提取车道线纹理特征;
步骤5、采用多角度Haar特征描述车道线边缘特征,利用Adaboost分类器进行分类识别;
步骤6、针对结构化道路设计双曲线组合模型;
步骤7、利用改进Ransac算法估计双曲线组合模型参数。
与现有技术相比,本发明的显著效果为:
(1)本发明通过利用多角度的Haar特征来提取车道线特征点,增强了具有较强方向一致性的车道线边缘特征;
(2)本发明通过利用Haar特征结合改进的Adaboost分类器的识别算法,使识别准确率更高,实时性更好;
(3)本发明利用改进的Ransac算法更好的适应了复杂条件下的车道线模型参数估计,提高了准确度且增强了实时性。
附图说明
图1是本发明高速路段及城市道路车道线识别方法的流程图。
图2是设计多角度Haar特征示意图。
图3是双曲线组合模型。
具体实施方式
下面结合附图和实施例对本发明的技术方案做具体描述。
结合图1,本发明的一种高速路段及城市道路车道线识别方法,包括以下步骤:
步骤1、通过摄像机获取车道图像,利用摄像机参数自标定方法得到摄像机的内外参数,求得车道平面消失线;
步骤2、对车道图像进行灰度化处理并划分感兴趣区域;
步骤3、对步骤2得到的图像进行中值滤波;
步骤4、对中值滤波后的图像使用Gabor变换提取车道线纹理特征;
步骤5、采用多角度Haar特征描述车道线边缘特征,利用Adaboost分类器进行分类识别;
步骤6、针对结构化道路设计双曲线组合模型;
步骤7、利用改进Ransac算法估计双曲线组合模型参数。
进一步的,步骤1中,首先建立图像坐标系和世界坐标系,设计两个坐标系中点坐标对应关系,根据摄像机的标定过程确定内部参数,根据坐标对应关系来计算车道线在空间坐标的位置参数,再根据内外参数得到车道消失线的位置。
进一步的,步骤2中,对采集到的RGB图像像素以5:4:1权重进行灰度化处理。
进一步的,将消失线下方设为感兴趣区域,将消失线下方1/3区域作为感兴趣区域Ⅰ,其余2/3区域作为感兴趣区域Ⅱ。
进一步的,步骤5具体过程为:
步骤5-1,在Haar特征使用0°,90°和45°特征的基础上增加倾斜30°特征和倾斜60°特征,在30°、45°和60°倾斜矩形***设置非倾斜矩形,该非倾斜矩形的四边经过倾斜矩形的四个顶点;
设窗口有L×W个像素,Haar特征H(x,y,l,w,α),顶点坐标为(x,y),矩形区域长度为l,宽度为w,倾斜角为α,则旋转α的矩形的l和w的计算公式如下:
a为旋转矩形的长,b为宽;
步骤5-2,基于AD-Adaboost算法,利用参数计算公式,设定弱分类器的权重不仅与误报率有关,还与正样本的识别能力有关;
给定训练样本集(x1,y1),(x2,y2),...,(xN,yN),其中yi对于负样本和正样本为0和1,负样本和正样本分别初始化权重为W1(i)=1/2q,1/2p,q和p分别为负样本和正样本;算法经过T次循环构建强分类器,For t=1,2,...,T,计算弱分类器hj的分类误差选取当分类误差εt最小时的弱分类器Ht;
将得到的t个弱分类器组合到一个强分类器,得到的强分类器为
其中,θ是分类错误率的判别阈值,αt=-logεt;
当H(x)为1时,像素点x是车道线特征点,当H(x)为0时,x不是车道线特征点,在图像f(x,y)中,将H(x)=0的像素点去除,保留下来的像素点即为车道线特征点。
进一步的,在步骤7中改进Ransac算法采用预检测的方法提高运行速度,具体为:
每次找4个点,其中3个点设计模型求得模型参数,剩下一个点进行模型匹配,看是否在模型上,如果不在,则放弃此样本重新选择,如果在,则将此模型作为候选模型;
继续寻找其它点进行模型匹配,如果支撑候选模型的点数大于等于设定阈值,则此候选模型即为目标模型;若支撑候选模型的点数小于设定阈值,则放弃此候选模型,继续寻找4个点。
下面结合具体实施例对本发明作进一步说明。
实施例
结合图1,一种高速路段及城市道路车道线识别方法,包括以下步骤:
步骤1、通过摄像头获取道路图像,计算得到相关参数
摄像机得到的图像坐标为(u,v),而路面坐标系上对其的映射坐标为(x,y),摄像机放在离地高h的地方,偏转角为设在路面坐标系中P点坐标为[x,y,z]T,而在图像坐标系中P点坐标为[wu,wv,w]T,对应关系为其中K是相机校准矩阵,R是旋转矩阵,I为单位矩阵,[I3×3|-T]是I和T的级联,T=[0,0,h]T,路面坐标系中路面z坐标为0,(uc,vc)是图像坐标平面的主点位置,f为摄像机内参数的有效焦距,则图像的点投影在世界坐标系中的坐标关系为:
获得内外参数后求取车道平面消失线。
步骤2、对得到的RGB图像采取5:4:1权重进行灰度化处理,在车道平面消失线下方进行感兴趣划分,1/3区域作为感兴趣区域Ⅰ,2/3区域作为感兴趣区域Ⅱ,如图3。
步骤3、对图像进行中值滤波;
本实施例选择5*5中值滤波作为图像增强方法。
步骤4、对预处理后的图像使用Gabor变换提取车道线纹理特征。
由于Gabor滤波器对于图像的边缘敏感,能够提供良好的方向选择和尺度选择特性,而且对于光照变化不敏感,能够提供对光照变化良好的适应性,所以本发明利用Gabor小波提取车道线纹理特征:
步骤5、采用多角度Haar特征描述车道线边缘和结构特征,利用Adaboost分类器进行分类识别。
本发明在传统Haar特征使用0°,90°和45°特征的基础上增加倾斜30°特征和倾斜60°特征,在30°、45°和60°倾斜矩形***设置非倾斜矩形,该非倾斜矩形的四边经过倾斜矩形的四个顶点;如图2所示,设窗口有L×W个像素,Haar特征H(x,y,l,w,α),顶点坐标为(x,y),矩形区域长度为l,宽度为w,倾斜角为α,则旋转30°的矩形的l和w的计算公式如下:旋转矩形的长为a,宽为b;利用取整得到的整数作为缩放系数求取倾斜30°矩形的Haar特征数,接着利用公式计算包含车道线边缘特征的Haar特征矩形个数,其中RecSum(x,y)为积分图计算式。
本发明基于AD-Adaboost算法,利用新的参数计算公式,设定弱分类器的权重不仅与误报率有关,还与正样本的识别能力有关;给定训练样本集(x1,y1),(x2,y2),...,(xN,yN),其中yi对于负样本和正样本为0和1,负样本和正样本分别初始化权重为W1(i)=1/2q,1/2p,q和p分别为负样本和正样本;算法经过T次循环构建强分类器,For t=1,2,...,T,计算弱分类器hj的分类误差选取当分类误差εt最小时的弱分类器Ht。接着对Ht计算正权重总和:更新权重:其中弱分类器权重参数βt为:接着归一化下一个循环的权重式中,Zt是归一化因子,然后,将得到的t个弱分类器组合到一个强分类器,得到的强分类器为其中θ是分类错误率的判别阈值,αt=-logεt。
当H(x)为1时,像素点x是车道线特征点,当H(x)为0时,x不是车道线特征点,在图像f(x,y)中,将H(x)=0的像素点去除,保留下来的像素点即为车道线特征点。
步骤6、针对结构化道路设计双曲线组合模型。
为适应弯曲道路和直线道路,如图3,本设计建立了双曲线模型:其中(u,v)为图像上的车道线上的点,h为车道消失点在图像v轴的坐标值,k、b、c为线性双曲线模型的参数,k为曲率,b为车道线相对方向,c为车道线到v轴的距离,感兴趣区域Ⅰ为远视场,看作双曲线,感兴趣区域Ⅱ为近视场,近似为直线,左右车道线的参数k和c相同,而b不同,当k=0时,公式代表了直线。
步骤7、利用改进Ransac算法估计车道模型参数。
为估计车道模型参数并优化模型以准确描述车道边界,本设计利用改进的RANSAC算法进行车道线拟合。针对传统算法耗时长的不足,改进的算法采用预检测的方法来提高运行速度,每次找4个点,其中3个点设计模型求得模型参数,剩下一个点进行模型匹配,看是否在模型上,如果不在,则放弃此样本重新选择,如果在,则将此模型作为候选模型;
继续寻找其它点进行模型匹配,如果支撑候选模型的点数大于等于设定阈值,则此候选模型即为目标模型;若支撑候选模型的点数小于设定阈值,则放弃此候选模型,继续寻找4个点。
本发明很好的结合各算法的优点,具备在复杂道路情况下的车道线的识别能力,且精确度高,实时性好。
Claims (4)
1.一种高速路段及城市道路车道线识别方法,其特征在于,包括以下步骤:
步骤1、通过摄像机获取车道图像,利用摄像机参数自标定方法得到摄像机的内外参数,求得车道平面消失线;
步骤2、对车道图像进行灰度化处理并划分感兴趣区域;
步骤3、对步骤2得到的图像进行中值滤波;
步骤4、对中值滤波后的图像使用Gabor变换提取车道线纹理特征;
步骤5、采用多角度Haar特征描述车道线边缘特征,利用Adaboost分类器进行分类识别;具体为:
步骤5-1,在Haar特征使用0°,90°和45°特征的基础上增加倾斜30°特征和倾斜60°特征,在30°、45°和60°倾斜矩形***设置非倾斜矩形,该非倾斜矩形的四边经过倾斜矩形的四个顶点;
设窗口有L×W个像素,Haar特征H(x,y,l,w,α),顶点坐标为(x,y),矩形区域长度为l,宽度为w,倾斜角为α,则旋转矩形的l和w的计算公式如下:
a为旋转矩形的长为,b为宽;
步骤5-2,基于AD-Adaboost算法,利用参数计算公式,设定弱分类器的权重不仅与误报率有关,还与正样本的识别能力有关;
给定训练样本集(x1,y1),(x2,y2),...,(xN,yN),其中yi对于负样本和正样本为0和1,负样本和正样本分别初始化权重为W1(i)=1/2q,1/2p,q和p分别为负样本和正样本;算法经过T次循环构建强分类器,For t=1,2,...,T,计算弱分类器hj的分类误差选取当分类误差εt最小时的弱分类器Ht;
将得到的t个弱分类器组合到一个强分类器,得到的强分类器为
其中,θ是分类错误率的判别阈值,αt=-logεt;
当H(x)为1时,像素点x是车道线特征点,当H(x)为0时,x不是车道线特征点,在图像f(x,y)中,将H(x)=0的像素点去除,保留下来的像素点即为车道线特征点;
步骤6、针对结构化道路设计双曲线组合模型;
步骤7、利用改进Ransac算法估计双曲线组合模型参数;具体为:
每次找4个点,其中3个点设计模型求得模型参数,剩下一个点进行模型匹配,看是否在模型上,如果不在,则放弃此样本重新选择,如果在,则将此模型作为候选模型;继续寻找其它点进行模型匹配,如果支撑候选模型的点数大于等于设定阈值,则此候选模型即为目标模型;若支撑候选模型的点数小于设定阈值,则放弃此候选模型,继续寻找4个点。
2.根据权利要求1所述的高速路段及城市道路车道线识别方法,其特征在于,步骤1中,首先建立图像坐标系和世界坐标系,设计两个坐标系中点坐标对应关系,根据摄像机的标定过程确定内部参数,根据坐标对应关系来计算车道线在空间坐标的位置参数,再根据内外参数得到车道消失线的位置。
3.根据权利要求1所述的高速路段及城市道路车道线识别方法,其特征在于,步骤2中,对采集到的RGB图像像素以5:4:1权重进行灰度化处理。
4.根据权利要求1所述的高速路段及城市道路车道线识别的方法,其特征在于,将消失线下方设为感兴趣区域,将消失线下方1/3区域作为感兴趣区域I,其余2/3区域作为感兴趣区域Ⅱ。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611084618.6A CN106778551B (zh) | 2016-11-30 | 2016-11-30 | 一种高速路段及城市道路车道线识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611084618.6A CN106778551B (zh) | 2016-11-30 | 2016-11-30 | 一种高速路段及城市道路车道线识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106778551A CN106778551A (zh) | 2017-05-31 |
CN106778551B true CN106778551B (zh) | 2020-07-31 |
Family
ID=58913550
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611084618.6A Active CN106778551B (zh) | 2016-11-30 | 2016-11-30 | 一种高速路段及城市道路车道线识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106778551B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107451526A (zh) * | 2017-06-09 | 2017-12-08 | 蔚来汽车有限公司 | 地图的构建及其应用 |
CN108229386B (zh) * | 2017-12-29 | 2021-12-14 | 百度在线网络技术(北京)有限公司 | 用于检测车道线的方法、装置和介质 |
CN108573242A (zh) * | 2018-04-26 | 2018-09-25 | 南京行车宝智能科技有限公司 | 一种车道线检测方法和装置 |
CN109670455A (zh) * | 2018-12-21 | 2019-04-23 | 联创汽车电子有限公司 | 计算机视觉车道线检测***及其检测方法 |
CN109784234B (zh) * | 2018-12-29 | 2022-01-07 | 阿波罗智能技术(北京)有限公司 | 一种基于前向鱼眼镜头的直角弯识别方法及车载设备 |
CN110390483B (zh) * | 2019-07-24 | 2022-07-19 | 东南大学 | 一种评估自行车快速路对公交车运行速度影响的方法 |
EP3931530A1 (en) * | 2019-10-15 | 2022-01-05 | Google LLC | Weather and road surface type-based navigation directions |
EP4224361A4 (en) * | 2020-10-22 | 2023-08-16 | Huawei Technologies Co., Ltd. | LANE LINE DETECTION METHOD AND DEVICE |
CN113822226A (zh) * | 2021-10-15 | 2021-12-21 | 江西锦路科技开发有限公司 | 一种特殊环境下基于深度学习的车道线检测方法 |
CN114387620A (zh) * | 2022-01-05 | 2022-04-22 | 北京容积视觉科技有限公司 | 一种基于Adaboost的头部定位方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015105239A1 (ko) * | 2014-01-13 | 2015-07-16 | 삼성테크윈 주식회사 | 차량 및 차선 위치 검출 시스템 및 방법 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102592114B (zh) * | 2011-12-26 | 2013-07-31 | 河南工业大学 | 复杂路况的车道线特征提取、识别方法 |
KR20140006463A (ko) * | 2012-07-05 | 2014-01-16 | 현대모비스 주식회사 | 차선 인식 방법 및 장치 |
CN105224909A (zh) * | 2015-08-19 | 2016-01-06 | 奇瑞汽车股份有限公司 | 车道线检测***中的车道线确认方法 |
-
2016
- 2016-11-30 CN CN201611084618.6A patent/CN106778551B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015105239A1 (ko) * | 2014-01-13 | 2015-07-16 | 삼성테크윈 주식회사 | 차량 및 차선 위치 검출 시스템 및 방법 |
Non-Patent Citations (3)
Title |
---|
Lane detection and tracking using B-snake;Yue Wang et al;《Image and Vision Computing》;20040430;第22卷(第4期);269-280 * |
Robust lane detection and tracking with ransac and Kalman filter;Amol Borkar et al;《2009 16th IEEE International Conference on Image Processing》;20100217;3261-3264 * |
基于Adaboost算法的驾驶员疲劳驾驶检测;熊池亮;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;20140115;第2014年卷(第1期);C034-159 * |
Also Published As
Publication number | Publication date |
---|---|
CN106778551A (zh) | 2017-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106778551B (zh) | 一种高速路段及城市道路车道线识别方法 | |
US11580647B1 (en) | Global and local binary pattern image crack segmentation method based on robot vision | |
CN107330376B (zh) | 一种车道线识别方法及*** | |
CN107862667B (zh) | 一种基于高分辨率遥感影像的城市阴影检测与去除方法 | |
CN107767383B (zh) | 一种基于超像素的道路图像分割方法 | |
CN110232389B (zh) | 一种基于绿色作物特征提取不变性的立体视觉导航方法 | |
Yuan et al. | Robust lane detection for complicated road environment based on normal map | |
WO2015010451A1 (zh) | 一种从单幅图像检测道路的方法 | |
Li et al. | Road lane detection with gabor filters | |
Zhang et al. | Vehicle recognition algorithm based on Haar-like features and improved Adaboost classifier | |
CN108280450A (zh) | 一种基于车道线的高速公路路面检测方法 | |
CN109919960B (zh) | 一种基于多尺度Gabor滤波器的图像连续边缘检测方法 | |
CN104036523A (zh) | 一种基于SURF特征的改进Mean Shift的目标跟踪方法 | |
CN108171695A (zh) | 一种基于图像处理的高速公路路面检测方法 | |
CN107492076B (zh) | 一种高速公路隧道场景车辆阴影干扰抑制方法 | |
CN110021029B (zh) | 一种适用于rgbd-slam的实时动态配准方法及存储介质 | |
CN110580705B (zh) | 一种基于双域图信号滤波检测建筑物边缘点的方法 | |
CN109886168B (zh) | 一种基于层阶的地面交通标志识别方法 | |
CN110222661B (zh) | 一种用于运动目标识别及跟踪的特征提取方法 | |
CN107563301A (zh) | 基于图像处理技术的红灯信号检测方法 | |
CN111652033A (zh) | 基于OpenCV的车道线检测方法 | |
CN109767442B (zh) | 一种基于旋转不变特征的遥感图像飞机目标检测方法 | |
CN108520252B (zh) | 基于广义霍夫变换和小波变换的路标识别方法 | |
CN107977608B (zh) | 一种应用于公路视频图像道路区域提取的方法 | |
CN113053164A (zh) | 一种利用环视图像的车位识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |