CN107025432A - 一种高效的车道线检测跟踪方法及*** - Google Patents

一种高效的车道线检测跟踪方法及*** Download PDF

Info

Publication number
CN107025432A
CN107025432A CN201710111868.2A CN201710111868A CN107025432A CN 107025432 A CN107025432 A CN 107025432A CN 201710111868 A CN201710111868 A CN 201710111868A CN 107025432 A CN107025432 A CN 107025432A
Authority
CN
China
Prior art keywords
line
lane
lane line
point
track
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.)
Granted
Application number
CN201710111868.2A
Other languages
English (en)
Other versions
CN107025432B (zh
Inventor
胡延平
王乃汉
陈无畏
赵林峰
谈东奎
蒋玉亭
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hefei University of Technology
Original Assignee
Hefei University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hefei University of Technology filed Critical Hefei University of Technology
Priority to CN201710111868.2A priority Critical patent/CN107025432B/zh
Publication of CN107025432A publication Critical patent/CN107025432A/zh
Application granted granted Critical
Publication of CN107025432B publication Critical patent/CN107025432B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/48—Matching video sequences

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种高效的车道线检测跟踪方法及***，所述方法包括以下步骤：S1、采集车辆环境图像信息；S2、确定消失线位置、感兴趣区域、匹配的车道线宽度的最大值和最小值；S3、进行边缘检测并搜索满足车道线特征搜索条件的特征点；S4、对满足车道线特征搜索条件的特征点往消失线以及预设的两条车道水平线上进行投影，并在消失线上寻找消失点；S5、根据消失点位置进行反向搜索，提取车道边界线的特征点，并确定车道线；S6、根据车道线建立带状区域，并利用置信度约束车道线位置和宽度。本发明基于投票机制检测消失点，并划分目标搜索区域，通过采集车道边缘线上的两点，能够快速准确地检测出车道线。

Description

一种高效的车道线检测跟踪方法及***
技术领域
本发明涉及汽车偏离预警技术领域，尤其涉及一种高效的车道线检测跟踪方法及***。
背景技术
我国汽车产量和数量的急剧增长，驾驶安全问题受到越来越多的关注。目前,汽车驾驶辅助***产品随着消费者需求量的增加而快速发展，城市建设和汽车产业的迅速发展，致使世界各国面临着日益严峻的交通问题。鉴于交通事故带来的巨大损失，智能辅助驾驶***和自动驾驶汽车技术成为了当今交通领域和汽车工业界的研究热点。其中车道线的识别技术是非常重要的一个环节。为了满足智能驾驶的实际需要，车道线识别算法必须保证具有很好的可靠性、实时性和鲁棒性。
国内外学者对基于机器视觉的车道线检测算法已经进行了大量研究并取得了一定成果。在检测算法中，主要可以分为2类:模型法和特征法。基于模型的方法主要是通过提取的车道线特征点与车道线几何模型进行匹配提取车道线；基于特征的方法主要是通过车道线边缘点的梯度、方向和灰度值等一些特征来检测车道线。基于特征的车道线检测容易受到道路环境的干扰；基于模型的方法具有较好的鲁棒性，但是运算量大，实时性较差。
发明内容
基于背景技术存在的技术问题，本发明提出了一种高效的车道线检测跟踪方法及***。
本发明提出的高效的车道线检测跟踪方法，包括以下步骤：
S1、采集车辆环境图像信息；
S2、根据车辆环境图像信息确定消失线位置、感兴趣区域、匹配的车道线宽度的最大值和最小值；
S3、根据消失线位置、匹配的车道线宽度的最大值和最小值在感兴趣区域内进行边缘检测并搜索满足车道线特征搜索条件的特征点；
S4、对满足车道线特征搜索条件的特征点往消失线以及预设的两条车道水平线上进行投影，并在消失线上寻找消失点；
S5、根据消失点位置进行反向搜索，提取车道边界线的特征点，并根据车道边界线的特征点确定车道线；
S6、根据车道线建立带状区域，并利用置信度约束车道线位置和宽度。
优选地，步骤S2具体包括：
车道线宽度的范围由更改比例系数k1、k2确定其幅度；
k1为车道线宽度的最小值，k2为车道线宽度的最大值，且k2与k1满足正比例关系；
优选地，步骤S3具体包括：
边缘检测通过周围八个像素点的加权值代替中间点的像素值，提取车道线的轮廓，再搜索满足车道线特征搜索条件的特征点；
满足车道线特征搜索条件具体包括：
满足上升沿和下降沿阈值范围；其中，上升沿阈值为64，下降沿阈值为-64；
满足车道线宽度范围；
对消失线以下的车道线宽度进行车道线宽度设定，车道线宽度比例系数分别为k1、k2，其中，k1＝5.0/125.0，k2＝35.0/125.0。
优选地，步骤S4具体包括：
若车道线的上升沿和下降沿具有相同的投影斜率，则投影角度相同，即
其中，投影斜率为边缘检测垂直方向梯度和水平方向梯度比值；
建立一维数组对车道线上每个点在消失线上的投影位置进行统计，当投影位置重合时，对该投影位置计票加一，如此循环，直至完成整个感兴趣区域的遍历，并将一维数组内计票数最大的点作为消失点。
优选地，步骤S5具体包括：
建立二维数组对投影线位置坐标进行存储；
根据消失点的位置在二维数组中找到对应的纵坐标，并统计上述纵坐标所在行计票的最大值和次大值，上述最大值和次大值即为左右车道边界线的特征点，并根据上述左右车道边界线的特征点确定车道线。
优选地，步骤S6具体包括：
优选地，基于车辆环境图像信息相邻帧间的道路位置变化连续的特性建立带状区域，并在搜索窗进行车道识别；
利用前帧图像检测结果，在本帧图像的预测位置定义一搜索窗；
将前帧图像确定的车道线点的坐标υi作为中心，在本帧图像相应水平邻域[υi-25,υi+25]内搜索新特征点；
在上述本帧图像相应水平邻域[υi-25,υi+25]内利用置信度约束车道线位置和宽度具体包括：
其中，nl为左车道线最大值点的数值，nr右车道线最大值点的数值，xa为右车道投影线的水平坐标，xb左车道投影线的水平坐标；
若Dl＜ζ、Dr<ζ，重新检测下一帧图像；
若Dl≥ζ或Dr≥ζ、|Dl-Dr|≤Γ，利用车道线边界线的特征点确定车道线；
若Dl≥ζ或Dr≥ζ、|Dl-Dr|＞Γ，进一步分析Dl与Dr的大小，当Dl＜Dr时，根据右侧两点坐标值检测出右车道线，并基于车道宽度W补充左侧车道边缘点；当Dl＞Dr时，根据左侧两点坐标值检测出左车道线，并基于车道宽度W补充右侧车道边缘点；
其中，Γ为置信度差值阈值且Γ＝0.2，ζ＝0.6。
本发明提出的高效的车道线检测跟踪***，包括：
图像采集模块，用于采集车辆环境图像信息；
信息确定模块，用于根据车辆环境图像信息确定消失线位置、感兴趣区域、匹配的车道线宽度的最大值和最小值；
特征点搜索模块，用于根据消失线位置、匹配的车道线宽度的最大值和最小值在感兴趣区域内进行边缘检测并搜索满足车道线特征搜索条件的特征点；
消失点寻找模块，用于对满足车道线特征搜索条件的特征点往消失线以及预设的两条车道水平线上进行投影，并在消失线上寻找消失点；
车道线确定模块，用于根据消失点位置进行反向搜索，提取车道边界线的特征点，并根据车道边界线的特征点确定车道线；
车道线约束模块，用于根据车道线建立带状区域，并利用置信度约束车道线位置和宽度。
优选地，信息确定模块具体用于：
车道线宽度的范围由更改比例系数k1、k2确定其幅度；
k1为车道线宽度的最小值，k2为车道线宽度的最大值，且k2与k1满足正比例关系；
优选地，特征点搜索模块具体用于：
边缘检测通过周围八个像素点的加权值代替中间点的像素值，提取车道线的轮廓，再搜索满足车道线特征搜索条件的特征点；
满足车道线特征搜索条件具体包括：
满足上升沿和下降沿阈值范围；其中，上升沿阈值为64，下降沿阈值为-64；
满足车道线宽度范围；
对消失线以下的车道线宽度进行车道线宽度设定，车道线宽度比例系数分别为k1、k2，其中，k1＝5.0/125.0，k2＝35.0/125.0。
优选地，消失点寻找模块具体用于：
若车道线的上升沿和下降沿具有相同的投影斜率，则投影角度相同，即
其中，投影斜率为边缘检测垂直方向梯度和水平方向梯度比值；
建立一维数组对车道线上每个点在消失线上的投影位置进行统计，当投影位置重合时，对该投影位置计票加一，如此循环，直至完成整个感兴趣区域的遍历，并将一维数组内计票数最大的点作为消失点。
优选地，车道线确定模块具体用于：
建立二维数组对投影线位置坐标进行存储；
根据消失点的位置在二维数组中找到对应的纵坐标，并统计上述纵坐标所在行计票的最大值和次大值，上述最大值和次大值即为左右车道边界线的特征点，并根据上述左右车道边界线的特征点确定车道线。
优选地，车道线约束模块具体用于：
优选地，基于车辆环境图像信息相邻帧间的道路位置变化连续的特性建立带状区域，并在搜索窗进行车道识别；
利用前帧图像检测结果，在本帧图像的预测位置定义一搜索窗；
将前帧图像确定的车道线点的坐标υi作为中心，在本帧图像相应水平邻域[υi-25,υi+25]内搜索新特征点；
在上述本帧图像相应水平邻域[υi-25,υi+25]内利用置信度约束车道线位置和宽度具体包括：
其中，nl为左车道线最大值点的数值，nr右车道线最大值点的数值，xa为右车道投影线的水平坐标，xb左车道投影线的水平坐标；
若Dl＜ζ、Dr<ζ，重新检测下一帧图像；
若Dl≥ζ或Dr≥ζ、|Dl-Dr|≤Γ，利用车道线边界线的特征点确定车道线；
若Dl≥ζ或Dr≥ζ、|Dl-Dr|＞Γ，进一步分析Dl与Dr的大小，当Dl＜Dr时，根据右侧两点坐标值检测出右车道线，并基于车道宽度W补充左侧车道边缘点；当Dl＞Dr时，根据左侧两点坐标值检测出左车道线，并基于车道宽度W补充右侧车道边缘点；
其中，Γ为置信度差值阈值且Γ＝0.2，ζ＝0.6。
本发明基于投票机制检测消失点，并划分目标搜索区域，过滤图像中不属于车道线的多数干扰线和干扰点，减少车道线中央标示符的干扰，可以快速筛选出车道边缘点，提高检测车道线的有效性和实时性；通过采集车道边缘线上的两点，能够快速准确地检测出车道线，通过置信度的判断以及车道宽度的信息，能够识别出在模糊、阴影或车辆遮挡等情况下的车道线；并通过前帧的检测结果建立动态的感兴趣区域，使得算法变得更加简单高效，实用性很强。
附图说明
图1为一种高效的车道线检测跟踪方法的步骤示意图；
图2为一种高效的车道线检测跟踪***的结构示意图；
图3为一种高效的车道线检测跟踪方法及***的流程示意图；
图4为一种高效的车道线检测跟踪方法及***中消失线与感兴趣区域的位置示意图；
图5为一种高效的车道线检测跟踪方法及***中消失点的位置示意图；
图6为一种高效的车道线检测跟踪方法及***中带状区域的位置示意图。
具体实施方式
参照图1，本发明提出的高效的车道线检测跟踪方法，其特征在于，包括以下步骤：
S1、采集车辆环境图像信息；实际应用过程中，利用摄像机采集车辆环境信息以获取连续的视频流，为分析车辆环境图像信息提供准确的参考依据；
S2、根据车辆环境图像信息确定消失线位置、感兴趣区域、匹配的车道线宽度的最大值和最小值；
步骤S2具体包括：读取当前帧，对车辆环境图像进行预处理，确定消失线位置以及感兴趣区域，并确定匹配的车道线宽度的最大值和最小值；
车道线宽度的范围由更改比例系数k1、k2确定其幅度；
k1为车道线宽度的最小值，k2为车道线宽度的最大值，且k2与k1满足正比例关系；
S3、根据消失线位置、匹配的车道线宽度的最大值和最小值在感兴趣区域内进行边缘检测并搜索满足车道线特征搜索条件的特征点；
步骤S3具体包括：
边缘检测通过周围八个像素点的加权值代替中间点的像素值，提取车道线的轮廓，再搜索满足车道线特征搜索条件的特征点；
满足车道线特征搜索条件具体包括：
满足上升沿和下降沿阈值范围；其中，上升沿阈值为64，下降沿阈值为-64；
满足车道线宽度范围；
对消失线以下的车道线宽度进行车道线宽度设定，车道线宽度比例系数分别为k1、k2，其中，k1＝5.0/125.0，k2＝35.0/125.0。
S4、对满足车道线特征搜索条件的特征点往消失线以及预设的两条车道水平线上进行投影，并在消失线上寻找消失点；
步骤S4具体包括：
若车道线的上升沿和下降沿具有相同的投影斜率，则投影角度相同，即
其中，投影斜率为边缘检测垂直方向梯度和水平方向梯度比值；
建立一维数组对车道线上每个点在消失线上的投影位置进行统计，当投影位置重合时，对该投影位置计票加一，如此循环，直至完成整个感兴趣区域的遍历，并将一维数组内计票数最大的点作为消失点。
S5、根据消失点位置进行反向搜索，提取车道边界线的特征点，并根据车道边界线的特征点确定车道线；
步骤S5具体包括：
建立二维数组对投影线位置坐标进行存储；
根据消失点的位置在二维数组中找到对应的纵坐标，并统计上述纵坐标所在行计票的最大值和次大值，上述最大值和次大值即为左右车道边界线的特征点，并根据上述左右车道边界线的特征点确定车道线。
S6、根据车道线建立带状区域，并利用置信度约束车道线位置和宽度。
步骤S6具体包括：
优选地，基于车辆环境图像信息相邻帧间的道路位置变化连续的特性建立带状区域，并在搜索窗进行车道识别；
利用前帧图像检测结果，在本帧图像的预测位置定义一搜索窗；
将前帧图像确定的车道线点的坐标υi作为中心，在本帧图像相应水平邻域[υi-25,υi+25]内搜索新特征点；
在上述本帧图像相应水平邻域[υi-25,υi+25]内利用置信度约束车道线位置和宽度具体包括：
其中，nl为左车道线最大值点的数值，nr右车道线最大值点的数值，xa为右车道投影线的水平坐标，xb左车道投影线的水平坐标；
若Dl＜ζ、Dr<ζ，表明车道线提取失败，则为保障顺利提取车道线，重新检测下一帧图像；
若Dl≥ζ或Dr≥ζ、|Dl-Dr|≤Γ，利用车道线边界线的特征点确定车道线；
若Dl≥ζ或Dr≥ζ、|Dl-Dr|＞Γ，进一步分析Dl与Dr的大小，当Dl＜Dr时，表明右侧车道线的置信度更高，则根据右侧两点坐标值检测出右车道线，并基于车道宽度W补充左侧车道边缘点；当Dl＞Dr时，表明左侧车道线的置信度更高，此时根据左侧两点坐标值检测出左车道线，并基于车道宽度W补充右侧车道边缘点；
其中，Γ为置信度差值阈值且Γ＝0.2，ζ＝0.6。
参照图，图为本发明提出的高效的车道线检测跟踪***，包括：
图像采集模块，用于采集车辆环境图像信息；
信息确定模块，用于根据车辆环境图像信息确定消失线位置、感兴趣区域、匹配的车道线宽度的最大值和最小值；
信息确定模块具体用于：
车道线宽度的范围由更改比例系数k1、k2确定其幅度；
k1为车道线宽度的最小值，k2为车道线宽度的最大值，且k2与k1满足正比例关系；
特征点搜索模块，用于根据消失线位置、匹配的车道线宽度的最大值和最小值在感兴趣区域内进行边缘检测并搜索满足车道线特征搜索条件的特征点；
特征点搜索模块具体用于：
边缘检测通过周围八个像素点的加权值代替中间点的像素值，提取车道线的轮廓，再搜索满足车道线特征搜索条件的特征点；
满足车道线特征搜索条件具体包括：
满足上升沿和下降沿阈值范围；其中，上升沿阈值为64，下降沿阈值为-64；
满足车道线宽度范围；
对消失线以下的车道线宽度进行车道线宽度设定，车道线宽度比例系数分别为k1、k2，其中，k1＝5.0/125.0，k2＝35.0/125.0。
消失点寻找模块，用于对满足车道线特征搜索条件的特征点往消失线以及预设的两条车道水平线上进行投影，并在消失线上寻找消失点；
消失点寻找模块具体用于：
若车道线的上升沿和下降沿具有相同的投影斜率，则投影角度相同，即
其中，投影斜率为边缘检测垂直方向梯度和水平方向梯度比值；
建立一维数组对车道线上每个点在消失线上的投影位置进行统计，当投影位置重合时，对该投影位置计票加一，如此循环，直至完成整个感兴趣区域的遍历，并将一维数组内计票数最大的点作为消失点。
车道线确定模块，用于根据消失点位置进行反向搜索，提取车道边界线的特征点，并根据车道边界线的特征点确定车道线；
车道线确定模块具体用于：
建立二维数组对投影线位置坐标进行存储；
根据消失点的位置在二维数组中找到对应的纵坐标，并统计上述纵坐标所在行计票的最大值和次大值，上述最大值和次大值即为左右车道边界线的特征点，并根据上述左右车道边界线的特征点确定车道线。
车道线约束模块，用于根据车道线建立带状区域，并利用置信度约束车道线位置和宽度。
车道线约束模块具体用于：
优选地，基于车辆环境图像信息相邻帧间的道路位置变化连续的特性建立带状区域，并在搜索窗进行车道识别；
利用前帧图像检测结果，在本帧图像的预测位置定义一搜索窗；
将前帧图像确定的车道线点的坐标υi作为中心，在本帧图像相应水平邻域[υi-25,υi+25]内搜索新特征点；
在上述本帧图像相应水平邻域[υi-25,υi+25]内利用置信度约束车道线位置和宽度具体包括：
其中，nl为左车道线最大值点的数值，nr右车道线最大值点的数值，xa为右车道投影线的水平坐标，xb左车道投影线的水平坐标；
若Dl＜ζ、Dr<ζ，表明车道线提取失败，则为保障顺利提取车道线，重新检测下一帧图像；
若Dl≥ζ或Dr≥ζ、|Dl-Dr|≤Γ，利用车道线边界线的特征点确定车道线；
若Dl≥ζ或Dr≥ζ、|Dl-Dr|＞Γ，进一步分析Dl与Dr的大小，当Dl＜Dr时，表明右侧车道线的置信度更高，则根据右侧两点坐标值检测出右车道线，并基于车道宽度W补充左侧车道边缘点；当Dl＞Dr时，表明左侧车道线的置信度更高，此时根据左侧两点坐标值检测出左车道线，并基于车道宽度W补充右侧车道边缘点；
其中，Γ为置信度差值阈值且Γ＝0.2，ζ＝0.6。
基于投票机制检测消失点，并划分目标搜索区域，过滤图像中不属于车道线的多数干扰线和干扰点，减少车道线中央标示符的干扰，可以快速筛选出车道边缘点，提高检测车道线的有效性和实时性；通过采集车道边缘线上的两点，能够快速准确地检测出车道线，通过置信度的判断以及车道宽度的信息，能够识别出在模糊、阴影或车辆遮挡等情况下的车道线；并通过前帧的检测结果建立动态的感兴趣区域，使得算法变得更加简单高效，实用性很强。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种高效的车道线检测跟踪方法，其特征在于，包括以下步骤：
S1、采集车辆环境图像信息；
S2、根据车辆环境图像信息确定消失线位置、感兴趣区域、匹配的车道线宽度的最大值和最小值；
S3、根据消失线位置、匹配的车道线宽度的最大值和最小值在感兴趣区域内进行边缘检测并搜索满足车道线特征搜索条件的特征点；
S4、对满足车道线特征搜索条件的特征点往消失线以及预设的两条车道水平线上进行投影，并在消失线上寻找消失点；
S5、根据消失点位置进行反向搜索，提取车道边界线的特征点，并根据车道边界线的特征点确定车道线；
S6、根据车道线建立带状区域，并利用置信度约束车道线位置和宽度。
2.根据权利要求1所述的高效的车道线检测跟踪方法，其特征在于，步骤S2具体包括：
车道线宽度的范围由更改比例系数k1、k2确定其幅度；
k1为车道线宽度的最小值，k2为车道线宽度的最大值，且k2与k1满足正比例关系；
优选地，步骤S3具体包括：
边缘检测通过周围八个像素点的加权值代替中间点的像素值，提取车道线的轮廓，再搜索满足车道线特征搜索条件的特征点；
满足车道线特征搜索条件具体包括：
满足上升沿和下降沿阈值范围；其中，上升沿阈值为64，下降沿阈值为-64；
满足车道线宽度范围；
对消失线以下的车道线宽度进行车道线宽度设定，车道线宽度比例系数分别为k1、k2，其中，k1＝5.0/125.0，k2＝35.0/125.0。
3.根据权利要求2所述的高效的车道线检测跟踪方法，其特征在于，步骤S4具体包括：
若车道线的上升沿和下降沿具有相同的投影斜率，则投影角度相同，即
其中，投影斜率为边缘检测垂直方向梯度和水平方向梯度比值；
建立一维数组对车道线上每个点在消失线上的投影位置进行统计，当投影位置重合时，对该投影位置计票加一，如此循环，直至完成整个感兴趣区域的遍历，并将一维数组内计票数最大的点作为消失点。
4.根据权利要求3所述的高效的车道线检测跟踪方法，其特征在于，步骤S5具体包括：
建立二维数组对投影线位置坐标进行存储；
根据消失点的位置在二维数组中找到对应的纵坐标，并统计上述纵坐标所在行计票的最大值和次大值，上述最大值和次大值即为左右车道边界线的特征点，并根据上述左右车道边界线的特征点确定车道线。
5.根据权利要求4所述的高效的车道线检测跟踪方法，其特征在于，步骤S6具体包括：
优选地，基于车辆环境图像信息相邻帧间的道路位置变化连续的特性建立带状区域，并在搜索窗进行车道识别；
利用前帧图像检测结果，在本帧图像的预测位置定义一搜索窗；
将前帧图像确定的车道线点的坐标υi作为中心，在本帧图像相应水平邻域[υi-25,υi+25]内搜索新特征点；
在上述本帧图像相应水平邻域[υi-25,υi+25]内利用置信度约束车道线位置和宽度具体包括：
其中，nl为左车道线最大值点的数值，nr右车道线最大值点的数值，xa为右车道投影线的水平坐标，xb左车道投影线的水平坐标；
若Dl＜ζ、Dr<ζ，重新检测下一帧图像；
若Dl≥ζ或Dr≥ζ、|Dl-Dr|≤Γ，利用车道线边界线的特征点确定车道线；
若Dl≥ζ或Dr≥ζ、|Dl-Dr|＞Γ，进一步分析Dl与Dr的大小，当Dl＜Dr时，根据右侧两点坐标值检测出右车道线，并基于车道宽度W补充左侧车道边缘点；当Dl＞Dr时，根据左侧两点坐标值检测出左车道线，并基于车道宽度W补充右侧车道边缘点；
其中，Γ为置信度差值阈值且Γ＝0.2，ζ＝0.6。
6.一种高效的车道线检测跟踪***，其特征在于，包括：
图像采集模块，用于采集车辆环境图像信息；
信息确定模块，用于根据车辆环境图像信息确定消失线位置、感兴趣区域、匹配的车道线宽度的最大值和最小值；
特征点搜索模块，用于根据消失线位置、匹配的车道线宽度的最大值和最小值在感兴趣区域内进行边缘检测并搜索满足车道线特征搜索条件的特征点；
消失点寻找模块，用于对满足车道线特征搜索条件的特征点往消失线以及预设的两条车道水平线上进行投影，并在消失线上寻找消失点；
车道线确定模块，用于根据消失点位置进行反向搜索，提取车道边界线的特征点，并根据车道边界线的特征点确定车道线；
车道线约束模块，用于根据车道线建立带状区域，并利用置信度约束车道线位置和宽度。
7.根据权利要求6所述的高效的车道线检测跟踪方法，其特征在于，信息确定模块具体用于：
车道线宽度的范围由更改比例系数k1、k2确定其幅度；
k1为车道线宽度的最小值，k2为车道线宽度的最大值，且k2与k1满足正比例关系；
优选地，特征点搜索模块具体用于：
边缘检测通过周围八个像素点的加权值代替中间点的像素值，提取车道线的轮廓，再搜索满足车道线特征搜索条件的特征点；
满足车道线特征搜索条件具体包括：
满足上升沿和下降沿阈值范围；其中，上升沿阈值为64，下降沿阈值为-64；
满足车道线宽度范围；
对消失线以下的车道线宽度进行车道线宽度设定，车道线宽度比例系数分别为k1、k2，其中，k1＝5.0/125.0，k2＝35.0/125.0。
8.根据权利要求7所述的高效的车道线检测跟踪方法，其特征在于，消失点寻找模块具体用于：
若车道线的上升沿和下降沿具有相同的投影斜率，则投影角度相同，即
其中，投影斜率为边缘检测垂直方向梯度和水平方向梯度比值；
建立一维数组对车道线上每个点在消失线上的投影位置进行统计，当投影位置重合时，对该投影位置计票加一，如此循环，直至完成整个感兴趣区域的遍历，并将一维数组内计票数最大的点作为消失点。
9.根据权利要求8所述的高效的车道线检测跟踪方法，其特征在于，车道线确定模块具体用于：
建立二维数组对投影线位置坐标进行存储；
根据消失点的位置在二维数组中找到对应的纵坐标，并统计上述纵坐标所在行计票的最大值和次大值，上述最大值和次大值即为左右车道边界线的特征点，并根据上述左右车道边界线的特征点确定车道线。
10.根据权利要求9所述的高效的车道线检测跟踪方法，其特征在于，车道线约束模块具体用于：
优选地，基于车辆环境图像信息相邻帧间的道路位置变化连续的特性建立带状区域，并在搜索窗进行车道识别；
利用前帧图像检测结果，在本帧图像的预测位置定义一搜索窗；
将前帧图像确定的车道线点的坐标υi作为中心，在本帧图像相应水平邻域[υi-25,υi+25]内搜索新特征点；
在上述本帧图像相应水平邻域[υi-25,υi+25]内利用置信度约束车道线位置和宽度具体包括：
其中，nl为左车道线最大值点的数值，nr右车道线最大值点的数值，xa为右车道投影线的水平坐标，xb左车道投影线的水平坐标；
若Dl＜ζ、Dr<ζ，重新检测下一帧图像；
若Dl≥ζ或Dr≥ζ、|Dl-Dr|≤Γ，利用车道线边界线的特征点确定车道线；
若Dl≥ζ或Dr≥ζ、|Dl-Dr|＞Γ，进一步分析Dl与Dr的大小，当Dl＜Dr时，根据右侧两点坐标值检测出右车道线，并基于车道宽度W补充左侧车道边缘点；当Dl＞Dr时，根据左侧两点坐标值检测出左车道线，并基于车道宽度W补充右侧车道边缘点；
其中，Γ为置信度差值阈值且Γ＝0.2，ζ＝0.6。
CN201710111868.2A 2017-02-28 2017-02-28 一种高效的车道线检测跟踪方法及*** Active CN107025432B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710111868.2A CN107025432B (zh) 2017-02-28 2017-02-28 一种高效的车道线检测跟踪方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710111868.2A CN107025432B (zh) 2017-02-28 2017-02-28 一种高效的车道线检测跟踪方法及***

Publications (2)

Publication Number Publication Date
CN107025432A true CN107025432A (zh) 2017-08-08
CN107025432B CN107025432B (zh) 2018-08-21

Family

ID=59525910

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710111868.2A Active CN107025432B (zh) 2017-02-28 2017-02-28 一种高效的车道线检测跟踪方法及***

Country Status (1)

Country Link
CN (1) CN107025432B (zh)

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107830869A (zh) * 2017-11-16 2018-03-23 百度在线网络技术（北京）有限公司 用于车辆的信息输出方法和装置
CN107832674A (zh) * 2017-10-16 2018-03-23 西安电子科技大学 一种车道线检测方法
CN107909007A (zh) * 2017-10-27 2018-04-13 上海识加电子科技有限公司 车道线检测方法及装置
CN107918763A (zh) * 2017-11-03 2018-04-17 深圳星行科技有限公司 车道线检测方法和***
CN108162866A (zh) * 2017-12-21 2018-06-15 宁波吉利汽车研究开发有限公司 一种基于流媒体外后视镜***的车道识别***及方法
CN108875657A (zh) * 2018-06-26 2018-11-23 北京茵沃汽车科技有限公司 一种车道线检测方法
CN109101957A (zh) * 2018-10-29 2018-12-28 长沙智能驾驶研究院有限公司 双目立体数据处理方法、装置、智能驾驶设备及存储介质
CN109470254A (zh) * 2018-10-31 2019-03-15 百度在线网络技术（北京）有限公司 地图车道线的生成方法、装置、***及存储介质
CN109598256A (zh) * 2018-12-25 2019-04-09 斑马网络技术有限公司 进出坡道判断方法、装置、车辆、存储介质及电子设备
US10331957B2 (en) * 2017-07-27 2019-06-25 Here Global B.V. Method, apparatus, and system for vanishing point/horizon estimation using lane models
CN110171263A (zh) * 2019-05-19 2019-08-27 瑞立集团瑞安汽车零部件有限公司 一种用于ecas***的弯道识别及车高调节方法
CN110930459A (zh) * 2019-10-29 2020-03-27 北京经纬恒润科技有限公司 灭点提取方法、相机标定方法以及存储介质
CN111046829A (zh) * 2019-12-23 2020-04-21 上海交通大学 基于先验推理的在线车道级定位方法及***
CN111079598A (zh) * 2019-12-06 2020-04-28 深圳市艾为智能有限公司 一种基于图像纹理与机器学习的车道线检测方法
CN111291601A (zh) * 2018-12-07 2020-06-16 阿里巴巴集团控股有限公司 车道线识别方法和装置以及电子设备
CN112396612A (zh) * 2020-11-16 2021-02-23 自然资源部国土卫星遥感应用中心 一种矢量信息辅助的遥感影像道路信息自动提取方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103617412B (zh) * 2013-10-31 2017-01-18 电子科技大学 实时车道线检测方法
CN104268860B (zh) * 2014-09-17 2017-10-17 电子科技大学 一种车道线检测方法
CN105260713B (zh) * 2015-10-09 2019-06-28 东方网力科技股份有限公司 一种车道线检测方法和装置
CN105426864B (zh) * 2015-12-04 2018-09-04 华中科技大学 一种基于等距边缘点匹配的多车道线检测方法

Cited By (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10331957B2 (en) * 2017-07-27 2019-06-25 Here Global B.V. Method, apparatus, and system for vanishing point/horizon estimation using lane models
CN107832674A (zh) * 2017-10-16 2018-03-23 西安电子科技大学 一种车道线检测方法
CN107832674B (zh) * 2017-10-16 2021-07-09 西安电子科技大学 一种车道线检测方法
CN107909007B (zh) * 2017-10-27 2019-12-13 上海识加电子科技有限公司 车道线检测方法及装置
CN107909007A (zh) * 2017-10-27 2018-04-13 上海识加电子科技有限公司 车道线检测方法及装置
CN107918763A (zh) * 2017-11-03 2018-04-17 深圳星行科技有限公司 车道线检测方法和***
CN107830869A (zh) * 2017-11-16 2018-03-23 百度在线网络技术（北京）有限公司 用于车辆的信息输出方法和装置
WO2019095735A1 (zh) * 2017-11-16 2019-05-23 百度在线网络技术（北京）有限公司 用于车辆的信息输出方法和装置
CN108162866A (zh) * 2017-12-21 2018-06-15 宁波吉利汽车研究开发有限公司 一种基于流媒体外后视镜***的车道识别***及方法
CN108875657A (zh) * 2018-06-26 2018-11-23 北京茵沃汽车科技有限公司 一种车道线检测方法
CN109101957A (zh) * 2018-10-29 2018-12-28 长沙智能驾驶研究院有限公司 双目立体数据处理方法、装置、智能驾驶设备及存储介质
CN109101957B (zh) * 2018-10-29 2019-07-12 长沙智能驾驶研究院有限公司 双目立体数据处理方法、装置、智能驾驶设备及存储介质
CN109470254B (zh) * 2018-10-31 2020-09-08 百度在线网络技术（北京）有限公司 地图车道线的生成方法、装置、***及存储介质
CN109470254A (zh) * 2018-10-31 2019-03-15 百度在线网络技术（北京）有限公司 地图车道线的生成方法、装置、***及存储介质
CN111291601A (zh) * 2018-12-07 2020-06-16 阿里巴巴集团控股有限公司 车道线识别方法和装置以及电子设备
CN111291601B (zh) * 2018-12-07 2023-05-02 阿里巴巴集团控股有限公司 车道线识别方法和装置以及电子设备
CN109598256A (zh) * 2018-12-25 2019-04-09 斑马网络技术有限公司 进出坡道判断方法、装置、车辆、存储介质及电子设备
CN110171263A (zh) * 2019-05-19 2019-08-27 瑞立集团瑞安汽车零部件有限公司 一种用于ecas***的弯道识别及车高调节方法
CN110930459A (zh) * 2019-10-29 2020-03-27 北京经纬恒润科技有限公司 灭点提取方法、相机标定方法以及存储介质
CN110930459B (zh) * 2019-10-29 2023-02-17 北京经纬恒润科技股份有限公司 灭点提取方法、相机标定方法以及存储介质
CN111079598A (zh) * 2019-12-06 2020-04-28 深圳市艾为智能有限公司 一种基于图像纹理与机器学习的车道线检测方法
CN111079598B (zh) * 2019-12-06 2023-08-08 深圳市艾为智能有限公司 一种基于图像纹理与机器学习的车道线检测方法
CN111046829A (zh) * 2019-12-23 2020-04-21 上海交通大学 基于先验推理的在线车道级定位方法及***
CN111046829B (zh) * 2019-12-23 2023-07-04 上海交通大学 基于先验推理的在线车道级定位方法及***
CN112396612A (zh) * 2020-11-16 2021-02-23 自然资源部国土卫星遥感应用中心 一种矢量信息辅助的遥感影像道路信息自动提取方法

Also Published As

Publication number Publication date
CN107025432B (zh) 2018-08-21

Similar Documents

Publication Publication Date Title
CN107025432B (zh) 一种高效的车道线检测跟踪方法及***
CN105005771B (zh) 一种基于光流点轨迹统计的车道线实线的检测方法
CN102682292B (zh) 基于单目视觉的道路边缘检测及粗定位方法
CN105261020B (zh) 一种快速车道线检测方法
Kong et al. General road detection from a single image
CN104392212B (zh) 一种基于视觉的道路信息检测及前方车辆识别方法
CN103177246B (zh) 基于动态区域划分的双模型车道线识别方法
CN111563412B (zh) 一种基于参数空间投票和贝塞尔拟合的快速车道线检测方法
CN106682586A (zh) 一种复杂光照条件下基于视觉的实时车道线检测的方法
CN103902985B (zh) 一种基于roi的强鲁棒性实时车道侦测算法
CN109460709A (zh) 基于rgb和d信息融合的rtg视觉障碍物检测的方法
CN107330376A (zh) 一种车道线识别方法及***
Li et al. Nighttime lane markings recognition based on Canny detection and Hough transform
CN109948416A (zh) 一种基于深度学习的违法占用公交车道自动审核方法
CN106887004A (zh) 一种基于块匹配的车道线检测方法
CN106203398A (zh) 一种检测车道边界的方法、装置和设备
CN103034843B (zh) 一种基于单目视觉的夜间车辆检测方法
CN109344704B (zh) 一种基于行车方向与车道线夹角的车辆变道行为检测方法
CN104008377A (zh) 基于时空关联的地面交通标志实时检测识别方法
CN105404857A (zh) 一种基于红外的夜间智能车前方行人检测方法
CN103903018A (zh) 一种复杂场景中对车牌进行定位的方法和***
CN109190483B (zh) 一种基于视觉的车道线检测方法
CN102999749A (zh) 基于人脸检测的安全带违章事件智能检测方法
CN102768726A (zh) 一种预防行人碰撞的行人检测方法
CN108171154A (zh) 一种自动驾驶中目标检测与车道检测结合的方法

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
CB03 Change of inventor or designer information

Inventor after: Hu Yanping

Inventor after: Wang Naihan

Inventor after: Xie Youhao

Inventor after: Chen Wuwei

Inventor after: Zhao Linfeng

Inventor after: Tan Dongkui

Inventor after: Jiang Yuting

Inventor before: Hu Yanping

Inventor before: Wang Naihan

Inventor before: Chen Wuwei

Inventor before: Zhao Linfeng

Inventor before: Tan Dongkui

Inventor before: Jiang Yuting

CB03 Change of inventor or designer information
GR01 Patent grant
GR01 Patent grant