CN107901907B - 一种基于色块统计的车道线检测方法 - Google Patents
一种基于色块统计的车道线检测方法 Download PDFInfo
- Publication number
- CN107901907B CN107901907B CN201710937303.XA CN201710937303A CN107901907B CN 107901907 B CN107901907 B CN 107901907B CN 201710937303 A CN201710937303 A CN 201710937303A CN 107901907 B CN107901907 B CN 107901907B
- Authority
- CN
- China
- Prior art keywords
- lane line
- lane
- color block
- early warning
- warning system
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 28
- 238000003066 decision tree Methods 0.000 claims abstract description 20
- 230000000007 visual effect Effects 0.000 claims abstract description 7
- 238000010801 machine learning Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000000034 method Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 238000003702 image correction Methods 0.000 claims description 3
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/10—Path keeping
- B60W30/12—Lane keeping
-
- 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)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于色块统计的车道线检测方法，包括如下步骤：首先是车道偏离预警***获取车辆周围的YUV图像；其次是车道偏离预警***提取YUV图像的色块特征值；然后是车道偏离预警***利用提取的色块特征值建立决策树模型；下一步是车道偏离预警***通过决策树模型判断YUV图像是车道线区域还是非车道线区域，若是，执行下一步，若不是，重新执行本步骤对下一幅YUV图像进行判断；最后是车道偏离预警***通过视觉识别***来识别车道线区域中的车道线。本发明的基于色块统计的车道线检测方法实现了更加高效准确的车道线识别检测。
Description
技术领域
本发明涉及视觉导航技术领域，具体涉及一种基于色块统计的车道线检测方法。
背景技术
视觉导航是目前车辆辅助驾驶和无人驾驶***中的主流技术之一，具有信号探测范围广、环境信息完整、价格便宜、符合人类感知方式等优点。通过安装于车辆上的车道偏离预警***，在汽车偏离了正常的行驶车道时报警来提醒驾驶员，使驾驶员有充分的反应和处理时间来规范行驶。车道线检测为车道偏离预警***中至关重要的一步，准确检测车道线的位置，将会有效减少交通事故的发生，减少不必要的人员伤亡，同时还可以规范驾驶人的驾驶习惯。
由于车道线检测中经常会受到路面阴影、车辆等因素的干扰，造成车道线的检测结果与真实值有一定偏差。
发明内容
本发明提供了一种基于色块统计的车道线检测方法，对一定区域内的图像颜色分布进行统计学习，从而通过分类器对车道线区域和非车道线区域做出判别，有效排除车道线检测中的干扰，得到准确的车道线位置判断。
为实现上述目的，本发明提供一种基于色块统计的车道线检测方法，包括如下步骤：
S1、车道偏离预警***获取车辆周围的YUV（一种图像格式）图像；
S2、车道偏离预警***提取YUV图像的色块特征值；
S3、车道偏离预警***利用提取的色块特征值通过机器学习的方法建立决策树模型；
S4、车道偏离预警***通过决策树模型判断YUV图像是车道线区域还是非车道线区域，若是，执行步骤S5，若不是，重新执行步骤S4对下一幅YUV图像进行判断；
S5、车道偏离预警***通过视觉识别***来识别车道线区域中的车道线。
进一步地，步骤S2的具体步骤如下：
S21、统计YUV图像上色块特征值F[6]、F[0]和F[1]在Y通道上的均值和方差， F[2]和F[3]为图像在U通道上的均值和方差， F[4]和F[5]为图像在V通道上的均值和方差；
S22、对统计的色块特征值进行归一化处理，得到YUV图像的色块特征值。
进一步地，统计YUV图像上色块特征值的方法为采用滑动窗口在YUV图像上滑动，获取所述滑动窗口内的色块特征值。
进一步地，所述的滑动窗口大小为16像素×32像素。
进一步地，步骤S3中建立决策树模型的方法为通过YUV图像的色块特征值通过机器学习的方法生成训练集，通过训练集建立决策树模型。
进一步地，步骤S4的具体步骤为：
S41、利用决策树模型对滑动窗口的子图片进行分类；
S42、对每一个滑动窗口的子图片从根结点依次计算其属性值，直到到达某个叶结点，从而找到该子图片属于车道线区域还是非车道线区域。
进一步地，步骤S1中的YUV图像获取方法是通过车载摄像头获取。
进一步地，所述车载摄像头为鱼眼摄像头。
进一步地，所述车载摄像头为四个，各个车载摄像头分别设置在车辆的前、后、左和右四个方向上。
进一步地，所述车道偏离预警***存储有图像矫正算法，所述鱼眼摄像头采集的图像通过所述矫正算法矫正还原处理。
本发明实现的有益效果主要有以下几点：提供一种基于色块统计的车道线检测方法，有效去除路面车辆、阴影带来的干扰，提高车道线的检测的准确率，减少虚警；建立一次决策树可以长时间使用，在提高了车道线的检测准确率的同时提高了检测识别的效率；利用鱼眼摄像头作为车载摄像头并且通过算法进行拍摄的图像的还原，可以拍摄到更大范围的路面图像且提高了图像的真实度，从而提高了车道线的检测准确率。
附图说明
图1为本发明实施例一中基于色块统计的车道线检测方法的步骤示意图。
附图仅用于示例性说明，不能理解为对本专利的限制；为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的；相同或相似的标号对应相同或相似的部件；附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制。
具体实施方式
为了便于本领域技术人员理解，下面将结合附图以及实施例对本发明进行进一步详细描述。
实施例一
一种车道偏离预警***，包括作为车载摄像头的四个鱼眼摄像头，四个鱼眼摄像头分别设置在车辆的前、后、左和右四个方向上来拍摄车辆前、后、左和右边的道路图像；各个摄像头分别与车道偏离预警***连接将拍摄的道路图像传输给车道偏离预警***，拍摄的图像为YUV格式图像。
车道偏离预警***存储有图像矫正算法，鱼眼摄像头采集的图像通过所述矫正算法矫正还原处理，将拍摄的畸形的道路YUV图像还原成与真实路面情景一致的YUV图像。
请参阅图1，一种基于色块统计的车道线检测方法，其特征在于，包括如下步骤：
S1、车道偏离预警***获取车辆周围的YUV图像；
S2、车道偏离预警***提取YUV图像的色块特征值，具体为：
S21、用大小为16像素×32像素的滑动窗口在逐步YUV图像上滑动，统计滑动窗口内的YUV图像色块特征值F[6]、F[0]和F[1]在Y通道上的均值和方差， F[2]和F[3]为图像在U通道上的均值和方差， F[4]和F[5]为图像在V通道上的均值和方差；其中滑动窗口的大小可以根据实际采集的YUV图像选择，本实施例选择了16像素×32像素大小的滑动窗口；
S22、对统计的色块特征值进行归一化处理，即对各个通道上的均值和方差归一处理，处理后得到YUV图像的色块特征值；
S3、车道偏离预警***利用提取的色块特征值通过机器学习的方法建立决策树模型，具体为通过YUV图像的色块特征值通过机器学习的方法生成训练集，通过训练集建立决策树模型；
S4、车道偏离预警***通过决策树模型判断YUV图像是车道线区域还是非车道线区域，具体为：
S41、利用决策树模型对滑动窗口的获取的子图片进行分类；
S42、对每一个滑动窗口的子图片从根结点依次计算其属性值，直到到达某个叶结点，从而找到该子图片属于车道线区域还是非车道线区域；
若是车道线区域，执行步骤S5，若不是车道线区域，重新执行步骤S4对同一副YUV图像的滑动窗口的子图片进行判断，先将一幅YUV图像的各个滑动窗口取的子图片判断完再进行下一幅YUV图像判断；
S5、车道偏离预警***通过视觉识别***的视觉识别功能来识别车道线区域中的车道线，进而获取一幅YUV图像中的车道线，从而识别车辆周围的车道线。
上述的步骤中可以先利用一幅YUV图像完成S1~S3步骤建立决策树模型，之后就利用建立的决策树模型直接进行步骤S4和步骤S5完成车道线识别。也可以定期的进行一次步骤S1~S3，这样车道线识别更加精确。
以上为本发明的其中具体实现方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些显而易见的替换形式均属于本发明的保护范围。
Claims (8)
1.一种基于色块统计的车道线检测方法，其特征在于，包括如下步骤：
S1、车道偏离预警***获取车辆周围的YUV图像；
S2、车道偏离预警***提取YUV图像的色块特征值，具体步骤如下：
S21、统计YUV图像上色块特征值F[6]、F[0]和F[1]在Y通道上的均值和方差， F[2]和F[3]为图像在U通道上的均值和方差， F[4]和F[5]为图像在V通道上的均值和方差；
S22、对统计的色块特征值进行归一化处理，得到YUV图像的色块特征值；
S3、车道偏离预警***利用提取的色块特征值通过机器学习的方法建立决策树模型；
S4、车道偏离预警***通过决策树模型判断YUV图像是车道线区域还是非车道线区域，若是，执行步骤S5，若不是，重新执行步骤S4对下一幅YUV图像进行判断；
S5、车道偏离预警***通过视觉识别***来识别车道线区域中的车道线；
其中步骤S1~S3建立决策树模型定期进行，步骤S4和步骤S5通过最新建立的决策树模型进行；步骤S21中统计YUV图像上色块特征值的方法为采用滑动窗口在YUV图像上滑动，获取所述滑动窗口内的色块特征值。
2.根据权利要求1所述的基于色块统计的车道线检测方法，其特征在于：所述的滑动窗口大小为16像素×32像素。
3.根据权利要求2所述的基于色块统计的车道线检测方法，其特征在于：步骤S3中建立决策树模型的方法为通过YUV图像的色块特征值通过机器学习的方法生成训练集，通过训练集建立决策树模型。
4.根据权利要求3所述的基于色块统计的车道线检测方法，其特征在于，步骤S4的具体步骤为：
S41、利用决策树模型对滑动窗口的子图片进行分类；
S42、对每一个滑动窗口的子图片从根结点依次计算其属性值，直到到达某个叶结点，从而找到该子图片属于车道线区域还是非车道线区域。
5.根据权利要求1所述的基于色块统计的车道线检测方法，其特征在于：步骤S1中的YUV图像获取方法是通过车载摄像头获取。
6.根据权利要求5所述的基于色块统计的车道线检测方法，其特征在于：所述车载摄像头为鱼眼摄像头。
7.根据权利要求6所述的基于色块统计的车道线检测方法，其特征在于：所述车载摄像头为四个，各个车载摄像头分别设置在车辆的前、后、左和右四个方向上。
8.根据权利要求7所述的基于色块统计的车道线检测方法，其特征在于：所述车道偏离预警***存储有图像矫正算法，所述鱼眼摄像头采集的图像通过所述矫正算法矫正还原处理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710937303.XA CN107901907B (zh) | 2017-09-30 | 2017-09-30 | 一种基于色块统计的车道线检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710937303.XA CN107901907B (zh) | 2017-09-30 | 2017-09-30 | 一种基于色块统计的车道线检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107901907A CN107901907A (zh) | 2018-04-13 |
| CN107901907B true CN107901907B (zh) | 2019-12-20 |
Family
ID=61841199
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710937303.XA Active CN107901907B (zh) | 2017-09-30 | 2017-09-30 | 一种基于色块统计的车道线检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107901907B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112784942B (zh) * | 2020-12-29 | 2022-08-23 | 浙江大学 | 一种用于大规模场景下定位导航的特殊色块编码方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2007000911A1 (ja) * | 2005-06-27 | 2007-01-04 | Honda Motor Co., Ltd. | 車両及び車線認識装置 |
| KR20140022197A (ko) * | 2012-08-13 | 2014-02-24 | 주식회사 만도 | 차선 인식 방법 및 이를 이용한 차선 이탈 경보 시스템 |
| CN103605977A (zh) * | 2013-11-05 | 2014-02-26 | 奇瑞汽车股份有限公司 | 一种车道线的提取方法及装置 |
| CN103902985A (zh) * | 2014-04-15 | 2014-07-02 | 安徽工程大学 | 一种基于roi的强鲁棒性实时车道侦测算法 |
| CN104517111A (zh) * | 2013-09-27 | 2015-04-15 | 比亚迪股份有限公司 | 车道线检测方法、***、车道偏离预警方法及*** |
| CN106446864A (zh) * | 2016-10-12 | 2017-02-22 | 成都快眼科技有限公司 | 一种可行道路的检测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101196321B1 (ko) * | 2009-03-20 | 2012-11-01 | 한국전자통신연구원 | 차선 인식 장치 및 그 방법 |
-
2017
- 2017-09-30 CN CN201710937303.XA patent/CN107901907B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2007000911A1 (ja) * | 2005-06-27 | 2007-01-04 | Honda Motor Co., Ltd. | 車両及び車線認識装置 |
| KR20140022197A (ko) * | 2012-08-13 | 2014-02-24 | 주식회사 만도 | 차선 인식 방법 및 이를 이용한 차선 이탈 경보 시스템 |
| CN104517111A (zh) * | 2013-09-27 | 2015-04-15 | 比亚迪股份有限公司 | 车道线检测方法、***、车道偏离预警方法及*** |
| CN103605977A (zh) * | 2013-11-05 | 2014-02-26 | 奇瑞汽车股份有限公司 | 一种车道线的提取方法及装置 |
| CN103902985A (zh) * | 2014-04-15 | 2014-07-02 | 安徽工程大学 | 一种基于roi的强鲁棒性实时车道侦测算法 |
| CN106446864A (zh) * | 2016-10-12 | 2017-02-22 | 成都快眼科技有限公司 | 一种可行道路的检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107901907A (zh) | 2018-04-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108062349B (zh) | 基于视频结构化数据及深度学习的视频监控方法和*** | |
| CN107506760B (zh) | 基于gps定位与视觉图像处理的交通信号检测方法及*** | |
| US20190122059A1 (en) | Signal light detection | |
| US9070023B2 (en) | System and method of alerting a driver that visual perception of pedestrian may be difficult | |
| CN108268867B (zh) | 一种车牌定位方法及装置 | |
| CN111800507A (zh) | 一种交通监控方法及交通监控*** | |
| US8879786B2 (en) | Method for detecting and/or tracking objects in motion in a scene under surveillance that has interfering factors; apparatus; and computer program | |
| CN112800860B (zh) | 一种事件相机和视觉相机协同的高速抛撒物检测方法和*** | |
| CN110738150B (zh) | 相机联动抓拍方法、装置以及计算机存储介质 | |
| EP2940656B1 (en) | Vehicle periphery monitoring device | |
| CN107578012B (zh) | 一种基于聚类算法选择敏感区域的驾驶辅助*** | |
| CN103824070A (zh) | 一种基于计算机视觉的快速行人检测方法 | |
| CN112215306A (zh) | 一种基于单目视觉与毫米波雷达融合的目标检测方法 | |
| WO2023155483A1 (zh) | 一种车型识别方法、装置和*** | |
| Shi et al. | A vision system for traffic sign detection and recognition | |
| CN112001208A (zh) | 用于车辆盲区的目标检测方法、装置和电子设备 | |
| CN111753610A (zh) | 天气识别方法及装置 | |
| KR20210158037A (ko) | 영상감시시스템에서의 고속 이동물체의 위치 및 모션 캡쳐 방법 | |
| CN109766846B (zh) | 一种基于视频的自适应多车道车流检测方法及*** | |
| CN107901907B (zh) | 一种基于色块统计的车道线检测方法 | |
| Lee et al. | Ambient environment recognition algorithm fusing vision and LiDAR sensors for robust multi-channel V2X system | |
| CN113963373A (zh) | 一种基于视频图像动态检测与跟踪算法***及方法 | |
| CN112104838B (zh) | 图像分辨方法及其监控摄像机与监控摄像*** | |
| Chen et al. | Automatic head detection for passenger flow analysis in bus surveillance videos | |
| JP2002367077A (ja) | 交通渋滞判定装置及び交通渋滞判定方法 |
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 |