CN109726708B - 一种车道线识别方法及装置 - Google Patents

Abstract

本申请公开了一种车道线识别方法及装置，该方法包括：在获取到待识别的目标图像,并将其中每一像素点作为待识别点后，可以将目标图像转换为灰度图像，得到目标图像中各个待识别点对应的灰度值，若判断出待识别点的灰度值与其左侧预设个数内的像素点对应的灰度值的均值之比大于预设阈值，且与其右侧预设个数内的像素点对应的灰度值的均值之比也大于预设阈值，则确定待识别点为候选点，再根据候选点，即可确定出目标图像中的车道线。可见，本申请是通过判断待识别点的灰度值与其两侧预设个数内的像素点对应的灰度值的均值之比是否均大于预设阈值，来确定车道线候选点，从而可以有效减小光照不均匀对于识别结果的影响，提高车道线识别的准确性。

Description

一种车道线识别方法及装置

技术领域

本申请涉及智能交通技术领域，尤其涉及一种车道线识别方法及装置。

背景技术

随着智能化***被应用到车辆驾驶领域中，越来越多的车辆上配置了能够实现自动驾驶功能或辅助驾驶功能的智能***。为了实现自动驾驶功能或辅助驾驶功能，车辆上的智能***通常需要从车辆周围的道路图像中识别出车道线，以确定车辆附近的行驶车道，从而指导车辆的驾驶。

但是，目前现有的车道线识别方法通常是利用对称局部阈值(Symmetrical LocalThreshold，简称SLT)算法，先是从拍摄得到的车道图像中确定出组成车道线的候选点(白色/黄色像素点)，然后再基于这些车道线候选点确定出车道线候选线，进而基于这些车道线候选线确定出车道线候选区域，最后，再由车道线候选区域确定出车道线，但在这种识别方法中，在利用SLT算法来确定车道线候选点时，该算法中判断前后窗像素差值对应的阈值是固定的，当光照不均匀时，会使得某个时段拍摄的车道图像整体比较暗，而另一个时段拍摄的车道图像整体比较亮，从而会造成这两幅车道图像之间存在亮度的差异，导致无法准确识别出车道线候选点，进而无法准确识别出车道线，因此，现有技术中缺乏当光照不均匀时，对车道线进行准确识别的方式。

发明内容

本申请实施例的主要目的在于提供一种车道线识别方法及装置，能够提高车道线识别结果的准确性。

本申请实施例提供了一种车道线识别方法，包括：

获取待识别的目标图像，并将所述目标图像中的每一像素点作为待识别点，所述目标图像为包含目标车道线的车道图像；

将所述目标图像转换为灰度图像，得到所述目标图像中各个待识别点对应的灰度值；

获取第一均值和第二均值，所述第一均值为所述待识别点的左侧预设个数内的像素点对应的灰度值的均值，所述第二均值为所述待识别点的右侧预设个数内的像素点对应的灰度值的均值；

若判断出所述待识别点的灰度值与所述第一均值的比值大于预设阈值，且所述待识别点的灰度值与所述第二均值的比值大于所述预设阈值，则确定所述待识别点为车道线候选点；

根据所述车道线候选点，确定所述目标图像中的车道线。

可选的，所述预设个数的范围为8-15。

可选的，所述预设个数为10。

可选的，所述预设阈值的范围为1-1.3。

可选的，所述预设阈值为1.15。

本申请实施例还提供了一种车道线识别装置，包括：

图像获取单元，用于获取待识别的目标图像，并将所述目标图像中的每一像素点作为待识别点，所述目标图像为包含目标车道线的车道图像；

灰度值获得单元，用于将所述目标图像转换为灰度图像，得到所述目标图像中各个待识别点对应的灰度值；

均值获取单元，用于获取第一均值和第二均值，所述第一均值为所述待识别点的左侧预设个数内的像素点对应的灰度值的均值，所述第二均值为所述待识别点的右侧预设个数内的像素点对应的灰度值的均值；

候选点确定单元，用于若判断出所述待识别点的灰度值与所述第一均值的比值大于预设阈值，且所述待识别点的灰度值与所述第二均值的比值大于所述预设阈值，则确定所述待识别点为车道线候选点；

车道线确定单元，用于根据所述车道线候选点，确定所述目标图像中的车道线。

可选的，所述预设个数的范围为8-15。

可选的，所述预设个数为10。

可选的，所述预设阈值的范围为1-1.3。

可选的，所述预设阈值为1.15。

本申请实施例提供的一种车道线识别方法及装置，在获取到待识别的目标图像，并将其中的每一像素点作为待识别点后，可以将该目标图像转换为灰度图像，得到目标图像中各个待识别点对应的灰度值，其中，目标图像为包含目标车道线的车道图像，然后，获取待识别点的左侧预设个数内的像素点对应的灰度值的均值作为第一均值，并获取待识别点的右侧预设个数内的像素点对应的灰度值的均值作为第二均值，接着，若判断出待识别点的灰度值与第一均值的比值大于预设阈值，且待识别点的灰度值与第二均值的比值大于预设阈值，则确定该待识别点为车道线候选点，进而可以根据车道线候选点，确定出目标图像中的车道线。可见，本申请实施例是通过判断待识别点的灰度值与其两侧预设个数内的像素点对应的灰度值的均值之比是否均大于预设阈值，来确定车道线候选点，相比于现有的SLT算法，本申请采用的方式可以有效减小光照不均匀对于识别结果的影响，进而提高了车道线识别的准确性。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例提供的一种车道线识别方法的流程示意图；

图2为本申请实施例提供的待识别点及两侧像素点的示意图；

图3为本申请实施例提供的根据车道线候选点确定目标图像中的车道线的流程示意图；

图4为本申请实施例提供的一种车道线识别装置的组成示意图。

具体实施方式

在一些车道线识别方法中，通常是基于SLT算法，先是从拍摄得到的车道图像中确定出组成车道线的候选点(白色/黄色像素点)，但是在利用SLT算法来确定车道线候选点的过程中，判断前后窗像素差值对应的阈值是固定的，当不同时间段光线强度不同时，这种通过判断前后窗像素差值是否满足固定阈值来确定车道线候选点的方式，识别结果的准确性会变差。因此，现有技术中缺乏当光照不均匀时，对车道线进行准确识别的方式。

为解决上述缺陷，本申请实施例提供了一种车道线识别方法，在获取到待识别的目标图像，并将其中的每一像素点作为待识别点后，可以将该目标图像转换为灰度图像，得到目标图像中各个待识别点对应的灰度值，然后，获取待识别点的左侧预设个数内的像素点对应的灰度值的均值作为第一均值，并获取待识别点的右侧预设个数内的像素点对应的灰度值的均值作为第二均值，接着，若判断出待识别点的灰度值与第一均值的比值大于预设阈值，且待识别点的灰度值与第二均值的比值大于预设阈值，则确定该待识别点为车道线候选点，进而可以根据车道线候选点，确定出目标图像中的车道线。可见，本申请实施例是通过判断待识别点的灰度值与其两侧预设个数内的像素点对应的灰度值的均值之比是否均大于预设阈值，来确定车道线候选点，相比于现有的SLT算法，本申请采用的方式可以有效减小光照不均匀对于识别结果的影响，进而提高了车道线识别的准确性。

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

第一实施例

参见图1，为本实施例提供的一种车道线识别方法的流程示意图，该方法包括以下步骤：

S101：获取待识别的目标图像，并将目标图像中的每一像素点作为待识别点。

在本实施例中，将采用本实施例实现车道线识别的任一包含车道线的车道图像定义为目标图像，并将该目标图像中的车道线定义为目标车道线，同时，将目标图像中的每一像素点作为待识别点。并且，需要说明的是，本实施例不限制目标图像的获取方式，比如，目标图像可以通过安装在车顶的相机拍摄得到、或通过坐在车中的人员利用其它拍照设备(比如智能手机)拍摄得到等。

需要说明的是，本实施例不限制目标图像的类型，比如，目标图像可以是由红(G)、绿(G)、蓝(B)三原色组成的彩色图像、或灰度图像等。

S102：将目标图像转换为灰度图像，得到目标图像中各个待识别点对应的灰度值。

在本实施例中，若通过步骤S101获取到待识别的目标图像本身就是灰度图像，进而可直接计算出目标图像中各个待识别点对应的灰度值，定义为P_O，用以执行后续步骤，实现车道线识别。

若通过步骤S101获取到待识别的目标图像本身不是灰度图像，比如是由红、绿、蓝三原色组成的彩色图像，即，目标图像中的每个像素点的颜色均对应一个RGB(R，G，B)值，此时，可以将目标图像转换为灰度图像，以得到目标图像中各个待识别点对应的灰度值。

其中，当将彩色的目标图像转换为灰度图像时，可以利用浮点算法(如下公式(1))、整数方法(如下公式(2))、移位方法(如下公式(3))、平均值法(如下公式(4))、仅取绿色(如下公式(5))中的任意一种方法，对彩色的目标图像进行灰度转换，具体的转换方式可根据实际情况进行选择，本申请实施例对此不进行限制。

Gray＝R*0.3+G*0.59+B*0.11 (1)

Gray＝(R*30+G*59+B*11)/100 (2)

Gray＝(R*76+G*151+B*28)＞＞8 (3)

Gray＝(R+G+B)/3 (4)

Gray＝G (5)

其中，Gray表示转换后的灰度图像中每一像素点对应的灰度值；R表示目标图像中的每一像素点对应的红色(red)值；G表示目标图像中的每一像素点对应的绿色(green)值；B表示目标图像中的每一像素点对应的蓝色(blue)值。

S103：获取第一均值和第二均值。

在本实施例中，通过步骤S101和S102获取到目标图像并将该目标图像中的每一像素点作为待识别点，并计算出目标图像中各个像素点对应的灰度值后，可以按照后续步骤S103-S104对每一像素点进行识别。需要说明的是，在后续内容中，本实施例将以目标图像中的某一个待识别点为准来介绍如何识别该待识别点是否为车道线候选点，而其它待识别点的识别方式与之类似，不再一一赘述。

在本步骤S102中，需要首先计算出待识别点左侧预设个数内的像素点对应的灰度值的均值，作为第一均值，定义为

同理，还需要计算出待识别点右侧预设个数内的像素点对应的灰度值的均值，作为第二均值，定义为

为了提高识别准确度，一种可选的实现方式是，可以将预设个数的取值范围取为8-15，进一步的，可以将预设个数取为10，如图2所示，图中黑色方框代表待识别点，在该待识别点左右两侧的白色方框各代表10个像素点。.

S104：若判断出待识别点的灰度值与第一均值的比值大于预设阈值，且待识别点的灰度值与第二均值的比值也大于预设阈值，则确定待识别点为车道线候选点。

在本实施例中，通过步骤S102计算出待识别点对应的灰度值P_O，以及通过步骤S103获取到第一均值

和第二均值

后，可以判断出待识别点的灰度值与第一均值的比值

是否大于预设阈值，同时，还可以判断出待识别点的灰度值与第二均值的比值

是否大于预设阈值，若

的值大于预设阈值且

的值也大于预设阈值，则可以确定待识别点为车道线候选点，需要说明的是，为了提高识别准确度，一种可选的实现方式是，可以将预设阈值的范围取为1-1.3，进一步的，可以将预设范围取为1.15。

举例说明：如图2所示，假设计算出的待识别点的灰度值P_O为11，第一均值

为9，由于受到光照不均匀的影响，导致再一次计算出的待识别点的灰度值P_O为111，第二均值

为91，则利用本方法，可得

均大于预设范围1.15，则表明该待识别点为车道线候选点，但若仍利用现有的SLT算法，可以计算出待识别点的灰度值P_O与第一均值

的差值为11-9＝2，待识别点的灰度值P_O与第二均值

的差值为111-91＝20，若以固定阈值(如5)来衡量这两个差值，则会将该待识别点确定出非车道线候选点，导致失败错误，所以，本实施例采取的方式能够在缺乏当光照不均匀时，准确识别出车道线候选点，进而能够实现对车道线进行准确识别。

S105：根据车道线候选点，确定目标图像中的车道线。

在本实施例中，通过步骤S104确定待识别点为车道线候选点后，进一步根据所有通过上述方式被确定车道线候选点，确定出目标图像中的车道线，参见图3，本步骤S105的具体实现过程可以包括下述步骤S1051-S1053：

S1051：若判断出车道线候选点的连续个数在预设连续个数范围内，则将这些连续个数的车道线候选点组成的线作为车道线候选线。

在本实现方式中，通过步骤S104确定待识别点为车道线候选点后，进一步可以判断出车道线候选点的连续个数是否在预设的连续个数的范围内，若是，则表明这些连续的车道线候选点可以构成一条车道线候选线，用以执行后续步骤S1052。

S1052：若判断出车道线候选线的连续条数超过预设连续条数，则将这些连续条数的车道线候选线组成的区域作为车道线候选区域。

在本实现方式中，通过步骤S1051确定出目标图像中的车道线候选线后，进一步可以判断出车道线候选线的连续条数超过预设连续条数，若是，则表明这些连续的车道线候选线可以构成一个候选区域，用以通过后续步骤S1053构成车道线。

S1053：根据车道线候选区域，确定目标图像中的车道线。

在本实现方式中，通过步骤S1052确定出目标图像中的所有车道线候选区域后，可以将这些后续区域通过聚类进一步构成车道线，进而可以确定出目标图像中包含的车道线。

综上，本实施例提供的一种车道线识别方法，在获取到待识别的目标图像，并将其中的每一像素点作为待识别点后，可以将该目标图像转换为灰度图像，得到目标图像中各个待识别点对应的灰度值，其中，目标图像指的是包含目标车道线的车道图像，然后，获取待识别点的左侧预设个数内的像素点对应的灰度值的均值作为第一均值，并获取待识别点的右侧预设个数内的像素点对应的灰度值的均值作为第二均值，接着，若判断出待识别点的灰度值与第一均值的比值大于预设阈值，且待识别点的灰度值与第二均值的比值大于预设阈值，则确定该待识别点为车道线候选点，进而可以根据车道线候选点，确定出目标图像中的车道线。可见，本申请实施例是通过判断待识别点的灰度值与其两侧预设个数内的像素点对应的灰度值的均值之比是否均大于预设阈值，来确定车道线候选点，相比于现有的SLT算法，本申请采用的方式可以有效减小光照不均匀对于识别结果的影响，进而提高了车道线识别的准确性。

第二实施例

本实施例将对一种车道线识别装置进行介绍，相关内容请参见上述方法实施例。

参见图4，为本实施例提供的一种车道线识别装置的组成示意图，该装置包括：

图像获取单元401，用于获取待识别的目标图像，并将所述目标图像中的每一像素点作为待识别点，所述目标图像为包含目标车道线的车道图像；

灰度值获得单元402，用于将所述目标图像转换为灰度图像，得到所述目标图像中各个待识别点对应的灰度值；

均值获取单元403，用于获取第一均值和第二均值，所述第一均值为所述待识别点的左侧预设个数内的像素点对应的灰度值的均值，所述第二均值为所述待识别点的右侧预设个数内的像素点对应的灰度值的均值；

候选点确定单元404，用于若判断出所述待识别点的灰度值与所述第一均值的比值大于预设阈值，且所述待识别点的灰度值与所述第二均值的比值大于所述预设阈值，则确定所述待识别点为车道线候选点；

车道线确定单元405，用于根据所述车道线候选点，确定所述目标图像中的车道线。

在本实施例的一种实现方式中，所述预设个数的范围为8-15。

在本实施例的一种实现方式中，所述预设个数为10。

在本实施例的一种实现方式中，所述预设阈值的范围为1-1.3。

在本实施例的一种实现方式中，所述预设阈值为1.15。

在本实施例的一种实现方式中，所述车道线确定单元405包括：

候选线确定子单元，用于若判断出所述车道线候选点的连续个数在预设连续个数范围内，则将所述连续个数的车道线候选点组成的线作为车道线候选线；

候选区域确定子单元，用于若判断出所述车道线候选线的连续条数超过预设连续条数，则将所述连续条数的车道线候选线组成的区域作为车道线候选区域；

车道线确定子单元，用于根据所述车道线候选区域，确定所述目标图像中的车道线。

综上，本实施例提供的一种车道线识别装置，在获取到待识别的目标图像，并将其中的每一像素点作为待识别点后，可以将该目标图像转换为灰度图像，得到目标图像中各个待识别点对应的灰度值，其中，目标图像指的是包含目标车道线的车道图像，然后，获取待识别点的左侧预设个数内的像素点对应的灰度值的均值作为第一均值，并获取待识别点的右侧预设个数内的像素点对应的灰度值的均值作为第二均值，接着，若判断出待识别点的灰度值与第一均值的比值大于预设阈值，且待识别点的灰度值与第二均值的比值大于预设阈值，则确定该待识别点为车道线候选点，进而可以根据车道线候选点，确定出目标图像中的车道线。可见，本申请实施例是通过判断待识别点的灰度值与其两侧预设个数内的像素点对应的灰度值的均值之比是否均大于预设阈值，来确定车道线候选点，相比于现有的SLT算法，本申请采用的方式可以有效减小光照不均匀对于识别结果的影响，进而提高了车道线识别的准确性。

通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到上述实施例方法中的全部或部分步骤可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者诸如媒体网关等网络通信设备，等等)执行本申请各个实施例或者实施例的某些部分所述的方法。

需要说明的是，本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种车道线识别方法，其特征在于，包括：

获取待识别的目标图像，并将所述目标图像中的每一像素点作为待识别点，所述目标图像为包含目标车道线的车道图像；

将所述目标图像转换为灰度图像，得到所述目标图像中各个待识别点对应的灰度值；

获取第一均值和第二均值，所述第一均值为所述待识别点的左侧预设个数内的像素点对应的灰度值的均值，所述第二均值为所述待识别点的右侧预设个数内的像素点对应的灰度值的均值；

若判断出所述待识别点的灰度值与所述第一均值的比值大于预设阈值，且所述待识别点的灰度值与所述第二均值的比值大于所述预设阈值，则确定所述待识别点为车道线候选点；

根据所述车道线候选点，确定所述目标图像中的车道线。

2.根据权利要求1所述的车道线识别方法，其特征在于，所述预设个数的范围为8-15。

3.根据权利要求2所述的车道线识别方法，其特征在于，所述预设的个数为10。

4.根据权利要求1所述的车道线识别方法，其特征在于，所述预设阈值的范围为1-1.3。

5.根据权利要求4所述的车道线识别方法，其特征在于，所述预设阈值为1.15。

6.一种车道线识别装置，其特征在于，包括：

图像获取单元，用于获取待识别的目标图像，并将所述目标图像中的每一像素点作为待识别点，所述目标图像为包含目标车道线的车道图像；

灰度值获得单元，用于将所述目标图像转换为灰度图像，得到所述目标图像中各个待识别点对应的灰度值；

均值获取单元，用于获取第一均值和第二均值，所述第一均值为所述待识别点的左侧预设个数内的像素点对应的灰度值的均值，所述第二均值为所述待识别点的右侧预设个数内的像素点对应的灰度值的均值；

候选点确定单元，用于若判断出所述待识别点的灰度值与所述第一均值的比值大于预设阈值，且所述待识别点的灰度值与所述第二均值的比值大于所述预设阈值，则确定所述待识别点为车道线候选点；

车道线确定单元，用于根据所述车道线候选点，确定所述目标图像中的车道线。

7.根据权利要求6所述的车道线识别装置，其特征在于，所述预设个数的范围为8-15。

8.根据权利要求7所述的车道线识别装置，其特征在于，所述预设个数为10。

9.根据权利要求6所述的车道线识别装置，其特征在于，所述预设阈值的范围为1-1.3。

10.根据权利要求9所述的车道线识别装置，其特征在于，所述预设阈值为1.15。

Images