CN109829365B - 基于机器视觉的多场景适应驾驶偏离及转弯预警方法 - Google Patents
基于机器视觉的多场景适应驾驶偏离及转弯预警方法 Download PDFInfo
- Publication number
- CN109829365B CN109829365B CN201811564831.6A CN201811564831A CN109829365B CN 109829365 B CN109829365 B CN 109829365B CN 201811564831 A CN201811564831 A CN 201811564831A CN 109829365 B CN109829365 B CN 109829365B
- Authority
- CN
- China
- Prior art keywords
- lane
- image
- line
- detection
- mask
- 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
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了基于机器视觉的多场景适应驾驶偏离及转弯预警方法,包括以下步骤:安装CCD路面图像相机;增强路面图像实景;定位当前行驶道路;实时判断行驶车道;计算并分级道路远场弯曲度;警报。本专利首先对路面实景增强,随后,对于增强后的图像应用一种近场自适应的当前行驶道路检测算法,通过色彩、前后帧、与动静态结合的Mask规避路面地标,其他车辆所可能造成的误检。在得到明确行驶边界后,采用CCP发判断是否发生偏离,给出不同程度的警告。在转弯预警方面,本专利提出了一种道路远场弯曲度计算与分级算法,将道路弯曲度分为三个等级,当道路弯曲度过小时,根据拟合出的弯曲度等级,给予多级报警。
Description
技术领域
本发明涉及基于机器视觉的多场景适应驾驶偏离及转弯预警方法,属于车辆智能控制技术领域。
背景技术
相关调查显示,交通事故的发生除了少数由道路本身、恶劣天气引起,更多的是驾驶员人为因素造成,交通事故统计分析指出,车道偏离引起的交通事故比例达到30%,而在弯道处则更是事故多发地带,弯道由于驾驶员驾驶视野受限,及容易因操作失当而出现事故。为此为了有效减少此类人为交通事故,各国的政府及研究人员对驾驶辅助***的研究十分重视。据相关研究表明,车道偏离及弯道预警***的使用至少可以减少30%的以上的交通事故。因此,车辆辅助的研究对提高交通安全,减少交通事故,减少和避免交通事故造成的损失具有重要的实际应用价值。
发明内容
为了解决上述存在的问题,本发明公开了一种基于机器视觉的多场景适应驾驶偏离及转弯预警方法,通过基于动态视角的三点定位单目CCD路面图像采集***采集前方路面图像,对采集到的图像采取一种基于分层和元胞自动机的路面实景增强方法实现多天气、光照、场景适应、在得到的增强图像上采取一种近场自适应的当前行驶道路检测算法方法实现动态监测当前行驶车道,同时采取一种道路远场弯曲度计算与分级算法,计算道路的曲率等级。其具体技术方案如下:
基于机器视觉的多场景适应驾驶偏离及转弯预警方法,包括以下步骤:
步骤1:安装CCD路面图像相机:在车辆内安装CCD路面图像相机,CCD路面图像相机朝向车辆行驶方向的前方,纵向建立了一种基于动态视角的三点定位单目CCD路面图像采集***,在行驶过程中,通过位置与俯仰可调的CCD实时采集路面影像,并通过三点定位法,即当前车道与视野范围底边两个交点,近场车道远端直线延伸远端交点,综合定位CCD在不同车辆的角度与高度位置;
步骤2:增强路面图像实景:基于分层和元胞自动机的路面实景增强法,对步骤1得到的路面图像进行实景增强,分利用梯度分布先验知识和梯度分布残差联合分析图像数据内部结构,通过迭代准则来整合这两种先验知识,并且吸收元胞自动机的优点,提高路面与车道的对比度,增强抗恶劣光照和场景抗性;
步骤3:定位当前行驶道路:基于近场自适应的当前行驶道路定位算法,对步骤2得到的实景增强图像后的近场路面场景,采取色彩判别,前后帧结果对比,动静态自适应mask三种手段结合,获得车道线检测初始区域,并在后续针对逐帧车道检测结果对此初始区域进行动态自适应更新;
步骤4:实时判断行驶车道:在步骤3得到的初步行驶区域内进行概率Hough直线检测,并对检测到的直线进行动态置信度判断,选取最优解,在得到确信的车道线后,根据国标车道宽度计算当前在车道内位置,并运用CCP模型对是否偏离行驶车道进行实时判断;
步骤5:计算并分级道路远场弯曲度:对步骤(2)得到的实景增强图像后的远场路面场景,对远端路面取直线元进行斜率计算,当连续帧的斜率范围满足阈值,则对当前行驶道路判定为弯道,结合车道检测结果所定义的当前车道内位置,拟合远场弯道等级;
步骤6:警报:远近场的拟合效果结合还原当前行驶道路的实况,并在发生车道偏离和路面弯曲度过大时给予对应程度的警报。
所述步骤1中基于动态视角的三点定位单目CCD路面图像采集***,包括树莓派开发板、单目CCD相机和CCD俯仰可调的机器外壳,
所述步骤1中根据俯仰及位置可调节的单目CCD装置的初始定位及路面采集的具体方法为:将路面近场抽象为直线,取当前车道与成像底边的两个交点,判断其与底边交点距最左端宽度是否满足初始阈值,取其延长线在远场的交点是否满足初始阈值,完成图像***在不同车辆的初始高度,俯仰姿态的调整,实现不同车型适应性。
所述步骤2中基于元胞自动机的图像增强视觉计算的具体方法为:利用梯度分布先验知识和梯度分布残差联合分析图像数据内部结构,通过迭代准则来整合两种先验知识,并且吸收元胞自动机的优点,有效提高图像显著细节的对比度,首先,计算采集图像的二维梯度直方图,对二维梯度直方图计算其图像概率密度,其次,基于CDF的梯度分布残差先验知识模型,运用该模型计算元胞状态,最后,运用该元胞迭代准则对元胞进行不断迭代,得到最终的场景增强效果。
所述步骤3的具体实施过程与步骤4动态车道线取最优解与车道内位置计算的具体步骤如下:划定消失点到车辆引擎盖以上的部分为初始静态Mask,将静态Mask转入HSV空间,根据色度阈值,对于车道线的初步检查结果四周划定一个类梯形区域作为动态Mask,动态Mask根据前后三帧实时的检测结果进行更新,在Mask内进行概率hough直线检测,并结合前帧检测结果和三点阈值取优,当动态Mask内检测不到直线时,恢复至初始静态Mask检测直线,并根据检测结果重新划定动态Mask。
所述步骤5的具体实施过程:首先,对远端路面取直线元进行斜率计算,当连续多帧满足判别阈值后,确定远端道路是左转还是右转,而后根据带入拟合出的描述不同弯道不同弯曲程度的弯度线性拟合公式,确定弯度等级,在等级过小时触发警报。
一、基于分层和元胞自动机的路面实景增强方法
将图像转至HSV的色彩空间,提取其H通道的灰度分量,记为F,F(x,y)为像素(x,y)的灰度级信息,梯度分布G(x,y)被定义为:
其中,dF(x,y)/dx和dF(x,y)/dy表示图像沿x和y方向的梯度信息。
由式(1)可以得到两维的梯度直方图:Gx和Gy。因此,本方法计算图像概率密度函数(PDF),即:
其中,n表示图像像素的数目,k∈L表示图像的柱状数,即将图像F分为{F0,F1,...,FL-1}。
PDF的基础上,本文计算累积分布函数(CDF),即:
在元胞自动机框架中,本文将CDF值表示为框架中每个元胞的状态,本文假设元胞自动机中新的元胞状态能够代表原图像像素信息,该元胞状态利用它本身和当前邻域的梯度状态来决定像素关系,这种像素关系计算量比较复杂,但像素信息分布效果比较突出,可以计算新的元胞状态,即:
其中,ε用来控制两种状态的大小关系,u∈[0,1],v∈[0,1]表示在元胞自动机中的两个新状态的取值范围,定义为:
其中,uu和vv表示控制两种状态的大小关系,即:
在下一个元胞状态中,v∈[0,1]和u∈[0,1]是不断变化的。
本文探索研究出一种基于CDF的梯度分布残差先验知识模型,该模型能编码图像的细节成份,并减少噪声的影响,即:
由于梯度分布信息能够在元胞自动机中得到传播,它能获得丰富的图像结构信息。同样,本文的梯度分布残差先验知识通过元胞自动机传播残差信息,该方法不断更新像素信息,以获得新的梯度分布残差先验信息。根据式(4)和(5)可以得到新的元胞状态,即新的梯度分布残差值
为了有效地发挥两种先验知识的优势,本专利提出一种迭代准则更新两种先验知识,它能有效地整合梯度分布信息和梯度分布残差信息,获得最终的增强效果,即:
其中,α调整两种先验知识的权重,mean()表示均值函数,用来平衡图像的像素值。当t=0时,Ft就是指初始图像。
二、近场自适应的当前行驶道路检测算法
静态mask设定
通过对原始图像进行初始预设提取出感兴趣区域,需要最大化选择感兴趣区域,同时最大限度地减少干扰.对原始图像初始预设提高了车道检测***的速度和正确率目前,一些消失点到车辆引擎盖以上的部分被选为检测区域。设置静态mask,对非检测区域像素置0,在通过三点定位法安置好CCD后,该区域不再发生变化。
色彩mask设定
实际驾驶过程中的车道线为黄色或白色,对增强算法得到的HSV图像H分量的范围为0-360,S和V分量的范围均为0-1的话
对满足公式(9)阈值条件的部分置255,其余部分赋0。获取白黄色Mask,再将Mask进行膨胀处理。
该基于HSV空间的颜色检测方法可以有效的去除Canny检测边缘的干扰,极大的提升了程序运行速度和车道线检测结果的准确率。
Canny边缘检测
边缘特征是所有车道线特征中最重要也是最明显的特征,对添加了静态与色彩mask的道路图像采用的是canny边缘检测:
Canny算子求边缘点具体算法步骤如下:
1.用高斯滤波器平滑图像.
2.用一阶偏导有限差分计算梯度幅值和方向
3.对梯度幅值进行非极大值抑制
4.用双阈值算法检测和连接边缘
概率Hough直线检测
完成车道特征提取后,进行车道线的拟合。对于车道近场,我们近似看做直线,采用的是概率Hough直线检测检测区域中所有的直线其流程如下:
1.随机获取边缘图像上的前景点,映射到极坐标系画曲线;
2.当极坐标系里面有交点达到最小投票数,将该点对应x-y坐标系的直线L找出来;
3.搜索边缘图像上前景点,在直线L上的点(且点与点之间距离小于maxLineGap)连成线段,然后这些点全部删除,并且记录该线段的参数(起始点和终止点),当然线段长度要满足最小长度;
4.重复1.2.3.。
自适应动态mask
在获得初始检测直线后为了在后续检测中尽量减少地标和背景干扰的影响,我们设计了一个动态的自适应mask,只有Hough直线检测出来的线在经第一遍删选后留下的线的底部端点在该动态内,才把它作为备选线保留,这样可以删除掉大部分非车道线直线,有效过滤地面干扰。
动态Mask区域的选取根据上一帧检测出来的左右车道线的所拟合直线方程的K,b值在检测区域划定两个类梯形区域,达到每一帧的检测结果动态变化,自适应相关的目的。
若根据动态Mask选出的线数目为0,则直线检测结果维持上一帧不更新,下一帧恢复至静态mask和色彩mask划定的检测区域里进行重新检测。
位置判断与车道线取优
在同一相机放在车辆上的位置确定后,在处于未偏道行驶的汽车的驾驶视野中,其左右车道线的位置是固定在一定范围内,根据该位置范围条件,可以进行对初步选取的最优车道线的可信度进行判断,若在该距离判断条件内则说明选取的最优的车道线可信度较高,则对显示更新最新的最优车道线参数,否则不可信,则维持上一帧的最优车道线参数不更新。
三、道路远场弯曲度计算与分级算法
本模块主要分为两大部分,即弯道方向的判别以及基于弯道拐点位置的弯道等级预测。
弯道方向的判别:
第一步:根据已知的动静态自适应mask设置新的mask使得车道线远端和近端同时包含在mask内,同时根据左右侧mask将车道线分别标记左右。
第二步:将在左右车道线的远端取检测元进行霍夫直线检测,假设检测到的左右车道线的直线元斜率分别为kl和kr,若连续3帧以上kl>0则说明当前车道为左拐,反之若连续3帧以上kr<0说明当前车道为右拐。
弯道等级预测:
第一步:根据弯道方向和左右自适应mask将边缘图像中对应方向的远端弯道部分取出,
第二步:假设车道线的底端点为B,车轮离车道线的距离为d。实际驾驶过程中车轮与车道线距离一定时弯道的弯曲程度越大,拐带T与底端点B之间的距离越短。从成像的角度来说,相同弯曲程度的弯道,车轮与车道线的距离越远,拐弯点与底端点B之间的距离越长。
第三步:根据上述规律,本专利对不同弯曲程度的弯道做了线性拟合,假设车轮离车道线的距离为x,车道线斜率突变处拐点为T与底端点B之间的距离为y,将弯道等级分为三等半径分别为300米,200米,100米,结果如下:
y300=0.451*x+106
y200=0.391*x+96
y100=0.4602*x+30.59
第四步:根据上述公式对当前弯道的等级进行判断,并进行分级预警。
本发明的有益效果是:
本发明首先建立了一个基于动态视角的三点定位单目CCD路面图像采集***,保证了对于不同高度俯仰角的车辆安装CCD时,都能强适应的采集到质量大致相同的路面图像。其次提出了一种基于分层和元胞自动机的路面实景增强方法,用以增强采集到的路面场景,使得本专利方法能够适应不同的天气场景和光照条件下的检测需求,随后在道路行驶近场本专利提出了一种近场自适应的当前行驶道路检测算法方法,通过色彩,前后帧关系,动、静态mask相结合,实现了自适应的车道线检测。同时针对道路远场,提出了一种道路远场弯曲度计算与分级算法,当车道偏离或道路曲率触发报警阈值时,给予驾驶员以警示信号。
本专利首先提出了一种基于分层和元胞自动机的路面实景增强方法,该图像增强法提高了本***应对不同天气和光照条件的适应性,使得在阴雨隧道等行车环境也能获得准确的检测结果。随后,对于增强后的图像应用一种近场自适应的当前行驶道路检测算法,通过色彩、前后帧、与动静态结合的Mask规避路面地标,其他车辆所可能造成的误检。在得到明确行驶边界后,采用CCP发判断是否发生偏离,给出不同程度的警告。在转弯预警方面,本专利提出了一种道路远场弯曲度计算与分级算法,将道路弯曲度分为三个等级,当道路弯曲度过小时,根据拟合出的弯曲度等级,给予多级报警。
附图说明
图1***工作流程,
图2近场自适应的当前行驶道路检测算法流程,
图3CCP偏离判断模型,
图4静态Mask初始化,
图5动态自适应Mask,
图6道路远场弯曲度计算与分级算法,
图7远场直线元法转弯方向判别,
图8***实际工作画面,
其中:图8(a)为正常行驶时的实际工作画面,
图8(b)为即将偏道时的实际工作画面,
图8(c)为偏道预警的实际工作画面。
具体实施方式
下面结合附图和具体实施方式,进一步阐明本发明。应理解下述具体实施方式仅用于说明本发明而不用于限制本发明的范围。
结合附图1可见,本发明的具体实现步骤如下:
步骤1,使用位置与俯仰可调的CCD实时采集路面影像,并通过三点定位法,综合定位CCD在不同车辆的角度与高度位置;
步骤2,实时采集并回传当前道路行驶图像;
步骤3,采用基于分层和元胞自动机的路面实景增强法,对步骤2得到的路面图像进行实景增强,提高路面与车道的对比度,增强抗恶劣光照和场景抗性;
步骤4,本专利提出了一种近场自适应的当前行驶道路定位算法,对步骤3得到的实景增强图像后的近场路面场景,采取色彩判别,静态mask三种手段结合,获得车道线检测初始区域,;
步骤5,在步骤4得到的初步行驶区域内进行概率Hough直线检测,并对检测到的直线进行动态置信度判断,选取最优解,并在后续针对逐帧车道检测结果对此初始区域进行动态自适应更新,形成动态Mask,与初始静态Mask结合,依照前后帧关系实现自适应检测;
步骤6,在得到确信的车道线后,根据国标车道宽度计算当前在车道内位置,并运用CCP模型对是否偏离行驶车道进行实时判断;
步骤7,本专利提出了一种道路远场弯曲度计算与分级算法,对步骤3得到的实景增强图像后的远场路面场景,对远端路面取直线元进行斜率计算,当连续帧的斜率范围满足阈值,则对当前行驶道路判定为弯道。结合步骤6的车道检测结果所定义的当前车道内位置,拟合远场弯道等级;
步骤7,通过远近场的拟合效果结合还原当前行驶道路的实况,并在发生车道偏离和路面弯曲度过大时给予不同程度的警报。
结合附图2可见,近场自适应的当前行驶道路检测算法流程为:
静态mask设定
结合附图4可见,静态Mask初始化的画面图。通过对原始图像进行初始预设提取出感兴趣区域,需要最大化选择感兴趣区域,同时最大限度地减少干扰.对原始图像初始预设提高了车道检测***的速度和正确率目前,一些消失点到车辆引擎盖以上的部分被选为检测区域。设置静态mask,对非检测区域像素置0,在通过三点定位法安置好CCD后,该区域不再发生变化。
色彩mask设定
实际驾驶过程中的车道线为黄色或白色,对增强算法得到的HSV图像H分量的范围为0-360,S和V分量的范围均为0-1的话
对满足公式(9)阈值条件的部分置255,其余部分赋0。获取白黄色Mask,再将Mask进行膨胀处理。
该基于HSV空间的颜色检测方法可以有效的去除Canny检测边缘的干扰,极大的提升了程序运行速度和车道线检测结果的准确率。
Canny边缘检测
边缘特征是所有车道线特征中最重要也是最明显的特征,对添加了静态与色彩mask的道路图像采用的是canny边缘检测:
Canny算子求边缘点具体算法步骤如下:
1.用高斯滤波器平滑图像.
2.用一阶偏导有限差分计算梯度幅值和方向
3.对梯度幅值进行非极大值抑制
4.用双阈值算法检测和连接边缘
概率Hough直线检测
完成车道特征提取后,进行车道线的拟合。对于车道近场,我们近似看做直线,采用的是概率Hough直线检测检测区域中所有的直线其流程如下:
1.随机获取边缘图像上的前景点,映射到极坐标系画曲线;
2.当极坐标系里面有交点达到最小投票数,将该点对应x-y坐标系的直线L找出来;
3.搜索边缘图像上前景点,在直线L上的点(且点与点之间距离小于maxLineGap)连成线段,然后这些点全部删除,并且记录该线段的参数(起始点和终止点),当然线段长度要满足最小长度;
4.重复3个步骤。
自适应动态mask
结合附图5可见,动态自适应Mask的画面图。
在获得初始检测直线后为了在后续检测中尽量减少地标和背景干扰的影响,我们设计了一个动态的自适应mask,只有Hough直线检测出来的线在经第一遍删选后留下的线的底部端点在该动态内,才把它作为备选线保留,这样可以删除掉大部分非车道线直线,有效过滤地面干扰。
动态Mask区域的选取根据上一帧检测出来的左右车道线的所拟合直线方程的K,b值在检测区域划定两个类梯形区域,达到每一帧的检测结果动态变化,自适应相关的目的。
若根据动态Mask选出的线数目为0,则直线检测结果维持上一帧不更新,下一帧恢复至静态mask和色彩mask划定的检测区域里进行重新检测。
位置判断与车道线取优
在同一相机放在车辆上的位置确定后,在处于未偏道行驶的汽车的驾驶视野中,其左右车道线的位置是固定在一定范围内,根据该位置范围条件,可以进行对初步选取的最优车道线的可信度进行判断,若在该距离判断条件内则说明选取的最优的车道线可信度较高,则对显示更新最新的最优车道线参数,否则不可信,则维持上一帧的最优车道线参数不更新。
结合附图6可见,道路远场弯曲度计算与分级算法的实现过程为:
道路远场弯曲度计算与分级算法
本模块主要分为两大部分,即弯道方向的判别以及基于弯道拐点位置的弯道等级预测。
结合附图7可见,远场直线元法转弯方向判别时的画面图。
弯道方向的判别:
第一步:根据已知的动静态自适应mask设置新的mask使得车道线远端和近端同时包含在mask内,同时根据左右侧mask将车道线分别标记左右。
第二步:将在左右车道线的远端取检测元进行霍夫直线检测,假设检测到的左右车道线的直线元斜率分别为kl和kr,若连续3帧以上kl>0则说明当前车道为左拐,反之若连续3帧以上kr<0说明当前车道为右拐。
结合附图3可见,ccp偏离判断模型的过程为:
弯道等级预测:
第一步:根据弯道方向和左右自适应mask将边缘图像中对应方向的远端弯道部分取出,
第二步:假设车道线的底端点为B,车轮离车道线的距离为d。实际驾驶过程中车轮与车道线距离一定时弯道的弯曲程度越大,拐带T与底端点B之间的距离越短。从成像的角度来说,相同弯曲程度的弯道,车轮与车道线的距离越远,拐弯点与底端点B之间的距离越长。
第三步:根据上述规律,本专利对不同弯曲程度的弯道做了线性拟合,假设车轮离车道线的距离为x,车道线斜率突变处拐点为T与底端点B之间的距离为y,将弯道等级分为三等半径分别为300米,200米,100米,结果如下:
y300=0.451*x+106
y200=0.391*x+96
y100=0.4602*x+30.59
第四步:根据上述公式对当前弯道的等级进行判断,并进行分级预警。
结合附图8可见,***处于正常行驶、即将偏离道以及偏道预警时的实际工作画面。
本发明方案所公开的技术手段不仅限于上述技术手段所公开的技术手段,还包括由以上技术特征任意组合所组成的技术方案。
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 (8)
1.基于机器视觉的多场景适应驾驶偏离及转弯预警方法,其特征在于包括以下步骤:
步骤1:安装CCD路面图像相机:在车辆内安装CCD路面图像相机,CCD路面图像相机朝向车辆行驶方向的前方,纵向建立了一种基于动态视角的三点定位单目CCD路面图像采集***,在行驶过程中,通过位置与俯仰可调的CCD实时采集路面影像,并通过三点定位法,即当前车道与视野范围底边两个交点,近场车道远端直线延伸远端交点,综合定位CCD在不同车辆的角度与高度位置;
步骤2:增强路面图像实景:基于分层和元胞自动机的路面实景增强法,对步骤1得到的路面图像进行实景增强,分利用梯度分布先验知识和梯度分布残差联合分析图像数据内部结构,通过迭代准则来整合这两种先验知识,并且吸收元胞自动机的优点,提高路面与车道的对比度,增强抗恶劣光照和场景抗性;
步骤3:定位当前行驶道路:基于近场自适应的当前行驶道路定位算法,对步骤2得到的实景增强图像后的近场路面场景,采取色彩判别,前后帧结果对比,动静态自适应mask三种手段结合,获得车道线检测初始区域,并在后续针对逐帧车道检测结果对此初始区域进行动态自适应更新;
步骤4:实时判断行驶车道:在步骤3得到的初步行驶区域内进行概率Hough直线检测,并对检测到的直线进行动态置信度判断,选取最优解,在得到确信的车道线后,根据国标车道宽度计算当前在车道内位置,并运用CCP模型对是否偏离行驶车道进行实时判断;
步骤5:计算并分级道路远场弯曲度:对步骤2得到的实景增强图像后的远场路面场景,对远端路面取直线元进行斜率计算,当连续帧的斜率范围满足阈值,则对当前行驶道路判定为弯道,结合车道检测结果所定义的当前车道内位置,拟合远场弯道等级;
步骤6:警报:远近场的拟合效果结合还原当前行驶道路的实况,并在发生车道偏离和路面弯曲度过大时给予对应程度的警报。
2.根据权利要求1所述的基于机器视觉的多场景适应驾驶偏离及转弯预警方法,其特征在于所述步骤1中基于动态视角的三点定位单目CCD路面图像采集***,包括树莓派开发板、单目CCD相机和CCD俯仰可调的机器外壳,
所述步骤1中根据俯仰及位置可调节的单目CCD装置的初始定位及路面采集的具体方法为:将路面近场抽象为直线,取当前车道与成像底边的两个交点,判断其与底边交点距最左端宽度是否满足初始阈值,取其延长线在远场的交点是否满足初始阈值,完成图像***在不同车辆的初始高度,俯仰姿态的调整,实现不同车型适应性。
3.根据权利要求1所述的基于机器视觉的多场景适应驾驶偏离及转弯预警方法,其特征在于所述步骤2中基于元胞自动机的图像增强视觉计算的具体方法为:利用梯度分布先验知识和梯度分布残差联合分析图像数据内部结构,通过迭代准则来整合两种先验知识,并且吸收元胞自动机的优点,有效提高图像显著细节的对比度,首先,计算采集图像的二维梯度直方图,对二维梯度直方图计算其图像概率密度,其次,基于CDF的梯度分布残差先验知识模型,运用该模型计算元胞状态,最后,运用该元胞迭代准则对元胞进行不断迭代,得到最终的场景增强效果。
4.根据权利要求1所述的基于机器视觉的多场景适应驾驶偏离及转弯预警方法,其特征在于所述步骤3的具体实施过程与步骤4动态车道线取最优解与车道内位置计算的具体步骤如下:划定消失点到车辆引擎盖以上的部分为初始静态Mask,将静态Mask转入HSV空间,根据色度阈值,对于车道线的初步检查结果四周划定一个类梯形区域作为动态Mask,动态Mask根据前后三帧实时的检测结果进行更新,在Mask内进行概率hough直线检测,并结合前帧检测结果和三点阈值取优,当动态Mask内检测不到直线时,恢复至初始静态Mask检测直线,并根据检测结果重新划定动态Mask。
5.根据权利要求1所述的基于机器视觉的多场景适应驾驶偏离及转弯预警方法,其特征在于所述步骤5的具体实施过程:首先,对远端路面取直线元进行斜率计算,当连续多帧满足判别阈值后,确定远端道路是左转还是右转,而后根据带入拟合出的描述不同弯道不同弯曲程度的弯度线性拟合公式,确定弯度等级,在等级过小时触发警报。
6.根据权利要求4所述的基于机器视觉的多场景适应驾驶偏离及转弯预警方法,其特征在于所述步骤2中基于分层和元胞自动机的路面实景增强的具体方法如下:
将图像转至HSV的色彩空间,提取其H通道的灰度分量,记为F,F(x,y)为像素(x,y)的灰度级信息,梯度分布G(x,y)被定义为:
其中,dF(x,y)/dx和dF(x,y)/dy表示图像沿x和y方向的梯度信息;
由式(1)可以得到两维的梯度直方图:Gx和Gy,因此,计算图像概率密度函数PDF,即:
其中,n表示图像像素的数目,k∈L表示图像的柱状数,即将图像F分为{F0,F1,...,FL-1},
PDF的基础上,计算累积分布函数CDF,即:
在元胞自动机框架中,将CDF值表示为框架中每个元胞的状态,假设元胞自动机中新的元胞状态能够代表原图像像素信息,该元胞状态利用它本身和当前邻域的梯度状态来决定像素关系,这种像素关系计算量比较复杂,但像素信息分布效果比较突出,计算新的元胞状态,即:
其中,ε用来控制两种状态的大小关系,u∈[0,1],v∈[0,1]表示在元胞自动机中的两个新状态的取值范围,定义为:
其中,uu和vv表示控制两种状态的大小关系,即:
在下一个元胞状态中,v∈[0,1]和u∈[0,1]是不断变化的;
根据基于CDF的梯度分布残差先验知识模型,该模型能编码图像的细节成份,并减少噪声的影响,即:
由于梯度分布信息能够在元胞自动机中得到传播,它能获得丰富的图像结构信息,同样,梯度分布残差先验知识通过元胞自动机传播残差信息,该方法不断更新像素信息,以获得新的梯度分布残差先验信息,根据式(4)和(5)得到新的元胞状态,即新的梯度分布残差值
迭代准则更新两种先验知识能有效地整合梯度分布信息和梯度分布残差信息,获得最终的增强效果,即:
其中,α调整两种先验知识的权重,mean()表示均值函数,用来平衡图像的像素值,当t=0时,Ft就是指初始图像。
7.根据权利要求1所述的基于机器视觉的多场景适应驾驶偏离及转弯预警方法,其特征在于所述步骤3中近场自适应的当前行驶道路检测方法具体如下:
静态mask设定
通过对原始图像进行初始预设提取出感兴趣区域,需要最大化选择感兴趣区域,同时最大限度地减少干扰,消失点到车辆引擎盖以上的部分被选为检测区域,设置静态mask,对非检测区域像素置0,在通过三点定位法安置好CCD后,该区域不再发生变化;
色彩mask设定
实际驾驶过程中的车道线为黄色或白色,对增强算法得到的HSV图像H分量的范围为0-360,S和V分量的范围均为0-1的话
对满足公式(9)阈值条件的部分置255,其余部分赋0,获取白黄色Mask,再将Mask进行膨胀处理,
该基于HSV空间的颜色检测方法可以有效的去除Canny检测边缘的干扰;
Canny边缘检测
对添加了静态与色彩mask的道路图像采用的是canny边缘检测:
Canny算子求边缘点具体算法步骤如下:
1.用高斯滤波器平滑图像,
2.用一阶偏导有限差分计算梯度幅值和方向,
3.对梯度幅值进行非极大值抑制,
4.用双阈值算法检测和连接边缘;
概率Hough直线检测
完成车道特征提取后,进行车道线的拟合,对于车道近场,近似看做直线,采用的是概率Hough直线检测检测区域中所有的直线其流程如下:
1.随机获取边缘图像上的前景点,映射到极坐标系画曲线,
2.当极坐标系里面有交点达到最小投票数,将该点对应x-y坐标系的直线L找出来,
3.搜索边缘图像上前景点,在直线L上的点,且点与点之间距离小于maxLineGap,连成线段,然后这些点全部删除,并且记录该线段的参数,起始点和终止点,当然线段长度要满足最小长度;
4.重复上述3个步骤;
自适应动态mask
在获得初始检测直线后为了在后续检测中尽量减少地标和背景干扰的影响,设计了一个动态的自适应mask,只有Hough直线检测出来的线在经第一遍删选后留下的线的底部端点在该动态内,才把它作为备选线保留,这样可以删除掉大部分非车道线直线,有效过滤地面干扰,
动态Mask区域的选取根据上一帧检测出来的左右车道线的所拟合直线方程的K,b值在检测区域划定两个类梯形区域,达到每一帧的检测结果动态变化,自适应相关的目的,
若根据动态Mask选出的线数目为0,则直线检测结果维持上一帧不更新,下一帧恢复至静态mask和色彩mask划定的检测区域里进行重新检测;
位置判断与车道线取优
在同一相机放在车辆上的位置确定后,在处于未偏道行驶的汽车的驾驶视野中,其左右车道线的位置是固定的,根据该位置范围条件,可以进行对初步选取的最优车道线的可信度进行判断,若在该距离判断条件内则说明选取的最优的车道线可信度较高,则对显示更新最新的最优车道线参数,否则不可信,则维持上一帧的最优车道线参数不更新。
8.根据权利要求1所述的基于机器视觉的多场景适应驾驶偏离及转弯预警方法,其特征在于所述步骤4中道路远场弯曲度计算与分级算法的方法如下:
弯道方向的判别:
第一步:根据已知的动静态自适应mask设置新的mask使得车道线远端和近端同时包含在mask内,同时根据左右侧mask将车道线分别标记左右侧,
第二步:将在左右车道线的远端取检测元进行霍夫直线检测,假设检测到的左右车道线的直线元斜率分别为kl和kr,若连续3帧以上kl>0则说明当前车道为左拐,反之若连续3帧以上kr<0说明当前车道为右拐;
弯道等级预测:
第1步:根据弯道方向和左右自适应mask将边缘图像中对应方向的远端弯道部分取出,
第2步:假设车道线的底端点为B,车轮离车道线的距离为d,实际驾驶过程中车轮弯道的弯曲程度越大,拐带T与底端点B之间的距离越短,从成像的角度来说,相同弯曲程度的弯道,车轮与车道线的距离越远,拐弯点与底端点B之间的距离越长,
第3步:根据上述规律,本专利对不同弯曲程度的弯道做了线性拟合,假设车轮离车道线的距离为x,车道线斜率突变处拐点为T与底端点B之间的距离为y,将弯道等级分为三等半径分别为300米,200米,100米,结果如下:
y300=0.451*x+106
y200=0.391*x+96
y100=0.4602*x+30.59
第4步:根据上述公式对当前弯道的等级进行判断,并进行分级预警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811564831.6A CN109829365B (zh) | 2018-12-20 | 2018-12-20 | 基于机器视觉的多场景适应驾驶偏离及转弯预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811564831.6A CN109829365B (zh) | 2018-12-20 | 2018-12-20 | 基于机器视觉的多场景适应驾驶偏离及转弯预警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109829365A CN109829365A (zh) | 2019-05-31 |
CN109829365B true CN109829365B (zh) | 2022-10-25 |
Family
ID=66859953
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811564831.6A Active CN109829365B (zh) | 2018-12-20 | 2018-12-20 | 基于机器视觉的多场景适应驾驶偏离及转弯预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109829365B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110598517B (zh) * | 2019-06-25 | 2023-11-24 | 一汽奔腾轿车有限公司 | 一种弯道车道偏离的检测方法 |
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 |
CN111123948B (zh) * | 2019-12-31 | 2023-04-28 | 北京国家新能源汽车技术创新中心有限公司 | 车辆多维感知融合控制方法、***及汽车 |
CN113033418A (zh) * | 2021-03-25 | 2021-06-25 | 南京工程学院 | 一种适用于移动终端的车道偏离预警方法 |
CN113362615B (zh) * | 2021-06-08 | 2022-02-22 | 南京泰晟科技实业有限公司 | 一种基于gps的车辆右侧转弯报警***及其方法 |
CN114445434B (zh) * | 2021-11-16 | 2024-07-05 | 江苏科技大学 | 一种基于模型的弯道方向的判别方法 |
CN115082888B (zh) * | 2022-08-18 | 2022-10-25 | 北京轻舟智航智能技术有限公司 | 一种车道线检测方法和装置 |
CN117314879B (zh) * | 2023-10-19 | 2024-05-28 | 甘肃路桥飞宇交通设施有限责任公司 | 一种道路指示牌自适应式运维判定方法及监测装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104029680B (zh) * | 2014-01-02 | 2016-12-07 | 上海大学 | 基于单目摄像头的车道偏离预警***及方法 |
CN103996053B (zh) * | 2014-06-05 | 2017-03-22 | 中交第一公路勘察设计研究院有限公司 | 基于机器视觉的车道偏离报警方法 |
-
2018
- 2018-12-20 CN CN201811564831.6A patent/CN109829365B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109829365A (zh) | 2019-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109829365B (zh) | 基于机器视觉的多场景适应驾驶偏离及转弯预警方法 | |
EP3784505B1 (en) | Device and method for determining a center of a trailer tow coupler | |
CN107330376B (zh) | 一种车道线识别方法及*** | |
CN105835880B (zh) | 车道追踪*** | |
CN107862290B (zh) | 车道线检测方法及*** | |
US8634593B2 (en) | Pixel-based texture-less clear path detection | |
US8452053B2 (en) | Pixel-based texture-rich clear path detection | |
US9818301B2 (en) | Lane correction system, lane correction apparatus and method of correcting lane | |
CN105260699B (zh) | 一种车道线数据的处理方法及装置 | |
US8332134B2 (en) | Three-dimensional LIDAR-based clear path detection | |
CN106096525B (zh) | 一种复合型车道识别***及方法 | |
US8699754B2 (en) | Clear path detection through road modeling | |
US8611585B2 (en) | Clear path detection using patch approach | |
CN105678285B (zh) | 一种自适应的道路鸟瞰图变换方法和道路车道检测方法 | |
US11373532B2 (en) | Pothole detection system | |
US8890951B2 (en) | Clear path detection with patch smoothing approach | |
US8670592B2 (en) | Clear path detection using segmentation-based method | |
CN110298216B (zh) | 基于车道线梯度图像自适应阈值分割的车辆偏离报警方法 | |
US7970178B2 (en) | Visibility range estimation method and system | |
CN107590470B (zh) | 一种车道线检测方法及装置 | |
EP1403615B1 (en) | Apparatus and method for processing stereoscopic images | |
KR101049901B1 (ko) | 센서정보를 이용한 지능형 주행안전 예방 시스템 및 방법 | |
US20030103649A1 (en) | Road white line recognition apparatus and method | |
Liu et al. | Development of a vision-based driver assistance system with lane departure warning and forward collision warning functions | |
KR20110001427A (ko) | 관심영역 추출에 의한 차선 고속검출 방법 |
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 |