CN111563412B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN111563412B CN111563412B CN202010243134.1A CN202010243134A CN111563412B CN 111563412 B CN111563412 B CN 111563412B CN 202010243134 A CN202010243134 A CN 202010243134A CN 111563412 B CN111563412 B CN 111563412B
- Authority
- CN
- China
- Prior art keywords
- point
- curve
- points
- control point
- edge
- 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (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 Processing (AREA)
Abstract
本发明涉及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,所述方法包括获取车辆前方的图像,将所述图像转为灰度图,首先采用基于行扫描提取特征边缘点,通过快速逆透视变换提取车道特征信息去除干扰边缘点,将边缘点投入到自定义的参数空间投票统计筛选属于车道的边缘点,将筛选的车道边缘点进行贝塞尔曲线拟合生成曲线簇,再计算曲线簇与边缘点距离,从中挑选与边缘点距离最近的贝塞尔曲线拟合车道。本发明技术方案采用基于车道线消失点的方法自动划定感兴趣区域,去除了冗余信息,加快检测速度,并且对边缘特征点进行了快速逆透视变换,使车道特征更显著进,而且能够排除干扰点,提高算法的实时性和车道线的可靠性。
Description
技术领域
本发明属于图像处理技术领域,具体涉及一种基于参数空间投票和贝塞尔拟合的快速车道线检测方法。
背景技术
事故频繁发生的首要原因在于驾驶员在行驶过程中无意识地偏离车道。随着汽车的保有量的逐年递增,道路环境日趋复杂,为了让人们更有效的出行,自动驾驶或辅助驾驶逐渐成为研究的热点之一。车道线识别是其中最为基础的部分,它既是保证车辆对道路场景有效掌控的关键单元,又可为车辆偏离预警技术提供精确的位置信息,从而一定程度上减缓交通压力和降低交通事故发生。而在嵌入式***下实现车道线识别和偏离预警,具有低成本、低功耗,小型化和易集成等特点,因此具有较高的实用价值和广阔应用前景。
随着计算机技术的发展,向处于危险的驾驶员及时提供警告的***具有挽救大量生命的巨大潜力。旨在帮助驾驶员驾驶过程中的***称之为高级驾驶辅助***(AdvancedDriver Assistant System,ADAS),它具有自适应巡航控制、防撞功能、盲点检测与交通标志检测等许多功能。车道偏离***也属于其中一类。车道检测是在道路上定位车道标记并将这些位置信息呈现给智能***。在智能交通***中,智能车辆与智能基础设施相融合,能提供更安全的环境和更好的交通条件。
目前,车道线检测的方法主要可以分为三类:基于模型的方法、基于特征的方法、基于标志的方法。特征法利用车道基础特征如颜色、纹理等定位路面图像中的车道线。基于模型的方法通常以线性或者曲线为模板分析车道,一旦模型被定义,检测就较简单。基于深度学习的方法,基础原理是预先标记大量的样本集,使用卷积神经网络的方法训练样本集获取网络参数,达到车道检测和分类的目的。相对于深度学习的方法来说,特征与模型方法的道路信息检测是必要的。可以将模型和特征的方法作为借鉴,用深度学习方法,更精确识别车道线。由于硬件条件受到限制,模型与特征的方法仍有巨大潜力。
针对车道线检测算法存在以下问题:实时检测及快速弯道拟合。道路情况复杂,例如存在遮挡、车道线缺失、地面标识、隧道等影响使检测率偏低;由于连续的多帧除了换道以外,车道线的位置信息无较大的变化,需要稳定快速地检测出多帧图像的车道,使干扰车道线与准确车道线不会一直交换。车道线位置信息需要在换道之前被准确检测,为偏离预警提供正确向导。基于上述情况,如何高效、实时、稳定的检测车道线是本领域函待解决的问题。本发明可以在计算能力较弱、功耗低的嵌入式平台上快速完成直道和弯道车道线的检测。
发明内容
方法针对低功耗、小体积嵌入式平台,设计了高效、实时性强的车道线检测算法,且具有很强适应性。目的在于解决现有技术中车道线的检测效率较低的问题。
为到达上述目的,本发明提供一种车道线检测的方法,该方法包括:
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,其特征在于,
具体包括如下步骤:
步骤(1)、获取待检测图像,将所述图像转为灰度图;
步骤(2)、提取感兴趣区域内的边缘特征点进行快速逆透视变换筛选车道边缘点;
步骤(3)、将车道边缘点进行自定义的参数空间变换,通过参数特征判定直行车道或弯道,并对直道进行拟合;
步骤(4)、将参数空间判定为弯道的车道使用车道边缘点进行贝塞尔曲线拟合生成曲线簇,再计算曲线簇与边缘点距离,从中挑选与边缘点距离最近的贝塞尔曲线拟合车道。
在上述的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,步骤(2)提取区域内边缘特征点进行快速逆透视变换筛选车道边缘点,通过如下步骤实现:
(2.1)设输入图像宽度w高度h,道路图像采用基于行扫描梯度值法提取边缘点,边缘点被定义为边缘强度值为最大值或者超过阈值的像素以及最小值或者低于阈值的像素;计算基于水平行扫描线上的每个像素边缘强度公式:
其中,I(i+k,j)表示区域内坐标(i+k,j)处的像素值,i表示区域的行数,i∈[0,w],j表示区域的列数,j∈[h/3,h],L是水平行扫描的宽度;
(2.2)通过计算边缘强度值,将检测结果分为两类边缘点,当梯度E(i,j)>Th1时,(i,j)是上升边缘边点,当E(i,j)<Th2时,(i,j)是下降边缘点;Th1是上升边缘强度阈值,Th2是下降边缘强度阈值;
(2.3)使用逆透视变换将原图边缘点快速转换到世界坐标系下的实际道路中的边缘特征点;
(2.4)对世界坐标系下的边缘特征点使用车道点对特征滤波,去除不成对的边缘干扰点:
在世界坐标系下对区域内同一图像行数的上升边缘特征点和下降边缘特征点进行距离计算,其中上升边缘点坐标为(xp,yp),下降边缘点坐标为(xq,yq),距离为D:
当Dth1≤D≤Dth2,即同水平行的上升和下降边缘点距离在车道线宽度阈值Dth1,Dth2之间时,认定该两点为车道线上的边缘特征点,剔除其它不成对或宽度与阈值不匹配的边缘点。
在上述的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,步骤(3)边缘点进行自定义的参数空间变换,通过参数特征判定直行车道或弯道,并对直道进行拟合,通过如下步骤实现:
(3.1)分别对车道线的上升边缘点与下降边缘点进行参数空间变换:
设上升边缘点从图像下方至上方分别为P'0(x0,y0),P'1(x1,y1),P'2(x2,y2)···P'n(xn,yn),n为上升边缘点的个数,计算连接线P'0P'1,P'1P'2,···,P'n-1P'n的斜率Ki和偏移量Bi:
其中,Ki2和Bi2是第i2个上升边缘点的斜率和偏移量,i2∈[0,n-1];以上获得的上升边缘点连接线斜率和偏移量(Ki2,Bi2)作为变换后的参数空间{[Ki2],[Bi2]};
设下降边缘点从图像下方至上方分别为Q0(α0,β0),Q1(α1,β1),Q2(α2,β2)···Qn2(αn2,βn2),n2为下降边缘点的个数,计算连接线Q0Q1,Q1Q2,···,Qn-1Qn的斜率ki3和偏移量bi3:
其中,ki3和bi3是第i3个下降边缘点的斜率和偏移量,i3∈[0,n-1];获得下降边缘点连接线斜率和偏移量(ki3,bi3)作为变换后的参数空间{[ki3],[bi3]};
(3.2)分别计算得到参数{Ki2},{Bi2},{ki3},{bi3}的均值Mean[K],Mean[B],Mean[k],Mean[b]和标准差Var[K],Var[B],Var[k],Var[b]后,通过参数空间内斜率与斜率均值、偏移量与偏移量均值的最大曼哈顿距离判断车道线是否是直道,最大曼哈顿距离Man-Dist的计算公式如下:
判断车道线是否为直道的方法为当最大曼哈顿距离同时满足以下四个条件时:
Man-Dist-K≤2*Var[K]
Man-Dist-B≤2*Var[B]
Man-Dist-k≤2*Var[k]
Man-Dist-b≤2*Var[b]
车道线可视为直线车道;Man-Dist-K是上升边缘点K的最大曼哈顿距离,Man-Dist-B是上升边缘点B的最大曼哈顿距离,Man-Dist-k是下降边缘点k的最大曼哈顿距离,Man-Dist-b是下降边缘点b的最大曼哈顿距离;
(3.3)判断为直线车道后,使用参数空间的斜率与偏移量来进行拟合,上升边缘和下降边缘的拟合公式为:
y=x*Mean[K]+Mean[B],β=α*Mean[k]+Mean[b]
其中,(x,y)是车道上行边缘的拟合,(α,β)是车道下降边缘的拟合。
在上述的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,步骤(4)将参数空间判断为弯道的车道进行贝塞尔曲线拟合生成曲线簇,再计算曲线簇与边缘点距离,从中挑选与边缘点距离最近的贝塞尔曲线拟合弯道:
(4.1)依据特征点横坐标范围划分左上升边缘点集、右上升边缘点集、左下降边缘点集、右下降边缘点集;
(4.2)对左上升边缘点集进行处理:取上升边缘点集内纵坐标最大、最小的两点为二阶贝塞尔曲线的起始控制点P0和终止控制点P2,取纵坐标最接近点集纵坐标中位数的点为确定贝塞尔曲线控制点的“特殊点”P1,拟合出的曲线必然经过该特殊点与起始控制点、终止控制点;运用以上三点反向计算贝塞尔曲线的控制点集,将控制点集作为二阶贝塞尔曲线的中间控制点,至此获得了起始、终止和中间控制点,可拟合出经过左上升边缘点的贝塞尔曲线簇;已知起始控制点P0、终止控制点P2、特殊点P1的坐标,则上述计算过程中,计算控制点集Pn的公式如下:
xn=[(2tn-tn 2-1)x0+x1-tn 2x2]/(2tn-2tn 2)
yn=[(2tn-tn 2-1)y0+y1-tn 2y2]/(2tn-2tn 2)
t1=0.25,tn+1=tn+0.05,n∈[1,10]
其中(xn,yn)是计算获得的控制点集Pn坐标,(x0,y0)是P0坐标,(x1,y1)是P1坐标,(x2,y2)是P2坐标,tn是形成控制点集的迭代参数,n是控制点序数;
由起始控制点P0、终止控制点P2、控制点Pn拟合曲线的公式:
xbez=(1-τ)2x0+2τ(1-τ)xn+τ2x2,ybez=(1-τ)2y0+2τ(1-τ)yn+τ2y2
τ∈[0,1]
其中,(xbez,ybez)是拟合曲线的结果,τ是形成曲线的迭代因子;
计算车道上升边缘点到拟合曲线的距离Dist的方法为扫描拟合曲线上所有点的坐标,将所有满足拟合曲线点横坐标与上升边缘点横坐标相等的两点之间距离求和;与上升边缘点的距离之和最小的拟合曲线作为弯道车道线,其公式如下:
其中,Distmin是最小的距离和,εi4是第i4个满足拟合曲线点横坐标与上升边缘点横坐标相等的两点之间距离,yi2是第i2个上升边缘点的纵坐标,ybezi是第i4个拟合曲线点的纵坐标,N是曲线簇的个数,对应于n的最大值10;
(4.3)对右上升边缘点集进行处理:取右上升边缘点集内纵坐标最大、最小的两点为二阶贝塞尔曲线的起始控制点P0和终止控制点P2,取纵坐标最接近点集纵坐标中位数的点为确定贝塞尔曲线控制点的“特殊点”P1,拟合出的曲线必然经过该特殊点与起始控制点、终止控制点;运用以上三点反向计算贝塞尔曲线的控制点集,将控制点集作为二阶贝塞尔曲线的中间控制点,至此获得了起始、终止和中间控制点,可拟合出经过右上升边缘点的贝塞尔曲线簇;已知起始控制点P0、终止控制点P2、特殊点P1的坐标,则上述计算过程中,计算控制点集Pn的公式如下:
xn=[(2tn-tn 2-1)x0+x1-tn 2x2]/(2tn-2tn 2)
yn=[(2tn-tn 2-1)y0+y1-tn 2y2]/(2tn-2tn 2)
t1=0.25,tn+1=tn+0.05,n∈[1,10]
其中(xn,yn)是计算获得的控制点集Pn坐标,(x0,y0)是P0坐标,(x1,y1)是P1坐标,(x2,y2)是P2坐标,tn是形成控制点集的迭代参数,n是控制点序数(同时n也是曲线簇的序数);
由起始控制点P0、终止控制点P2、控制点Pn拟合曲线的公式:
xbez=(1-τ)2x0+2τ(1-τ)xn+τ2x2,ybez=(1-τ)2y0+2τ(1-τ)yn+τ2y2
τ∈[0,1]
其中,(xbez,ybez)是拟合曲线的结果,τ是形成曲线的迭代因子;
计算车道右上升边缘点到拟合曲线的距离Dist的方法为扫描拟合曲线上所有点的坐标,将所有满足拟合曲线点横坐标与右上升边缘点横坐标相等的两点之间距离求和;与上升边缘点的距离之和最小的拟合曲线作为弯道车道线,其公式如下:
其中,Distmin是最小的距离和,εi是第i个满足拟合曲线点横坐标与右上升边缘点横坐标相等的两点之间距离,yi是第i个上升边缘点的纵坐标,ybezi是第i个拟合曲线点的纵坐标,N是曲线簇的个数,对应于n的最大值10;
(4.4)对左下降边缘点集进行处理:取左下降边缘点集内纵坐标最大、最小的两点为二阶贝塞尔曲线的起始控制点P0和终止控制点P2,取纵坐标最接近点集纵坐标中位数的点为确定贝塞尔曲线控制点的“特殊点”P1,拟合出的曲线必然经过该特殊点与起始控制点、终止控制点;运用以上三点反向计算贝塞尔曲线的控制点集,将控制点集作为二阶贝塞尔曲线的中间控制点,至此获得了起始、终止和中间控制点,可拟合出经过左下降边缘点的贝塞尔曲线簇;已知起始控制点P0、终止控制点P2、特殊点P1的坐标,则上述计算过程中,计算控制点集Pn的公式如下:
xn=[(2tn-tn 2-1)x0+x1-tn 2x2]/(2tn-2tn 2)
yn=[(2tn-tn 2-1)y0+y1-tn 2y2]/(2tn-2tn 2)
t1=0.25,tn+1=tn+0.05,n∈[1,10]
其中(xn,yn)是计算获得的控制点集Pn坐标,(x0,y0)是P0坐标,(x1,y1)是P1坐标,(x2,y2)是P2坐标,tn是形成控制点集的迭代参数,n是控制点序数(同时n也是曲线簇的序数);
由起始控制点P0、终止控制点P2、控制点Pn拟合曲线的公式:
xbez=(1-τ)2x0+2τ(1-τ)xn+τ2x2,ybez=(1-τ)2y0+2τ(1-τ)yn+τ2y2
τ∈[0,1]
其中,(xbez,ybez)是拟合曲线的结果,τ是形成曲线的迭代因子;
计算车道左下降边缘点到拟合曲线的距离Dist的方法为扫描拟合曲线上所有点的坐标,将所有满足拟合曲线点横坐标与左下降边缘点横坐标相等的两点之间距离求和;与左下降边缘点的距离之和最小的拟合曲线作为弯道车道线,其公式如下:
其中,Distmin是最小的距离和,εi是第i个满足拟合曲线点横坐标与左下降边缘点横坐标相等的两点之间距离,yi是第i个下降边缘点的纵坐标,ybezi是第i个拟合曲线点的纵坐标,N是曲线簇的个数,对应于n的最大值10;
(4.5)对右下降边缘点集进行处理:取右下降边缘点集内纵坐标最大、最小的两点为二阶贝塞尔曲线的起始控制点P0和终止控制点P2,取纵坐标最接近点集纵坐标中位数的点为确定贝塞尔曲线控制点的“特殊点”P1,拟合出的曲线必然经过该特殊点与起始控制点、终止控制点;运用以上三点反向计算贝塞尔曲线的控制点集,将控制点集作为二阶贝塞尔曲线的中间控制点,至此获得了起始、终止和中间控制点,可拟合出经过右下降边缘点的贝塞尔曲线簇;已知起始控制点P0、终止控制点P2、特殊点P1的坐标,则上述计算过程中,计算控制点集Pn的公式如下:
xn=[(2tn-tn 2-1)x0+x1-tn 2x2]/(2tn-2tn 2)
yn=[(2tn-tn 2-1)y0+y1-tn 2y2]/(2tn-2tn 2)
t1=0.25,tn+1=tn+0.05,n∈[1,10]
其中(xn,yn)是计算获得的控制点集Pn坐标,(x0,y0)是P0坐标,(x1,y1)是P1坐标,(x2,y2)是P2坐标,tn是形成控制点集的迭代参数,n是控制点序数(同时n也是曲线簇的序数);
由起始控制点P0、终止控制点P2、控制点Pn拟合曲线的公式:
xbez=(1-τ)2x0+2τ(1-τ)xn+τ2x2,ybez=(1-τ)2y0+2τ(1-τ)yn+τ2y2
τ∈[0,1]
其中,(xbez,ybez)是拟合曲线的结果,τ是形成曲线的迭代因子;
计算车道右下降边缘点到拟合曲线的距离Dist的方法为扫描拟合曲线上所有点的坐标,将所有满足拟合曲线点横坐标与右下降边缘点横坐标相等的两点之间距离求和;与右下降边缘点的距离之和最小的拟合曲线作为弯道车道线,其公式如下:
其中,Distmin是最小的距离和,εi是第i个满足拟合曲线点横坐标与右下降边缘点横坐标相等的两点之间距离,yi是第i个下降边缘点的纵坐标,ybezi是第i个拟合曲线点的纵坐标,N是曲线簇的个数,对应于n的最大值10。
本发明方法能够实时、准确地检测出各场景下的车道线,并具有相当好的抗干扰性。根同时结合车道结构特征信息,并且在实时性上去找寻突破点,提出了基于自定义的参数空间变换检测算法,把它应用于以嵌入式环境下。运用消失点自动划定感兴趣区域,避免全图的复杂计算,消除冗余信息提升检测效率,基于行扫描的边缘梯度值的提取,将边缘点提取后用于快速逆透视变换,然后将逆透视变换后的道路图中边缘点与原图像扫描提取的边缘点进行特征融合,剔除干扰点,只保留有效的边缘特征点,为高效的参数空间变换提供保证;有效边缘信息获取后,采用了贝塞尔曲线拟合车道,利用已知边缘点快速拟合经过边缘点的曲线,实现了不同形状车道的识别功能。
附图说明
图1是本发明实施例所提供的基于视觉的车道线检测方法的一种具体实施方式的流程示意图。
图2a是本发明车道线检测算法实施例中,边缘点提取结果图与逆透视变换的变化图(原图)。
图2b是本发明车道线检测算法实施例中,边缘点提取结果图与逆透视变换的变化图(处理图)。
图3是本发明车道线检测算法实施例中,参数空间示意图。
图4是本发明车道线检测算法实施例中,整合过后的车道线内边界结果图。
图5是本发明车道线检测算法实施例中,车道线检测结果图。
图6a是本发明车道线检测算法检测弯道的结果图一。
图6b是本发明车道线检测算法检测弯道的结果图二。
具体实施方式
下面结合附图和实施例对本发明进行详细的描述,但本发明要求保护的范围并不局限于实施方式表述的范围。
本发明的算法流程示意图如图1所示,具体包含以下步骤:
步骤(1)获取获取待检测图像,检测数据为各种环境场景下道路图像,包括雨天、夜晚、白天等场景,以及前方车辆干扰、强光照、道路水渍干扰等复杂路况,将所述图像转为灰度图;
步骤(2)提取感兴趣区域内的边缘特征点进行快速逆透视变换;
步骤(3)将边缘点进行自定义的参数空间变换,筛选属于车道的边缘点
步骤(4)将筛选后的边缘点进行贝塞尔曲线拟合生成曲线簇,再计算曲线簇与边缘点距离,从中挑选与边缘点距离最近的贝塞尔曲线拟合车道;
上述车道线检测算法中,步骤(2)所述的提取感兴趣区域内的边缘特征点进行快速逆透视变换如下步骤实步骤包括:
步骤(2.1)道路图像采用基于行扫描梯度值法提取边缘点;
步骤(2.2)通过计算边缘强度值,将检测结果分为两类边缘点;
步骤(2.3)使用逆透视变换(Inverse Perspective Mapping,IPM)将原图边缘点快速转换到世界坐标系下的实际道路中的边缘特征点;
步骤(2.4)对逆透视的边缘特征点使用车道宽度特征滤波,去除干扰点。
上述车道线检测算法中,步骤(3)边缘点进行自定义的参数空间变换,筛选属于车道的边缘点通过如下步骤实现:
步骤(3.1)对道路区域的上升边缘点与下降边缘点进行角度θ的遍历,经过计算获取相应的偏移量值p,然后对两参数值p,θ的累加器实行增1操作;
步骤(3.2)对参数空间变换而形成的累加器进行数值筛选,不同的p,θ值表示为不同的直线;
步骤(3.3)进一步挑选车道线,利用车道线的宽度信息与左右两边的点数的比例值等对后续车道线进行筛选。
步骤(3.4)考虑获取的边界点可能与真实的车道内侧点存在偏差修,正车道线检测结果,整合远近区域的边缘点,得到最终的边界点
上述车道线检测算法中,步骤(4)将筛选后的边缘点进行贝塞尔曲线拟合生成曲线簇,再计算曲线簇与边缘点距离,从中挑选与边缘点距离最近的贝塞尔曲线拟合车道通过如下步骤实现:
道路图像采用基于行扫描梯度值法提取缘点。由于车道线成对出现,因此采集边缘特征时分类进行。
步骤(4.1)依据特征点横坐标范围划分左上升边缘点集、右上升边缘点集、左下降边缘点集、右下降边缘点集;
取边缘点集内纵坐标最大、最小的两点为二阶贝塞尔曲线的起始控制点和终止控制点,取纵坐标最接近点集纵坐标中位数的点为确定贝塞尔曲线控制点的“特殊点”;
步骤(4.2)运用以上三点反向计算贝塞尔曲线的控制点集,将点集分别作为二阶贝塞尔曲线的中间控制点;
至此获得了起始、终止和中间控制点,由此拟合出过已知三边缘特征点的贝塞尔曲线簇,由起始控制点P0、终止控制点P2、控制点P拟合曲线的公式:
x=(1-t)2x0+2t(1-t)x+t2x2,y=(1-t)2y0+2t(1-t)y+t2y2
t∈[0,1]
步骤(4.3)计算边缘点到拟合曲线的距离,对图像进行扫描,当拟合曲线横坐标与边缘点坐标相等时,计算对应点的最小二乘误差。
与边缘点集的最小二乘误差和最小的贝塞尔曲线即拟合车道效果最好的线,最小二乘误差和计算的公式:
以上所述的具体实施例仅是对本发明的发明内容作进一步详细说明,并不算对本发明保护范围的限定,任何在本发明的精神原则之内所做出的修改,等同替换等,均应在本发明的保护范围之内。
Claims (3)
1.一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,其特征在于,具体包括如下步骤:
步骤(1)、获取待检测图像,将所述图像转为灰度图;
步骤(2)、提取感兴趣区域内的边缘特征点进行快速逆透视变换筛选车道边缘点;
步骤(3)、将车道边缘点进行自定义的参数空间变换,通过参数特征判定直行车道或弯道,并对直道进行拟合;
步骤(4)、将参数空间判定为弯道的车道使用车道边缘点进行贝塞尔曲线拟合生成曲线簇,再计算曲线簇与边缘点距离,从中挑选与边缘点距离最近的贝塞尔曲线拟合车道;
步骤(3)边缘点进行自定义的参数空间变换,通过参数特征判定直行车道或弯道,
并对直道进行拟合,通过如下步骤实现:
(3.1)分别对车道线的上升边缘点与下降边缘点进行参数空间变换:
设上升边缘点从图像下方至上方分别为P'0(x0,y0),P'1(x1,y1),P'2(x2,y2)···P'n(xn,yn),n为上升边缘点的个数,计算连接线P'0P'1,P'1P'2,···,P'n-1P'n的斜率Ki2和偏移量Bi2:
其中,Ki2和Bi2是第i2个上升边缘点的斜率和偏移量,i2∈[1,n];以上获得的上升边缘点连接线斜率和偏移量(Ki2,Bi2)作为变换后的参数空间{[Ki2],[Bi2]};
设下降边缘点从图像下方至上方分别为Q0(α0,β0),Q1(α1,β1),Q2(α2,β2)···Qn2(αn2,βn2),n2为下降边缘点的个数,计算连接线Q0Q1,Q1Q2,···,Qn2-1Qn2的斜率ki3和偏移量bi3:
其中,ki3和bi3是第i3个下降边缘点的斜率和偏移量,i3∈[1,n2];获得下降边缘点连接线斜率和偏移量(ki3,bi3)作为变换后的参数空间{[ki3],[bi3]};
(3.2)分别计算得到参数{Ki2},{Bi2},{ki3},{bi3}的均值Mean[K],Mean[B],Mean[k],Mean[b]和标准差Var[K],Var[B],Var[k],Var[b]后,通过参数空间内斜率与斜率均值、偏移量与偏移量均值的最大曼哈顿距离判断车道线是否是直道,最大曼哈顿距离Man-Dist的计算公式如下:
判断车道线是否为直道的方法为当最大曼哈顿距离同时满足以下四个条件时:
Man-Dist-K≤2*Var[K]
Man-Dist-B≤2*Var[B]
Man-Dist-k≤2*Var[k]
Man-Dist-b≤2*Var[b]
车道线可视为直线车道;Man-Dist-K是上升边缘点K的最大曼哈顿距离,Man-Dist-B是上升边缘点B的最大曼哈顿距离,Man-Dist-k是下降边缘点k的最大曼哈顿距离,Man-Dist-b是下降边缘点b的最大曼哈顿距离;
(3.3)判断为直线车道后,使用参数空间的斜率与偏移量来进行拟合,上升边缘和下降边缘的拟合公式为:
y=x*Mean[K]+Mean[B],β=α*Mean[k]+Mean[b]
其中,(x,y)是车道上行边缘的拟合,(α,β)是车道下降边缘的拟合。
2.根据权利要求1所述的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,其特征在于,步骤(2)提取区域内边缘特征点进行快速逆透视变换筛选车道边缘点,通过如下步骤实现:
(2.1)设输入图像宽度w高度h,道路图像采用基于行扫描梯度值法提取边缘点,边缘点被定义为边缘强度值为最大值或者超过阈值的像素以及最小值或者低于阈值的像素;计算基于水平行扫描线上的每个像素边缘强度公式:
其中,I(i+k′,j)表示区域内坐标(i+k′,j)处的像素值,i表示区域的行数,i∈[0,w],j表示区域的列数,j∈[h/3,h],L是水平行扫描的宽度;
(2.2)通过计算边缘强度值,将检测结果分为两类边缘点,当梯度E(i,j)>Th1时,(i,j)是上升边缘边点,当E(i,j)<Th2时,(i,j)是下降边缘点;Th1是上升边缘强度阈值,Th2是下降边缘强度阈值;
(2.3)使用逆透视变换将原图边缘点快速转换到世界坐标系下的实际道路中的边缘特征点;
(2.4)对世界坐标系下的边缘特征点使用车道点对特征滤波,去除不成对的边缘干扰点:
在世界坐标系下对区域内同一图像行数的上升边缘特征点和下降边缘特征点进行距离计算,其中上升边缘点坐标为(xp,yp),下降边缘点坐标为(xq,yq),距离为D:
当Dth1≤D≤Dth2,即同水平行的上升和下降边缘点距离在车道线宽度阈值Dth1,Dth2之间时,认定该两点为车道线上的边缘特征点,剔除其它不成对或宽度与阈值不匹配的边缘点。
3.根据权利要求1所述的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,其特征在于,步骤(4)将参数空间判断为弯道的车道进行贝塞尔曲线拟合生成曲线簇,再计算曲线簇与边缘点距离,从中挑选与边缘点距离最近的贝塞尔曲线拟合弯道:
(4.1)依据特征点横坐标范围划分左上升边缘点集、右上升边缘点集、左下降边缘点集、右下降边缘点集;
(4.2)对左上升边缘点集进行处理:取上升边缘点集内纵坐标最大、最小的两点为二阶贝塞尔曲线的起始控制点P0和终止控制点P2,取纵坐标最接近点集纵坐标中位数的点为确定贝塞尔曲线控制点的“特殊点”P1,拟合出的曲线必然经过该特殊点与起始控制点、终止控制点;运用以上三点反向计算贝塞尔曲线的控制点集,将控制点集作为二阶贝塞尔曲线的中间控制点,至此获得了起始、终止和中间控制点,可拟合出经过左上升边缘点的贝塞尔曲线簇;已知起始控制点P0、终止控制点P2、特殊点P1的坐标,则上述计算过程中,计算控制点集Pn1的公式如下:
xn1=[(2tn1-tn1 2-1)x′0+x′1-tn1 2x′2]/(2tn1-2tn1 2)
yn1=[(2tn1-tn1 2-1)y′0+y′1-tn1 2y′2]/(2tn1-2tn1 2)
t1=0.25,tn1+1=tn1+0.05,n1∈[1,10]
其中(xn1,yn1)是计算获得的控制点集Pn1坐标,(x′0,y′0)是P0坐标,(x′1,y′1)是P1坐标,(x′2,y′2)是P2坐标,tn1是形成控制点集的迭代参数,n1是控制点序数;
由起始控制点P0、终止控制点P2、控制点Pn1拟合曲线的公式:
xbez=(1-τ)2x′0+2τ(1-τ)xn1+τ2x′2,ybez=(1-τ)2y′0+2τ(1-τ)yn1+τ2y′2
τ∈[0,1]
其中,(xbez,ybez)是拟合曲线的结果,τ是形成曲线的迭代因子;
计算车道上升边缘点到拟合曲线的距离Dist的方法为扫描拟合曲线上所有点的坐标,将所有满足拟合曲线点横坐标与上升边缘点横坐标相等的两点之间距离求和;与上升边缘点的距离之和最小的拟合曲线作为弯道车道线,其公式如下:
其中,Distmin是最小的距离和,εi4是第i4个满足拟合曲线点横坐标与上升边缘点横坐标相等的两点之间距离,yi4是第i4个上升边缘点的纵坐标,ybezi是第i4个拟合曲线点的纵坐标,N是曲线簇的个数,对应于n1的最大值10;
(4.3)对右上升边缘点集进行处理:取右上升边缘点集内纵坐标最大、最小的两点为二阶贝塞尔曲线的起始控制点P0和终止控制点P2,取纵坐标最接近点集纵坐标中位数的点为确定贝塞尔曲线控制点的“特殊点”P1,拟合出的曲线必然经过该特殊点与起始控制点、终止控制点;运用以上三点反向计算贝塞尔曲线的控制点集,将控制点集作为二阶贝塞尔曲线的中间控制点,至此获得了起始、终止和中间控制点,可拟合出经过右上升边缘点的贝塞尔曲线簇;已知起始控制点P0、终止控制点P2、特殊点P1的坐标,则上述计算过程中,计算控制点集Pn1的公式如下:
xn1=[(2tn1-tn1 2-1)x′0+x′1-tn1 2x′2]/(2tn1-2tn1 2)
yn1=[(2tn1-tn1 2-1)y′0+y′1-tn1 2y′2]/(2tn1-2tn1 2)
t1=0.25,tn1+1=tn1+0.05,n1∈[1,10]
其中(xn1,yn1)是计算获得的控制点集Pn1坐标,(x′0,y′0)是P0坐标,(x′1,y′1)是P1坐标,(x′2,y′2)是P2坐标,tn1是形成控制点集的迭代参数,n1是控制点序数;
由起始控制点P0、终止控制点P2、控制点Pn1拟合曲线的公式:
xbez=(1-τ)2x′0+2τ(1-τ)xn1+τ2x′2,ybez=(1-τ)2y′0+2τ(1-τ)yn1+τ2y′2
τ∈[0,1]
其中,(xbez,ybez)是拟合曲线的结果,τ是形成曲线的迭代因子;
计算车道右上升边缘点到拟合曲线的距离Dist的方法为扫描拟合曲线上所有点的坐标,将所有满足拟合曲线点横坐标与右上升边缘点横坐标相等的两点之间距离求和;与上升边缘点的距离之和最小的拟合曲线作为弯道车道线,其公式如下:
其中,Distmin是最小的距离和,εi4是第i4个满足拟合曲线点横坐标与上升边缘点横坐标相等的两点之间距离,yi4是第i4个上升边缘点的纵坐标,ybezi是第i4个拟合曲线点的纵坐标,N是曲线簇的个数,对应于n1的最大值10;
(4.4)对左下降边缘点集进行处理:取左下降边缘点集内纵坐标最大、最小的两点为二阶贝塞尔曲线的起始控制点P0和终止控制点P2,取纵坐标最接近点集纵坐标中位数的点为确定贝塞尔曲线控制点的“特殊点”P1,拟合出的曲线必然经过该特殊点与起始控制点、终止控制点;运用以上三点反向计算贝塞尔曲线的控制点集,将控制点集作为二阶贝塞尔曲线的中间控制点,至此获得了起始、终止和中间控制点,可拟合出经过左下降边缘点的贝塞尔曲线簇;已知起始控制点P0、终止控制点P2、特殊点P1的坐标,则上述计算过程中,计算控制点集Pn1的公式如下:
xn1=[(2tn1-tn1 2-1)x′0+x′1-tn1 2x′2]/(2tn1-2tn1 2)
yn1=[(2tn1-tn1 2-1)y′0+y′1-tn1 2y′2]/(2tn1-2tn1 2)
t1=0.25,tn1+1=tn1+0.05,n1∈[1,10]
其中(xn1,yn1)是计算获得的控制点集Pn1坐标,(x′0,y′0)是P0坐标,(x′1,y′1)是P1坐标,(x′2,y′2)是P2坐标,tn1是形成控制点集的迭代参数,n1是控制点序数;
由起始控制点P0、终止控制点P2、控制点Pn1拟合曲线的公式:
xbez=(1-τ)2x′0+2τ(1-τ)xn1+τ2x′2,ybez=(1-τ)2y′0+2τ(1-τ)yn1+τ2y′2
τ∈[0,1]
其中,(xbez,ybez)是拟合曲线的结果,τ是形成曲线的迭代因子;
计算车道左下降边缘点到拟合曲线的距离Dist的方法为扫描拟合曲线上所有点的坐标,将所有满足拟合曲线点横坐标与左下降边缘点横坐标相等的两点之间距离求和;与左下降边缘点的距离之和最小的拟合曲线作为弯道车道线,其公式如下:
其中,Distmin是最小的距离和,εi4是第i4个满足拟合曲线点横坐标与上升边缘点横坐标相等的两点之间距离,yi4是第i4个上升边缘点的纵坐标,ybezi是第i4个拟合曲线点的纵坐标,N是曲线簇的个数,对应于n1的最大值10;
(4.5)对右下降边缘点集进行处理:取右下降边缘点集内纵坐标最大、最小的两点为二阶贝塞尔曲线的起始控制点P0和终止控制点P2,取纵坐标最接近点集纵坐标中位数的点为确定贝塞尔曲线控制点的“特殊点”P1,拟合出的曲线必然经过该特殊点与起始控制点、终止控制点;运用以上三点反向计算贝塞尔曲线的控制点集,将控制点集作为二阶贝塞尔曲线的中间控制点,至此获得了起始、终止和中间控制点,可拟合出经过右下降边缘点的贝塞尔曲线簇;已知起始控制点P0、终止控制点P2、特殊点P1的坐标,则上述计算过程中,计算控制点集Pn1的公式如下:
xn1=[(2tn1-tn1 2-1)x′0+x′1-tn1 2x′2]/(2tn1-2tn1 2)
yn1=[(2tn1-tn1 2-1)y′0+y′1-tn1 2y′2]/(2tn1-2tn1 2)
t1=0.25,tn1+1=tn1+0.05,n1∈[1,10]
其中(xn1,yn1)是计算获得的控制点集Pn1坐标,(x′0,y′0)是P0坐标,(x′1,y′1)是P1坐标,(x′2,y′2)是P2坐标,tn1是形成控制点集的迭代参数,n1是控制点序数;
由起始控制点P0、终止控制点P2、控制点Pn1拟合曲线的公式:
xbez=(1-τ)2x′0+2τ(1-τ)xn1+τ2x′2,ybez=(1-τ)2y′0+2τ(1-τ)yn1+τ2y′2
τ∈[0,1]
其中,(xbez,ybez)是拟合曲线的结果,τ是形成曲线的迭代因子;
计算车道右下降边缘点到拟合曲线的距离Dist的方法为扫描拟合曲线上所有点的坐标,将所有满足拟合曲线点横坐标与右下降边缘点横坐标相等的两点之间距离求和;
与右下降边缘点的距离之和最小的拟合曲线作为弯道车道线,其公式如下:
其中,Distmin是最小的距离和,εi4是第i4个满足拟合曲线点横坐标与上升边缘点横坐标相等的两点之间距离,yi4是第i4个上升边缘点的纵坐标,ybezi是第i4个拟合曲线点的纵坐标,N是曲线簇的个数,对应于n1的最大值10。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010243134.1A CN111563412B (zh) | 2020-03-31 | 2020-03-31 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010243134.1A CN111563412B (zh) | 2020-03-31 | 2020-03-31 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111563412A CN111563412A (zh) | 2020-08-21 |
CN111563412B true CN111563412B (zh) | 2022-05-17 |
Family
ID=72074181
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010243134.1A Active CN111563412B (zh) | 2020-03-31 | 2020-03-31 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111563412B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112329553B (zh) * | 2020-10-16 | 2022-10-28 | 福瑞泰克智能***有限公司 | 一种车道线标注方法及装置 |
CN112465925A (zh) * | 2020-11-20 | 2021-03-09 | 北京赛目科技有限公司 | 一种用于仿真测试的车道线的处理方法及装置 |
CN112562484B (zh) * | 2020-11-24 | 2021-09-28 | 北京赛目科技有限公司 | 一种道路连贯处理方法及装置 |
CN112435573B (zh) * | 2020-11-24 | 2022-03-08 | 北京赛目科技有限公司 | 一种用于自动驾驶仿真测试的地图绘制方法及装置 |
CN112348020B (zh) * | 2020-12-03 | 2023-10-20 | 北京智芯原动科技有限公司 | 基于特征图的贝塞尔车牌对齐方法及装置 |
CN112364869B (zh) * | 2021-01-14 | 2021-09-28 | 北京经纬恒润科技股份有限公司 | 一种车道线识别方法及装置 |
CN112818873B (zh) * | 2021-02-04 | 2023-05-26 | 苏州魔视智能科技有限公司 | 车道线检测方法、***及电子设备 |
CN113313724B (zh) * | 2021-05-27 | 2022-04-08 | 深圳企业云科技股份有限公司 | 一种用于对抗手机摄像头重采样的线条检测处理方法 |
CN113911112B (zh) * | 2021-09-08 | 2023-08-04 | 浙江零跑科技股份有限公司 | 一种基于曲线拟合的车道偏离辅助方法及*** |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105261020B (zh) * | 2015-10-16 | 2018-11-20 | 桂林电子科技大学 | 一种快速车道线检测方法 |
US10365658B2 (en) * | 2016-07-21 | 2019-07-30 | Mobileye Vision Technologies Ltd. | Systems and methods for aligning crowdsourced sparse map data |
CN107045629B (zh) * | 2017-04-19 | 2020-06-26 | 南京理工大学 | 一种多车道线检测方法 |
CN107066992A (zh) * | 2017-05-11 | 2017-08-18 | 南宁市正祥科技有限公司 | 一种非平坦路面车道线检测方法 |
US10296795B2 (en) * | 2017-06-26 | 2019-05-21 | Here Global B.V. | Method, apparatus, and system for estimating a quality of lane features of a roadway |
CN107704801B (zh) * | 2017-08-18 | 2021-08-06 | 电子科技大学 | 基于分段直线加分段贝塞尔曲线的曲线车道线检测方法 |
CN109190483B (zh) * | 2018-08-06 | 2021-04-02 | 武汉大学 | 一种基于视觉的车道线检测方法 |
CN110443225B (zh) * | 2019-08-15 | 2021-07-30 | 安徽卡思普智能科技有限公司 | 一种基于特征像素统计的虚实车道线识别方法及其装置 |
-
2020
- 2020-03-31 CN CN202010243134.1A patent/CN111563412B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111563412A (zh) | 2020-08-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN109435942B (zh) | 一种基于信息融合的车位线车位识别方法及装置 | |
CN105206109B (zh) | 一种基于红外ccd的车辆雾天识别预警***及方法 | |
CN103177246B (zh) | 基于动态区域划分的双模型车道线识别方法 | |
CN109190483B (zh) | 一种基于视觉的车道线检测方法 | |
CN104036246B (zh) | 一种基于多特征融合及多态均值的车道线定位方法 | |
Li et al. | Nighttime lane markings recognition based on Canny detection and Hough transform | |
CN105005771A (zh) | 一种基于光流点轨迹统计的车道线实线的检测方法 | |
CN105740782A (zh) | 一种基于单目视觉的驾驶员换道过程量化方法 | |
CN105550665A (zh) | 一种基于双目视觉的无人驾驶汽车可通区域检测方法 | |
CN104392212A (zh) | 一种基于视觉的道路信息检测及前方车辆识别方法 | |
CN104077756B (zh) | 一种基于车道线置信度的方向滤波方法 | |
CN104700072A (zh) | 基于车道线历史帧的识别方法 | |
CN103971128A (zh) | 一种面向无人驾驶车的交通标志识别方法 | |
CN103927526A (zh) | 一种基于高斯差分多尺度边缘融合的车辆检测方法 | |
CN102419820A (zh) | 一种快速检测视频与图像中汽车车标的方法 | |
CN104778444A (zh) | 道路场景下车辆图像的表观特征分析方法 | |
CN105654073A (zh) | 一种基于视觉检测的速度自动控制方法 | |
CN105224909A (zh) | 车道线检测***中的车道线确认方法 | |
CN106887004A (zh) | 一种基于块匹配的车道线检测方法 | |
CN107256633B (zh) | 一种基于单目摄像头三维估计的车型分类方法 | |
CN103593981A (zh) | 一种基于视频的车型识别方法 | |
CN112001216A (zh) | 一种基于计算机的汽车行驶车道检测*** | |
CN104299009A (zh) | 基于多特征融合的车牌字符识别方法 | |
CN105426868A (zh) | 一种基于自适应感兴趣区域的车道检测方法 |
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 |