CN111860113A - 车道线检测方法及*** - Google Patents
车道线检测方法及*** Download PDFInfo
- Publication number
- CN111860113A CN111860113A CN202010485921.7A CN202010485921A CN111860113A CN 111860113 A CN111860113 A CN 111860113A CN 202010485921 A CN202010485921 A CN 202010485921A CN 111860113 A CN111860113 A CN 111860113A
- Authority
- CN
- China
- Prior art keywords
- line
- straight line
- lines
- image
- lane
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 31
- 238000012216 screening Methods 0.000 claims abstract description 36
- 238000012545 processing Methods 0.000 claims abstract description 29
- 230000004931 aggregating effect Effects 0.000 claims abstract description 13
- 238000004891 communication Methods 0.000 claims abstract description 12
- 238000000034 method Methods 0.000 claims description 27
- 230000002776 aggregation Effects 0.000 claims description 15
- 238000004220 aggregation Methods 0.000 claims description 15
- 230000009467 reduction Effects 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000006116 polymerization reaction Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 abstract description 6
- 230000009466 transformation Effects 0.000 abstract description 6
- 238000011426 transformation method Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 101100153581 Bacillus anthracis topX gene Proteins 0.000 description 5
- 206010039203 Road traffic accident Diseases 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 102100034112 Alkyldihydroxyacetonephosphate synthase, peroxisomal Human genes 0.000 description 1
- 101000799143 Homo sapiens Alkyldihydroxyacetonephosphate synthase, peroxisomal Proteins 0.000 description 1
- 238000000848 angular dependent Auger electron spectroscopy Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000006748 scratching Methods 0.000 description 1
- 230000002393 scratching effect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Images
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
- 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本公开实施例公开了一种车道线检测方法及***。其中车道线检测方法,包括:在获取的图像中选取ROI区域,所述ROI区域包括车道线;对所述ROI区域进行缩放处理,得到突显车道线在图像中分布特征的缩放图像;将所述缩放图像转换为黑白图;在所述黑白图中所有白色连通区域内提取中心点;对所有中心点进行归类整理,形成多个线段;将属于同一条直线的多个线段进行聚合处理;在所有聚合形成的直线中筛选出有效的车道标识线。避免使用较为耗时的透视变换,较为耗时的Hough变换的方法,而是利用图像中所有白色像素点的位置关系,筛选查找出有效车道线。从而降低了计算复杂性,达到保证实时性的同时能够兼顾识别准确性的目的。
Description
技术领域
本公开属于图像处理技术领域,更具体地,涉及一种车道线检测方法及***。
背景技术
随着社会的进步与经济的飞速发展,人们越来越追求高品质的生活,汽车的逐年增加更是为人类的生活带来诸多便利,但随着汽车的不断增多,交通拥挤问题不断加剧,由此所引发的交通事故也逐年增加。因此,改善道路环境,保障行车安全,提高汽车安全技术,减少道路交通事故的发生越来越受到政府和社会的强烈关注,车辆驾驶辅助***应运而生。
车辆驾驶辅助***功能五花八门,常见的驾驶辅助***包括车道偏离预警***、交通标志识别、刹车辅助***、自适应巡航、倒车辅助***等。其中车道线的检测与识别是驾驶辅助***中最重要的功能之一,是实现车道偏离预警的关键技术。对车道线的准确识别并实现对车道线的实时跟踪是辅助驾驶***不断优化升级的关键。根据统计,由于汽车偏离所在行驶车道导致的交通事故最常发生,而这些交通事故发生的主因都是驾驶员在开车的过程中精力不集中导致偏离所在车道,或对路况信息的错误判断导致违章变道,引发车辆刮碰甚至侧翻事故发生。在城市快速路以及高速公路等长时间保持直道驾驶的路况下,驾驶员容易疲劳分神,驾驶时不能时刻保持注意力高度集中,更容易发生行车偏离车道。因此,及时对车辆行驶区域的道路标识线进行检测,从而告知车辆是否偏离车道是汽车主动安全技术中重要一环。
一般对于车道线的相关检测问题,主要是基于计算机视觉的方法。但由于传感器自身的缺点以及现实世界中实际道路情况复杂多变、干扰较多的特点,现有的车道线检测方法中,一般首先会对道路图像进行透视变换处理,将主视图像转换为俯视图像,再利用车道标识线的平行特点进行检测;在检测过程中通常会用到Hough变换进行直线查找的方法。透视变换转换图像及Hough变换查找直线需要对图像中每一个像素点进行数学操作,较为复杂,当需要处理的图像较大时会大大增加计算量,难以保证车道线检测的实时性,同时对处理器等硬件资源带来很大挑战。
综上所述,现有方法为了提高识别准确性,在利用图像处理进行车道线识别过程中往往使用复杂度较高的算法,导致实时性较差。
发明内容
有鉴于此,本公开实施例提供了一种车道线检测方法及***,至少解决现有技术中实时性差的问题。
第一方面,本公开实施例提供了一种车道线检测方法,包括:
在获取的图像中选取ROI区域,所述ROI区域包括车道线;
对所述ROI区域进行缩放处理,得到突显车道线在图像中分布特征的缩放图像;
将所述缩放图像转换为黑白图;
在所述黑白图中所有白色连通区域内提取中心点;
对所有中心点进行归类整理,形成多个线段;
将属于同一条直线的多个线段进行聚合处理;
在所有聚合形成的直线中筛选出有效的车道标识线。
可选的,所述将所述缩放图像转换为黑白图的步骤之后,还包括:
对黑白图进行降噪处理。
可选的,所述在所述黑白图中所有白色连通区域内提取中心点,包括:
对所述黑白图中所有白色连通区域进行细化处理;
在细化处理后的连通区域内提取中心点。
可选的,所述对所有中心点进行归类整理,包括:
对所有中心点依据横向及纵向位置关系进行归类整理。
可选的,所述归类整理,包括:
依次遍历所述黑白图中每一个像素点,获取白色像素点的坐标信息;
将所述白色像素点的坐标信息与已经组合形成的所有线段中最后一个点的坐标值进行比对;
如所述比对结果小于设定阈值,则将该白色像素点归类为相应线段;
如比对结果对设定阈值,则为该白色像素点创建一条线段。
可选的,所述将属于同一条直线的多个线段进行聚合处理,包括:
依据所有直线的位置分布及角度信息,将属于同一条直线的多个线段进行聚合处理。
可选的,所述聚合处理,包括:
对多个线段中的每一条线段,依次与其余线段进行比对,将满足以下条件的两条线段合并;
两个线段的角度之差小于设定角度阈值;
两个线段的位置相近;
两个线段的姿态位置相近。
可选的,所述在所有聚合形成的直线中筛选出有效的车道标识线,包括:
依据车道线在图像中位置及分布特征,在所有聚合形成的直线中筛选出有效的车道标识线。
可选的,在所有聚合形成的直线中筛选出有效的车道标识线,包括:
在多条直线中获取最长直线,并判断该最长直线是否为干扰线;
判断最长直线是否为干扰线,包括:
依次将多条直线中的每条直线与的最长直线进行比对,当最长直线符合以下条件的任意一条,则认为该最长直线为干扰线;
两线之间相离较近;
存在与所述最长直线交叉的直线;
存在与所述最长直线的角度差小于设定角度差阈值的直线;
可选的,所述在所有聚合形成的直线中筛选出有效的车道标识线,包括:
在多条直线中获取有效的最长直线;
将所有候选直线按照姿态位置顺序排列,并找出最长直线所处的位置;
以最长直线为基准,将所述候选直线分划为两部分;
在其中一部分查找与最长直线相距最近的有效车道标识线,即与最长直线的姿态位置差值小于第一阈值且与最长直线的角度相差小于第二阈值的直线;
将所述第一阈值和第二阈值扩缩,并基于扩缩的第一阈值和第二阈值在第一部分中继续查找有效车道标识线;
待第一部分查找完后或第一部分查找的同时,在第二部分,查找有效车道标识线。
第二方面,本公开实施例提供了一种车道线检测***,包括:
ROI区域获取模块:用于在获取的图像中选取ROI区域,所述ROI区域包括车道线;
缩放模块:用于对所述ROI区域进行缩放处理,得到突显车道线在图像中分布特征的缩放图像;
图像转换模块:用于将所述缩放图像转换为黑白图;
提取模块:用于在所述黑白图中所有白色连通区域内提取中心点;
归类模块:用于对所有中心点进行归类整理,形成多个线段;
聚合模块:用于将属于同一条直线的多个线段进行聚合处理;
筛选模块:用于在所有聚合形成的直线中筛选出有效的车道标识线。
可选的,还包括:
降噪模块:用于对黑白图进行降噪处理。
可选的,提取模块还包括:对所述黑白图中所有白色连通区域进行细化处理;在细化处理后的连通区域内提取中心点。
可选的,所述归类模块,包括:
对所有中心点依据横向及纵向位置关系进行归类整理。
可选的,所述归类模块,包括:
依次遍历所述黑白图中每一个像素点,获取白色像素点的坐标信息;
将所述白色像素点的坐标信息与已经组合形成的所有线段中最后一个点的坐标值进行比对;
如所述比对结果小于设定阈值,则将该白色像素点归类为相应线段;
如比对结果对设定阈值,则为该白色像素点创建一条线段。
可选的,所述聚合模块,包括:
依据所有线段的位置分布及角度信息,将属于同一条直线的多个线段进行聚合处理。
可选的,所述聚合模块,还包括:
对多个线段中的每一条线段,依次与其余线段进行比对,将满足以下条件的两条线段合并;
两个线段的角度之差小于设定角度阈值;
两个线段的位置相近;
两个线段的姿态位置相近。
可选的,所述筛选模块,包括:
依据车道线在图像中位置及分布特征,在所有聚合形成的直线中筛选出有效的车道标识线。
可选的,所述筛选模块,包括:
在多条直线中获取最长直线,并判断该最长直线是否为干扰线;
判断最长直线是否为干扰线,包括:
依次将多条直线中的每条直线与的最长直线进行比对,当最长直线符合以下条件的任意一条,则认为该最长直线为干扰线;
两线之间相离较近;
存在与所述最长直线交叉的直线;
存在与所述最长直线的角度差小于设定角度差阈值的直线。
可选的,所述筛选模块,包括:
在多条直线中获取有效的最长直线;
将所有候选直线按照姿态位置顺序排列,并找出最长直线所处的位置;
以最长直线为基准,将所述候选直线分划为两部分,分别为第一部分和第二部分;
在其中一部分查找与最长直线相距最近的有效车道标识线,即与最长直线的姿态位置差值小于第一阈值且与最长直线的角度相差小于第二阈值的直线;
将所述第一阈值和第二阈值扩缩,并基于扩缩的第一阈值和第二阈值在第一部分中继续查找有效车道标识线;
待第一部分查找完后或第一部分查找的同时,在第二部分中查找有效车道标识线。
本公开通过在获取的图像中选取ROI区域,对所述ROI区域进行缩放后,将图像转换为黑白图,在黑白图中提取中心点,对所有中心点进行归类整理,形成多个线段,然后将属于同一条直线的多个线段进行聚合处理;在所有聚合形成的直线中筛选出有效的车道标识线。避免使用较为耗时的透视变换,而是直接通过选取车道线有效区域后通过缩放拉伸来突显车道线特征,从而完成对干扰线的去除以及对候选直线的选取,也没有选用较为耗时的Hough变换的方法,而是利用图像中所有白色像素点的位置关系,首先将不同点归类整理为不同直线,再将不同直线进行聚合,最后依据正确车道线在图像中的位置及分布特征,筛选查找出有效车道线。从而降低了计算复杂性,达到保证实时性的同时能够兼顾识别准确性的目的。
本公开的其它特征和优点将在随后具体实施方式部分予以详细说明。
附图说明
通过结合附图对本公开示例性实施方式进行更详细的描述,本公开的上述以及其它目的、特征和优势将变得更加明显,其中,在本公开示例性实施方式中,相同的参考标号通常代表相同部件。
图1示出了根据的一个本公开实施例的车道线检测方法的流程图;
图2示出了根据的一个本公开实施例的车道线检测方法详细过程的流程图
图3示出了根据本公开的一个实施例的选取的ROI区域的示意图;
图4示出了根据本公开的一个实施例的对所述ROI区域进行缩放处理后的示意图;
图5示出了根据本公开的一个实施例的将缩放图像转换为黑白图的示意图;
图6示出了根据本公开的一个实施例的对黑白图进行降噪的示意图;
图7示出了根据本公开的一个实施例的提取中心点的示意图;
图8示出了根据本公开的一个实施例的排除干扰线的示意图;
图9示出了根据本公开的一个实施例的提取车道标识线的示意图。
具体实施方式
下面将更详细地描述本公开的优选实施方式。虽然以下描述了本公开的优选实施方式,然而应该理解,可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。
ADAS:Advanced Driver Assistance System,高级驾驶辅助***。
ROI:Region of interest,感兴趣区域,即在图像中需要处理的区域。
如图1和图2所示,一种车道线检测方法,包括:
步骤S101:在获取的图像中选取ROI区域,所述ROI区域包括车道线;
选取ROI区域依据图像采集设备的安装位置及角度,在一个具体的的应用场景中,在车辆上设置摄像机对道路进行拍摄,在拍摄的图像中依据摄像机在车辆上的案子位置及角度选取ROI区域,只关心有效车道标识线存在部分图像区域,为此在图像中选取一定区域作为ROI区域,后续只处理该ROI区域中的内容,可去除天空等干扰,提高计算效率。选取的ROI区域如图3所示。
步骤S102:对所述ROI区域进行缩放处理,得到突显车道线在图像中分布特征的缩放图像;在一个具体的应用场景中将ROI区域缩放为480*550。
由于选取出的道路线ROI区域过于扁宽,如图3中虚线框所示,导致原本一些车道线在图像中的分布特征变得不明显。为便于后续处理,可以将ROI图像进行缩放拉伸,以突显部分车道线特征,便于后续对有效车道线的查找;缩放后效果如图4所示。
步骤S103:将所述缩放图像转换为黑白图;
具体为:对图像进行灰度化和二值化处理,转换成黑白图,将图像转换为灰度图后可通过大津(OTSU)算法对灰度图像进行二值化处理,将其转换为黑白图。最终效果如图5所示
步骤S104:在所述黑白图中所有白色连通区域内提取中心点;
为了提高提取中中心点的精度,首先对黑白图进行降噪处理,去除部分噪点干扰,对去除部分噪点干扰后的黑白图中所有白色连通区域进行细化处理,然后在细化处理后的白色连通区域内提取中心点;由于二值化后黑白图中干扰噪声过多,如图5所示,会影响有效车道标识线的检测,为此首先要对黑白图像进行滤波。在滤波前,考虑到要最大程度保证有效车道线信息的连接完整程度,首先对断裂的两个白色像素点进行连接。即遍历图像中每个像素点,当查找到像素值为0,相邻的前一个及后一个像素点像素值均为255时,将该点像素值设置为255。具体为自图像原点开始按照从左至右、从上至下的顺序依次遍历每一个像素点,若此时该点像素值为0但与其相邻的前一个及后一个像素点像素值均为255,则将该点像素值至为255。
在水平行补充间断点完成后则对黑白图像进行滤波降噪处理,本实施例选用的是在3×3窗口的均值滤波处理。依据实验经验,当某一像素点滤波窗口中均值小于127时,则将该点像素值设置为0。最终处理效果如图6所示,可以看出干扰噪声明显减少。
从滤波后图像中可以看出车道标识线已经明显显现,但线条较宽。为后续对像素点归类、聚合查找直线做准备,需要提取每行白色连通域的中心点。从原点开始依次遍历每行像素点,找出每行中白色像素点连通区域的起始点与终止点,则可得出中点。对每行中不同白色连通域中,只保留中点,其余白色点全部置黑。效果如图7所示。
步骤S105:对所有中心点进行归类整理,形成多个线段;
对所有中心点依据横向及纵向位置关系进行归类整理,形成多个线段,同时去除噪点及噪线干扰,
可选的,所述归类整理,包括:
依次遍历所述黑白图中每一个像素点,获取白色像素点的坐标信息;
将所述白色像素点的坐标信息与已经组合形成的所有线段中最后一个点的坐标值进行比对;
如所述比对结果小于设定阈值,则将该白色像素点归类为相应线段;
如比对结果对设定阈值,则为该白色像素点创建一条线段。
在一个具体的应用场景中,从图7的原点开始,按照从左至右、从上至下的顺序依次遍历每一个像素点,每当找到一个白色像素点后查看其坐标信息并与已经组合形成的所有直线中最后一个点的坐标值进行比对,若横坐标值相差小于5且纵坐标值相差小于5,则将该点归类为该条线段下;若与所有已组合形成线段的最后一点的横纵坐标差值不满足条件,则表示与所有已组合形成的线段均不匹配,便为该点单独创建一条线段以待后续点进行匹配组合。
步骤S106:将属于同一条直线的多个线段进行聚合处理;
可选的,依据所有直线的位置分布及角度信息,将属于同一条直线的多个线段进行聚合处理。
可选的,所述聚合处理,包括:
对多个线段中的每一个线段,依次与其余线段进行比对,将满足以下条件的两条线段合并;
两个线段的角度之差小于设定角度阈值;
两个线段的位置相近;
两个线段的姿态位置相近。
在一个具体的应用场景中,在对相近点进行线段组合完成后会形成多个线条,其中包括正确的车道标识线及一些干扰线条。为给后续相近短线聚合提供便利,首先需要对组合形成的线条的信息进行计算,并依据这些信息对干扰线条进行去除。需要直线信息主要包括:①组成该线条的像素点数量PointsSum;②组成该线条的所有像素点中横坐标最小值minx及最大值maxx;③组成该线条的所有像素点中纵坐标最小值miny及最大值maxy;④利用最小二乘法通过对该线条中所有点坐标统计计算得出该直线的斜率tan及截距distance;⑤该条直线的角度angle;⑥该条直线图像顶端的交点topX,topY;⑦该条直线图像底端的交点bottomX,bottomY。
一般在图像中属于真正车道线的线条较长,可以利用此特点认为PointsSum小于一定阈值(经过大量观察实验,本实施例将阈值设为35)的线条为干扰噪声,将其去除。降噪处理后效果如图8所示。
考虑到所处理图像中车道标识线可能会由于光照、破损影响产生断裂,为此在查找有效车道线前需要对属于同一条线的短线进行聚合处理。对每一条线,依次与其余线条进行比对,当满足以下条件时则将两条线进行合并:①两线角度之差小于一定阈值(本实施例设为6°);②两线的上下位置相近,及两线的miny相差小于一定阈值(本实施例设为10);③两线的姿态位置相近,即两线的topX之差以及topY之差小于一定阈值(实施例将这两个阈值统一设为10)。
步骤S107:在所有聚合形成的直线中筛选出有效的车道标识线。
依据正确车道线在图像中位置及分布特征,在所有聚合形成的直线中筛选出有效的车道标识线,
可选的,所述在所有聚合形成的直线中筛选出有效的车道标识线,包括:
依据车道线在图像中位置及分布特征,在所有聚合形成的直线中筛选出有效的车道标识线。
可选的,在所有聚合形成的直线中筛选出有效的车道标识线,包括:
在多条直线中获取最长直线,并判断该最长直线是否为干扰线;
判断最长直线是否为干扰线,包括:
依次将多条直线中的每条直线与的最长直线进行比对,当最长直线符合以下条件的任意一条,则认为该最长直线为干扰线;
两线之间相离较近;
存在与所述最长直线交叉的直线;
存在与所述最长直线的角度差小于设定角度差阈值的直线。
可选的,在所有聚合形成的直线中筛选出有效的车道标识线,还包括:在多条直线中获取有效的最长直线;
将所有候选直线按照姿态位置顺序排列,并找出最长直线所处的位置;
以最长直线为基准,将所述候选直线化为为两部分;
在其中一部分查找与最长直线相距最近的有效车道标识线,即与最长直线的姿态位置差值小于第一阈值且与最长直线的角度相差小于第二阈值的直线;
将所述第一阈值和第二阈值扩缩,并基于扩缩的第一阈值和第二阈值在第一部分中继续查找有效车道标识线;
待第一部分查找完后或第一部分查找的同时,在第二部分,查找有效车道标识线。
在具体的应用场景中,可根据计算能力对第一部分和第二部分分别计算,也可以采用并行计算的方法,从而加快计算速度。将所述第一阈值和第二阈值扩缩,可以将第一阈值和第二阈值扩大一倍或多倍,也可以将第一阈值和第二阈值缩小一或多倍。
在对线条聚合完成后,各线条关系已基本清晰,最后则需要在候选线条中找出有效车道线。通过大量实验观察可知,图像中最长的线基本可以确定是有效车道线中一条,但该线所处位置不可确定,可能为当前车道标识线,也可能为其它车道标识线。为避免在利用最长线条查找其它车道标识线过程中受到干扰噪线的影响,首先需要利用最长线条的一些信息去除其它干扰线条。依次将每条直线与找到的最长直线进行比对,当符合以下条件的任意一条,则认为该直线为干扰线,可将其去除。①两线之间相离过近,即当前直线与最长直线的bottomX之差小于一定阈值(本实施例设为40);②当前直线与最长直线产生交叉,及两线的topX之差与bottomX之差的乘积小于0;③两条线的角度之差小于一定阈值(本实施例设为5°);④两线之间呈现出上宽下窄的趋势。
对干扰线去除之后,便可利用最长直线推测查找出其他有效车道标识线。虽然不能确定最长直线属于哪一条车道标识线,但通过观察图像发现不同车道标识线间顶端间距基本处于一定范围,且从左至右每条车道标识线的角度依次增大,且相邻两条车道标识线的角度差值基本相同。依据这些特点便可对有效车道线进行推测查找。
首先将所有候选线条按照topX从小到大的顺序进行排列,并找出最长直线所处的位置。其次以最长直线为划分,分别在左侧与右侧按照一定值查找其它有效车道线。先在左侧查找与最长直线相距最近的有效车道标识线,即与最长直线的topX差值小于Dist且与最长直线的角度相差小于minAngle(本实施例通过实验观察将Dist设为60,将minAngle设为35°),查找完成后再将Dist与minAngle扩大一倍继续查找左侧其它有效车道标识线,如此进行5次,将左侧区域的有效车道标识线查找完毕。随后再对右侧按照同样的方法进行查找,最终找出所有有效的车道标识线。效果如图9所示。
本实施例在基于图像处理技术对结构化道路车道标识线检测识别过程中,在保证检测准确性及能很好应对光照变换、路面干扰等场景变换的条件下,最大程度提高检测速度。由于没有使用较为复杂的算法,减少了对处理器等硬件资源带来的挑战。
本公开实施例还提供一种车道线检测***,包括:
ROI区域获取模块:用于在获取的图像中选取ROI区域,所述ROI区域包括车道线;
缩放模块:用于对所述ROI区域进行缩放处理,得到突显车道线在图像中分布特征的缩放图像;
图像转换模块:用于将所述缩放图像转换为黑白图;
提取模块:用于在所述黑白图中所有白色连通区域内提取中心点;
归类模块:用于对所有中心点进行归类整理,形成多个线段;
聚合模块:用于将属于同一条直线的多个线段进行聚合处理;
筛选模块:用于在所有聚合形成的直线中筛选出有效的车道标识线。
可选的,还包括:
降噪模块:用于对黑白图进行降噪处理。
可选的,提取模块还包括:对所述黑白图中所有白色连通区域进行细化处理;在细化处理后的连通区域内提取中心点。
可选的,所述归类模块,包括:
对所有中心点依据横向及纵向位置关系进行归类整理。
可选的,所述归类模块,包括:
依次遍历所述黑白图中每一个像素点,获取白色像素点的坐标信息;
将所述白色像素点的坐标信息与已经组合形成的所有线段中最后一个点的坐标值进行比对;
如所述比对结果小于设定阈值,则将该白色像素点归类为相应线段;
如比对结果对设定阈值,则为该白色像素点创建一条线段。
可选的,所述聚合模块,包括:
依据所有线段的位置分布及角度信息,将属于同一条直线的多个线段进行聚合处理。
可选的,所述聚合模块,还包括:
对多个线段中的每一条线段,依次与其余线段进行比对,将满足以下条件的两条线段合并;
两个线段的角度之差小于设定角度阈值;
两个线段的位置相近;
两个线段的姿态位置相近。
可选的,所述筛选模块,包括:
依据车道线在图像中位置及分布特征,在所有聚合形成的直线中筛选出有效的车道标识线。
可选的,所述筛选模块,包括:
在多条直线中获取最长直线,并判断该最长直线是否为干扰线;
判断最长直线是否为干扰线,包括:
依次将多条直线中的每条直线与的最长直线进行比对,当最长直线符合以下条件的任意一条,则认为该最长直线为干扰线;
两线之间相离较近;
存在与所述最长直线交叉的直线;
存在与所述最长直线的角度差小于设定角度差阈值的直线。
可选的,所述筛选模块,包括:
在多条直线中获取有效的最长直线;
将所有候选直线按照姿态位置顺序排列,并找出最长直线所处的位置;
以最长直线为基准,将所述候选直线分划为两部分,分别为第一部分和第二部分;
在其中一部分查找与最长直线相距最近的有效车道标识线,即与最长直线的姿态位置差值小于第一阈值且与最长直线的角度相差小于第二阈值的直线;
将所述第一阈值和第二阈值扩缩,并基于扩缩的第一阈值和第二阈值在第一部分中继续查找有效车道标识线;
待第一部分查找完后或第一部分查找的同时,在第二部分中查找有效车道标识线。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。
Claims (10)
1.一种车道线检测方法,其特征在于,包括:
在获取的图像中选取ROI区域,所述ROI区域包括车道线;
对所述ROI区域进行缩放处理,得到突显车道线在图像中分布特征的缩放图像;
将所述缩放图像转换为黑白图;
在所述黑白图中所有白色连通区域内提取中心点;
对所有中心点进行归类整理,形成多个线段;
将属于同一条直线的多个线段进行聚合处理;
在所有聚合形成的直线中筛选出有效的车道标识线。
2.根据权利要求1所述的车道线检测方法,其特征在于,所述将所述缩放图像转换为黑白图的步骤之后,还包括:
对黑白图进行降噪处理;
和/或
所述在所述黑白图中所有白色连通区域内提取中心点,包括:
对所述黑白图中所有白色连通区域进行细化处理;
在细化处理后的连通区域内提取中心点;
和/或
所述对所有中心点进行归类整理,包括:
对所有中心点依据横向及纵向位置关系进行归类整理;
和/或
所述归类整理,包括:
依次遍历所述黑白图中每一个像素点,获取白色像素点的坐标信息;
将所述白色像素点的坐标信息与已经组合形成的所有线段中最后一个点的坐标值进行比对;
如所述比对结果小于设定阈值,则将该白色像素点归类为相应线段;
如比对结果对设定阈值,则为该白色像素点创建一条线段;
和/或
所述将属于同一条直线的多个线段进行聚合处理,包括:
依据所有线段的位置分布及角度信息,将属于同一条直线的多个线段进行聚合处理;
和/或
所述聚合处理,包括:
对多个线段中的每一条线段,依次与其余线段进行比对,将满足以下条件的两条线段合并;
两个线段的角度之差小于设定角度阈值;
两个线段的位置相近;
两个线段的姿态位置相近。
3.根据权利要求1所述的车道线检测方法,其特征在于,所述在所有聚合形成的直线中筛选出有效的车道标识线,包括:
依据车道线在图像中位置及分布特征,在所有聚合形成的直线中筛选出有效的车道标识线。
4.根据权利要求3所述的车道线检测方法,其特征在于,在所有聚合形成的直线中筛选出有效的车道标识线,包括:
在多条直线中获取最长直线,并判断该最长直线是否为干扰线;
判断最长直线是否为干扰线,包括:
依次将多条直线中的每条直线与的最长直线进行比对,当最长直线符合以下条件的任意一条,则认为该最长直线为干扰线;
两线之间相离较近;
存在与所述最长直线交叉的直线;
存在与所述最长直线的角度差小于设定角度差阈值的直线。
5.根据权利要求3或4所述的车道线检测方法,其特征在于,包括:在所有聚合形成的直线中筛选出有效的车道标识线,包括:
在多条直线中获取有效的最长直线;
将所有候选直线按照姿态位置顺序排列,并找出最长直线所处的位置;
以最长直线为基准,将所述候选直线分划为两部分,分别为第一部分和第二部分;
在其中一部分查找与最长直线相距最近的有效车道标识线,即与最长直线的姿态位置差值小于第一阈值且与最长直线的角度相差小于第二阈值的直线;
将所述第一阈值和第二阈值扩缩,并基于扩缩的第一阈值和第二阈值在第一部分中继续查找有效车道标识线;
待第一部分查找完后或第一部分查找的同时,在第二部分中查找有效车道标识线。
6.一种车道线检测***,其特征在于,包括:
ROI区域获取模块:用于在获取的图像中选取ROI区域,所述ROI区域包括车道线;
缩放模块:用于对所述ROI区域进行缩放处理,得到突显车道线在图像中分布特征的缩放图像;
图像转换模块:用于将所述缩放图像转换为黑白图;
提取模块:用于在所述黑白图中所有白色连通区域内提取中心点;
归类模块:用于对所有中心点进行归类整理,形成多个线段;
聚合模块:用于将属于同一条直线的多个线段进行聚合处理;
筛选模块:用于在所有聚合形成的直线中筛选出有效的车道标识线。
7.根据权利要求6所述的车道线检测***,其特征在于,还包括:
降噪模块:用于对黑白图进行降噪处理;
和/或
提取模块还包括:对所述黑白图中所有白色连通区域进行细化处理;在细化处理后的连通区域内提取中心点;
和/或
所述归类模块,包括:
对所有中心点依据横向及纵向位置关系进行归类整理;
和/或
所述归类模块,包括:
依次遍历所述黑白图中每一个像素点,获取白色像素点的坐标信息;
将所述白色像素点的坐标信息与已经组合形成的所有线段中最后一个点的坐标值进行比对;
如所述比对结果小于设定阈值,则将该白色像素点归类为相应线段;
如比对结果对设定阈值,则为该白色像素点创建一条线段;
和/或
所述聚合模块,包括:
依据所有线段的位置分布及角度信息,将属于同一条直线的多个线段进行聚合处理;
和/或
所述聚合模块,还包括:
对多个线段中的每一条线段,依次与其余线段进行比对,将满足以下条件的两条线段合并;
两个线段的角度之差小于设定角度阈值;
两个线段的位置相近;
两个线段的姿态位置相近。
8.根据权利要求6所述的车道线检测***,其特征在于,所述筛选模块,包括:
依据车道线在图像中位置及分布特征,在所有聚合形成的直线中筛选出有效的车道标识线。
9.根据权利要求8所述的车道线检测***,其特征在于,所述筛选模块,包括:
在多条直线中获取最长直线,并判断该最长直线是否为干扰线;
判断最长直线是否为干扰线,包括:
依次将多条直线中的每条直线与的最长直线进行比对,当最长直线符合以下条件的任意一条,则认为该最长直线为干扰线;
两线之间相离较近;
存在与所述最长直线交叉的直线;
存在与所述最长直线的角度差小于设定角度差阈值的直线。
10.根据权利要求8或9所述的车道线检测***,其特征在于,所述筛选模块,包括:
在多条直线中获取有效的最长直线;
将所有候选直线按照姿态位置顺序排列,并找出最长直线所处的位置;
以最长直线为基准,将所述候选直线分划为两部分,分别为第一部分和第二部分;
在其中一部分查找与最长直线相距最近的有效车道标识线,即与最长直线的姿态位置差值小于第一阈值且与最长直线的角度相差小于第二阈值的直线;
将所述第一阈值和第二阈值扩缩,并基于扩缩的第一阈值和第二阈值在第一部分中继续查找有效车道标识线;
待第一部分查找完后或第一部分查找的同时,在第二部分中查找有效车道标识线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010485921.7A CN111860113A (zh) | 2020-06-01 | 2020-06-01 | 车道线检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010485921.7A CN111860113A (zh) | 2020-06-01 | 2020-06-01 | 车道线检测方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111860113A true CN111860113A (zh) | 2020-10-30 |
Family
ID=72985303
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010485921.7A Pending CN111860113A (zh) | 2020-06-01 | 2020-06-01 | 车道线检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111860113A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112580516A (zh) * | 2020-12-21 | 2021-03-30 | 上海眼控科技股份有限公司 | 一种道路场景识别方法、装置、设备及存储介质 |
CN113240742A (zh) * | 2021-05-18 | 2021-08-10 | 西南交通大学 | 一种基于视觉像素链接直线检测的火车倒车辅助检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106529505A (zh) * | 2016-12-05 | 2017-03-22 | 惠州华阳通用电子有限公司 | 一种基于图像视觉的车道线检测方法 |
CN107229908A (zh) * | 2017-05-16 | 2017-10-03 | 浙江理工大学 | 一种车道线检测方法 |
CN107730520A (zh) * | 2017-09-22 | 2018-02-23 | 智车优行科技(北京)有限公司 | 车道线检测方法及*** |
-
2020
- 2020-06-01 CN CN202010485921.7A patent/CN111860113A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106529505A (zh) * | 2016-12-05 | 2017-03-22 | 惠州华阳通用电子有限公司 | 一种基于图像视觉的车道线检测方法 |
CN107229908A (zh) * | 2017-05-16 | 2017-10-03 | 浙江理工大学 | 一种车道线检测方法 |
CN107730520A (zh) * | 2017-09-22 | 2018-02-23 | 智车优行科技(北京)有限公司 | 车道线检测方法及*** |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112580516A (zh) * | 2020-12-21 | 2021-03-30 | 上海眼控科技股份有限公司 | 一种道路场景识别方法、装置、设备及存储介质 |
CN113240742A (zh) * | 2021-05-18 | 2021-08-10 | 西南交通大学 | 一种基于视觉像素链接直线检测的火车倒车辅助检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bilal et al. | Real-time lane detection and tracking for advanced driver assistance systems | |
Yan et al. | A method of lane edge detection based on Canny algorithm | |
Garcia-Garrido et al. | Fast traffic sign detection and recognition under changing lighting conditions | |
KR100975749B1 (ko) | 단일 차선을 이용한 차선 인식 및 차량의 차선 이탈 검출 방법 | |
Roy et al. | License plate detection and character recognition system for commercial vehicles based on morphological approach and template matching | |
CN104700072B (zh) | 基于车道线历史帧的识别方法 | |
Tian et al. | A two-stage character segmentation method for Chinese license plate | |
Wang et al. | A vision-based road edge detection algorithm | |
CN111915583B (zh) | 复杂场景中基于车载红外热像仪的车辆和行人检测方法 | |
KR102089298B1 (ko) | 범용 문자 시퀀스 검출을 통한 다국적 차량번호판 인식 시스템 및 그 방법 | |
CN103366154A (zh) | 可重配置的畅通路径检测*** | |
CN107909047A (zh) | 一种汽车及其应用的车道检测方法及*** | |
Hatolkar et al. | A survey on road traffic sign recognition system using convolution neural network | |
CN111860113A (zh) | 车道线检测方法及*** | |
Chen et al. | A novel lane departure warning system for improving road safety | |
Omidi et al. | An embedded deep learning-based package for traffic law enforcement | |
Salahshoor et al. | Application of intelligent systems for iranian license plate recognition | |
CN109086671A (zh) | 一种适于无人驾驶的夜间车道标志线视频检测方法 | |
Kong et al. | A novel license plate localization method based on textural feature analysis | |
Huang | Research on license plate image segmentation and intelligent character recognition | |
Wennan et al. | Lane detection in some complex conditions | |
CN111178158B (zh) | 一种骑车人检测方法及*** | |
Alefs | Embedded vehicle detection by boosting | |
Chen et al. | A forward collision avoidance system adopting multi-feature vehicle detection | |
CN112001344A (zh) | 机动车目标检测装置及方法 |
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 |