CN112307953A - 一种基于聚类的自适应逆透视变换车道线识别方法及*** - Google Patents
一种基于聚类的自适应逆透视变换车道线识别方法及*** Download PDFInfo
- Publication number
- CN112307953A CN112307953A CN202011183873.2A CN202011183873A CN112307953A CN 112307953 A CN112307953 A CN 112307953A CN 202011183873 A CN202011183873 A CN 202011183873A CN 112307953 A CN112307953 A CN 112307953A
- Authority
- CN
- China
- Prior art keywords
- lane line
- perspective transformation
- image
- model
- inverse perspective
- 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
- 230000009466 transformation Effects 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 24
- 238000001914 filtration Methods 0.000 claims abstract description 32
- 239000011159 matrix material Substances 0.000 claims abstract description 26
- 238000001514 detection method Methods 0.000 claims abstract description 21
- 240000004050 Pentaglottis sempervirens Species 0.000 claims description 23
- 235000004522 Pentaglottis sempervirens Nutrition 0.000 claims description 23
- 238000000605 extraction Methods 0.000 claims description 8
- 235000002566 Capsicum Nutrition 0.000 claims description 7
- 239000006002 Pepper Substances 0.000 claims description 7
- 241000722363 Piper Species 0.000 claims description 7
- 235000016761 Piper aduncum Nutrition 0.000 claims description 7
- 235000017804 Piper guineense Nutrition 0.000 claims description 7
- 235000008184 Piper nigrum Nutrition 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 150000003839 salts Chemical class 0.000 claims description 7
- 238000003064 k means clustering Methods 0.000 claims description 6
- 230000001131 transforming effect Effects 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 4
- 230000004075 alteration Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/277—Analysis of motion involving stochastic approaches, e.g. using Kalman filters
-
- 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
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
- G06T2207/30256—Lane; Road marking
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及车道线检测技术领域，具体公开了一种基于聚类的自适应逆透视变换车道线识别方法，包括：从获取到的路面原始图像中选取ROI区域，从ROI区域中提取车道线特征，并将提取车道线特征后的车道线图像二值化；通过聚类算法获取逆透视变换矩阵并转换为车道线鸟瞰图；在车道线鸟瞰图中使用窗口搜索的方式存储获取到的车道线的像素坐标，并使用最小二乘法进行拟合获取模型参数，得到拟合的车道线模型；通过卡尔曼滤波的方法进行帧间追踪，输出相应的车道线模型；本发明提供的基于聚类的自适应逆透视变换车道线识别方法，使获取的鸟瞰图更为准确，从而提高了在坡度路面车道线的检测精度，并采用卡尔曼滤波加强帧间鲁棒性。
Description
技术领域
本发明涉及车道线检测技术领域，更具体地，涉及一种基于聚类的自适应逆透视变换车道线识别方法及***。
背景技术
随着先进驾驶辅助技术的兴起，车道线检测作为其中的重要一环受到越来越广泛的关注。
目前的车道检测分为两类大类：一类是基于深度学***缓的路段有较好的实现效果，但是对于路面坡度变化较大的情况鲁棒性较差。
目前采用获取鸟瞰图的方法多为在特征提取的图像中选取定点获取逆透视变换矩阵，这种方法在复杂路面中获取的鸟瞰图会出现车道线像素缺失以及车道线未转换成鸟瞰图的情况，导致窗口搜索存储两个车道线像素有重叠或者像素有缺失，导致车道线拟合效果较差。
发明内容
本发明的目的在于克服现有技术中存在的不足，提供了一种基于聚类的自适应逆透视变换车道线识别方法及***，使获取的鸟瞰图更为准确，从而提高了在坡度路面车道线的检测精度，并采用卡尔曼滤波加强帧间鲁棒性。
作为本发明的第一个方面，提供一种基于聚类的自适应逆透视变换车道线识别方法，包括：
步骤S110：获取路面原始图像；
步骤S120：从所述路面原始图像中选取ROI区域，从所述ROI区域中提取车道线特征，并将提取所述车道线特征后的车道线图像二值化，其中，所述车道线特征包括颜色特征和边缘特征；
步骤S130：在二值化图像中获取车道线的上下端点坐标，并依据车道线的上下端点坐标获取逆透视变换矩阵，并通过逆透视变换矩阵将二值化图像转换为车道线鸟瞰图；
步骤S140：在所述车道线鸟瞰图中使用窗口搜索的方式存储获取到的车道线的像素坐标，选择符合车道线特征的模型并使用最小二乘法进行拟合获取模型参数，得到拟合的车道线模型；
步骤S150：通过卡尔曼滤波的方法进行帧间追踪，并对下一帧图像的模型进行预测，设置阈值，判断当前拟合的车道线模型与使用卡尔曼滤波追踪的预测模型之间的误差大小，若误差大于所述阈值，则当前帧最终输出的车道线模型使用卡尔曼预测模型，否则，使用当前拟合的车道线模型。
进一步地，所述步骤S120中，还包括：通过canny算子与sobel算子相结合的方式对车道线的边缘特征进行提取。
进一步地，所述步骤S120中，还包括：采用中值滤波方式消除二值化图像后存在的椒盐噪声。
进一步地，所述步骤S130中，还包括：在二值化图像中获取车道线的上下端区域，通过K-Means聚类算法分别获取左右两条车道线的上下端点坐标，根据所述左右两条车道线的上下端点坐标获取逆透视变换矩阵，并转换得到车道线鸟瞰图。
进一步地，所述步骤S140中，还包括：在所述车道线鸟瞰图中计算二值化图像中的像素峰值位置，左右两峰值分别作为左右车道线检测窗口的初始位置，通过计算当前窗口像素的平均值作为窗口搜索的下一坐标，以此类推，最终将整个车道线的像素坐标存储起来。
作为本发明的第二个方面，提供一种基于聚类的自适应逆透视变换车道线识别***，包括：
获取模块，用于获取路面原始图像；
提取模块，用于从所述路面原始图像中选取ROI区域，从所述ROI区域中提取车道线特征，并将提取所述车道线特征后的车道线图像二值化，其中，所述车道线特征包括颜色特征和边缘特征；
转换模块，用于在二值化图像中获取车道线的上下端点坐标，并依据车道线的上下端点坐标获取逆透视变换矩阵，并通过逆透视变换矩阵将二值化图像转换为车道线鸟瞰图；
拟合模块，用于在所述车道线鸟瞰图中使用窗口搜索的方式存储获取到的车道线的像素坐标，选择符合车道线特征的模型并使用最小二乘法进行拟合获取模型参数，得到拟合的车道线模型；
卡尔曼滤波模块，用于通过卡尔曼滤波的方法进行帧间追踪，并对下一帧图像的模型进行预测，设置阈值，判断当前拟合的车道线模型与使用卡尔曼滤波追踪的预测模型之间的误差大小，若误差大于所述阈值，则当前帧最终输出的车道线模型使用卡尔曼预测模型，否则，使用当前拟合的车道线模型。
进一步地，所述提取模块，还用于通过canny算子与sobel算子相结合的方式对车道线的边缘特征进行提取。
进一步地，还包括中值滤波模块，所述中值滤波模块用于消除二值化图像后存在的椒盐噪声。
进一步地，所述转换模块，具体用于在二值化图像中获取车道线的上下端区域，通过K-Means聚类算法分别获取左右两条车道线的上下端点坐标，根据所述左右两条车道线的上下端点坐标获取逆透视变换矩阵，并转换得到车道线鸟瞰图。
进一步地，所述拟合模块，还用于在所述车道线鸟瞰图中计算二值化图像中的像素峰值位置，左右两峰值分别作为左右车道线检测窗口的初始位置，通过计算当前窗口像素的平均值作为窗口搜索的下一坐标，以此类推，最终将整个车道线的像素坐标存储起来。
本发明提供的基于聚类的自适应逆透视变换车道线识别方法及***具有以下优点：使获取的鸟瞰图更为准确，从而提高了在坡度路面车道线的检测精度，并采用卡尔曼滤波加强帧间鲁棒性。
附图说明
附图是用来提供对本发明的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明，但并不构成对本发明的限制。
图1为本发明提供的基于聚类的自适应逆透视变换车道线识别方法的步骤流程图。
图2为本发明提供的基于聚类的自适应逆透视变换车道线识别方法的具体实施方式流程图。
具体实施方式
为更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例，对依据本发明提出的基于聚类的自适应逆透视变换车道线识别方法及***其具体实施方式、结构、特征及其功效，详细说明如后。显然，所描述的实施例为本发明的一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明的保护范围。
在本实施例中提供了一种基于聚类的自适应逆透视变换车道线识别方法，如图1所示，请同时参照图2，所述基于聚类的自适应逆透视变换车道线识别方法包括：
步骤S110：获取路面原始图像；
步骤S120：从所述路面原始图像中选取ROI（region of interest）区域，从所述ROI（region of interest）区域中提取车道线特征，并将提取所述车道线特征后的车道线图像二值化，其中，所述车道线特征包括颜色特征和边缘特征；
步骤S130：在二值化图像中获取车道线的上下端点坐标，并依据车道线的上下端点坐标获取逆透视变换矩阵，并通过逆透视变换矩阵将二值化图像转换为车道线鸟瞰图；
步骤S140：在所述车道线鸟瞰图中使用窗口搜索的方式存储获取到的车道线的像素坐标，选择符合车道线特征的模型并使用最小二乘法进行拟合获取模型参数，得到拟合的车道线模型；
步骤S150：通过卡尔曼滤波的方法进行帧间追踪，并对下一帧图像的模型进行预测，设置阈值，判断当前拟合的车道线模型与使用卡尔曼滤波追踪的预测模型之间的误差大小，若误差大于所述阈值，则当前帧最终输出的车道线模型使用卡尔曼预测模型，否则，使用当前拟合的车道线模型。
需要说明的是，ROI（region of interest）区域为车道线部分的图像。
优选地，颜色特征提取是根据车道线的颜色特点选择黄色与白色颜色通道。
优选地，所述步骤S120中，还包括：通过canny算子与sobel算子相结合的方式对车道线的边缘特征进行提取。
优选地，所述步骤S120中，还包括：采用中值滤波方式消除二值化图像后存在的椒盐噪声；由于颜色和边缘特征提取的车道线的二值化图像中仍有部分车道线外像素物体被误检的干扰像素，为了消除这部分干扰像素，提高检测精度，先将提取特征后的图像二值化，之后采用中值滤波消除二值化图像后存在的椒盐噪声。
优选地，所述步骤S130中，还包括：在二值化图像中获取车道线的上下端区域，通过K-Means聚类算法分别获取左右两条车道线的上下端点坐标，根据所述左右两条车道线的上下端点坐标获取逆透视变换矩阵，并转换得到车道线鸟瞰图。
需要说明的是，目前传统方法获取鸟瞰图的方法是采用定点法，在车道线的二值化图像中选择车道线上的定点以顶点坐标和转换为鸟瞰图后顶点的坐标为依据获取逆透视变换矩阵，以此获得整个二值化图像的逆透视变化图像即鸟瞰图，但这种固定点的方法只适用于帧间相差较小的路面信息，对于被坡度较大的路面帧间的车道线位置相差较大，这种情况下仍使用定点法做透视变换会导致获取的鸟瞰图车道线部分缺失或者视角偏差较大导致检测结果不甚理想，为解决这一问题，本文提出一种使用聚类方法自适应获取各帧逆透视变换矩阵的方法，以提高检测精度。
优选地，所述步骤S140中，还包括：在所述车道线鸟瞰图中计算二值化图像中的像素峰值位置，左右两峰值分别作为左右车道线检测窗口的初始位置，通过计算当前窗口像素的平均值作为窗口搜索的下一坐标，以此类推，最终将整个车道线的像素坐标存储起来。
具体地，由于hough变换拟合结果存在不连贯性，最终需要将检测的车道创建一条直线，并进行筛选，相较于最小二乘法的拟合结果较差，故本发明选用多项式模型进行车道线拟合，使用最小二乘法对模型参数进行拟合，获取模型参数，得到车道线检测拟合曲线。
具体地，为了减小车道线检测帧间误差，提高车道线视频检测精度，本发明采用卡尔曼滤波的方式，提高帧间鲁棒性；本发明利用卡尔曼滤波算法将检测出的车道线模型作为运动物体，通过帧间模型的相对运动预测模型检测结果并对上述聚类算法自适应获取鸟瞰图检测拟合结果进行滤波，增加帧间鲁棒性。
作为本发明的另一实施例，提供一种基于聚类的自适应逆透视变换车道线识别***，其中，包括：
获取模块，用于获取路面原始图像；
提取模块，用于从所述路面原始图像中选取ROI区域，从所述ROI区域中提取车道线特征，并将提取所述车道线特征后的车道线图像二值化，其中，所述车道线特征包括颜色特征和边缘特征；
转换模块，用于在二值化图像中获取车道线的上下端点坐标，并依据车道线的上下端点坐标获取逆透视变换矩阵，并通过逆透视变换矩阵将二值化图像转换为车道线鸟瞰图；
拟合模块，用于在所述车道线鸟瞰图中使用窗口搜索的方式存储获取到的车道线的像素坐标，选择符合车道线特征的模型并使用最小二乘法进行拟合获取模型参数，得到拟合的车道线模型；
卡尔曼滤波模块，用于通过卡尔曼滤波的方法进行帧间追踪，并对下一帧图像的模型进行预测，设置阈值，判断当前拟合的车道线模型与使用卡尔曼滤波追踪的预测模型之间的误差大小，若误差大于所述阈值，则当前帧最终输出的车道线模型使用卡尔曼预测模型，否则，使用当前拟合的车道线模型。
优选地，所述提取模块，还用于通过canny算子与sobel算子相结合的方式对车道线的边缘特征进行提取。
优选地，还包括中值滤波模块，所述中值滤波模块用于消除二值化图像后存在的椒盐噪声。
优选地，所述转换模块，具体用于在二值化图像中获取车道线的上下端区域，通过K-Means聚类算法分别获取左右两条车道线的上下端点坐标，根据所述左右两条车道线的上下端点坐标获取逆透视变换矩阵，并转换得到车道线鸟瞰图。
优选地，所述拟合模块，还用于在所述车道线鸟瞰图中计算二值化图像中的像素峰值位置，左右两峰值分别作为左右车道线检测窗口的初始位置，通过计算当前窗口像素的平均值作为窗口搜索的下一坐标，以此类推，最终将整个车道线的像素坐标存储起来。
本发明提供的基于聚类的自适应逆透视变换车道线识别方法，在获取的二值化图像中应用聚类算法获取车道线上下两端的端点，并使用端点坐标获取将二值化图像转换为鸟瞰图的逆透视变换矩阵，在逆透视变换后的鸟瞰图中使用窗口搜索的方法将车道线的像素图像存储起来，选择符合车道线特征的模型并使用最小二乘法进行拟合获取模型参数，得到拟合的车道模型；并且，通过卡尔曼滤波的方法进行帧间追踪，并对下一帧图像的模型进行预测，设置阈值对比当前拟合的车道线模型与使用卡尔曼滤波追踪预测模型的误差大小，若误差大于阈值，则当前帧最终输出模型选用卡尔曼预测模型，否则使用当前拟合的车道线模型。
以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明,任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内,当可利用上述揭示的技术内容作出些许更动或修饰为等同变化的等效实施例,但凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。
Claims (10)
1.一种基于聚类的自适应逆透视变换车道线识别方法，其特征在于，包括：
步骤S110：获取路面原始图像；
步骤S120：从所述路面原始图像中选取ROI区域，从所述ROI区域中提取车道线特征，并将提取所述车道线特征后的车道线图像二值化，其中，所述车道线特征包括颜色特征和边缘特征；
步骤S130：在二值化图像中获取车道线的上下端点坐标，并依据车道线的上下端点坐标获取逆透视变换矩阵，并通过逆透视变换矩阵将二值化图像转换为车道线鸟瞰图；
步骤S140：在所述车道线鸟瞰图中使用窗口搜索的方式存储获取到的车道线的像素坐标，选择符合车道线特征的模型并使用最小二乘法进行拟合获取模型参数，得到拟合的车道线模型；
步骤S150：通过卡尔曼滤波的方法进行帧间追踪，并对下一帧图像的模型进行预测，设置阈值，判断当前拟合的车道线模型与使用卡尔曼滤波追踪的预测模型之间的误差大小，若误差大于所述阈值，则当前帧最终输出的车道线模型使用卡尔曼预测模型，否则，使用当前拟合的车道线模型。
2.根据权利要求1所述的基于聚类的自适应逆透视变换车道线识别方法，其特征在于，所述步骤S120中，还包括：通过canny算子与sobel算子相结合的方式对车道线的边缘特征进行提取。
3.根据权利要求1所述的基于聚类的自适应逆透视变换车道线识别方法，其特征在于，所述步骤S120中，还包括：采用中值滤波方式消除二值化图像后存在的椒盐噪声。
4.根据权利要求1所述的基于聚类的自适应逆透视变换车道线识别方法，其特征在于，所述步骤S130中，还包括：在二值化图像中获取车道线的上下端区域，通过K-Means聚类算法分别获取左右两条车道线的上下端点坐标，根据所述左右两条车道线的上下端点坐标获取逆透视变换矩阵，并转换得到车道线鸟瞰图。
5.根据权利要求1所述的基于聚类的自适应逆透视变换车道线识别方法，其特征在于，所述步骤S140中，还包括：在所述车道线鸟瞰图中计算二值化图像中的像素峰值位置，左右两峰值分别作为左右车道线检测窗口的初始位置，通过计算当前窗口像素的平均值作为窗口搜索的下一坐标，以此类推，最终将整个车道线的像素坐标存储起来。
6.一种基于聚类的自适应逆透视变换车道线识别***，其特征在于，包括：
获取模块，用于获取路面原始图像；
提取模块，用于从所述路面原始图像中选取ROI区域，从所述ROI区域中提取车道线特征，并将提取所述车道线特征后的车道线图像二值化，其中，所述车道线特征包括颜色特征和边缘特征；
转换模块，用于在二值化图像中获取车道线的上下端点坐标，并依据车道线的上下端点坐标获取逆透视变换矩阵，并通过逆透视变换矩阵将二值化图像转换为车道线鸟瞰图；
拟合模块，用于在所述车道线鸟瞰图中使用窗口搜索的方式存储获取到的车道线的像素坐标，选择符合车道线特征的模型并使用最小二乘法进行拟合获取模型参数，得到拟合的车道线模型；
卡尔曼滤波模块，用于通过卡尔曼滤波的方法进行帧间追踪，并对下一帧图像的模型进行预测，设置阈值，判断当前拟合的车道线模型与使用卡尔曼滤波追踪的预测模型之间的误差大小，若误差大于所述阈值，则当前帧最终输出的车道线模型使用卡尔曼预测模型，否则，使用当前拟合的车道线模型。
7.根据权利要求6所述的基于聚类的自适应逆透视变换车道线识别***，其特征在于，所述提取模块，还用于通过canny算子与sobel算子相结合的方式对车道线的边缘特征进行提取。
8.根据权利要求6所述的基于聚类的自适应逆透视变换车道线识别***，其特征在于，还包括中值滤波模块，所述中值滤波模块用于消除二值化图像后存在的椒盐噪声。
9.根据权利要求6所述的基于聚类的自适应逆透视变换车道线识别***，其特征在于，所述转换模块，具体用于在二值化图像中获取车道线的上下端区域，通过K-Means聚类算法分别获取左右两条车道线的上下端点坐标，根据所述左右两条车道线的上下端点坐标获取逆透视变换矩阵，并转换得到车道线鸟瞰图。
10.根据权利要求6所述的基于聚类的自适应逆透视变换车道线识别***，其特征在于，所述拟合模块，还用于在所述车道线鸟瞰图中计算二值化图像中的像素峰值位置，左右两峰值分别作为左右车道线检测窗口的初始位置，通过计算当前窗口像素的平均值作为窗口搜索的下一坐标，以此类推，最终将整个车道线的像素坐标存储起来。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011183873.2A CN112307953A (zh) | 2020-10-29 | 2020-10-29 | 一种基于聚类的自适应逆透视变换车道线识别方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011183873.2A CN112307953A (zh) | 2020-10-29 | 2020-10-29 | 一种基于聚类的自适应逆透视变换车道线识别方法及*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112307953A true CN112307953A (zh) | 2021-02-02 |
Family
ID=74332196
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011183873.2A Pending CN112307953A (zh) | 2020-10-29 | 2020-10-29 | 一种基于聚类的自适应逆透视变换车道线识别方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112307953A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112733812A (zh) * | 2021-03-01 | 2021-04-30 | 知行汽车科技（苏州）有限公司 | 三维车道线检测方法、装置及存储介质 |
| CN112906583A (zh) * | 2021-02-25 | 2021-06-04 | 北京经纬恒润科技股份有限公司 | 一种车道线检测方法及装置 |
| CN113988112A (zh) * | 2021-12-08 | 2022-01-28 | 深圳佑驾创新科技有限公司 | 车道线的检测方法、装置、设备及存储介质 |
| CN114120258A (zh) * | 2022-01-26 | 2022-03-01 | 深圳佑驾创新科技有限公司 | 一种车道线识别方法、装置及存储介质 |
| CN114663860A (zh) * | 2022-04-02 | 2022-06-24 | 奇瑞万达贵州客车股份有限公司 | 一种用于车道偏离***中的车道线识别***和方法 |
| WO2023170228A1 (en) * | 2022-03-10 | 2023-09-14 | Continental Automotive Technologies GmbH | Method and system for identifying rows of objects in images |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104008645A (zh) * | 2014-06-12 | 2014-08-27 | 湖南大学 | 一种适用于城市道路车道线预测及预警方法 |
| CN108052880A (zh) * | 2017-11-29 | 2018-05-18 | 南京大学 | 交通监控场景虚实车道线检测方法 |
| CN110516550A (zh) * | 2019-07-26 | 2019-11-29 | 电子科技大学 | 一种基于fpga的车道线实时检测方法 |
-
2020
- 2020-10-29 CN CN202011183873.2A patent/CN112307953A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104008645A (zh) * | 2014-06-12 | 2014-08-27 | 湖南大学 | 一种适用于城市道路车道线预测及预警方法 |
| CN108052880A (zh) * | 2017-11-29 | 2018-05-18 | 南京大学 | 交通监控场景虚实车道线检测方法 |
| CN110516550A (zh) * | 2019-07-26 | 2019-11-29 | 电子科技大学 | 一种基于fpga的车道线实时检测方法 |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112906583A (zh) * | 2021-02-25 | 2021-06-04 | 北京经纬恒润科技股份有限公司 | 一种车道线检测方法及装置 |
| CN112906583B (zh) * | 2021-02-25 | 2024-04-09 | 北京经纬恒润科技股份有限公司 | 一种车道线检测方法及装置 |
| CN112733812A (zh) * | 2021-03-01 | 2021-04-30 | 知行汽车科技（苏州）有限公司 | 三维车道线检测方法、装置及存储介质 |
| CN112733812B (zh) * | 2021-03-01 | 2023-08-29 | 知行汽车科技(苏州)股份有限公司 | 三维车道线检测方法、装置及存储介质 |
| CN113988112A (zh) * | 2021-12-08 | 2022-01-28 | 深圳佑驾创新科技有限公司 | 车道线的检测方法、装置、设备及存储介质 |
| CN113988112B (zh) * | 2021-12-08 | 2022-04-05 | 深圳佑驾创新科技有限公司 | 车道线的检测方法、装置、设备及存储介质 |
| CN114120258A (zh) * | 2022-01-26 | 2022-03-01 | 深圳佑驾创新科技有限公司 | 一种车道线识别方法、装置及存储介质 |
| CN114120258B (zh) * | 2022-01-26 | 2022-05-03 | 深圳佑驾创新科技有限公司 | 一种车道线识别方法、装置及存储介质 |
| WO2023170228A1 (en) * | 2022-03-10 | 2023-09-14 | Continental Automotive Technologies GmbH | Method and system for identifying rows of objects in images |
| CN114663860A (zh) * | 2022-04-02 | 2022-06-24 | 奇瑞万达贵州客车股份有限公司 | 一种用于车道偏离***中的车道线识别***和方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112307953A (zh) | 一种基于聚类的自适应逆透视变换车道线识别方法及*** | |
| CN107578035B (zh) | 基于超像素-多色彩空间的人体轮廓提取方法 | |
| Wu et al. | Lane-mark extraction for automobiles under complex conditions | |
| CN109784344A (zh) | 一种用于地平面标识识别的图像非目标滤除方法 | |
| KR101403876B1 (ko) | 차량 번호판 인식 방법과 그 장치 | |
| CN105488492B (zh) | 一种彩色图像预处理方法、道路识别方法及相关装置 | |
| US9257043B2 (en) | Lane correction system, lane correction apparatus and method of correcting lane | |
| CN102509098B (zh) | 一种鱼眼图像车辆识别方法 | |
| CN109785291A (zh) | 一种车道线自适应检测方法 | |
| CN106203342A (zh) | 基于多角度局部特征匹配的目标识别方法 | |
| CN107895375B (zh) | 基于视觉多特征的复杂道路线提取方法 | |
| US9224052B2 (en) | Method for in-image periodic noise pixel inpainting | |
| KR101182173B1 (ko) | 차량 번호판 인식 방법 및 시스템 | |
| CN110287884B (zh) | 一种辅助驾驶中压线检测方法 | |
| CN108647664B (zh) | 一种基于环视图像的车道线检测方法 | |
| CN107895151A (zh) | 一种强光照条件下基于机器视觉的车道线检测方法 | |
| CN107563331B (zh) | 一种基于几何关系的道路标志线检测方法及*** | |
| CN114299275A (zh) | 一种基于霍夫变换的车牌倾斜校正方法 | |
| CN110334625A (zh) | 一种面向自动泊车的停车位视觉识别***及其识别方法 | |
| CN110427979B (zh) | 基于K-Means聚类算法的道路水坑识别方法 | |
| CN111652033A (zh) | 基于OpenCV的车道线检测方法 | |
| CN108256518B (zh) | 文字区域检测方法及装置 | |
| CN107045630B (zh) | 一种基于rgbd的行人检测和身份识别方法及*** | |
| CN112926354A (zh) | 一种基于深度学习的车道线检测方法及装置 | |
| KR102489884B1 (ko) | 차량 번호판 인식율 개선을 위한 이미지 처리 장치 및 이를 이용한 이미지 처리 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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210202 |
|
| RJ01 | Rejection of invention patent application after publication |