CN112329694A - 一种车道线自动识别的方法、装置及可读存储介质 - Google Patents
一种车道线自动识别的方法、装置及可读存储介质 Download PDFInfo
- Publication number
- CN112329694A CN112329694A CN202011289499.4A CN202011289499A CN112329694A CN 112329694 A CN112329694 A CN 112329694A CN 202011289499 A CN202011289499 A CN 202011289499A CN 112329694 A CN112329694 A CN 112329694A
- Authority
- CN
- China
- Prior art keywords
- image
- lane line
- lane
- camera
- line
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 238000003708 edge detection Methods 0.000 claims abstract description 29
- 238000001914 filtration Methods 0.000 claims abstract description 26
- 238000001514 detection method Methods 0.000 claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 24
- 230000009466 transformation Effects 0.000 claims abstract description 20
- 230000008569 process Effects 0.000 claims abstract description 14
- 230000002708 enhancing effect Effects 0.000 claims abstract description 13
- 238000007499 fusion processing Methods 0.000 claims abstract description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 230000004927 fusion Effects 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 6
- 230000001186 cumulative effect Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 13
- 230000000694 effects Effects 0.000 description 8
- 238000011160 research Methods 0.000 description 5
- 230000000007 visual effect Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000009191 jumping Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 208000003443 Unconsciousness Diseases 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000007246 mechanism Effects 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
- 238000007493 shaping process 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
-
- 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
- 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
- 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
- G06T2207/20092—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)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种车道线自动识别的方法,包括:通过采用三目摄像机采集车辆行驶过程中的道路图像;将所述图像进行ROI区域选择;将所述ROI区域选择后的图像进行灰度化处理;将所述灰度化处理后的图像进行增强;将所述增强的图像进行滤波;将所述滤波后的图像进行边缘检测;将所述边缘检测后的图像进行直线道路模型匹配;使用Hough变换对所述图像进行车道线跟踪检测;将所述车道线进行融合处理,得到车道参考线。本发明还提供了一种车道线自动识别的装置及可读存储介质。本发明能够利用更全面的数据不间断地拟合出车道线,提高车道线检测的实时性和鲁棒性。
Description
技术领域
本发明涉及智能驾驶技术领域,尤其涉及一种车道线自动识别的方法、装置及可读存储介质。
背景技术
智能车辆是智能交通***的一个重要组成部分,其环境感知***主要由视觉传感器、激光雷达、惯性元件等一系列高精度的传感器组成,通过这些传感器来采集路况环境信息,进而为智能车辆的控制决策***提供依据,控制车辆的油口、制动、转向等执行机构,实现车辆的自动驾驶。车道线作为路面最主要的指示信息之一,它可有效地引导车辆在约束的道路区域内行驶,准确地检测出路面的车道线是实现智能车自动驾驶的基础,对智能车自动驾驶技术的研究具有重要意义。目前,基于视觉***的智能车道导航***,可以实现对车辆偏离进行有效预警,对于驾驶员因无意识产生的被动偏离有很好的纠正效果。基于视觉***的智能车导航***的设计,相对于采用雷达、激光、红外线等数字信号匹配和测距技术具有更为突出的特点。视觉***采集到图像的信息含量极为丰富,可同时实现道路检测和障碍物识别,不需要改变道路图像的特点。其中,车道线识别是基于视觉***的车道导航***核心部分,检测的车道线可为上层控制决策***提供重要的参考数据。多年来,国内外学者对智能汽车的车道线检测一直致力于研究,在理论与实际应用中都取得阶段性的成果,与此同时也存在以下两个问题:
(1)目前对与车道线检测算法的研究的着重点都在与如何提高算法的实时性,在算法鲁棒性有所欠缺,因此算法未能得到更加广泛的应用;而且有时为了提高能让检测算法更好提升实时性,以减少采集图像信息为代价,同时也将有用的图像信息被忽略,算法的效果也受到一定的影响。因此,在算法的研究上,不但对算法的实时性进行提高,而且对算法的鲁棒性也需进行提高,这是车道检测算法未来的研究方向之一。
(2)当前在道路检测中,智能车辆的视觉***主要任务是获取道路平面上的二维路径信息,而道路中的其他车辆以及障碍物信息是可以通过视觉***结合激光雷达***及避障传感器***进行信息融合得到。单目视觉***基本上能够满足较高速度情况下视觉导航的要求,但如何充分利用智能车上的多个摄像机来对道路信息进行处理,以提高车道线检测的实时性与鲁棒性提出了更高的要求。
因此,亟需一种车道线自动识别的方法以应对上述问题。
发明内容
有鉴于此,本发明实施例的目的在于提供一种车道线自动识别的方法、装置及可读存储介质,旨在解决现有技术中采用单目摄像机对车道线检测的实时性和鲁棒性不够高的问题。
为了实现上述目的,本发明采用的第一个技术方案为,提供一种车道线自动识别的方法,包括:
采用三目摄像机采集车辆行驶过程中的道路图像;
将所述图像进行ROI区域选择;
将所述ROI区域选择后的图像进行灰度化处理;
将所述灰度化处理后的图像进行增强;
将所述增强的图像进行滤波;
将所述滤波后的图像进行边缘检测;
将所述边缘检测后的图像进行直线道路模型匹配;
使用Hough变换对所述图像进行车道线跟踪检测;
将所述车道线进行融合处理,得到车道参考线。
优选的,所述将所述车道线进行融合处理,得到车道参考线包括:
采用一个8位的整型变量存储车道线的可用状态,1表示车道线可用,0表示车道线不可用;
所述整型变量的第7位存储左摄像机处理后的车道线可用状态;
第6位存储中间摄像机处理后的左车道线可用状态;
第5位存储中间摄像机处理后的右车道线可用状态;
第4位存储右摄像机处理后的车道线可用状态;
第3位存储左摄像机处理后的车道线转换成世界坐标下的车道线可用状态;
第2位存储中间摄像机处理后的左车道线转换成世界坐标下的车道线可用状态;
第1位存储中间摄像机处理后的右车道线转换成世界坐标下的车道线可用状态;
第0位存储右摄像机处理后的车道线转换成世界坐标下的车道线可用状态;
将所述整型变量的高四位与低四位进行与运算,根据运算结果计算车道线直线斜率及y轴圆点的截距。
优选的,所述使用Hough变换对所述图像进行车道线跟踪检测包括:
利用前一帧图像检测到的车道线直线斜率以及y轴圆点的截距,对下一帧图像中的车道线进行检测;
判断出错帧的个数,当出错帧个数大于预设值时,丢弃当前帧,将下一帧作为初始帧重新跟踪检测;
检测所述车道线直线斜率以及y轴圆点的截距是否异常,若所述车道线直线斜率以及y轴圆点的截距不在下述范围内,视为异常数据:
左车道线的直线斜率为k>0,y轴圆点的截距为0<b<320;
右车道线的直线斜率为k<0,y轴圆点的截距为320<b<640。
优选的,所述将所述ROI区域选择后的图像进行灰度化处理包括:
采用加权法对所述ROI区域选择后的图像进行灰度化处理,加权公式为:
gray=0.114B+0.587G+0.299R,
其中,R、G及B分别表示红色、绿色及蓝色。
优选的,所述将所述灰度化处理后的图像进行增强包括:
采用直方图均衡法对所述图像进行增强,具体为:
计算所述图像的直方图;
分别统计所述图像直方图的RGB分布,获得所述图像直方图的最大值与最小值;
构建所述直方图的累计分布方程,并对所述直方图进行均衡化;
生成增强后的图像。
优选的,所述将所述增强的图像进行滤波包括:
采用线性滤波中的高斯滤波对所述图像进行处理,具体为:
将所述图像的每一个像素点以及其相邻区域的其他像素点进行加权后求平均值计算;
使用所述平均值代替原来像素点的值;
利用OpenCV库函数GaussianBlur()计算所述图像中每一个像素点的值,并设置高斯内核大小;
生成滤波后的图像。
优选的,所述将所述滤波后的图像进行边缘检测包括:
采用Sobel算法对所述图像进行边缘检测,具体为:
创建所述图像的灰度值矩阵grad_x与grad_y;
使用OpenCV库函数Sobel()计算所述图像水平方向x与垂直方向y的梯度;
使用OpenCV库函数addWeighted()合并所述图像水平方向与垂直方向的梯度;
生成边缘检测图像。
为实现上述目的,本发明采用的第二个技术方案为:提供一种车道线自动识别的装置,包括:
图像采集模块:用于采用三目摄像机采集车辆行驶过程中的道路图像;
图像预处理模块:用于将所述图像进行预处理;
直线道路模型匹配模块:用于采用直线道路模型匹配所述图像中的车道线;
Hough变换模块:用于使用Hough变换对车道线进行跟踪检测,得到有效的多条车道线;
车道线融合模块:用于将Hough变换后的多条车道线进行融合,得到最终拟合的车道参考线;
所述图像预处理模块还包括:
ROI区域选择模块:用于对所述图像进行ROI区域选择,剪裁掉无关信息;
灰度化处理模块:用于采用加权法对所述ROI区域选择后的图像进行灰度化处理;
图像增强模块:用于采用直方图均衡法对所述图像进行增强;
图像滤波模块:用于采用线性滤波中的高斯滤波对所述图像进行滤波;
道路边缘检测模块:用于采用Sobel算法对所述滤波后的图像进行边缘检测。
为实现上述目的,本发明采用的第三个技术方案为:提供一种电子设备,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现上述方法中的步骤。
为实现上述目的,本发明采用的第四个技术方案为:提供一种可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,实现上述方法中的步骤。
本发明所提供的车道线自动识别的方法,通过采用三目摄像机采集车辆行驶过程中的道路图像;将所述图像进行ROI区域选择;将所述ROI区域选择后的图像进行灰度化处理;将所述灰度化处理后的图像进行增强;将所述增强的图像进行滤波;将所述滤波后的图像进行边缘检测;将所述边缘检测后的图像进行直线道路模型匹配;使用Hough变换对所述图像进行车道线跟踪检测;将所述车道线进行融合处理,得到车道参考线,能够利用更全面的数据不间断地拟合出车道线,提高车道线检测的实时性和鲁棒性。
附图说明
为了更清楚地说明本发明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,下面描述中的附图仅仅是本发明的一些实施例,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示出的结构获得其他的附图。
图1为本发明第一实施例车道线自动识别方法流程图;
图2为本发明第二实施例ROI区域选择示意图;
图3为本发明第三实施例hough变换流程图;
图4为本发明第四实施例车道线融合流程图;
图5为本发明第五实施例图像坐标和世界坐标下的车道线示意图;
图6为本发明第六实施例整型变量sign8bit的结构示意图;
图7为本发明第七实施例四车道线融合效果示意图;
图8为本发明第八实施例车道线自动识别装置的模块示意图;
图9为本发明第九实施例电子装置的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
另外,各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。
下面通过附图及具体实施例对本发明做进一步的详细说明。
请参照图1,图1为车道线自动识别方法流程图。在本发明的实施例中,该车道线自动识别的方法,包括以下步骤:
步骤S11:采用三目摄像机采集车辆行驶过程中的道路图像;
具体的,智能车辆视觉***通过三目摄像机等视频设备,对车辆行驶的道路进行路面信息的图像采集,三目摄像机分别摆放在车辆挡风玻璃上方的左、中、右的位置;
步骤S12:将采集到的图像进行ROI区域选择;
具体的,车辆上的摄像机采集到图像包含行驶中的路面、路面两侧的人行道、交通标识、前方的天空等信息,但我们感兴趣的区域仅有路面信息,因此需要将路面以外的不相关信息裁剪掉。采用ROI区域选择ROI(RegionOfInterest)感兴趣的区域。为了缩小检测范围,有效提高算法的速度与精度,采用垂直方向上裁剪比例为0.5,水平方向上长度不变的规则进行感兴趣区域选择。如图2所示,图2-a为摄像机采集到的道路图片,图2-b为ROI区域选择后的图片;
步骤S13:将ROI区域选择后的图像进行灰度化处理;
具体的,采用加权法对进行ROI区域选择后的图像进行灰度化处理,加权公式为:gray=0.114B+0.587G+0.299R,公式中的每一项权值都是经过多次试验后,优化选择的结果。灰度化处理的具体过程为:
a.使用OpenCV库函数对进行ROI区域选择后的图像进行处理;
b.将图像中每一个像素的R、G、B值,根据公式gray=0.114B+0.587G+0.299R进行加权求和运算,得到每一个像素对应的灰度值;
c.将灰度化的每一个像素组合成新的图像;
通过将彩色图像转换为灰度图像,能够减少图像的数据量,提高图像数据计算效率;
步骤S14:将灰度化处理后的图像进行增强;
具体的,采用直方图均衡法进行图像增强,具体过程为:
a.计算出图像的直方图;
b.分别统计图像直方图的RGB分布,获得图像直方图的最大值与最小值;
c.构建直方图的累计分布方程,并对直方图进行均衡化;
d.生成增强后的图像;
经过图像增强步骤,能够增强图像细节,保持图像良好的外貌,调节图像的动态范围;
步骤S15:将增强的图像进行滤波;
具体的,采用线性滤波中的高斯滤波进行处理,具体过程为:
a.将图像的每一个像素点以及其相邻区域的其他像素点进行加权后求平均值计算;
b.使用步骤a中计算出的平均值代替原来像素点的值;
c.利用OpenCV库函数GaussianBlur()计算图像中每一个像素点的值,并设置高斯内核大小;
d.生成滤波后的图像;
通过对图像进行滤波,能够在尽量保留图像特征信息的前提下,抑制图像中噪声点,保留图像轮廓和边缘特征,得到清晰的视觉效果;
步骤S16:将滤波后的图像进行边缘检测;
具体的,采用Sobel算法对滤波后的图像进行边缘检测,具体过程为:
a.创建图像的灰度值矩阵grad_x与grad_y;
b.使用OpenCV库函数Sobel()计算水平方向X与垂直方向Y的梯度;
c.使用OpenCV库函数addWeighted()合并水平方向与垂直方向的梯度;
d.生成边缘检测图像;
通过对图像进行边缘检测,能够对车道边缘做进一步的突显;
步骤S17:将边缘检测后的图像进行直线道路模型匹配;
具体的,采用直线道路模型匹配图像中的车道线,利用道路直线特征对图像道路中的车道线的两侧边界进行限制,对于存在一定曲率的曲线,可以认为是接近直线;
通过将边缘检测后的图像进行直线道路模型匹配,能够有效地将其他非道路线边缘减少或清除;
步骤S18:使用Hough变换对图像进行车道线跟踪检测;
具体的,使用Hough变换对图像进行车道线跟踪检测,具体算法如图3所示,算法具体步骤为:
步骤S300:获取初始帧图像进行Hough变换;
步骤S301:判断是否找到直线,如果是则进入步骤S302;否则进入步骤S303;
步骤S302:保存直线参数k1、b1,并作为下一帧预测车道线参数;
步骤S303:使用初始设定的参数k、b,并将出错帧变量+1;
步骤S304:获取下一帧图像进行Hough变换;
步骤S305:判断是否找到直线,如果是则进入步骤S306;否则进入步骤S307;
步骤S306:判断参数k、b是否出现异常,如果出现异常进入步骤S307;否则进入步骤S310;
步骤S307:判断是否连续出错36帧,如果是进入步骤S308;否则进入步骤S309;
步骤S308:当前帧丢弃,下一帧作为初始帧,重新跟踪检测;
步骤S309:使用上一帧保存的直线参数k1、b1,并将出错帧变量+1;
步骤S310:保存直线参数k1、b1,并作为下一帧预测车道线参数;
步骤S311:判断图像中所有帧是否都处理完?是则结束;否则跳到步骤S304继续处理下一帧图像;
其中,k为车道线直线的斜率,b为y轴圆点的截距;
左车道线的直线参数为k>0且0<b<320,右车道线的直线参数为k<0且320<b<640,不在上述范围内的直线参数视为异常数据;
通过利用前一帧图像检测到的车道线参数k1、b1,对下一帧图像中的车道线进行检测,能够快速地对道路进行检测定位,有效地提高了检测***的实时性;
步骤S19:将车道线进行融合处理,得到车道参考线;
具体的,将Hough变换后的多条车道线进行融合,具体算法如图4所示,算法流程为:
步骤S40:判断Hough变换后是否找到车道线,如果是则进入步骤S41,否则进入步骤S42;
步骤S41:将变量sign8bit高四位的对应位设置为1;
步骤S42:将变量sign8bit高四位的对应位设置为0;
步骤S43:判断图像中车道线转换成世界坐标下的车道线是否符合实际情况,如果是则进入步骤S44,否则进入步骤S45;
步骤S44:将变量sign8bit低四位的对应位设置为1,
步骤S45:将变量sign8bit低四位的对应位设置为0;
步骤S46:判断所有车道线是否都处理完成,如果是则进入步骤S47;否则跳到步骤S40;
步骤S47:将变量sign8bit的高四位与低四位进行与运算,并根据运算结果重新计算k、b的值;
步骤S48:拟合出车道参考线;
其中,判断图像中车道线转换成世界坐标下的车道线是否符合实际情况的标准为:在世界坐标环境下,汽车行驶在两车道线中间,此时图像中的车道线转换成世界坐标后,两条线与汽车中轴线呈平行,此时,左、右车道线的k值接近于0,b值与中轴线的差值接近车道线的一半。如图5所示,图5-a为图像坐标下的车道线,图5-b为世界坐标下的车道线。
变量sign8bit是一个8位的整型变量,用来存储车道线的可用状态,如图6所示,sign8bit的高四位(high4bit)作为判断Hough变换后是否找到车道线的标志,其中第7位表示左摄像机处理后的左车道线可用状态,第6位为中间摄像机处理后的中间左侧车道线可用状态,第5位为中间摄像机处理后的中间右侧车道线可用状态,第4位为右摄像机处理后的右车道线可用状态;低四位(low4bit)作为判断直线转换成世界坐标下的车道线可用标志,其中第3位表示左摄像机处理后的车道线,第2位为中间摄像机处理后的左车道线,第1位为中间摄像机处理后的右车道线,第0位为右摄像机处理后的车道线。
图7为四条车道线融合的效果示意图,图7-a为左摄像头检测出1条左车道线的效果示意图,图7-b为中间摄像头检测出2条车道线的效果示意图,图7-c为右摄像头检测出1条右车道线的效果示意图。检测到四条车道线对应sign8bit的高4位与低4位均为1111,将高四位与低四位进行与运算,得到结果1111。因此,斜率k为四条车道线斜率的平均值,截距b为四条车道线截距的平均值,最终拟合的车道线效果示意图如图7-d所示。
请参照图8,图8为车道线自动识别装置的模块示意图。在本发明的实施例中,该车道线自动识别装置,包括:
图像采集模块800:用于采用三目摄像机采集车辆行驶过程中的道路图像;
图像预处理模块810:用于将采集到的道路图像进行预处理;
进一步的,图像预处理模块810还包括5个子模块:
ROI区域选择模块811:用于对采集到的图像进行ROI区域选择,剪裁掉无关信息;
灰度化处理模块812:用于采用加权法对进行ROI区域选择后的图像进行灰度化处理,减少图像的数据量,提高图像数据计算效率;
图像增强模块813:用于采用直方图均衡法进行图像增强,突出图像细节,保持图像良好的外貌,调节图像的动态范围;
图像滤波模块814:用于采用线性滤波中的高斯滤波对图像进行处理,抑制图像中噪声点,保留图像轮廓和边缘特征,得到清晰的视觉效果;
道路边缘检测模块815:用于采用Sobel算法对滤波后的图像进行边缘检测,对车道边缘做进一步的突显;
直线道路模型匹配模块820:用于采用直线道路模型匹配图像中的车道线,有效地将其他非道路线边缘减少或清除;
Hough变换模块830:用于使用Hough变换对车道线进行跟踪检测,得到有效的多条车道线;
车道线融合模块840:用于将Hough变换后的多条车道线进行融合,得到最终拟合的车道参考线。
图9为本发明第九实施例电子装置的结构示意图。该电子装置可用于实现前述实施例中的文件上传方法。如图9所示,该电子装置主要包括:存储器901、处理器902、总线903及存储在存储器901上并可在处理器902上运行的计算机程序,存储器901和处理器902通过总线903连接。处理器902执行该计算机程序时,实现前述实施例中的文件上传方法。其中,处理器的数量可以是一个或多个。
存储器901可以是高速随机存取记忆体(RAM,Random Access Memory)存储器,也可为非不稳定的存储器(non-volatile memory),例如磁盘存储器。存储器901用于存储可执行程序代码,处理器902与存储器901耦合。
进一步的,本申请实施例还提供了一种可读存储介质,该可读存储介质可以是设置于上述各实施例中的电子设备中,该可读存储介质可以是前述图9所示实施例中的存储器。
该可读存储介质上存储有计算机程序,该程序被处理器执行时实现前述实施例中的文件上传方法。进一步的,该计算机可存储介质还可以是U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
本发明所提供的车道线自动识别的方法,通过采用三目摄像机采集车辆行驶过程中的道路图像;将所述图像进行ROI区域选择;将所述ROI区域选择后的图像进行灰度化处理;将所述灰度化处理后的图像进行增强;将所述增强的图像进行滤波;将所述滤波后的图像进行边缘检测;将所述边缘检测后的图像进行直线道路模型匹配;使用Hough变换对所述图像进行车道线跟踪检测;将所述车道线进行融合处理,得到车道参考线,能够利用更全面的数据不间断地拟合出车道线,提高车道线检测的实时性和鲁棒性。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个模块或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能模块可以集成在一个处理模块中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。
集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。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或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个可读存储介质中,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,或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的可读存储介质包括:U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
需要说明的是,对于前述的各方法实施例,为了简便描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其它顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定都是本申请所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其它实施例的相关描述。
以上所述仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是在本发明的技术方案构思下,利用本发明说明书及附图内容所作的等效结构变换,或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围内。
Claims (10)
1.一种车道线自动识别的方法,其特征在于,所述方法包括:
采用三目摄像机采集车辆行驶过程中的道路图像;
将所述图像进行ROI区域选择;
将所述ROI区域选择后的图像进行灰度化处理;
将所述灰度化处理后的图像进行增强;
将所述增强的图像进行滤波;
将所述滤波后的图像进行边缘检测;
将所述边缘检测后的图像进行直线道路模型匹配;
使用Hough变换对所述图像进行车道线跟踪检测;
将所述车道线进行融合处理,得到车道参考线。
2.根据权利要求1所述的方法,其特征在于,所述将所述车道线进行融合处理,得到车道参考线包括:
采用一个8位的整型变量存储车道线的可用状态,1表示车道线可用,0表示车道线不可用;
所述整型变量的第7位存储左摄像机处理后的车道线可用状态;
第6位存储中间摄像机处理后的左车道线可用状态;
第5位存储中间摄像机处理后的右车道线可用状态;
第4位存储右摄像机处理后的车道线可用状态;
第3位存储左摄像机处理后的车道线转换成世界坐标下的车道线可用状态;
第2位存储中间摄像机处理后的左车道线转换成世界坐标下的车道线可用状态;
第1位存储中间摄像机处理后的右车道线转换成世界坐标下的车道线可用状态;
第0位存储右摄像机处理后的车道线转换成世界坐标下的车道线可用状态;
将所述整型变量的高四位与低四位进行与运算,根据运算结果计算车道线直线斜率及y轴圆点的截距。
3.根据权利要求1所述的方法,其特征在于,所述使用Hough变换对所述图像进行车道线跟踪检测包括:
利用前一帧图像检测到的车道线直线斜率以及y轴圆点的截距,对下一帧图像中的车道线进行检测;
判断出错帧的个数,当出错帧个数大于预设值时,丢弃当前帧,将下一帧作为初始帧重新跟踪检测;
检测所述车道线直线斜率以及y轴圆点的截距是否异常,若所述车道线直线斜率以及y轴圆点的截距不在下述范围内,视为异常数据:
左车道线的直线斜率为k>0,y轴圆点的截距为0<b<320;
右车道线的直线斜率为k<0,y轴圆点的截距为320<b<640。
4.根据权利要求1所述的方法,其特征在于,所述将所述ROI区域选择后的图像进行灰度化处理包括:
采用加权法对所述ROI区域选择后的图像进行灰度化处理,加权公式为:
gray=0.114B+0.587G+0.299R,
其中,R、G及B分别表示红色、绿色及蓝色。
5.根据权利要求4所述的方法,其特征在于,所述将所述灰度化处理后的图像进行增强包括:
采用直方图均衡法对所述图像进行增强,具体为:
计算所述图像的直方图;
分别统计所述图像直方图的RGB分布,获得所述图像直方图的最大值与最小值;
构建所述直方图的累计分布方程,并对所述直方图进行均衡化;
生成增强后的图像。
6.根据权利要求5所述的方法,其特征在于,所述将所述增强的图像进行滤波包括:
采用线性滤波中的高斯滤波对所述图像进行处理,具体为:
将所述图像的每一个像素点以及其相邻区域的其他像素点进行加权后求平均值计算;
使用所述平均值代替原来像素点的值;
利用OpenCV库函数GaussianBlur()计算所述图像中每一个像素点的值,并设置高斯内核大小;
生成滤波后的图像。
7.根据权利要求6所述的方法,其特征在于,所述将所述滤波后的图像进行边缘检测包括:
采用Sobel算法对所述图像进行边缘检测,具体为:
创建所述图像的灰度值矩阵grad_x与grad_y;
使用OpenCV库函数Sobel()计算所述图像水平方向x与垂直方向y的梯度;
使用OpenCV库函数addWeighted()合并所述图像水平方向与垂直方向的梯度;
生成边缘检测图像。
8.一种车道线自动识别的装置,其特征在于,所述装置包括:
图像采集模块:用于采用三目摄像机采集车辆行驶过程中的道路图像;
图像预处理模块:用于将所述图像进行预处理;
直线道路模型匹配模块:用于采用直线道路模型匹配所述图像中的车道线;
Hough变换模块:用于使用Hough变换对车道线进行跟踪检测,得到有效的多条车道线;
车道线融合模块:用于将Hough变换后的多条车道线进行融合,得到最终拟合的车道参考线;
所述图像预处理模块还包括:
ROI区域选择模块:用于对所述图像进行ROI区域选择,剪裁掉无关信息;
灰度化处理模块:用于采用加权法对所述ROI区域选择后的图像进行灰度化处理;
图像增强模块:用于采用直方图均衡法对所述图像进行增强;
图像滤波模块:用于采用线性滤波中的高斯滤波对所述图像进行滤波;
道路边缘检测模块:用于采用Sobel算法对所述滤波后的图像进行边缘检测。
9.一种电子设备,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时,实现权利要求1至7中任意一项所述方法中的步骤。
10.一种可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时,实现权利要求1至7中的任意一项所述方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011289499.4A CN112329694A (zh) | 2020-11-17 | 2020-11-17 | 一种车道线自动识别的方法、装置及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011289499.4A CN112329694A (zh) | 2020-11-17 | 2020-11-17 | 一种车道线自动识别的方法、装置及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112329694A true CN112329694A (zh) | 2021-02-05 |
Family
ID=74322465
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011289499.4A Withdrawn CN112329694A (zh) | 2020-11-17 | 2020-11-17 | 一种车道线自动识别的方法、装置及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112329694A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113591565A (zh) * | 2021-06-25 | 2021-11-02 | 江苏理工学院 | 基于机器视觉的车道线检测方法、检测***及检测装置 |
CN116977968A (zh) * | 2023-08-10 | 2023-10-31 | 广州瀚臣电子科技有限公司 | 一种基于车载摄像头的车行道识别***、方法及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101608924A (zh) * | 2009-05-20 | 2009-12-23 | 电子科技大学 | 一种基于灰度估计和级联霍夫变换的车道线检测方法 |
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 |
-
2020
- 2020-11-17 CN CN202011289499.4A patent/CN112329694A/zh not_active Withdrawn
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101608924A (zh) * | 2009-05-20 | 2009-12-23 | 电子科技大学 | 一种基于灰度估计和级联霍夫变换的车道线检测方法 |
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 |
Non-Patent Citations (1)
Title |
---|
李成炼: "基于三目摄像机的车道线识别方法研究" * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113591565A (zh) * | 2021-06-25 | 2021-11-02 | 江苏理工学院 | 基于机器视觉的车道线检测方法、检测***及检测装置 |
CN113591565B (zh) * | 2021-06-25 | 2023-07-18 | 江苏理工学院 | 基于机器视觉的车道线检测方法、检测***及检测装置 |
CN116977968A (zh) * | 2023-08-10 | 2023-10-31 | 广州瀚臣电子科技有限公司 | 一种基于车载摄像头的车行道识别***、方法及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Andrade et al. | A novel strategy for road lane detection and tracking based on a vehicle’s forward monocular camera | |
CN107330376B (zh) | 一种车道线识别方法及*** | |
Bilal et al. | Real-time lane detection and tracking for advanced driver assistance systems | |
Wu et al. | Lane-mark extraction for automobiles under complex conditions | |
CN105261020B (zh) | 一种快速车道线检测方法 | |
CN102682292B (zh) | 基于单目视觉的道路边缘检测及粗定位方法 | |
CN107274445B (zh) | 一种图像深度估计方法和*** | |
Aly | Real time detection of lane markers in urban streets | |
US8923605B2 (en) | Method and system for detecting object on a road | |
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 | |
Yuan et al. | Robust lane detection for complicated road environment based on normal map | |
CN108629292B (zh) | 弯曲车道线检测方法、装置及终端 | |
Li et al. | Nighttime lane markings recognition based on Canny detection and Hough transform | |
CN107392139B (zh) | 一种基于霍夫变换的车道线检测方法及终端设备 | |
CN110929655B (zh) | 一种行驶过程中车道线识别方法、终端设备及存储介质 | |
CN104751151A (zh) | 一种实时多车道识别及跟踪方法 | |
CN112949398A (zh) | 车道线检测方法、测距方法及对应装置 | |
CN112329694A (zh) | 一种车道线自动识别的方法、装置及可读存储介质 | |
CN103593671A (zh) | 基于三摄像机协同的大范围车道线视觉检测方法 | |
CN103996031A (zh) | 一种自适应阈值分割的车道线检测***及其方法 | |
CN112927283A (zh) | 测距方法及装置、存储介质及电子设备 | |
Sun | Vision based lane detection for self-driving car | |
Chen et al. | A novel lane departure warning system for improving road safety | |
CN114663859A (zh) | 灵敏准确的复杂路况车道偏移实时预警*** | |
Barua et al. | An Efficient Method of Lane Detection and Tracking for Highway Safety |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210205 |
|
WW01 | Invention patent application withdrawn after publication |