本发明专利技术提供了一种用于无人车的自适应精准车道线检测方法，该方法通过安装在无人车前方的工业摄像机采集图像，对图像进行裁剪和预处理后，通过自适应阈值的方法粗提取车道线，然后通过曲线拟合精确获取车道线；对于车道线被遮挡的情况，则采用卡尔曼滤波法进行车道线的预测，最终通过车道线的位置判断当前车辆是否方向发生的偏移，为行车电脑提供行驶数据。本发明专利技术方法解决了不同的光照条件下的车道线检测问题，运算量小且执行速度快，提高了检测的效率和精度，可以很好的应用无人驾驶汽车的车道保持及车道偏离预警功能中。
An Adaptive Precision Lane Line Detection and Deviation Warning Method for Unmanned Vehicles
【技术实现步骤摘要】
一种用于无人车的自适应精准车道线检测及偏离预警方法
本专利技术涉及无人驾驶和图像处理
，具体涉及一种用于无人车的自适应精准车道线检测及偏离预警方法。
技术介绍
车道线检测是自动驾驶汽车感知领域重要的一部分，是辅助或自动驾驶汽车车道保持、车道偏离预警的基础。目前，车道线检测的方法有基于激光雷达和基于摄像机两种。激光雷达虽然精度高，但是现阶段其价格昂贵，难以满足自动驾驶普及提出的大规模、低成本、车规级需求；而摄像头价格低廉，精度较高，是目前无人车感知领域的主流设备。基于摄像头的车道线检测方法有许多种，比较传统的方法是利用霍夫变换和映射来找到直线，该方法对直线检测准确度较高，但是无法对车道转弯处的曲线进行检测，而且光照变化和车道线被遮挡对霍夫变换算法的影响较大。另外，霍夫变换算法还有一个缺点就是其计算量大，无法应用在实时的无人车感知系统中。比较新比较热门的方法是利用机器学习的方法，利用机器学习可以较为精确的找到车道线区域，但其缺点就是需要采集大量的车道线图片数据，并且需要人工大量标注。
技术实现思路
针对现有传统车道线检测方法存在的问题和不足，本专利技术提出了一种用于无人车的自适应精准车道线检测及偏离预警方法，能够解决不同的光照条件下的检测问题，并提高了检测效率和精度。为了实现上述任务，本专利技术采用以下技术方案：一种用于无人车的自适应精准车道线检测方法，包括以下步骤：步骤1，将车载工业摄像机安装在无人车挡风玻璃前，通过摄像机获取车辆前方图像信息；步骤2，将摄像机获取到的图像进行剪裁，得到要检测的兴趣区域，并对剪裁后的兴趣区域进行预处理；步骤3，对预处理后的兴趣区域粗提取出车道线步骤3.1，统计出兴趣区域中所有像素灰度级分布，将所有像素按照灰度值的大小，统计其出现的频率，得到灰度频率直方图；步骤3.2，任取一个灰度值g，将所述的频率直方图根据g的值分为两部分，并计算这两部分像素所占比和平均值，然后利用Ostu大津算法计算类间方差；步骤3.3，重新选择一个灰度值g，按照步骤3.2的方法计算类间方差，直至所有灰度值均被选择过；步骤3.4，取最大类间方差时的g值作为阈值来分割整个兴趣区域，大于g值的像素设置为黑色，小于g值的像素设置为白色；步骤4，用曲线拟合在图像中精确找到车道线位置；步骤4.1，对于步骤3处理后的图像进行二次兴趣区域提取，裁减掉图像中的车身部分，得到新的兴趣区域；步骤4.2，将新的兴趣区域用仿射变换转换为俯视图；步骤4.3，将所述的俯视图分为左右两部分，再将每一部分沿水平方向从上到下各分成8个部分，一共把俯视图分为16个部分；步骤4.4，对于俯视图的这16个部分，从每个部分的底侧沿图像的x轴方向做白色像素点的直方图统计；对于每一个部分的直方统计图，找到图中峰值对应的像素点；步骤4.5，以每个部分的直方统计图中峰值像素点左侧的20个像素点作为基点，将每一个基点作为一个正方形检测框的左下角点，如图3所示；如果检测框中的白色像素点数目大于N，则认为检测框里的白色像素点为车道线对应的像素点；步骤4.6，如果检测框里的白色像素点数目小于N，则认为此检测框中不包含车道线，丢弃此检测框；步骤4.7，如果一个检测框被丢弃，则将该检测框对应基点向右移10个像素处的像素点作为新基点，将新基点作为正方形检测框的左下角点，检测此检测框中的白色像素点；步骤4.8，如果在俯视图的16个部分中，有一部分中的正方形检测框被丢弃5次以上，认为此处车道线检测可能被遮挡，则放弃当摄像机获取的当前帧图像的车道线位置检测过程，执行步骤6；步骤4.9，当俯视图的16个部分均完成车道线对应像素点的检测过程后，提取并保存16个部分中所有检测框的中点的坐标；步骤4.10，分别对俯视图中左侧部分的所有检测框的中点、右侧部分的所有检测框中点作曲线拟合，即得到了左、右两个车道线的拟合曲线；步骤5，车辆行驶偏离检测步骤5.1，计算出俯视图的中线到左侧车道线的距离：上式中，当i＝0时，xi表示左侧车道线的拟合曲线上下端点的横坐标，该下端点即俯视图左侧部分中最下部检测框的中点的横坐标；当i＝1～10时，xi分别表示所述下端点上方的10个像素点横坐标；xcenter为俯视图中线的横坐标；步骤5.2，计算出俯视图的中线到右侧车道线的距离：上式中，当i＝0时，xi表示右侧车道线的拟合曲线上下端点的横坐标，该下端点即俯视图右侧部分中最下部检测框的中点的横坐标；当i＝1～10时，xi分别表示所述下端点上方的10个像素点横坐标；步骤5.3，如果|dleft-dright|>T，则判定车辆正在偏离车道正中心，将偏离信息传给无人车上的行车电脑，为车辆行驶方向调整提供数据；其中T为设定的阈值；步骤6，利用上一帧图像车道线的拟合曲线，通过卡尔曼滤波算法预测当前帧图像中车道线的拟合曲线，并进行步骤5的车辆行驶偏离检测过程。进一步地，所述的工业摄像机的镜头水平向下倾斜角度为5°。进一步地，所述的步骤2具体包括：步骤2.1，图像裁剪对于摄像机拍摄的图像，沿图像y轴剪裁掉300像素的天空部分，剪裁后的图像尺寸为1280*420，此部分作为兴趣区域；步骤2.2，图像预处理本方案将图像的RGB颜色空间转化为灰度空间，以将更好地在不同光照下分割出白色车道线和黄色车道线，然后对剪裁后的彩色兴趣区域使用加权平均法转化为灰度图；设彩色兴趣区域的像素点的灰度值为s(x,y)，使用不同的权值来计算该像素点灰度化灰度值，计算公式为：s(x,y)＝0.31*R(x,y)+0.69*G(x,y)上式中，R(x,y)为RGB彩色图像像素的R分量、G(x,y)为RGB彩色图像像素的R分量。本专利技术具有以下技术特点：本方案使用自适应阈值分割出车道线，使其不受光照条件影响，并采用图像分块方式检测车道线，解决了不同的光照条件下的车道线检测问题，运算量小且执行速度快，提高了检测的效率和精度，可以很好的应用无人驾驶汽车的车道保持及车道偏离预警功能中。附图说明图1为车载工业摄像机采集到的一帧图像；图2为粗提取出车道线后的示意图；图3为以基点建立检测框的示意图；图4为所有检测框的中点的示意图；图5为对左右两部分检测框的中点做拟合曲线后的示意图；图6为将拟合曲线还原到原始采集图像中的示意图；图7为本专利技术方法的流程示意图。具体实施方式本专利技术公开了一种用于无人车的自适应精准车道线检测及偏离预警方法，具体包括以下步骤：步骤1，将车载工业摄像机安装在无人车挡风玻璃前，通过摄像机获取车辆前方图像信息具体地，将车载工业摄像机固定到无人驾驶汽车挡风玻璃正前方，然后将车载工业摄像机连接至电脑，实时调整镜头方向及角度，最大化路面面积所占比，以提高检测精度和速度。本实施例中，根据实际试验效果，设定镜头水平向下倾斜角度为5°，开始采集车辆前方的图像数据。如图1所示，为摄像机采集到的一帧图像。步骤2，将摄像机获取到的图像进行剪裁，得到要检测的兴趣区域，并对剪裁后的兴趣区域进行预处理步骤2.1，图像裁剪摄像机拍摄的原图像尺寸为1280*720，根据实际拍摄的图片，沿图像y轴剪裁掉300像素的天空部分，以去掉天空所占的无意义图像，提高算法效率，但仍保留了地平线以上的小部分区域，以防车辆通过上下坡道路时道路显示不完整导致车道线检测失败。裁剪后的图本文档来自技高网...
【技术保护点】
1.一种用于无人车的自适应精准车道线检测方法，其特征在于，包括以下步骤：步骤1，将车载工业摄像机安装在无人车挡风玻璃前，通过摄像机获取车辆前方图像信息；步骤2，将摄像机获取到的图像进行剪裁，得到要检测的兴趣区域，并对剪裁后的兴趣区域进行预处理；步骤3，对预处理后的兴趣区域粗提取出车道线步骤3.1，统计出兴趣区域中所有像素灰度级分布，将所有像素按照灰度值的大小，统计其出现的频率，得到灰度频率直方图；步骤3.2，任取一个灰度值g，将所述的频率直方图根据g的值分为两部分，并计算这两部分像素所占比和平均值，然后利用Ostu大津算法计算类间方差；步骤3.3，重新选择一个灰度值g，按照步骤3.2的方法计算类间方差，直至所有灰度值均被选择过；步骤3.4，取最大类间方差时的g值作为阈值来分割整个兴趣区域，大于g值的像素设置为黑色，小于g值的像素设置为白色；步骤4，用曲线拟合在图像中精确找到车道线位置；步骤4.1，对于步骤3处理后的图像进行二次兴趣区域提取，裁减掉图像中的车身部分，得到新的兴趣区域；步骤4.2，将新的兴趣区域用仿射变换转换为俯视图；步骤4.3，将所述的俯视图分为左右两部分，再将每一部分沿水平方向从上到下各分成8个部分，一共把俯视图分为16个部分；步骤4.4，对于俯视图的这16个部分，从每个部分的底侧沿图像的x轴方向做白色像素点的直方图统计；对于每一个部分的直方统计图，找到图中峰值对应的像素点；步骤4.5，以每个部分的直方统计图中峰值像素点左侧的M个像素点作为基点，将每一个基点作为一个正方形检测框的左下角点，如图3所示；如果检测框中的白色像素点数目大于N，则认为检测框里的白色像素点为车道线对应的像素点；步骤4.6，如果检测框里的白色像素点数目小于N，则认为此检测框中不包含车道线，丢弃此检测框；步骤4.7，如果一个检测框被丢弃，则将该检测框对应基点向右移10个像素处的像素点作为新基点，将新基点作为正方形检测框的左下角点，检测此检测框中的白色像素点；步骤4.8，如果在俯视图的16个部分中，有一部分中的正方形检测框被丢弃5次以上，认为此处车道线检测可能被遮挡，则放弃当摄像机获取的当前帧图像的车道线位置检测过程，执行步骤6；步骤4.9，当俯视图的16个部分均完成车道线对应像素点的检测过程后，提取并保存16个部分中所有检测框的中点的坐标；步骤4.10，分别对俯视图中左侧部分的所有检测框的中点、右侧部分的所有检测框中点作曲线拟合，即得到了左、右两个车道线的拟合曲线；步骤5，车辆行驶偏离检测步骤5.1，计算出俯视图的中线到左侧车道线的距离：...
【技术特征摘要】
1.一种用于无人车的自适应精准车道线检测方法，其特征在于，包括以下步骤：步骤1，将车载工业摄像机安装在无人车挡风玻璃前，通过摄像机获取车辆前方图像信息；步骤2，将摄像机获取到的图像进行剪裁，得到要检测的兴趣区域，并对剪裁后的兴趣区域进行预处理；步骤3，对预处理后的兴趣区域粗提取出车道线步骤3.1，统计出兴趣区域中所有像素灰度级分布，将所有像素按照灰度值的大小，统计其出现的频率，得到灰度频率直方图；步骤3.2，任取一个灰度值g，将所述的频率直方图根据g的值分为两部分，并计算这两部分像素所占比和平均值，然后利用Ostu大津算法计算类间方差；步骤3.3，重新选择一个灰度值g，按照步骤3.2的方法计算类间方差，直至所有灰度值均被选择过；步骤3.4，取最大类间方差时的g值作为阈值来分割整个兴趣区域，大于g值的像素设置为黑色，小于g值的像素设置为白色；步骤4，用曲线拟合在图像中精确找到车道线位置；步骤4.1，对于步骤3处理后的图像进行二次兴趣区域提取，裁减掉图像中的车身部分，得到新的兴趣区域；步骤4.2，将新的兴趣区域用仿射变换转换为俯视图；步骤4.3，将所述的俯视图分为左右两部分，再将每一部分沿水平方向从上到下各分成8个部分，一共把俯视图分为16个部分；步骤4.4，对于俯视图的这16个部分，从每个部分的底侧沿图像的x轴方向做白色像素点的直方图统计；对于每一个部分的直方统计图，找到图中峰值对应的像素点；步骤4.5，以每个部分的直方统计图中峰值像素点左侧的M个像素点作为基点，将每一个基点作为一个正方形检测框的左下角点，如图3所示；如果检测框中的白色像素点数目大于N，则认为检测框里的白色像素点为车道线对应的像素点；步骤4.6，如果检测框里的白色像素点数目小于N，则认为此检测框中不包含车道线，丢弃此检测框；步骤4.7，如果一个检测框被丢弃，则将该检测框对应基点向右移10个像素处的像素点作为新基点，将新基点作为正方形检测框的左下角点，检测此检测框中的白色像素点；步骤4.8，如果在俯视图的16个部分中，有一部分中的正方形检测框被丢弃5次以上，认为此处车道线检测可能被遮挡，则放弃当摄像机获取的当前帧图像的车道线位置检测过程，执行步骤6...
【专利技术属性】
技术研发人员：赵祥模，刘佳琳，孙朋朋，闵海根，徐志刚，刘占文，王润民，程超轶，杨一鸣，高赢，周文帅，方煜坤，
申请(专利权)人：长安大学，
类型：发明
国别省市：陕西,61
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。