本发明专利技术涉及一种基于双线性插值的车道线识别方法与装置，属于汽车智能辅助驾驶系统技术领域。本发明专利技术首先将采集到的原始道路图像经灰度化和中值滤波处理后，然后利用最小二乘算法检测消失点的位置，并根据消失点的位置选取适当的缩放区域，最后利用双线性插值将缩放区域放大到原来的尺寸。将缩放的图像和原始图像都与Sobel算子进行卷积运算，并将结果进行多次迭代逻辑运算，以消除大部分的异常点。本发明专利技术能有效地去除干扰如树木、车辆、建筑或者阴影等的边缘，从而提高车道线特征提取的准确性。
【技术实现步骤摘要】
本专利技术涉及一种基于双线性插值的车道线识别方法与装置，属于汽车智能辅助驾 驶系统
技术介绍
近年来，随着我国综合国力的增强，公路建设里程迅猛增长，人们对汽车的需求量 也越来越大。根据公安部相关数据显示，截止2012年底，驾驶机动车的人数达到了 2. 6亿， 而且驾驶人数以每年2647万的速度在增长。很显然在这种情况下，由汽车带来的问题也日 益增多。对于我们国家来说，汽车保有量占世界汽车保有量的百分之三左右，然而由交通事 故所造成的死亡人数却占世界的百分之十六。 车道线是保证车辆安全行驶的重要信息，因此能否正确检测出车道线是实现车辆 自主导航或辅助驾驶的关键，所以对车道线检测技术的研究对智能车的发展有重要意义。 基于车道线检测的辅助驾驶系统会在车辆将要偏离当前车道时发生相应的警示，提醒驾驶 员车辆即将压线，使驾驶员有反应时间做出处理。根据相应估计，该系统可以减少至少24% 的由于车道线偏离引起的交通事故。如果能够提出一种有效的车道线检测算法，能够满足 各种复杂路况，具有十分重要的现实意义。 目前多数车道线检测算法可以分为两种：基于特征的方法和基于模型的方法。基 于特征的方法是用分割等算法来定位道路区域，而基于模型的方法是通过数学模型来表示 道路的边缘。很多基于特征的算法都可以检测出无标识或者非结构化道路，而基于模型的 算法通常在检测阶段加入许多约束条件使得误差达到最小，并且用抛物线或者样条来简单 描述车道线。不管哪种方法，算法的性能和车道线特征的提取紧密相连。最流行的车道线 特征提取算法就是根据边缘信息来确定，将白色或者黄色的车道线边界与路面分开来。但 是，边缘阈值的过高或者过低，都会检测出大量不相关的特征点，导致检测失败。利用DCT 系数可以来定位对角线上的高频位置，但是这种寻求车道边缘的方法不足够准确。
技术实现思路
本专利技术的目的是提供一种基于双线性插值的车道线识别方法与装置，以解决雨 天、暗光照、雾天、阴影等复杂条件下车道线特征提取不准确，鲁棒性和实时性偏低的问题。 本专利技术为解决上述技术问题提供了一种基于双线性插值的车道线识别方法，该识 别方法包括以下步骤： 1)将采集到的原始道路图像转换为灰度图像，并对灰度图像进行滤波和边缘检 测； 2)检测滤波处理后消失点的位置，并根据消失点的位置截取一定缩放比的图像； 3)对截取的图像进行双线性插值，使截取的图像放大到原来的尺寸； 4)对插值处理后的图像进行边缘检测； 5)将步骤1)得到边缘检测图像和步骤4)中的得到边缘检测图像进行逻辑运算， 得到第一次迭代特征图像；6)改变缩放比，重复步骤2)_5)，直至迭代次数达到要求，最终得到的迭代特征图 像即为识别出的车道线图像。 所述步骤2)采用最小二乘法来检测消失点的位置，消失点的位置为：其 _.，vpm为 消失点的横坐标，vpn为消失点的纵坐标，Θi表示某一条车道线与X轴的夹角。 所述步骤2)中缩放比的选取是从100%到90%线性递减，所选取区域满足下列规则： 其中Μ为原图像行取的缩放比，L为截取后子 图像的左边界，U为截取后子图像的上边界。 所述步骤1)和步骤4)中的边缘检测均采用改进的Sobel边缘检测算法，改进的 Sobel边缘检测算法是将Sobel边缘检测算法中的模板方向改为±45°，并将系数翻倍。 所述步骤5)中的迭代图像是将两幅边缘检测图像对应像素之间进行逻辑与运算 得到。 本专利技术还提供了一种基于双线性插值的车道线识别装置，该识别装置包括： 将采集到的原始道路图像转换为灰度图像的图像灰度化模块； 对灰度图像进行滤波的滤波处理模块；用于检测滤波处理后消失点位置的消失点检测模块；用于根据消失点的位置截取一定缩放比图像的图像缩放截取模块； 用于对截取的图像进行双线性插值处理，使截取的图像放大到原来的尺寸的双线 性插值处理模块； 用于对原始图像和插值处理后图像进行边缘检测的边缘检测模块； 用于得到将原始边缘检测图像和插值处理后的边缘检测图像进行逻辑运算，以得 到迭代特征图像的特征检测对对比模块。所述消失点检测模块采用最小二乘法来检测消失点的位置，消失点的位置为： 其 11纟，vpm为 消失点的横坐标，vpn为消失点的纵坐标，Θi表示某一条车道线与X轴的夹角。 所述图像缩放截取模块选取的缩放比是从100%到90%线性递减，所选取区域满 足下列规则： 其中Μ为原图像行的总数，N为原图像列的总数，z为选取的缩放比，L为截取后子 图像的左边界，U为截取后子图像的上边界。 所述边缘检测模块均采用改进的Sobel边缘检测算法，改进的Sobel边缘检测算 法是将Sobel边缘检测算法中的模板方向改为±45°，并将系数翻倍。 所述特征检测对比模块是将两幅边缘检测图像对应像素之间进行逻辑与运算得 到迭代特征图像的。 本专利技术的有益效果是：本专利技术首先将采集到的原始道路图像经灰度化和中值滤 波处理后，然后利用最小二乘算法检测消失点的位置，并根据消失点的位置选取适当的缩 放区域，最后利用双线性插值将缩放区域放大到原来的尺寸。将缩放的图像和原始图像都 与Sobel算子进行卷积运算，并将结果进行多次迭代逻辑运算，以消除大部分的异常点。本 专利技术能有效地去除干扰如树木、车辆、建筑或者阴影等的边缘，从而提高车道线特征提取的 准确性。【附图说明】 图1是本专利技术基于双线性插值的车道线识别方法的流程图； 图2是中值滤波原理示意图；图3_a是本专利技术实施例中所选取的原始道路图像；图3_b是本专利技术实施例中滤波后的道路图像；图4是本专利技术实施例中选择缩放区域示意图； 图5是本专利技术实施例中所采用的改进Sobel算子模板示意图； 图6_a是本专利技术实施例中边缘检测结果示意图； 图6_b是本专利技术实施例中第一次迭代结果示意图； 图6-c是本专利技术实施例中第三次迭代结果示意图；图6_d是本专利技术实施例中第五次迭代结果示意图；图7-a是本专利技术实验例中所选取的雨天原始道路图像； 图7_b是图7_a米用Sobel边缘检测后得到车道线不意图； 图7-c是图7-a采用本专利技术方法识别出的车道线示意图；图8-a是本专利技术实验例中所选取的带有阴影的原始道路图像； 图8_b是图8_a米用Sobel边缘检测后得到车道线不意图； 图8-c是图8-a采用本专利技术方法识别出的车道线示意图。【具体实施方式】 下面结合附图对本专利技术的【具体实施方式】做进一步的说明。 本专利技术的基于双线性插值的车道线识别方法的实施例 本专利技术的车道线识别方法是将原始道路图像经灰度化和中值滤波处理后，利用最 小二乘算法来检测消失点的大概位置，根据消失点的位置选取适当的缩放区域。最后利用 双线性插值将缩放区域放大到原来的尺寸。将缩放的图像和原始图像都与提出的Sobel算 子进行卷积运算，将结果进行多次迭代逻辑运算，可以消除大部分的异常点，其流程如图1 所示，具体实施步骤如下。1、首先将车载视觉系统采集到的彩色图像经灰度化转换为灰度图像。灰度化采用 如下形式：⑴ 式中，Vgray代表灰度化后的像素灰度值，R、G、B分别代表RGB彩色模型的三个分 量。 2、对灰度化后的图像进行中值滤波处理。采用3x3的窗口，把二维窗口中的数据 一维化，并排列其顺序，由公式（2)求出其中值Me，然后用中值Me代替窗口中本文档来自技高网...
【技术保护点】
一种基于双线性插值的车道线识别方法，其特征在于，该识别方法包括以下步骤：1)将采集到的原始道路图像转换为灰度图像，并对灰度图像进行滤波和边缘检测；2)检测滤波处理后消失点的位置，并根据消失点的位置截取一定缩放比的图像；3)对截取的图像进行双线性插值，使截取的图像放大到原来的尺寸；4)对插值处理后的图像进行边缘检测；5)将步骤1)得到边缘检测图像和步骤4)中的得到边缘检测图像进行逻辑运算，得到第一次迭代特征图像；6)改变缩放比，重复步骤2)‑5)，直至迭代次数达到要求，最终得到的迭代特征图像即为识别出的车道线图像。
【技术特征摘要】
【专利技术属性】
技术研发人员：樊超，马一萌，朱春华，杨静，李艳贞，傅洪亮，杨铁军，李永锋，刘兴家，曹培格，
申请(专利权)人：河南工业大学，
类型：发明
国别省市：河南;41
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。