线检测方法和线检测设备技术

本公开涉及一种基于模型的线检测方法和线检测设备。所述线检测方法包括：从输入的当前帧图像提取线特征；基于提取的所述线特征，执行线模型的初始化；基于提取的所述线特征以及初始化的所述线模型，更新所述线模型；以及根据更新的所述线模型，确定检测到的线。根据本公开的线检测方法和线检测设备，其能够克服噪声对于车道线检测的影响，并且相对于分别检测车道线和道路标记的传统检测方法显著地节约时间和处理开销。

【技术实现步骤摘要】
线检测方法和线检测设备
本公开涉及图像处理领域，更具体地，本公开涉及一种基于模型的线检测方法和线检测设备。
技术介绍
线检测技术在图像处理领域有着广泛的应用，例如，车道线检测是线检测技术的一个重要应用。在执行车道线检测时，路面上的道路标记(诸如箭头、斑马线等)将影响车道线检测准确性。为了克服道路标记对于车道线检测的影响，当前的解决方案包括前处理方式和后处理方式。在前处理方式中，道路标记检测和识别是与车道线检测完全独立的过程，这样的两个独立图像处理过程导致时间和处理开销的增加。在后处理方式中，基于道路标记与车道线之间的差异从待检测图像中移除道路标记，这样的图像处理过程比较困难并且易受图像中噪声的影响。因此，希望提供一种更加鲁棒和高效的线检测方法和线检测设备，其能够克服噪声对于车道线检测的影响，并且相对于分别检测车道线和道路标记的传统检测方法显著地节约时间和处理开销。
技术实现思路
鉴于上述问题，本公开提供一种基于移除道路标记的车道线模型的直接检测的线检测方法和线检测设备。根据本公开的一个实施例，提供了一种线检测方法，包括：从输入的当前帧图像提取线特征；基于提取的所述线特征，执行线模型的初始化；基于提取的所述线特征以及初始化的所述线模型，更新所述线模型；以及根据更新的所述线模型，确定检测到的线。此外，根据本公开的一个实施例的线检测方法，其中所述输入的当前帧图像包括视差图像和灰度图像，所述线特征包括特征点和特征线段，并且所述特征线段由所述特征点拟合获得。此外，根据本公开的一个实施例的线检测方法，其中所述基于提取的所述线特征，执行线模型的初始化包括：获取所述提取的所述线特征；获取预定的线模型；随机选取所述线特征，计算所述预定的线模型的模型参数、支撑点数和代价函数；以及确定满足预定条件并且具有使支撑点数最大并且代价最小的模型参数的线模型，作为初始化的所述线模型。此外，根据本公开的一个实施例的线检测方法，其中所述确定满足所述预定条件包括：确定基于所述线模型的每条线满足不同区域的相互匹配条件；以及确定基于所述线模型的各条线满足宽度限制条件。此外，根据本公开的一个实施例的线检测方法，其中所述确定基于所述线模型的每条线满足不同区域的相互匹配条件包括：将基于所述线模型的每条线分为多个区域；计算所述每条线在所述多个区域中的每个区域中具有的特征点数目；对于所述每条线，确定所述特征点数目大于预定特征点数目阈值的区域的区域数目；以及确定所述区域数目大于预定区域数目阈值的线满足不同区域的相互匹配条件。此外，根据本公开的一个实施例的线检测方法，其中所述确定基于所述线模型的各条线满足宽度限制条件包括：对由提取的所述线特征构成的特征图像进行逆透视变换，以获得逆透视变换图像；对于所述逆透视变换图像中的每条线计算到预定特征点的宽度，以获得宽度直方图；确定具有大于预定峰值阈值的峰值的线满足宽度限制条件。此外，根据本公开的一个实施例的线检测方法，其中所述基于提取的所述线特征以及初始化的所述线模型，更新所述线模型包括：基于提取的所述线特征，执行梯度下降或者高斯-牛顿方法更新所述线模型的模型参数。根据本公开的另一个实施例，提供了一种线检测设备，包括：特征提取单元，配置为从输入的当前帧图像提取线特征；初始化单元，配置为基于提取的所述线特征，执行线模型的初始化；更新单元，配置为基于提取的所述线特征以及初始化的所述线模型，更新所述线模型；以及检测单元，配置为根据更新的所述线模型，确定检测到的线。此外，根据本公开的另一个实施例的线检测设备，其中所述初始化单元进一步配置为获取所述提取的所述线特征；获取预定的线模型；随机选取所述线特征，计算所述预定的线模型的模型参数、支撑点数和代价函数；并且确定满足预定条件并且具有使支撑点数最大并且代价最小的模型参数的线模型，作为初始化的所述线模型。此外，根据本公开的另一个实施例的线检测设备，其中所述初始化单元进一步配置为确定基于所述线模型的每条线满足不同区域的相互匹配条件；以及确定基于所述线模型的各条线满足宽度限制条件。根据本公开的实施例的线检测方法和线检测设备，其基于移除道路标记的车道线模型执行直接检测。更具体地，在用于检测的车道线模型的初始化过程中，通过利用真实车道线所应满足的特定条件计算车道线模型参数，并且利用获取的车道线模型执行直接检测，从而移除了诸如道路标记的噪声对于车道线检测的影响，并且相对于分别检测车道线和道路标记的传统检测方法显著地节约时间和处理开销。要理解的是，前面的一般描述和下面的详细描述两者都是示例性的，并且意图在于提供要求保护的技术的进一步说明。附图说明通过结合附图对本专利技术实施例进行更详细的描述，本专利技术的上述以及其它目的、特征和优势将变得更加明显。附图用来提供对本专利技术实施例的进一步理解，并且构成说明书的一部分，与本专利技术实施例一起用于解释本专利技术，并不构成对本专利技术的限制。在附图中，相同的参考标号通常代表相同部件或步骤。图1是图示根据本公开的实施例的线检测方法的流程图；图2是进一步图示根据本公开的实施例的线检测方法中的线特征提取处理的流程图；图3是图示提取的线特征的示意图；图4是进一步图示根据本公开的实施例的线检测方法中的线模型初始化处理的流程图；图5是图示预定的线模型一个示例的示意图；图6是进一步图示根据本公开的实施例的线模型初始化处理中远近区域匹配子处理的流程图；图7是图示远近区域匹配子处理的示意图；图8是进一步图示根据本公开的实施例的线模型初始化处理中线宽限制子处理的流程图；图9A和9B是图示线宽限制子处理中逆透视变换的示意图；图10是图示线宽限制子处理中宽度直方图过滤的示意图；图11是图示根据本公开的实施例的线检测设备的功能配置框图；图12是图示根据本公开的实施例的线检测系统的总体硬件框图；以及图13是图示根据本公开的实施例的线检测设备的配置框图。具体实施方式为了使得本专利技术的目的、技术方案和优点更为明显，下面将参照附图详细描述根据本专利技术的示例实施例。显然，所描述的实施例仅仅是本专利技术的一部分实施例，而不是本专利技术的全部实施例，应理解，本专利技术不受这里描述的示例实施例的限制。基于本公开中描述的本专利技术实施例，本领域技术人员在没有付出创造性劳动的情况下所得到的所有其它实施例都应落入本专利技术的保护范围之内。以下，将参考附图详细描述本公开的优选实施例。图1是图示根据本公开的实施例的线检测方法的流程图。根据本公开的实施例的线检测方法包括以下步骤。在步骤S101中，从输入的当前帧图像提取线特征。具体地，在本公开的一个实施例中，要检测的线的线特征可以是任何能够表征该线的特征。例如，其可以包括但不限于线的颜色、灰度、形状、边缘、视差等特征，或这些特征的任意组合。可以采用任何适当的方式来提取符合要检测的线的线特征。以下，将进一步参照图2和图3描述线特征提取处理。此后，处理进到步骤S102。在步骤S102中，基于提取的所述线特征，执行线模型的初始化。具体地，在本公开的一个实施例中，以要检测的线是车道线为例，相应地，所述线模型是车道线模型。存在多种现有车道线模型，包括线性模型、孤立点模型、抛物线模型及其扩展、双曲线模型、回旋线模型、样条模型、Snake模型、3D模型等等。在本公开的一个实施例中，选择多种现有车道线模型之一本文档来自技高网...

【技术保护点】
一种线检测方法，包括：从输入的当前帧图像提取线特征；基于提取的所述线特征，执行线模型的初始化；基于提取的所述线特征以及初始化的所述线模型，更新所述线模型；以及根据更新的所述线模型，确定检测到的线。

【技术特征摘要】
1.一种线检测方法，包括：从输入的当前帧图像提取线特征；基于提取的所述线特征，执行线模型的初始化；基于提取的所述线特征以及初始化的所述线模型，更新所述线模型；以及根据更新的所述线模型，确定检测到的线。2.如权利要求1所述的线检测方法，其中所述输入的当前帧图像包括视差图像和灰度图像，所述线特征包括特征点和特征线段，并且所述特征线段由所述特征点拟合获得。3.如权利要求2所述的线检测方法，其中所述基于提取的所述线特征，执行线模型的初始化包括：获取所述提取的所述线特征；获取预定的线模型；随机选取所述线特征，计算所述预定的线模型的模型参数、支撑点数和代价函数；以及确定满足预定条件并且具有使支撑点数最大并且代价最小的模型参数的线模型，作为初始化的所述线模型。4.如权利要求3所述的线检测方法，其中所述确定满足所述预定条件包括：确定基于所述线模型的每条线满足不同区域的相互匹配条件；以及确定基于所述线模型的各条线满足宽度限制条件。5.如权利要求4所述的线检测方法，其中所述确定基于所述线模型的每条线满足不同区域的相互匹配条件包括：将基于所述线模型的每条线分为多个区域；计算所述每条线在所述多个区域中的每个区域中具有的特征点数目；对于所述每条线，确定所述特征点数目大于预定特征点数目阈值的区域的区域数目；以及确定所述区域数目大于预定区域数目阈值的线满足不同区域的相互匹配条件。6.如权利要求4所述的线检测方法，其中所述确定基于所述线模型的各条线满足宽度限制条件包括：对...

【专利技术属性】
技术研发人员：贺娜，刘殿超，师忠超，王刚，
申请(专利权)人：株式会社理光，
类型：发明
国别省市：日本,JP