一种基于视觉的车道线检测方法技术

本发明专利技术提出了一种基于视觉的车道线检测方法。本发明专利技术通过摄像头采集图像并转换为灰度图像，将灰度图像的中心点设置为基准点以划定感兴趣区域；通过行扫描梯度值法在感兴趣区域分别提取上升边缘点以及下降边缘点，将上升边缘点以及下降边缘点分别通过逆透视变换得到逆透视上升边缘点以及逆透视下降边缘点，根据车道宽度特征滤波分别得到筛选后上升边缘点以及筛选后下降边缘点；将筛选后上升边缘点以及下降边缘点进行自定义的参数空间变换，并统计筛选后上升边缘点以及筛选后下降边缘点其线的角度以及横向偏移量均相等的数量，拟合车道曲线以构建当前帧道路图像的车道线位置；通过当前帧道路图像的车道线位置关联下一帧道路图像的车道线位置。

A vision-based lane detection method

The invention proposes a visual lane detection method. The invention collects image by camera and converts it into gray image, sets the center point of gray image as reference point to delineate region of interest, extracts rising edge point and falling edge point respectively by line scan gradient value method in region of interest, and obtains rising edge point and falling edge point of inverse perspective through inverse perspective transformation, respectively, and obtains rising edge point of inverse perspective and falling edge point of inverse perspective. Edge points are filtered according to the lane width feature to get the rising edge points and the descending edge points respectively. The ascending edge points and descending edge points are transformed into self-defined parameter space, and the angle and lateral offset of the line of the ascending edge points and descending edge points are counted. The Lane curve is fitted to construct an appropriate Lane curve. The lane position of the front frame road image is correlated with the lane position of the next frame road image by the lane position of the current frame road image.

【技术实现步骤摘要】
一种基于视觉的车道线检测方法
本专利技术涉及信号处理
，具体涉及一种基于视觉的车道线检测方法。
技术介绍
事故频繁发生的首要原因在于驾驶员在行驶过程中无意识地偏离车道。随着汽车的保有量的逐年递增，道路环境日趋复杂，为了让人们更有效的出行，自动驾驶或辅助驾驶逐渐成为研究的热点之一。车道线识别是其中最为基础的部分，它既是保证车辆对道路场景有效掌控的关键单元，又可为车辆偏离预警技术提供精确的位置信息，从而一定程度上减缓交通压力和降低交通事故发生。而在嵌入式系统下实现车道线识别和偏离预警，具有低成本、低功耗，小型化和易集成等特点，因此具有较高的实用价值和广阔应用前景。随着计算机技术的发展，向处于危险的驾驶员及时提供警告的系统具有挽救大量生命的巨大潜力。旨在帮助驾驶员驾驶过程中的系统称之为高级驾驶辅助系统，它具有自适应巡航控制、防撞功能、盲点检测与交通标志检测等许多功能。车道偏离系统也属于其中一类。车道检测是在道路上定位车道标记并将这些位置信息呈现给智能系统。在智能交通系统中，智能车辆与智能基础设施相融合，能提供更安全的环境和更好的交通条件。目前，车道线检测的方法主要可以分为三类：基于模型的方法、基于特征的方法、基于标志的方法。特征法利用车道基础特征如颜色、纹理等定位路面图像中的车道线。基于模型的方法通常以线性或者曲线为模板分析车道，一旦模型被定义，检测就较简单。基于深度学习的方法，基础原理是预先标记大量的样本集，使用卷积神经网络的方法训练样本集获取网络参数，达到车道检测和分类的目的。相对于深度学习的方法来说，特征与模型方法的道路信息检测是其必要的。可以将模型和特征的方法作为借鉴，用深度学习方法，更精确识别车道线。由于硬件条件受到限制，模型与特征的方法也有巨大的潜力。针对车道线检测算法存在以下问题：达到实时检测。道路情况复杂，例如存在遮挡、车道线缺失、地面标识、隧道等影响使检测率偏低。由于连续的多帧除了换道以外，车道线的位置信息无较大的变化，需要稳定地检测出多帧图像的车道，使干扰车道线与准确车道线不会一直交换。车道线位置信息需要在换道之前被准确检测，为偏离预警提供正确向导。基于上述情况，如何提高高效、实时、稳定的检测车道线是本领域函待解决的问题。
技术实现思路
本方法所采用的嵌入式平台，设计了高效、实时性强的车道线检测算法，且具有很强的适应性。目的在于解决现有技术中车道线的检测效率较低的问题。为到达上述目的，本专利技术提出了一种基于视觉的车道线检测方法，该方法包括以下步骤：步骤1：通过摄像头采集图像，将采集图像转换为灰度图像，将灰度图像的中心点设置为基准点，并根据基准点划定感兴趣区域；步骤2：通过行扫描梯度值法在感兴趣区域分别提取上升边缘点以及下降边缘点，将上升边缘点以及下降边缘点分别通过逆透视变换得到逆透视上升边缘点以及逆透视下降边缘点，将逆透视上升边缘点以及逆透视下降边缘点使用车道宽度特征滤波分别得到筛选后上升边缘点以及筛选后下降边缘点；步骤3：将筛选后上升边缘点以及筛选后下降边缘点进行自定义的参数空间变换，并统计筛选后上升边缘点以及筛选后下降边缘点其线的角度以及横向偏移量均相等的数量，获取候选车道线，并拟合车道曲线；步骤4：通过当前帧道路图像的车道线位置关联下一帧道路图像的车道线位置。作为优选，步骤1中所述采集图像宽度为u，高度为v；步骤1中所述灰度图像的中心点为将中心点设置为灰度图像的基准点；步骤1中所述根据基准点划定感兴趣区域为：根据基准点划定矩形方块，矩形方块宽度取值范围为矩形方块高度取值范围为其中，w取值范围为h取值范围为作为优选，步骤2中所述通过行扫描梯度值法在感兴趣区域提取边缘点为：计算基于水平行扫描线上的每个像素边缘强度：其中，I(i+k,j)表示感兴趣区域第i+k行及第j列的像素值，表示感兴趣区域的图像行数，表示感兴趣区域的图像列数，L表示每行的滤波长度；将像素边缘强度分别与第一阈值以及第二阈值比较，根据检测结果对感兴趣区域像素点进行分类：当E(i,j)＞Th1时，I(i,j)是上升边缘边点，当E(i,j)＜Th2时，I(i,j)是下降边缘点；将感兴趣区域内上升边缘点以及下降边缘点通过逆透视变换转换到世界坐标系下的实际道路中边缘特征点，即步骤2中所述逆透视上升边缘点以及逆透视下降边缘点；逆透视上升边缘点以及逆透视下降边缘点使用车道宽度特征滤波去除干扰点，对感兴趣区域内同一图像行数的逆透视上升边缘点与逆透视下降边缘点计算欧式距离：若|dis-D|≤dh，dis为欧氏距离，D为距离阈值，dh为距离误差，则逆透视上升边缘点为步骤2中所述筛选后上升边缘点：(xm,ym)其中，M为筛选后上升边缘点数量；且逆透视下降边缘点为步骤2中所述筛选后下降边缘点：其中，N为筛选后下降边缘点数量；作为优选，步骤3中所述自定义的参数空间变换为：筛选后上升边缘点自定义的参数空间为：xm＝pk,m+ym*tanθk,m其中，(xm,ym)为步骤2中所述筛选后上升边缘点的坐标，θk,m表示筛选后上升边缘点线的角度，且θk,m∈[α,β]，k∈[1,K]，K表示上升边缘点线的角度数量，pk,m表示上升边缘点线的横向偏移量，进行θk,m的遍历计算获取相应的pk,m；筛选后下降边缘点自定义的参数空间为：其中，为步骤2中所述筛选后下降边缘点的坐标，表示下降边缘点线的角度，且L表示下降边缘点线的角度数量，表示下降边缘点线的横向偏移量，进行的遍历计算获取相应的步骤3中所述统计筛选后上升边缘点以及筛选后下降边缘点其线的角度以及横向偏移量均相等的数量：筛选后上升边缘点自定义的参数空间中，将任意两个不同的筛选后上升边缘点的上升边缘点线的角度以及上升边缘点线的横向偏移量进行比较，若二者均相等，则：Hr(p,θ)＝Hr(p,θ)+1r∈[1,Nr]其中，Hr(p,θ)为第r组上升边缘点线的角度以及上升边缘点线的横向偏移量均相等的筛选后上升边缘点数量；筛选后下降边缘点自定义的参数空间中，将任意两个不同的筛选后下降边缘点的下降边缘点线的角度以及下降边缘点线的横向偏移量进行比较，若二者均相等，则：Hd(p,θ)＝Hd(p,θ)+1d∈[1,Nd]其中，Hd(p,θ)为第d组下降边缘点线的角度以及下降边缘点线的横向偏移量均相等的筛选后下降边缘点数量；在Nr组上升边缘点线的角度以及上升边缘点线的横向偏移量均相等的筛选后上边缘点中，选择Hr(p,θ)值从高到低排序前G组的其中一组(pg,θg)g∈[1,G]，不同的(pg,θg)根据其上升边缘点线的角度以及上升边缘点线的横向偏移量值表示为不同的直线；在Nd组下降边缘点线的角度以及下降边缘点线的横向偏移量均相等的筛选后上边缘点中，选择Hd(p,θ)值从高到低排序前G组的其中一组不同的根据其下降边缘点线的角度以及下降边缘点线的横向偏移量值表示为不同的直线；步骤3中所述获取候选车道线为：针对上升边缘点，由参数值(pg,θg)g∈[1,G]确定直线为：xi＝pg+yi*tanθg其中，xi由直线公式计算得出具体值，(xi,yi)是直线的坐标，以(xi,yi)为基准对已经获得的筛选后的边缘点以外扩方式进一步筛选，只保留外扩范围内的上升边缘点同时δ以及φ为设置的阈值；对于下降边缘点与上升边缘点进行相同处理，只本文档来自技高网...

【技术保护点】
1.一种基于视觉的车道线检测方法，其特征在于，包括以下步骤：步骤1：通过摄像头采集图像，将采集图像转换为灰度图像，将灰度图像的中心点设置为基准点，并根据基准点划定感兴趣区域；步骤2：通过行扫描梯度值法在感兴趣区域分别提取上升边缘点以及下降边缘点，将上升边缘点以及下降边缘点分别通过逆透视变换得到逆透视上升边缘点以及逆透视下降边缘点，将逆透视上升边缘点以及逆透视下降边缘点使用车道宽度特征滤波分别得到筛选后上升边缘点以及筛选后下降边缘点；步骤3：将筛选后上升边缘点以及筛选后下降边缘点进行自定义的参数空间变换，并统计筛选后上升边缘点以及筛选后下降边缘点其线的角度以及横向偏移量均相等的数量，获取候选车道线，并拟合车道曲线；步骤4：通过当前帧道路图像的车道线位置关联下一帧道路图像的车道线位置。

【技术特征摘要】
1.一种基于视觉的车道线检测方法，其特征在于，包括以下步骤：步骤1：通过摄像头采集图像，将采集图像转换为灰度图像，将灰度图像的中心点设置为基准点，并根据基准点划定感兴趣区域；步骤2：通过行扫描梯度值法在感兴趣区域分别提取上升边缘点以及下降边缘点，将上升边缘点以及下降边缘点分别通过逆透视变换得到逆透视上升边缘点以及逆透视下降边缘点，将逆透视上升边缘点以及逆透视下降边缘点使用车道宽度特征滤波分别得到筛选后上升边缘点以及筛选后下降边缘点；步骤3：将筛选后上升边缘点以及筛选后下降边缘点进行自定义的参数空间变换，并统计筛选后上升边缘点以及筛选后下降边缘点其线的角度以及横向偏移量均相等的数量，获取候选车道线，并拟合车道曲线；步骤4：通过当前帧道路图像的车道线位置关联下一帧道路图像的车道线位置。2.根据权利要求1所述的基于视觉的车道线检测方法，其特征在于：步骤1中所述采集图像宽度为u，高度为v；步骤1中所述灰度图像的中心点为将中心点设置为灰度图像的基准点；步骤1中所述根据基准点划定感兴趣区域为：根据基准点划定矩形方块，矩形方块宽度取值范围为矩形方块高度取值范围为其中，w取值范围为h取值范围为3.根据权利要求1所述的基于视觉的车道线检测方法，其特征在于：步骤2中所述通过行扫描梯度值法在感兴趣区域提取边缘点为：计算基于水平行扫描线上的每个像素边缘强度：其中，I(i+k,j)表示感兴趣区域第i+k行及第j列的像素值，表示感兴趣区域的图像行数，表示感兴趣区域的图像列数，L表示每行的滤波长度；将像素边缘强度分别与第一阈值以及第二阈值比较，根据检测结果对感兴趣区域像素点进行分类：当E(i,j)＞Th1时，I(i,j)是上升边缘边点，当E(i,j)＜Th2时，I(i,j)是下降边缘点；将感兴趣区域内上升边缘点以及下降边缘点通过逆透视变换转换到世界坐标系下的实际道路中边缘特征点，即步骤2中所述逆透视上升边缘点以及逆透视下降边缘点；逆透视上升边缘点以及逆透视下降边缘点使用车道宽度特征滤波去除干扰点，对感兴趣区域内同一图像行数的逆透视上升边缘点与逆透视下降边缘点计算欧式距离：若|dis-D|≤dh，dis为欧氏距离，D为距离阈值，dh为距离误差，则逆透视上升边缘点为步骤2中所述筛选后上升边缘点：(xm,ym)其中，m∈[1,M]，M为筛选后上升边缘点数量；且逆透视下降边缘点为步骤2中所述筛选后下降边缘点：其中，n∈[1,N]，N为筛选后下降边缘点数量。4.根据权利要求1所述的基于视觉的车道线检测方法，其特征在于：步骤3中所述自定义的参数空间变换为：筛选后上升边缘点自定义的参数空间为：xm＝pk,m+ym*tanθk,m其中，(xm,ym)为步骤2中所述筛选后上升边缘点的坐标，θk,m表示筛选后上升边缘点线的角度，且θk,m∈[α,β]，k∈[1,K]，K表示上升边缘点线的角度数量，pk,m表示上升边缘点线...

【专利技术属性】
技术研发人员：肖进胜，周景龙，雷俊锋，眭海刚，李亮，舒成，赵玲，
申请(专利权)人：武汉大学，
类型：发明
国别省市：湖北,42