一种自适应的车道线检测方法技术

本发明专利技术公开了一种自适应的车道线检测方法，涉及车道线检测技术领域。本方法首先采用三维块匹配(BM3D)算法对摄像头采集到的实时行车图像进行去噪处理；然后，在HSV颜色空间，选择V通道对去噪图像进行阈值分割，以区分白色与黄色车道线；接着设定车道线的感兴趣区域，再使用Canny算法提取边缘，以获得准确的边缘特征数据；之后，通过基于梯度方向分类的概率霍夫直线检测方法对车道线进行检测，并融合角度滤波算法将极大钝角或者极小锐角的线段滤除；最后，对提取的车道线进行转向识别。本发明专利技术公开的一种自适应的车道线检测方法，有效提高了车道线检测算法的准确性和鲁棒性，并可对车辆的转向进行识别。

An adaptive lane detection method

【技术实现步骤摘要】
一种自适应的车道线检测方法
本专利技术涉及车道线检测
，特别涉及一种自适应的车道线检测方法。
技术介绍
车道线检测是目标检测领域的分支，对于车道线检测技术的迫切需求可以从多方面体现，如智慧交通、自动驾驶技术等。早前由于受到计算机硬件条件的限制，车道线检测的形式以图像为主，仅要求检测出图像中是否存在车道线。如今，随着微电子技术与计算机技术的飞速发展，对于此项技术不仅要求在简单的背景环境中能够检测到车道线，还要求即使外界环境存在较强的干扰因素时也能够准确检测到车道线，例如强、弱光环境，遮挡等。正确提取与识别车道线，是实现高级驾驶辅助系统(AdvancedDrivingAssistantSystem,ADAS)中车道偏离预警功能的关键，从而避免交通事故的发生。现有车道线检测技术至少有如下问题：传统的图像去噪滤波方法常常采用高斯滤波，但其只针对高斯噪声有较好的去噪效果，对服从于其他分布的噪声抑制效果较差；在交通事故中，发生在弯道上的数量明显高于直线路段的数量，而在现有的车道线检测技术中，极少涉及到对弯道路况进行相关的判断与处理。
技术实现思路
本专利技术要解决的技术问题，在于提供一种自适应的车道线检测方法，克服传统的图像去噪滤波方法适用性不强，去噪效果不佳的问题，并可针对弯道路况进行相关的判断与处理。本专利技术具体包括如下步骤：步骤10、使用三维块匹配算法对行车图像进行去噪处理，得到去噪图像；步骤20、对所述去噪图像进行阈值分割，提取白色数据点和/或黄色数据点，得到预处理图像；步骤30、将所述预处理图像转化为灰度图像，设定车道线的感兴趣区域，然后采用Canny算子提取所述感兴趣区域的边缘数据点；步骤40、通过基于梯度方向分类的概率霍夫直线检测方法，在所述边缘数据点中提取车道线集合，并利用角度滤波算法滤除极大钝角与极小锐角的车道线，得到目标车道线；步骤50、对所述目标车道线进行转向识别。进一步的，所述步骤10具体包括：步骤101、将行车图像分割为N×N个原始图像块；步骤102、基本估计阶段：将每一所述原始图像块与其邻近区域内的其它原始图像块进行块匹配，得到第一相似图像块集；将所述第一相似图像块集内的相似图像块，按照相似度排列成三维矩阵，对所述三维矩阵进行三维变换处理，得到所述三维矩阵对应的第一基础估计值；将所述第一基础预估值通过聚集方法得到每一像素点的基本估计值，从而得到基本估计图像块；步骤103、最终估计阶段：将基本估计图像块与原始图像块进行块匹配，得到第二相似图像块集，通过协同维纳滤波得到第二基础估计值，最后对含有多个第二基础估计值的像素点进行加权平均，得到每一像素点的最终估计值，从而得到去噪图像。进一步的，所述步骤102具体包括：步骤1021、选取当前原始图像块P为参考块，以P为中心点，以K为直径的区域作为搜索区域，判断区域范围内的图像是否有相似块Q，具体如下其中，ν为判断器，λ3D表示硬滤波的阈值，σ表示高斯白噪声参数，X表示原始图像块的矩阵值；计算相似块Q与当前原始图像块P的欧氏距离，公式如下：其中，d表示欧式距离，表示两个图像块之间的矩阵差值的模向量值，L*L表示图像块的大小；P与Q的距离不大于τd时，该图像块就属于第一相似图像块集Sp：Sp＝{Q∈I/d(P,Q)≤τd}其中，I表示原始图像，d(P,Q)原始图像块P相似图像块Q的欧氏距离，τd表示距离阈值；步骤1022、将所述第一相似图像块集内的相似图像块，按欧氏距离从大到小的顺序排列成三维矩阵，对所述三维矩阵用如下公式进行三维变换处理，得到所述三维矩阵对应的第一基础估计值，其中，为三维矩阵，τ3D表示三维线性变换，γ表示三维硬阈值滤波操作；步骤1023、通过如下公式将第一基础估计值通过聚集方法得到每个像素点的基本估计值从而得到基本估计图像块，其中，χSp表示三维矩阵的特征函数，表示三维矩阵的权重值：其中，Np表示滤波后矩阵系数中的非零数字。进一步的，所述步骤103具体包括：步骤1031、将所述基本估计图像块与其邻近区域内其它原始图像块进行块匹配，得到第二相似图像块集；步骤1032、对第二相似图像块集进行协同维纳滤波，得到第二基础估计值；步骤1033、对含有多个第二基础估计值的像素点进行加权平均，通过如下公式聚集第二相似图像块集的第二基础估计值，得到每一像素点的最终估计值从而得到去噪图像，其中，表示第二相似图像块集中第xm个图像块上像素点x的第二基础估计值，S′p表示第二相似图像块集，表示协同维纳滤波操作后，每个第二相似图像块集的权重值，表示第二相似图像块集的特征函数。进一步的，所述步骤20具体包括：步骤201、将去噪图像的颜色通道由RGB颜色空间转化为HSV颜色空间；步骤202、根据V通道的数值进行阈值分割，区分白色数据点和/或黄色数据点，得到预处理图像。进一步的，所述步骤40具体包括：步骤411、将所述边缘数据点按照梯度方向分配到设定的18个集合中，集合Q＝{θ|0°≤|θ≤90°}，每个集合包含10°的角度范围；步骤412、选取一个角度集合为当前集合；步骤413、在当前集合中任取一点(x0,y0)，并将其从集合中删去，若该点未被标识为已处理点，则继续后续操作；否则，重复该步操作；步骤414、对点(x0,y0)进行霍夫检测，并将对应直线的累加器单元增加一个单位大小；步骤415、若存在累加器单元超过第一阈值D1，则将该单元的参数输出，即得到一条直线，并将该直线上的所有边缘点标识为已处理；步骤416、判断当前集合内剩余的未处理数据点数目是否小于第二阈值D2，若不小于第二阈值D2，继续执行步骤413；若小于第二阈值D2，再判断所有角度集合是否遍历结束，否则返回步骤412对下一集合进行检测；是则结束算法，输出所有直线，即车道线集合，执行步骤421；步骤421、计算所述车道线集合中，每条直线数据的两个端点数据(x1,y1)与(x2,y2)，用如下公式计算其构成的角度θ：θ＝|arctan((y2-y1)/(x2-x1))*180/π步骤422、当所述直线的时，将其作为噪声线段滤除，得到目标车道线。进一步的，所述步骤50具体包括：步骤501、将目标车道线转化为三维空间的方程，提取所述目标车道线的远端相交点；步骤502、通过如下公式计算所述远端相交点的横坐标与图像宽度的比例R：其中，A3/C3表示消失点横坐标，width表示图像宽度。步骤503、设定第三阈值T1以及第四阈值T2，判断R与第三阈值T1和第四阈值T2的关系，从而得到转向情况，具体如下：R<T1，远端相交点向左偏移，车辆左转；T1≤R<T2，远端相交点偏移不大，车辆直行；...

【技术保护点】
1.一种自适应的车道线检测方法，其特征在于，包括如下步骤：/n步骤10、使用三维块匹配算法对行车图像进行去噪处理，得到去噪图像；/n步骤20、对所述去噪图像进行阈值分割，提取白色数据点和/或黄色数据点，得到预处理图像；/n步骤30、将所述预处理图像转化为灰度图像，设定车道线的感兴趣区域，然后采用Canny算子提取所述感兴趣区域的边缘数据点；/n步骤40、通过基于梯度方向分类的概率霍夫直线检测方法，在所述边缘数据点中提取车道线集合，并利用角度滤波算法滤除极大钝角与极小锐角的车道线，得到目标车道线；/n步骤50、对所述目标车道线进行转向识别。/n

【技术特征摘要】
1.一种自适应的车道线检测方法，其特征在于，包括如下步骤：
步骤10、使用三维块匹配算法对行车图像进行去噪处理，得到去噪图像；
步骤20、对所述去噪图像进行阈值分割，提取白色数据点和/或黄色数据点，得到预处理图像；
步骤30、将所述预处理图像转化为灰度图像，设定车道线的感兴趣区域，然后采用Canny算子提取所述感兴趣区域的边缘数据点；
步骤40、通过基于梯度方向分类的概率霍夫直线检测方法，在所述边缘数据点中提取车道线集合，并利用角度滤波算法滤除极大钝角与极小锐角的车道线，得到目标车道线；
步骤50、对所述目标车道线进行转向识别。


2.根据权利要求1所述的一种自适应的车道线检测方法，其特征在于，所述步骤10具体包括：
步骤101、将行车图像分割为N×N个原始图像块；
步骤102、基本估计阶段：将每一所述原始图像块与其邻近区域内的其它原始图像块进行块匹配，得到第一相似图像块集；将所述第一相似图像块集内的相似图像块，按照相似度排列成三维矩阵，对所述三维矩阵进行三维变换处理，得到所述三维矩阵对应的第一基础估计值；将所述第一基础预估值通过聚集方法得到每一像素点的基本估计值，从而得到基本估计图像块；
步骤103、最终估计阶段：将基本估计图像块与原始图像块进行块匹配，得到第二相似图像块集，通过协同维纳滤波得到第二基础估计值，最后对含有多个第二基础估计值的像素点进行加权平均，得到每一像素点的最终估计值，从而得到去噪图像。


3.根据权利要求2所述的一种自适应的车道线检测方法，其特征在于，所述步骤102具体包括：
步骤1021、选取当前原始图像块P为参考块，以P为中心点，以K为直径的区域作为搜索区域，判断区域范围内的图像是否有相似块Q，具体如下



其中，ν为判断器，λ3D表示硬滤波的阈值，σ表示高斯白噪声参数，X表示原始图像块的矩阵值；
计算相似块Q与当前原始图像块P的欧氏距离，公式如下：



其中，d表示欧式距离，表示两个图像块之间的矩阵差值的模向量值，L*L表示图像块的大小；
P与Q的距离不大于τd时，该图像块就属于第一相似图像块集Sp：
Sp＝{Q∈I/d(P,Q)≤τd}
其中，I表示原始图像，d(P,Q)原始图像块P相似图像块Q的欧氏距离，τd表示距离阈值；
步骤1022、将所述第一相似图像块集内的相似图像块，按欧氏距离从大到小的顺序排列成三维矩阵，对所述三维矩阵用如下公式进行三维变换处理，得到所述三维矩阵对应的第一基础估计值，



其中，为三维矩阵，τ3D表示三维线性变换，γ表示三维硬阈值滤波操作；
步骤1023、通过如下公式将第一基础估计值通过聚集方法得到每个像素点的基本估计值从而得到基本估计图像块，



其中，表示三维矩阵的特征函数，表示三维矩阵的权重值：



其中，Np表示滤波后矩阵系数中的非零数字。


4.根据权利要求3所述的一种自适应的车道线检测方法，其特征在于，所述步骤103具...

【专利技术属性】
技术研发人员：陈健，黄德天，
申请(专利权)人：华侨大学，
类型：发明
国别省市：福建;35