基于偏振成像的车道线检测方法及其装置制造方法及图纸

本发明专利技术提供一种基于偏振成像的车道线检测方法及其装置，其包括以下步骤：初始化变量；获取图像，判断图像是否是雾天模式，是就对图像进行去雾处理；不是就对图像进行眩光处理；然后对图像中的感兴趣区域进行逆透视变换，得到仿射变换矩阵和俯视图像；对俯视图像进行边缘检测；判断是否已经启动了车道线跟踪流程，如果是则执行车道线跟踪流程，不是则判断是否满足启动车道线跟踪流程条件，如果是则执行车道线跟踪流程，不是则对边缘图进行窗口滑动；根据左、右车道线像素，建立二次曲线车道线模型，识别出图像中的车道线。本申请还提供了一种实现此方法的装置。本申请提出了新的车道线跟踪算法，使得在保证识别效果的前提下更快速。

【技术实现步骤摘要】
基于偏振成像的车道线检测方法及其装置
本专利技术涉及智能交通领域，具体而言，本专利技术涉及一种基于偏振成像的车道线检测方法及其装置。
技术介绍
车道线检测技术是指从实时获取的行车图像中检测出前方道路交通虚实标线的技术。利用车道线检测技术，可以防止汽车偏离车道，例如行车过程中车辆发生偏移或具有偏移趋势时给驾驶员发出警示信息，提醒驾驶员采取措施，使其修正行车方向，从而减少车道偏离事故的发生。因此，车道线检测对于行车安全具有重要意义。现有的车道线检测方法存在以下问题：(1)依赖于良好的光照环境。在大雾、眩光极端行车条件下，普通车载摄像头成像不清或大面积曝光，路面信息极其模糊甚至丢失，导致传统的检测方法无法正确识别车道线。虽然目前存在针对上述极端行车条件的图像处理方法，但是在现有的这些方法中，基于普通图像的处理方法计算过程复杂，难以满足实时性要求；基于偏振图像的处理方法需要人为调节参数，难以满足自适应性要求。(2)大多依赖于良好的路面条件。对于道路中车道线有损坏的情况，基于霍夫变换的直线检测算法的识别率急剧下降。同时，基于卡尔曼本文档来自技高网...

【技术保护点】
1.一种基于偏振成像的车道线检测方法，其特征在于：其包括以下步骤：/n步骤1，初始化变量，至少包括本轮中待处理的图像序号N，是否启动了车道线跟踪流程标识track，启动车道线跟踪流程后已跟踪图像的个数round，最大跟踪图像个数M；/n步骤2，获取偏振相机拍摄到的一张图像，N＝N+i；判断第N帧图像是否是雾天模式，是则执行步骤3，否则执行步骤4；/n步骤3，雾天模式下，对图像采用基于大气光偏振角和导向滤波的去雾方法进行去雾处理，并设定感兴趣区域，将去雾图像L作为步骤5的输入图像，然后直接执行步骤5；/n步骤4，眩光模式下，选取三个角度的偏振图像中感兴趣区域内平均光强最小的图像作为步骤5的输入图...

【技术特征摘要】
1.一种基于偏振成像的车道线检测方法，其特征在于：其包括以下步骤：
步骤1，初始化变量，至少包括本轮中待处理的图像序号N，是否启动了车道线跟踪流程标识track，启动车道线跟踪流程后已跟踪图像的个数round，最大跟踪图像个数M；
步骤2，获取偏振相机拍摄到的一张图像，N＝N+i；判断第N帧图像是否是雾天模式，是则执行步骤3，否则执行步骤4；
步骤3，雾天模式下，对图像采用基于大气光偏振角和导向滤波的去雾方法进行去雾处理，并设定感兴趣区域，将去雾图像L作为步骤5的输入图像，然后直接执行步骤5；
步骤4，眩光模式下，选取三个角度的偏振图像中感兴趣区域内平均光强最小的图像作为步骤5的输入图像，然后执行步骤5；
步骤5，对经过步骤3或步骤4处理后的图像中的感兴趣区域采取逆透视变换，得到仿射变换矩阵和俯视图像；
步骤6，对俯视图像进行边缘检测，得到边缘图，遍历边缘图中所有灰度值不为零的像素点，记录其坐标{xi，yj}到集合A中，i，j都为正整数，对边缘图进行归一化得到归一化边缘图，再对归一化边缘图进行水平投影；
步骤7，判断是否已经启动了车道线跟踪流程，如果是则直接执行步骤9，不是则执行步骤8；
步骤8，判断是否满足启动车道线跟踪流程条件，如果是则执行步骤9，不是则执行步骤10：
步骤9，车道线跟踪流程：
对于第N帧图像，使用第N-1帧图像的二次曲线模型参数{al，bl，cl}，{ar，br，cr}，和第N帧图像的集合A，计算xl＝alyj2+blyj+c，xr＝aryj2+bryj+c，若xl-margin≤xi≤xl+margin，记录对应坐标{xi，yi}至数组arr_left；若xr-margin≤xi≤xr+margin，记录对应坐标{xi，yi}至数组arr_right；round＝round+1；然后执行步骤11；
步骤10，对边缘图进行窗口滑动，获得arr_left和arr_right，其中数组arr_left包含左车道线的像素坐标，arr_right包含右车道线的像素坐标；
步骤11，根据数组arr_left和arr_right，建立二次曲线车道线模型，识别出第N帧图像中的车道线，具体为：
S11.1、对数组arr_left和arr_right，分别采用最小二乘法以二次曲线模型进行坐标拟合，记录模型参数{al，bl，cl}，{ar，br，cr}；
S11.2、创建图像大小的map，在map中画出以{al，bl，cl}和{ar，br，cr}为参数的二次曲线；
S11.3、将map以仿射变换矩阵变换到原图的感兴趣区域中，此时第N帧图像车道线识别结束；
S11.4、将数组arr_left，arr_right清零；
步骤12，判断round≤M，是则返回步骤2，否则返回步骤1开始新一轮的车道线识别。


2.根据权利要求1所述的基于偏振成像的车道线检测方法，其特征在于：所述步骤3具体包括以下步骤：
S3.1、根据道路图像原图I，获得0°、45°和90°三个角度的灰度偏振图像，转化成double格式；
S3.2、利用步骤S3.1中的灰度偏振图像计算偏振度矩阵P，偏振角矩阵θ；
S3.3、为计算大气光强A，合成最大光强图I⊥＝(1+P)*I/2，最小光强图I||＝(1-P)*I/2，其中I是原图，即0°图像和90°图像之和，P为偏振度矩阵；
S3.4、为计算大气光偏振度PA，从而获得大气光强A，根据雾天大气光的偏振特性，从偏振角θ矩阵中选取出现概率最大的值作为大气光偏振角θA，记录θ矩阵中所有值为θA的像素坐标；
S3.5、根据步骤S3.4中记录的像素坐标在偏振度矩阵P中找到这些像素坐标对应的值，从中选取最大值作为大气光偏振度PA；
S3.6、计算大气光强A＝(I⊥-I||)/PA；
S3.7、对大气光强A采用导向滤波；将原图I作为引导图，A作为输入图，设定滤波窗口半径和正则化参数，获得优化后的大气光强A*；
S3.8、为保证大气光强值A∞的准确估算，不计入原图I中灰度值为0的像素，计算原图I中0.1％最亮像素灰度值的平均值，作为无穷远的大气光强值A∞；
S3.9、计算传输率t＝1-A*/A∞；
S3.10、通过大气物理模型L＝(I-A*)/t，计算恢复后的去雾图像L；
S3.11、选定靠近车辆部分即去雾图像L靠底部三分之一或四分之一面积作为感兴趣区域，并将去雾图像L作为步骤5的输入图像，然后直接执行步骤5。


3.根据权利要求1所述的基于偏振成像的车道线检测方法，其特征在于：所述步骤4具体包括以下步骤：
S4.1、选定图像靠底部三分之一或四分之一面积作为感兴趣区域；
S4.2、计算0°、45°和90°三个角度的偏振图像在感兴趣区域中的平均灰度值；
S4.3、根据光线在不同传播方向上有强度差异的偏振特性，选取步骤S4.2中平均灰度值最小的图像作为步骤5的输入图像，然后执行步骤5。


4.根据权利要求1所述的基于偏振成像的车道线检测方法，其特征在于：所述步骤5具体包括以下步骤：
S5.1、为计算仿射变换矩阵，设定从步骤3或步骤4接收到的图像中感兴趣区域四个顶点坐标；
S5.2、为计算仿射变换矩阵，设定S5.1中感兴趣区域四个顶点坐标对应的期望的逆透视变换后的四个顶点坐标；
S5.3、根据S5.1感兴趣区域四个顶点坐标和S5.2中的期望的逆透视变换后的四个顶点坐标，计算出仿射变换矩阵R和T，其中R用来将原图变换至俯视图像，T用来将俯视图像变换至原图；
S5.4、使用矩阵R，利用现有技术的双线性插值法获得步骤4输入图像中感兴趣区域的逆透视变换后的图像，即俯视图像。


5.根据权利要求4所述的基于偏振成像的车道线检测方法，其特征在于：所述步骤6具体包括以下步骤：
S6.1、创建图像大小的...

【专利技术属性】
技术研发人员：赵开春，张力，韩天，
申请(专利权)人：清华大学，
类型：发明
国别省市：北京;11