车道线内侧边缘特征提取方法技术

本发明专利技术公开了一种车道线内侧边缘特征提取方法，利用前后两帧车道线图连续，车道线不会出现大的跳动，故而可通过上一帧的车道线方程找出当前帧车道线图的内侧边缘特征点的大致位置，进而在该处搜索灰度梯度变化最大的点；因为内侧边缘特征点必有一侧的点全部位于车道线兴趣域，加上内侧边缘特征点的连续性，因此，可以确定出内侧边缘特征点，进而得到车道线内侧边缘。进一步地，若内侧边缘特征点未提取完，则以高质量点的斜率更新车道线方程，提高内侧边缘特征点的定位精度，继续提取内侧边缘特征点；为了降低更新的车道线斜率的噪声，可选择多个连续的斜率求取均值，通过该均值更新车道线方程。值更新车道线方程。值更新车道线方程。

【技术实现步骤摘要】
车道线内侧边缘特征提取方法


[0001]本专利技术属于车道线检测
，具体涉及一种车道线内侧边缘特征提取方法。

技术介绍

[0002]随着高级辅助驾驶(ADAS)越来越受到人们的关注，车道线偏离预警(LDW)以及车道线保持(LKA)这两个功能越来越受到人们重视，而这两个功能实质都是在对车道线进行准确的检测后作出的一种行动，早期的一些车道线检测方案直接就利用霍夫变换来检测直线，此种方案对于直线检测效果较好，但是对于曲线的检测不尽如人意。
[0003]目前，车道线检测大致分为两部分，前端为车道线特征的提取，后端是利用提取出的特征拟合出车道线方程。车道线特征又分为车道线内侧边缘特征和车道线中线特征，分别如图1和图2所示。其中，车道线中线特征是先利提取出车道线左右两边的边缘特征点，然后将两边的特征点坐标取均值即为中线特征。内侧边缘特征相比中线特征提取的难度更大，但是更能准确的描述实际行驶过程中的车道线走势，同时也是中线特征提取的基础。
[0004]在边缘特征提取中，最典型的算法为Canny边缘检测算法，Canny边缘检测算法是John.F.Cannyy于1986年开发出来的一个多级边缘检测算法，也被很多人认为是边缘检测的最优算法之一，其检测效果如图3所示。Canny算法基于三个基本目标：1、低错误率，所有边缘都应被找到，且没有伪响应；2、边缘点应该很好地定位，已定位的边缘必须尽可能接近真实边缘；3、单一的边缘点响应，这意味在仅存一个单一边缘点的位置，边缘器不应指出多个像素边缘。
[0005]如图4所示，Canny算法的步骤如下：1、对输入的图像进行高斯平滑，消除噪声，降低错误率；2、计梯度幅度和方向来估计每一点处的边缘强度与方向；3、根据梯度的方向，对梯度幅值进行非极大值抑制；4、阈值滞后处理，用双阈值处理和连接边缘。
[0006]然而，现有的车道线特征提取技术存在两个问题：1、提取到的特征点不能够准确的描述车道线的走势，这会影响拟合出来的车道线精度，以及后续的动作；2、特征提取耗时较大，主要是Canny边缘算子耗时大，这对硬件平台提出了要求，有的甚至需要采用FPGA(可编程逻辑器件),GPU(图像处理单元)等来进行加速，对低算力的平台非常不友好。

技术实现思路

[0007]本专利技术解决的技术问题是提供一种车道线内侧边缘特征提取方法，解决现有的车道线特征提取技术提取的车道线内侧边缘特征不准确、特征提取耗时较大以及对特征提取平台要求较高的问题。
[0008]本专利技术提供一种车道线内侧边缘特征提取方法，包括以下步骤：
[0009]S1、获取当前帧车道线图，从中提取出车道线所在区域，对车道线图进行二值化处理得到二值化图，其中车道线所在区域为车道线兴趣域；
[0010]S2、基于上一帧车道线图，得到车道线方程；
[0011]S3、在二值化图中，在当前车道线方程处搜索灰度梯度变化最大的点，若以该点为
中心的3*3区域内至少存在5个点在车道线兴趣域内，则该点为类似特征点；
[0012]S4、若某一类似特征点附近存在其他类似特征点，则该类似特征点为内侧边缘特征点；
[0013]S5、判断内侧边缘特征点是否提取完；若是，则输出所有的内侧边缘特征点，内侧边缘特征点所在区域即为车道线内侧边缘。
[0014]进一步地，根据提取的内侧边缘特征点，得到车道线方程，重复步骤S1，不断提取下一帧车道线图的车道线内侧边缘。
[0015]进一步地，该方法还包括步骤：
[0016]S6、若内侧边缘特征点未提取完，则判断内侧边缘特征点是否在车道线兴趣域内；若是，则该内侧边缘特征点为高质量点；
[0017]S7、判断高质量点数是否超过预设阈值；若否，则执行步骤S3；若是，则以连续的两个高质量点的斜率更新对应的内侧边缘特征点的斜率，进而更新车道线方程，执行步骤S3。
[0018]进一步地，步骤S7还包括：选择多个连续的高质量点的斜率，并求取均值，通过该均值更新车道线方程。
[0019]进一步地，步骤S6还包括：在高质量点附近寻找同样的高质量点。
[0020]进一步地，若当前车道线方程为左车道线方程，则从左往右搜索灰度梯度变化最大的点；若当前车道线方程为右车道线方程，则从右往左搜索灰度梯度变化最大的点。
[0021]进一步地，通过深度学习从车道线图中提取车道线所在区域。
[0022]进一步地，基于上一帧车道线图，通过Canny边缘算子得到车道线方程。
[0023]本专利技术的有益效果是：本专利技术的车道线内侧边缘特征提取方法，利用前后两帧车道线图连续，车道线不会出现大的跳动，故而可通过上一帧的车道线方程找出当前帧车道线图的内侧边缘特征点的大致位置，进而在该处搜索灰度梯度变化最大的点；因为内侧边缘特征点必有一侧的点全部位于车道线兴趣域，加上内侧边缘特征点的连续性，因此，可以确定出内侧边缘特征点，进而得到车道线内侧边缘。
[0024]进一步地，若内侧边缘特征点未提取完，则以高质量点的斜率更新车道线方程，提高内侧边缘特征点的定位精度，继续提取内侧边缘特征点；为了降低更新的车道线斜率的噪声，可选择多个连续的斜率求取均值，通过该均值更新车道线方程。
附图说明
[0025]图1为本专利技术中车道线内侧边缘特征示意图。
[0026]图2为本专利技术中车道线中线特征示意图。
[0027]图3为本专利技术中Canny边缘检测算法检测效果图。
[0028]图4为本专利技术中Canny算法的步骤框图。
[0029]图5为本专利技术中车道线内侧边缘特征提取流程图。
[0030]图6为本专利技术中车道线原图。
[0031]图7为本专利技术中车道线兴趣域示意图。
[0032]图8为本专利技术中车道线二值化示意图。
[0033]图9为本专利技术中车道线内侧边缘特征提取示意图。
[0034]图10为本专利技术中车道线内侧边缘特征提取效果图。
具体实施方式
[0035]下面将结合附图对本专利技术作进一步的说明：
[0036]为了让车道线检测能应对各种环境，包括曲道、弯道，以及能更准确的反映实际中道路的走向，同时能够在低算力平台上能够运行起来，本专利技术提供了一种车道线内侧边缘特征提取方法，如图5所示，包括以下步骤：
[0037]S1、获取当前帧车道线图，如图6所示，然后从车道线图中提取出车道线所在区域，如图7所示，接着对车道线图进行二值化处理得到二值化图，如图8所示，其中车道线所在区域为车道线兴趣域。其中，可以通过深度学习从车道线图中提取车道线所在区域。本专利技术的主要目的就是从二值化图中将车道线的内侧边缘特征准确快速的提取出来。
[0038]S2、基于上一帧车道线图，得到车道线方程。例如，通过Canny边缘算子得到车道线方程，由于这一步骤不是本专利技术的专利技术点，故不详述。
[0039]S3、在二值化图中，在当前车道线方程处搜索灰度梯度变化最大的点，若以该点为中心的3*3区域内本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种车道线内侧边缘特征提取方法，其特征在于，包括以下步骤：S1、获取当前帧车道线图，从中提取出车道线所在区域，对车道线图进行二值化处理得到二值化图，其中车道线所在区域为车道线兴趣域；S2、基于上一帧车道线图，得到车道线方程；S3、在二值化图中，在当前车道线方程处搜索灰度梯度变化最大的点，若以该点为中心的3*3区域内至少存在5个点在车道线兴趣域内，则该点为类似特征点；S4、若某一类似特征点附近存在其他类似特征点，则该类似特征点为内侧边缘特征点；S5、判断内侧边缘特征点是否提取完；若是，则输出所有的内侧边缘特征点，内侧边缘特征点所在区域即为车道线内侧边缘。2.根据权利要求1所述的车道线内侧边缘特征提取方法，其特征在于，根据提取的内侧边缘特征点，得到车道线方程，重复步骤S1，不断提取下一帧车道线图的车道线内侧边缘。3.根据权利要求1所述的车道线内侧边缘特征提取方法，其特征在于，该方法还包括步骤：S6、若内侧边缘特征点未提取完，则判断内侧边缘特征点是否在车道线兴趣域内；若是，则该内...

【专利技术属性】
技术研发人员：张龙，刘杨，许端，王述良，程建伟，
申请(专利权)人：武汉极目智能技术有限公司，
类型：发明
国别省市：