一种基于滑动窗口的车道线检测方法、系统、终端及可读存储介质技术方案

本发明专利技术提供一种基于滑动窗口的车道线检测方法、系统、终端及可读存储介质，通过车载相机采集多张棋盘格图像，进行相机内参标定，获得相机内参矩阵和畸变系数；对获取的实时道路图像进行校正，提取校正后图像的边缘特征信息获得二值图像，并根据本车车道线确定感兴趣区域；将二值图像转换成鸟瞰图，同时采用形态学滤波去除二值图像的噪声并增强车道线信息；通过滑动窗口方法提取左右车道线像素点坐标，然后采用随机采样一致性方法拟合车道线；绘制拟合的车道线并利用逆透视变换反投影到校正图像上用于可视化。方法实时性、抗噪性能好，并且解决了霍夫变换弯道检测率低的难题,保证了无人驾驶车辆的安全平稳的行驶。人驾驶车辆的安全平稳的行驶。人驾驶车辆的安全平稳的行驶。

【技术实现步骤摘要】
一种基于滑动窗口的车道线检测方法、系统、终端及可读存储介质


[0001]本专利技术涉及自动驾驶领域，尤其涉及一种基于滑动窗口的车道线检测方法、系统、终端及可读存储介质。

技术介绍

[0002]目前，在自动驾驶
中，主要通过传感器获取周围环境信息，控制自动驾驶车辆安全自动的行驶。车辆在行驶过程中，需要实时获取当前道路车道线信息，确保车辆在车道内平稳行驶，因此使用低成本的单目车载相机结合图像处理技术完成车道线检测在自动驾驶系统中显得尤为重要。
[0003]国内外车道线检测方法主要分为：基于特征的检测方法、基于模型的检测方法，基于深度学习的检测方法。基于特征的检测方法，利用车道线与道路环境的物理特征差异进行后续图像的分割与处理，其方法复杂度较低，实时性较高，但易受环境干扰。
[0004]基于模型的检测方法，利用不同的二维/三维道路图像模型，采用相应方法确定各模型参数，然后拟合车道线，其方法具有较高的精度，但其局限性强，运算量大，实时性较差。基于深度学习的检测方法，通过搭建网络模型学习网络参数，该方法检测率高但实时性低，硬件要求特本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于滑动窗口的车道线检测方法，其特征在于，方法包括：S1、通过车载相机采集多张棋盘格图像，利用张正友平面标定法进行相机内参标定，获得相机内参矩阵和畸变系数；S2、对获取的实时道路图像进行校正，提取校正后图像的边缘特征信息获得二值图像，并根据本车车道线确定感兴趣区域；S3、根据相机内参矩阵和消失点坐标获取逆透视变换矩阵，将二值图像转换成鸟瞰图，同时采用形态学滤波去除二值图像的噪声并增强车道线信息；S4、通过滑动窗口方法提取左右车道线像素点坐标，然后采用随机采样一致性方法拟合车道线；S5、绘制拟合的车道线并利用逆透视变换反投影到校正图像上用于可视化。2.根据权利要求1所述的基于滑动窗口的车道线检测方法，其特征在于，步骤S1还包括：设置预设大小的黑白棋盘格，利用车载相机拍摄预设数量的棋盘格图像；对每一张标定图像提取角点信息，并提取亚像素角点信息；获取到标定图像的内角点坐标之后，使用张正友平面标定法获得相机的内参矩阵和畸变系数。3.根据权利要求1所述的基于滑动窗口的车道线检测方法，其特征在于，步骤S2还包括：利用内参矩阵和畸变系数对获取的实时道路图像进行校正，利用Sobel算子提取校正图像的边缘特征信息获得二值图像，并根据本车车道线确定感兴趣区域。4.根据权利要求3所述的基于滑动窗口的车道线检测方法，其特征在于，S2.1：根据求得的相机内参矩阵和畸变系数，对实时获取的道路图像进行畸变校正，得到校正图像；S2.2:将校正图像转换到灰度图像，然后采用Sobel的算子提取灰度图像边缘特征，得到灰度图像的横向梯度Gx；获得梯度图像的Gx的最大值max、最小值min，取两者绝对值的最大值A，并将Gx归一化[0,255/A],并进行阈值化获得二值图像，其中阈值条件为[12,120]；S2.3:最后车道线位置提取二值图像的感兴趣区域。5.根据权利要求1或2所述的基于滑动窗口的车道线检测方法，其特征在于，步骤S3还包括：S3.1：在车身与车道线平行情况下拍摄道路图像，去除道路图像畸变，并利用Canny算子提取该图像边缘特征；S3.2：利用霍夫变换检测出白色车道线，找出到车道线的距离最小的点，即为消失点Vp；同时声明两个点P1和P2，从消失点均匀偏移并且更靠近车辆，连接P1和Vp以及P2和Vp，求得分别与两条线上共线的另外两个点P3和P4，则梯形的四个坐标src＝[P1,P2,P3,P4]；长方形坐标点为dst＝[[0,0],[width,0],[width,high],[0,high]]，其中width和high分别是原图的宽和高；S3.3：使用src和dst及逆行透视变换获得透视矩...

【专利技术属性】
技术研发人员：张跃，张志娟，范敏，田磊，赵玉超，
申请(专利权)人：中国重汽集团济南动力有限公司，
类型：发明
国别省市：