一种车道线的快速检测方法与流程

本发明属于模式识别领域。

技术背景

每年全世界范围内都有很多人因为车辆行驶偏离而丧生于车祸当中，为了避免这样的事情发生，人们提出了一种智能辅助驾驶系统，能够在一定程度上预警驾驶员，达到减少此类事故发生的效果。我们主要研究的车道线检测方法，便是智能驾驶辅助系统中很重要的一部分。在此领域已经提出了一系列获得良好效果的算法，其中包括基于模板、基于纹理、基于区域的算法。

车道线的快速准确的检测辅助驾驶系统中最重要的一个指标，尤其在高速智能车辆的导航方面，尽管近几年里已经提出了不少有效的方法，但不是因为耗时较长，就是检测效果不够理想，总之很难达到实际应用的程度。

例如Shenyan Zhou在“A Novel Lane Detection based on Geometrical Model and Gabor Filter”中提出的基于模板和Gabor滤波器的方法，此方法看起来很好，但实际中很难发挥作用，因为其中的车道线宽度和消失点只有在良好的条件下才能检测出来。Yue Wang在“Lane detection and tracking using B-Snake”中利用的B-Snake和消失点进行车道线检测，具有较高的检测率，但是耗时较长，1s中仅能处理2帧图片，在实际应用中，这是绝对不可取的。除此新颖的算法之外，一些经典的算法如GOLD等，均因为某些方面不符合要求而不能达到实际应用的效果。

技术实现要素：

本发明所要解决的技术问题是，提供一种能够快速、准确定位车道线的方法。

本发明为解决上述技术问题所采用的技术方案是，一种车道线的快速检测方法，包括以下步骤：

1)训练步骤：

1-1)对样本图像进行标注得到全部样本的类别标签y_n，n为样本总数：用小块矩形框将车道线区域标注为正样本,标注类别标签为+1，在非车道线区域随机采样大于正样本数量的负样本，标注类别标签为-1；

1-2)对标注的正负样本统一缩放到k*k的窗口大小并提取梯度特征将类别标签y_n与梯度特征用来训练第一级支持向量机SVM分类器得到模型参数R^k*k表示k*k维的向量，·表示内积；

1-3)对第一级SVM分类器训练完成后，对样本图像的图像金字塔的各尺寸(w_o,h_o)的图片上进行k*k的窗口滑窗，计算尺寸(w_o,h_o)下每一个窗口梯度特征将窗口梯度特征输入第一级SVM分类器得到尺寸(w_o,h_o)下的分数S_l，图像金字塔的不同尺寸(w_o,h_o)的个数为M；

1-4)利用图像金字塔各尺寸(w_o,h_o)下的分数S_l以及对应的类别标签y_n训练第二级SVM分类器得到不同尺寸(w_o,h_o)下的模型参数v_m和模型参数t_m，m＝1,2,…,M；

2)检测步骤：

2-1)对检测图像的图像金字塔的各尺寸(w_o,h_o)的图片上进行k*k的窗口滑窗，计算尺寸(w_o,h_o)下每一个窗口梯度特征将窗口梯度特征输入第一级SVM分类器得到尺寸(w_o,h_o)下的分数S_l，

2-2)将从第一级分数SVM分类器输出S_l输入第二级SVM分类器得到检测图像的图像金字塔的各尺寸(w_o,h_o)的图片中各窗口的分数O_l，O_l＝v_m·S_l+t_m，

2-3)对所有窗口的分数O_l进行从大到小排序，取前面N个窗口作为候选目标窗口；再使用非极大值抑制消除多余的候选窗口；

2-4)对使用非极大值抑制处理后的候选窗口进行二值化，得到车道线所在的白色区域；

2-5)对白色区域进行直线拟合得到小块车道线直线方程；

2-6)利用k-means聚类对所有小块车道线直线方程的斜率和截距进行聚类，聚类的中心即为车道线的斜率和截距，得到检测图片中所有车道线的直线方程；

2-7)选取最靠近图像中央的两条车道线即为当前车道的车道线。

针对车道线有实线和虚线两种情况，且车道线本身为长条状，不易于进行样本的标注的特点，本发明将车道线分块，以小块为单位进行检测；针对车道线简单的颜色和轮廓信息，采用计算量很小的梯度特征，能快速的找到车道线的一些小块，使得车道线能够被快速的检测出来；使用两级的SVM分类器，第一级SVM采用梯度特征检测车道线目标，第二级SVM对不同尺度的图像赋予不同的权重，从而得到更为准确的检测结果；最后，将欧式空间的距离投影到“截距-斜率”空间进行聚类，使同一条车道线的小块聚为一类，使用直线拟合得到车道线的位置。

本发明的有益效果是，能快速、准确的检测出当前车道线的位置。

附图说明

图1标注的训练样本；

图2检测出车道线的小块；

图3两条车道线的k、b聚类示意图；

图4检测到的车道线。

具体实施方式

为了方便描述本发明的内容，首先对以下现有技术进行说明。

1：图像金字塔。对于一幅大小为(w,h)的输入图像，进行M次缩小或者放大操作，得到M个不同尺寸的图像，它们的尺寸为{(w_o,h_o)}，以M＝64为例，w_o,h_o∈{8,16,32,64,126,256,512,1024}。

2：梯度特征。对于每一个大小为(w_o,h_o)的图像，使用滑窗的方法，用k*k的窗口依次滑过整幅图像，得到一系列的窗口。对于每一个窗口，提取图像的梯度特征，则每一个窗口的特征为k*k的矩阵，将该矩阵排列成一个k*k维的向量实施例中取8*8的窗口。

I(i,j)表示图像中位置为(i,j)的像素。I(i,j)dx表示像素I(i,j)在x方向上的微分，I(i,j)dy表示像素I(i,j)在y方向上的微分，G(i,j)表示像素点(i,j)上的梯度，；I(i,j)dy表示像素I(i,j)在y方向上的微分：

G(i,j)＝|I(i,j)dx|+|I(i,j)dy|

I(i,j)dx＝I(i+1,j)-I(i,j)

I(i,j)dy＝I(i,j+1)-I(i,j)

是8*8窗口的梯度向量，包含64个G(i,j)。

3：支持向量机SVM算法(Support Vector Machine)。SVM算法在解决小样本、非线性及高维模式识别中表现出许多特有的优势，并能够推广应用到函数拟合等其他机器学习问题中，是一种常用的分类算法，它能够最大化两个类别之间的距离，以此来得到更好的分类效果。对于线性的SVM算法g(x)，它能够通过输入特征得到线性模型的模型参数

4：K-means算法。K-means算法是硬聚类算法，是典型的基于原型的目标函数聚类方法的代表，它是数据点到原型的某种距离作为优化的目标函数，利用函数求极值的方法得到迭代运算的调整规则。K-means算法以欧式距离作为相似度测度，它是求对应某一初始聚类中心向量V最优分类，使得评价指标J最小。算法采用误差平方和准则函数作为聚类准则函数。

5：非极大值抑制。非极大值抑制(Non-Maximum Suppression，NMS)主要目的是为了消除多余的候选框，可以被理解为局部最大搜索。主要步骤如下：(1)将初始检测窗口按照检测分数从高到低排序；(2)将第1个初始检测窗口作为当前的抑制窗口；(3)将所有检测分数比当前抑制窗口低的初始窗口作为被抑制窗口。计算当前抑制窗口与被抑制窗口的重合面积比率：面积的交/面积的并。剔除重合面积比率高于设定阈值的窗口；(4)如果只剩最后一个初始检测窗口则结束，否则按照排好的顺序，取下一个未被抑制的窗口作为抑制窗口，转到步骤(3)。

本发明提出两级的SVM算法来检测一系列车道线的小块，这个过程分为训练和检测两步。

1)训练步骤：

1-1)如图1所示，对样本图像进行标注得到全部样本的类别标签y_n，n为样本总数：用小块矩形框将车道线区域标注为正样本,标注类别标签为+1，在非车道线区域随机采样大于正样本数量的负样本，标注类别标签为-1，这里使用大约正样本数量5倍的负样本；

1-2)对标注的正负样本统一缩放到k*k的窗口大小并提取梯度特征将类别标签y_n与梯度特征用来训练第一级支持向量机SVM分类器得到模型参数R⁶⁴表示64维的向量，·表示内积；

1-3)对第一级SVM分类器训练完成后，对样本图像的图像金字塔的各尺寸(w_o,h_o)的图片上进行k*k的窗口滑窗，计算尺寸(w_o,h_o)下每一个窗口梯度特征将窗口梯度特征输入第一级SVM分类器得到尺寸(w_o,h_o)下的分数S_l，S_l是一个数值；图像金字塔的不同尺寸(w_o,h_o)的个数为M；

1-4)利用图像金字塔各尺寸(w_o,h_o)下的分数S_l以及对应的类别标签y_n训练第二级SVM分类器得到不同尺寸(w_o,h_o)下的模型参数v_m和模型参数t_m，第二级SVM分类器共有64个，m＝1,2,…,64；

2)检测步骤：

2-1)由于每一个大小为(w_o,h_o)的图像中出现目标的可能性并不相同，因此对检测图像的图像金字塔的各尺寸(w_o,h_o)∈{8,16,32,64,126,256,512,1024}的图片上进行8*8的窗口滑窗，计算尺寸(w_o,h_o)下每一个窗口梯度特征将窗口梯度特征输入第一级SVM分类器得到尺寸(w_o,h_o)下的分数S_l，S_l表示对应的样本属于正负样本的可能性，若S_l>0，那么S_l越接近+1越可能属于正样本；若S_l<0，那么S_l越接近-1越可能属于负样本；

2-2)将从第一级分数SVM分类器输出对检测图像的图像金字塔的各尺寸(w_o,h_o)∈{8,16,32,64,126,256,512,1024}下的分数S_l输入第二级SVM分类器得到检测图像的图像金字塔的各尺寸(w_o,h_o)的图片中各窗口的分数O_l，O_l＝v_m·S_l+t_m，分数O_l表示目标的可能性，O_l∈[-1,+1]，O_l越大则越有可能为目标；

2-3)对所有窗口的分数O_l进行从大到小排序，取前面200个窗口作为候选目标窗口；再使用非极大值抑制消除多余的候选窗口，得到车道线小块的那些窗口，如图2所示；

2-4)对使用非极大值抑制处理后的候选窗口进行二值化，得到车道线所在的白色区域；

2-5)对白色区域进行直线拟合得到小块车道线直线方程y＝k·x+b；

2-6)由于同一条车道线的斜率k和截距b都很接近，不同车道线的斜率k和截距b相差很大，所以将欧式空间映射到k、b空间，如图3所示，利用k-means聚类算法对所有小块车道线的k和b进行聚类。聚类的中心即为车道线的斜率k和截距b。由此可以得到图中每条车道线的直线方程；

2-7)选取最靠近图像中央的两条车道线即为当前车道的车道线，如图4所示。