本发明属于无人驾驶及智能辅助驾驶技术领域，尤其涉及一种基于ORB特征提取的车道线检测方法。
背景技术：
车道线检测是智能辅助驾驶系统以及无人驾驶系统研究的一个关键方面，随着汽车的普及记忆无人驾驶汽车的发展，安全驾驶、智能交通越来越受人们关注和重视，车道线检测方法研究已经成为现在国内外研究的热点问题。目前，车道线检测算法主要可以分为两类:基于特征和基于模型的车道检测方法。特征法是基于道路的一些特征(如车道线颜色、宽度以及边缘特征等)将道路图像的所有点标记为车道线点和非车道线点，这种方法要求道路的车道线颜色较为明显，边缘较为清晰，否则无法准确的得到检测结果。但光照变化、阴影遮挡、噪声、道路边界或标志线不连续性等因素都会影响基于特征方法的检测效果，对于这种情况提出了基于模型的检测方法，这种方法是根据提取的特征对预先定义好的车道线模型进行匹配，将车道线的提取转化为车道线模型中参数的计算问题。
技术实现要素：
本发明提供一种基于ORB特征提取的车道线检测方法，利用车载摄像机实时获取图像，对获取的图像进行实时处理，能够正确、实时地提供车道线检测信息。其优点是仅依靠视觉就能辅助驾驶，并且保证了运算开销最小和实时性。算法的设计是工业车载摄像机，能够适应车辆生产家与汽车驾驶员对安全性、实时性、准确性以及成本的要求，具有良好的应用前景。
为实现上述目的，本发明采用如下的技术方案：
一种基于ORB特征提取的车道线检测方法包括以下步骤
步骤1、实时获取路面车道图像；
步骤2、将获取的图像转换成灰度图像；
步骤3、对获取的图像进行感兴趣区域提取；
步骤4、对获取感兴趣区域后的图像进行灰度处理、车道线轮廓填充、边缘检测、车道线特征点的滤波；
步骤5、对预处理后的图像进行ORB特征提取，提取出车道线特
征点；
步骤6：车道线特征点集聚类；
步骤7：车道线左右特征点集RANSAC直线拟合，得到车道线检测的结果；。
作为优选，步骤5具体包括以下步骤：
步骤5-1：ORB采用了灰度质心法进行特征点主方向度量，图像角点区域的灰度矩即特征点的主方向是通过矩计算而来，公式如下：
式中：Mij为灰度矩，I(x,y)为图像(x,y)点处的灰度值；i,j控制着灰度矩的阶数；
步骤5-2：角方向即质心为：
式中：(cx,cy)为质心，M00,M01,M10为3个不同的灰度矩；
步骤5-3：特征点与质心的夹角定义为FAST特征点的方向，可知该特征点区域的主方向为：
式中：(cx,cy)为质心，Cori为特征点区域的主方向；
步骤5-4：ORB采用了一个更有效的BRIEF描述子方法：使用邻域方向Cori和对应的旋转矩阵构建S的一个校正版本
式中：Cori即是特征点求得的主方向；
步骤5-5：对预处理之后的图像用ORB特征快速提取，提取出车道线特征点。
附图说明
图1本发明的流程示意图。
具体实施方式
如图1所示，本发明实施例提供一种基于ORB特征提取的车道线检测方法包括以下步骤：
步骤1：图像采集；
配置智能车车载摄像机即设置参数(曝光度、白平衡等)，将采集的图像质量达到最优状态，实时采集路面车道图像；
步骤2：图像灰度化；
将摄像机获取的图像转换成灰度图像；
步骤3：感兴趣区域提取；
摄像机获取图像后，需要对原始图像进行感兴趣区域提取，排除非车道特征的干扰，感兴趣区域为梯形区域，感兴趣区域必须包含前方车道的所有特征，我们设置梯形区域为(X1,X2,X3,X4,Y1,Y2)，其中(X1，Y1)、(X2，Y1)、(X3，Y2)、(X4，Y2)为梯形感兴趣区域的4个坐标点。
步骤4：图像的预处理；
感兴趣区域提取后我们需要对图像进行灰度处理、车道线轮廓填充、边缘检测、车道线特征点的滤波；
步骤5：ORB特征点提取；
ORB算法采用FAST算子进行特征点检测，是在候选像素点周围内有足够多的像素点与该点处于不同区域，在图像中就是有足够多的像素点灰度值大于或者小于该点的灰度值，考虑到图像中任意一个像素点和以它为中心的一个区域(通常为圆周区域)，假设要判断P是否为一个角点：将P点灰度值和以P点为圆心，3个像素点的宽度为半径的圆周上的16个像素灰度值进行比较，若圆周上存在n个连续的像素点灰度值大于P点灰度值加t或者小于P点像素值减t(t是阈值)，则P为角点，这里n一般取12,9等值。实验证明，n取9时匹配速度最快，ORB中采用FAST-9。
步骤5-1：ORB采用了灰度质心法进行特征点主方向度量，从而简单有效地计算特征点主方向分量。图像角点区域的灰度矩即特征点的主方向是通过矩计算而来，公式如下：
式中：Mij为灰度矩，I(x,y)为图像(x,y)点处的灰度值；i,j控制着灰度矩的阶数。
步骤5-2：角方向即质心为：
式中：(cx,cy)为质心，M00,M01,M10为3个不同的灰度矩。
步骤5-3：特征点与质心的夹角定义为FAST特征点的方向，可知该特征点区域的主方向为：
式中：(cx,cy)为质心，Cori为特征点区域的主方向。
步骤5-4：ORB采用了一个更有效的BRIEF描述子方法：使用邻域方向Cori和对应的旋转矩阵构建S的一个校正版本
式中：Cori即是特征点求得的主方向。
步骤5-5：对预处理之后的图像用ORB特征快速提取，提取出车道线特征点。
步骤6：车道线特征点集聚类；
路面车道特征点提取完成后，需要对这些特征点进行进一步处理，对于车道线检测而言，所需的是检测识别左车道、右车道，对于特征点集使用K-means聚类方法，经常聚类之后，可以得到左车道、右车道两个点集。K-means是一种基于距离的迭代式算法。它将n个观察实例分类到k个聚类中，这里我们分为2个聚类类，以使得每个观察实例距离它所在的聚类的中心点比其他的聚类中心点的距离更小。其中，距离的计算方式可以是欧式距离，或者是曼哈顿距离，这里使用的是欧式距离。
步骤7：车道线左右特征点集RANSAC直线拟合
车道特征点集经聚类之后，会被分成两个特征点集，对这两个车道特征点集，可以采用RANSAC直线拟合，RANSAC是一种迭代的方法，用来在一组包含离群的被观测数据中估算出数学模型的参数。
RANSAC的基本假设是“内群”数据可以通过几组模型参数来叙述其数据分布，而“离群”数据则是不适合模型化的数据。数据会受噪声影响,噪声指的是离群。
RANSAC的线性拟合算法步骤大致如下：
while最大尝试次数
步骤7-1：从观测点集中随机取两点，计算出直线的参数k,t，得出一个候选的直线模型。
步骤7-2：计算候选直线与整个点集的匹配程度，可以采用统计在直线上的点的个数。
步骤7-3：保留匹配程度最好的直线的参数。
步骤7-4：如果本次尝试匹配点的个数占整个点集大部分，超出预期(阈值)，提前结束尝试。
end while
步骤8：将车道线检测的结果显示并发送给决策者，车道线结果显示可以辅助驾驶员驾驶汽车，对于无人驾驶汽车，可以将检测结果生成虚拟中心线，提供给决策者使用。
步骤1中摄像机初始化需要对自动曝光、自动白平衡等功能参数进行设置，使路面车道图像能达到清晰状态；
步骤3中设定感兴趣区域需要保证感兴趣区域涵盖前方、左右路面车道，排除非车道特征的干扰，感兴趣区域为梯形区域，设置梯形区域为(X1,X2,X3,X4,Y1,Y2)，其中(X1，Y1)、(X2，Y1)、(X3，Y2)、(X4，Y2)为梯形感兴趣区域的4个坐标点。
步骤4图像预处理需要对车道线轮廓填充、边缘检测处理的阈值进行最优化设置。
步骤5的特征点提取是车道线检测的重要部分，对图像预处理之后，对车道线边缘图像进行特征提取，提取出车道边缘的特征点。
步骤6中的聚类方法是路面车道特征点提取完成后，需要对这些特征点进行进一步处理，这里所作的处理是对特征点集使用K_means聚类方法，经常聚类之后，可以得到左车道、右车道两个点集。K-means是一种基于距离的迭代式算法，这里距离的计算使用的是欧式距离。
步骤7中RANSAC拟合的参数输入是左车道、右车道点集，参数输出是线性表达式y＝kx+b中的k值和b值。
本发明是一个可行的技术方案，可满足实际应用时的安全性、实时性和准确性，还可以降低智能驾驶的成本。