本发明具体涉及一种基于帧间关联的实时车道线检测方法。
背景技术：
在基于视觉的智能车辆导航或智能辅助驾驶系统中，车道线检测是一个基本且必要的部分。80年代后期研制的navlab系列智能实验车采用了快速自适应横向位置处理视觉系统(ralph)对道路进行检测，自动驾驶路程高达98.2%，智能性很高，并具有极强的鲁棒性[1飞其中车道线检测是智能车驾驶系统的核心技术之一，它能够有效引导车辆在车道线内行驶，保证交通安全和减少交通堵塞。
近年来，在车道线检测技术上已经有了较多的研究创新，也取得了不错的检测效果因。总体上来看，在现阶段车道识别的方法主要分为两种:图像特征法和模型匹配法。图像特征法的基本思想是利用车道边界或标志线与周围环境在图像特征上的不同来进行检测。特征差异包括形状、纹理、连续性、灰度和对比度等。
技术实现要素：
本发明要解决的技术问题是提供一种基于帧间关联的实时车道线检测方法。
一种基于帧间关联的实时车道线检测方法，包括以下步骤：
s1：判断从摄像头采集的视频帧图像是否为第一帧，若为第一帧图像，则在规定的感兴趣区域内对图像进行预处理；
s2：利用改进的hough变换对车道线提取候选车道点集合，并结合车道线模型对左右车道线进行识别；
s3：若不是第一帧图像，利用前帧车道线模型参数，在预测的roi区域内对图像进行预处理和hough变换，将得到的候选车道线集与预测条件进行匹配；
s4：如果符合条件则认为是有车道线的，更新当前保存的车道线模型参数；如果不满足条件，则由检测失效判别模块进行处理，失效帧数在t(t=5)帧以上，系统将下一帧图像作为第一帧来处理，并将车道线模型参数初始化；
s5：上述检测过程可一直持续下去，直到车道线检测结束。
进一步的，改进的hough变换的车道线检测方法如下：
1）hough变换的极坐标方程为：
2）建立一个参数空间矩阵
其中，
3）根据1）中的式子，对矩阵相应的单元格进行累加：
4）根据
其中，
4）根据直线性质，判断是否为直线，当n>20和s>0.2时，即是满足条件的有效线段。
进一步的，预测的roi区域的建立如下：
左右车道线动态区域roi为一个直角的四边形：
其中，
进一步的，失效判别的方法如下：
1)在动态roi内，检测到的直线条数为零；
2)不满足车道线约束条件的帧数大于t(t=5)；
3)从当前帧检测出的车道线参数相对于上帧发生了突变。
本发明的有益效果是：
本发明方法能够实时、准确地检测出复杂交通环境下的车道标志线，并具有相当好的抗干扰性。根据城市半结构化道路环境的特点，将近视野范围内的车道线定义为直线模型，同时融合帧间关联对车道线特征进行提取并约束车道线参数方程。通过动态感兴趣区域、基于车道线特征的滤波算法、自适应阔值边缘检测和hough变换算法等，既增强了车道线边缘特征，又减少了图像数据的运算量。
具体实施方式
以下具体实施例对本发明作进一步阐述，但不作为对本发明的限定。
一种基于帧间关联的实时车道线检测方法，包括以下步骤：
s1：判断从摄像头采集的视频帧图像是否为第一帧，若为第一帧图像，则在规定的感兴趣区域内对图像进行预处理；
s2：利用改进的hough变换对车道线提取候选车道点集合，并结合车道线模型对左右车道线进行识别；
s3：若不是第一帧图像，利用前帧车道线模型参数，在预测的roi区域内对图像进行预处理和hough变换，将得到的候选车道线集与预测条件进行匹配；
s4：如果符合条件则认为是有车道线的，更新当前保存的车道线模型参数；如果不满足条件，则由检测失效判别模块进行处理，失效帧数在t(t=5)帧以上，系统将下一帧图像作为第一帧来处理，并将车道线模型参数初始化；
s5：上述检测过程可一直持续下去，直到车道线检测结束。
改进的hough变换的车道线检测方法如下：
1）hough变换的极坐标方程为：
2）建立一个参数空间矩阵
其中，
3）根据1）中的式子，对矩阵相应的单元格进行累加：
4）根据
其中，
4）根据直线性质，判断是否为直线，当n>20和s>0.2时，即是满足条件的有效线段。
预测的roi区域的建立如下：
左右车道线动态区域roi为一个直角的四边形：
其中，
失效判别的方法如下：
1)在动态roi内，检测到的直线条数为零；
2)不满足车道线约束条件的帧数大于t(t=5)；
3)从当前帧检测出的车道线参数相对于上帧发生了突变。