一种基于视觉关联双空间的车道线特征提取方法与流程

本发明属于计算机视觉和智能驾驶环境感知技术领域，特别涉及一种基于视觉的车道线特征提取方法。

背景技术：

车道线是道路场景中最基本的标志元素，在道路交通系统中起着重要地作用，它不仅约束了车辆运行中的横向位置，而且指示了道路的延伸方向，决定了车辆正确运行的轨迹。因此，无论是在车道偏离预警(lanedeparturewarning，ldw)、车道保持(lanekeepingassistance，lka)，自适应巡航(adaptivecruisecontrol，acc)等低级别的驾驶辅助系统还是在高级别的自动驾驶和无人驾驶，车道线识别都是必不可少的基础功能模块。

现有的车道线识别方法大都已以边界作为车道特征，为了剔除图像中其他干扰边界，往往利用车道宽度及角度等车道模型先验知识进行筛选。由于边界特征维度较低(只是二维特征)，因此辨识率较低。当道路空旷时，现有的车道线识别方法可以达到不错的识别效果，而当图像场景中存在大量其他车辆干扰时则很难获得可靠的特征提取。为了提高车道线特征提取的精度，一方面要拓展车道标志特征描述的维度，另一方面在拓展特征描述维度的同时应当尽量选择能够增大车道标志与非车道标志类间差的特征元素。

技术实现要素：

本发明的目的是：为解决车道线识别过程中，车道特征信息维度低，且容易受道路环境干扰造成提取精度差的问题，提供一种具有较强抗干扰能力的车道线识别方法。

本发明的技术方案是：一种基于视觉关联双空间的车道线特征提取方法，包括以下步骤：

s1.通过摄像头获取原始图像，定义摄像头视角为cv-视角，获取cv-视角roi的二值图像ic；

s2.分析提取二值图像ic内的斑块，即blobs特征；

s3.对二值图像ic进行逆透视变换获得俯视视角，即bv-视角下的二值图像ib；

s4.分析提取二值图像ib内的blobs特征；

s5.将二值图像ib、ic内的blobs配对，获得双空间关联blobs特征对；

s6.对双空间关联blobs特征对进行特征提取建立多维特征描述子，并根据各描述特征建立分类决策点；

s7.利用部分或全部分类决策点建立车道线blobs特征分类决策树，完成车道线提取。

有益效果：本发明提出了一种具有较强抗干扰能力的车道线识别方法。该方法采用信息维度发更高的斑块特征(blobs)作为车道特征进行提取，并通过挖掘不同视角下车道blobs与其他干扰的类间差，提出了基于关联双空间的车道blobs分类模型，大大提高了车道线特征的描述维度，解决了车道线识别过程中特征信息维度低且容易受道路环境干扰造成提取精度差的问题。

附图说明

图1是本发明的流程示意图；

图2是本发明中二值图像blobs提取示意图；

图3是本发明中blob宽度、倾角、最小外接矩形定义示意图；

图4是本发明中车道线blobs与非车道线blobs凹凸特性差异示意图；

图5是本发明中分类决策树对blobs特征进行分类的流程示意图。

具体实施方式

参见附图1，实施例1，一种基于视觉关联双空间的车道线特征提取方法，包括以下步骤：

s1.通过摄像头获取原始图像，定义摄像头视角为cv-视角，获取cv-视角roi的二值图像ic；

s2.分析提取二值图像ic内的斑块(blobs)特征；

s3.对二值图像ic进行逆透视变换获得俯视视角(bv-视角)下的二值图像ib；

s4.分析提取俯视视角(bv-视角)下的二值图像ib内的斑块(blobs)特征；

s5.将二值图像ib、ic内的斑块配对，获得双空间关联blobs特征对；

设为关联图像空间中一一对应的n对blobs特征，其中rc(i)和rb(i)分别表示cv-视角和bv-视角中下标为i的blobs；

s6.对双空间关联blobs特征对进行特征提取建立多维特征描述子，并根据各描述特征建立分类决策点；

s7.利用部分或全部分类决策点建立车道线blobs特征分类决策树，完成车道线提取。

实施例2，步骤s1中，首先将车辆前方l米的区域作为车道线检验roi区域；其次，利用自适应阈值方法获得roi区域二值图像ic；自适应阈值方法利用采样窗口对任一像素的局部灰度分布特性进行分析,从而确定该像素的二值化阈值；给定图像中的像素i(x,y)，令采样窗口尺寸为2d+1，d为自然数，则该像素的灰度阈值可以通过利用采样窗口核函数(如高斯核函数)与其领域像素进行卷积获得。

实施例3，步骤s2、s4中，通过像素标记和连通域分析提取blobs特征；

参见附图2，二值图像blobs特征提取一般是通过对图像进行连通域分析和像素标记(pixellabelling)完成的。连通区域反应像素与其相接邻域关系，常见的邻接关系有两种：四邻接域和八邻接域。选用八邻接域关系，并在此基础上利用two-pass方法对二值图像中各像素点逐行进行连通域标记，最终提取出所有相互独立的blobs特征。

实施例4，步骤s6中的特征描述子包括：宽度特征：

参见附图3，根据道路设计施工标准，车道线宽度一般在30cm左右。由于透视效应，cv-视角图像中车道标线标志一般呈现为宽度随距离增加而递减的梯形，所以车道标志线的宽度很难准确估计，但在bv-视角图像中该值可以根据ρresolution(分辨率)通过计算对应blob的宽度计算得出，因此bv-视角图像中各车道线标志的宽度可以作为一个强判别条件对blobs进行筛选。此外，虽然cv-视角图像中车道线标志的真实宽度难以估计，但其在某一距离范围内的宽度是在一定范围内，因此可以作为一个弱判别条件对blobs进行筛选。在求取blobs的像素宽度时，首先获得blob连通区域的最小外接矩形，最小外接矩形的两边长度分别为l1，l2，则该blob的宽w和长l分别为l1，l2其中的较小边长和较大边长；

设分别为关联blobs对的像素宽度；

定义基于宽度信息的决策节点为：

其中：wcmax和wcmin分别为cv-视角图像内rc(i)的最大和最小宽度门限值；wbmax和wbmin为bv-视角图像内rb(i)的最大和最小宽度门限值，为了弥补车道磨损，逆透视变换误差和测量误差的影响，该边界值定义应相对松弛。

实施例5，步骤s6中的特征描述子包括：长宽比特征：

由于车道线标志为矩形长条状，所以其长宽比应明显满足长方形假设，因此长宽比也可以作为区分blobs是否为车道线标志的特征。考虑到cv-视角图像中，远处车道线形状发生较大畸变，长宽比严重失真，因此仅对bv-视角图像中对应的blobs进行该特征的校验；设关联blobs对中rb(i)的像素长宽分别为wb(i)和lb(i)，其长宽比定义基于长宽比特征的决策节点为：

其中：为像素长宽比阈值。由于近视角内某些车道标志线纵向被主车遮挡，以至于长宽比相对较小，为了避免将近视角内的部分遮挡的车道线过早剔除，应对该特征判别的最小阈值定义较为宽松。

实施例6，步骤s6中的特征描述子包括：倾角特征：

在车道线识别中，车道线在图像内的倾角是其被筛选的重要特征，因此被广泛应用于传统的基于边界的车道线识别算法。由于车道标志也继承了车道方向特性，因此blobs的倾角，即blob主轴与图像坐标系x轴的夹角也可用来判断其是否为车道线标志。给定关联blobs对令其cv-bv空间下对应的倾角为根据车道线在不同视角图像空间中的角度范围，定义基于倾角特征的决策节点为，

其中：αcmax，αcmin分别为cv-视角图像中blobs倾角上下门限；αbmax，αbmin分别为bv-视角图像中blobs倾角上下门限；为防止错误删除车道标志，此处对bv和cv视角下的blobs倾角角度范围定义应相对松弛。

实施例7，步骤s6中的特征描述子包括：凹凸特征：

参见附图4，如上述所说，车道线一般为矩形长条，因此无论在bv和cv视角下，其在形态学上均属于凸多边形。虽然车道线的破损及脏污会造成局部残缺或破坏，相对于其最小外接凸多边形仍旧有良好的填充特性。相反，二值图像中存在的好多诸如箭头，车体，道路污渍等干扰blobs往往具有较强的凹多边形特性；因此，凸凹特性可以用来对blobs进行筛选。给定关联blobs对首先求取其最小外接凸多边形然后求其填充度，即blobs面积和其最小外接凸多边形的面积之比：

其中，λc(i)、λb(i)分别为cv视角、bv视角下的blobs填充度，area[.]表示区域面积；

根据上述车道线标志凸凹特性，车道线标志的填充度一般较大，而填充度较小的blobs则可以判断为干扰噪声，定义凹凸特征的决策节点为，

其中，λcth，λbth为cv视角，bv视角图像中blobs填充度的门限。

实施例8，如实施例4-7所述，在二值图像中提取得到的任一blob都可以在关联bv-cv双空间下建立一个具有多维参数的特征描述子；根据公式(1)至(4)可建立4个决策节点：

参见附图5，步骤s7中，本例通过对4个决策点进行级联(也可任选1个、2个或3个决策点)获得分类决策树，完成对车道线blobs的提取。通过对各决策节点参数进行定义，则可以对二值化图像中提取到的blobs特征进行分类，从而获得可靠的车道线特征。