本发明涉及智能交通技术领域，尤其涉及一种车道线的获取方法及装置。
背景技术：
汽车辅助驾驶系统通常用来避免驾驶员的错误操作和疲劳驾驶。当车辆偏离正确车道或即将发生碰撞时，提醒驾驶员或自动控制车辆到安全状态，进而提高驾驶员的安全性。在汽车辅助驾驶系统中，车道线检测的精度和鲁棒性是非常重要的。
为了提高车道线的检测精度，现有技术中，通常是基于车道线颜色特征的方法和基于车道线边缘灰度值特征的方法进行检测，但是，对于基于车道线颜色特征的方法而言，其要求车道线必须具有鲜明的对比色，而现有的车道线的各颜色之间不一定具有鲜明的对比，采用该方法检测车道线的精度不高。此外，对于基于车道线边缘灰度值特征的方法而言，如果在安全标记较多的道路上，车道线边缘灰度值特征之间相似度较高，采用该方法检测车道线的精度也不高。
因此，采用现有的车道线检测方法，使得车道线检测的精度不高。
技术实现要素：
本发明提供一种车道线的获取方法及装置，以提高车道线的检测精度。
本发明实施例提供一种车道线的获取方法，包括：
对待检测道路中的感兴趣区域图进行逆透视变换，得到变换后的感兴趣区域图；
采用ycbcr颜色空间模型确定所述变换后的感兴趣区域图中每一个像素属于车道线的颜色概率；
并对所述每一个像素属于车道线的颜色概率进行归一化处理，得到所述每一个像素属于车道线的灰度概率；
根据所述每一个像素属于车道线的灰度概率得到所述车道线灰度概率图；
采用聚类算法对所述车道线灰度概率模型图进行区域分割处理，得到二值分割结果图；
对所述二值分割结果图进行处理，并获取所述待检测道路中的车道线。
在本发明一实施例中，所述采用ycbcr颜色空间模型确定所述变换后的感兴趣区域图中每一个像素属于车道线的颜色概率，包括：
根据
其中，p(ci|x)表示像素属于车道线的概率，n-1表示车道线共有n-1类颜色，ci为第i类颜色，每个像素的颜色可以表示为：x＝(y,cb,cr)，且x＝(y，cb，cr)，y是亮度分量，cb是蓝色色度分量，cr是红色色度分量，p(x)为像素x的颜色概率，p(x|ci)为可能性概率，
在本发明一实施例中，所述对所述每一个像素属于车道线的颜色概率进行归一化处理，得到所述每一个像素属于车道线的灰度概率，包括：
根据
其中，
在本发明一实施例中，所述对所述二值分割结果图进行处理，并获取所述待检测道路中的车道线，包括：
对所述二值分割结果图进行形态学处理，得到处理后的二值分割结果图；
对所述处理后的二值分割结果图进行处理，并获取所述待检测道路中的车道线。
在本发明一实施例中，所述对所述处理后的二值分割结果图进行处理，并获取所述待检测道路中的车道线，包括：
采用索贝尔sobel算法检测所述处理后的二值分割结果图中的边缘曲线；
对所述边缘曲线进行中心线操作处理，得到处理后的中心曲线；
采用霍尔hough变换对所述中心曲线进行分段处理，并对分段处理后得到的多个直线段进行拟合处理，获取所述待检测道路中的车道线。
在本发明一实施例中，所述采用索贝尔sobel算法检测所述处理后的二值分割结果图中的边缘曲线，包括：
采用所述sobel算法获取所述处理后的二值分割结果图中每一个像素的横向值和纵向值；
根据所述每一个像素的横向值和纵向值确定所述每一个像素梯度值和方向；
当所述每一个像素的梯度值和方向大于预设阈值，且梯度值在一定预设范围内时，确定所述每一个像素为所述处理后的二值分割结果图的边缘点；
根据每一个边缘点检测所述处理后的二值分割结果图中的边缘曲线。
在本发明一实施例中，所述获取所述待检测道路中的车道线之后，包括：
在地图上显示所述待检测道路中的车道线。
本发明实施例还提供一种车道线的获取装置，包括：
变换单元，用于对待检测道路中的感兴趣区域图进行逆透视变换，得到变换后的感兴趣区域图；
确定单元，用于采用ycbcr颜色空间模型确定所述变换后的感兴趣区域图中每一个像素属于车道线的颜色概率；
处理单元，用于对所述每一个像素属于车道线的颜色概率进行归一化处理，得到所述每一个像素属于车道线的灰度概率；
生成单元，用于根据所述每一个像素属于车道线的灰度概率得到所述车道线灰度概率图；
分割单元，用于采用聚类算法对所述车道线灰度概率模型图进行区域分割处理，得到二值分割结果图；
获取单元，用于对所述二值分割结果图进行处理，并获取所述待检测道路中的车道线。
在本发明一实施例中，所述确定单元，具体用于根据
其中，p(ci|x)表示像素属于车道线的概率，n-1表示车道线共有n-1类颜色，ci为第i类颜色，每个像素的颜色可以表示为：x＝(y,cb,cr)，且x＝(y，cb，cr)，y是亮度分量，cb是蓝色色度分量，cr是红色色度分量，p(x)为像素x的颜色概率，p(x|ci)为可能性概率，
在本发明一实施例中，所述处理单元，具体用于根据
其中，
在本发明一实施例中，所述获取单元，具体用于对所述二值分割结果图进行形态学处理，得到处理后的二值分割结果图；并对所述处理后的二值分割结果图进行处理，并获取所述待检测道路中的车道线。
在本发明一实施例中，所述获取单元，具体用于采用索贝尔sobel算法检测所述处理后的二值分割结果图中的边缘曲线；对所述边缘曲线进行中心线操作处理，得到处理后的中心曲线；采用霍尔hough变换对所述中心曲线进行分段处理，并对分段处理后得到的多个直线段进行拟合处理，获取所述待检测道路中的车道线。
在本发明一实施例中，所述获取单元，具体用于采用所述sobel算法获取所述处理后的二值分割结果图中每一个像素的横向值和纵向值；根据所述每一个像素的横向值和纵向值确定所述每一个像素梯度值和方向；当所述每一个像素的梯度值和方向大于预设阈值，且梯度值在一定预设范围内时，确定所述每一个像素为所述处理后的二值分割结果图的边缘点；根据每一个边缘点检测所述处理后的二值分割结果图中的边缘曲线。
在本发明一实施例中，所述车道线的获取装置还包括显示单元；
所述显示单元，用于在地图上显示所述待检测道路中的车道线。
本发明实施例提供了一种车道线的获取方法，先对待检测道路中的感兴趣区域图进行逆透视变换，得到变换后的感兴趣区域图；采用ycbcr颜色空间模型确定变换后的感兴趣区域图中每一个像素属于车道线的颜色概率；并对每一个像素属于车道线的颜色概率进行归一化处理，得到每一个像素属于车道线的灰度概率；根据每一个像素属于车道线的灰度概率得到车道线灰度概率图；采用聚类算法对车道线灰度概率模型图进行区域分割处理，得到二值分割结果图；对二值分割结果图进行处理，并获取待检测道路中的车道线，从而提高了车道线检测的精度。
附图说明
图1为本发明实施例提供的一种车道线的获取方法的示意图；
图2为本发明实施例提供的一种摄像机位置的示意图；
图3为本发明实施例提供的一种拍摄的帧图像的大小尺寸的示意图；
图4为本发明实施例提供的一种感兴趣区域图进行逆透视变换前和变换后的感兴趣区域图的示意图；
图5为本发明实施例提供的一种而知分割结果图的示意图；
图6为本发明实施例提供的一种对二值分割结果图进行处理的流程示意图；
图7为本发明实施例提供的一种形态学处理后的二值分割结果图的示意图；
图8为本发明实施例提供的一种处理后的中心曲线的示意图；
图9为本发明实施例提供的一种跟踪后得到的两侧车道线的示意图；
图10为本发明实施例提供的一种车道线获取的装置的结构示意图；
图11为本发明实施例提供的另一种车道线获取的装置的结构示意图。
具体实施方式
这里将对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
现有技术中，通常是基于车道线颜色特征的方法和基于车道线边缘灰度值特征的方法进行检测，但是，对于基于车道线颜色特征的方法而言，其要求车道线必须具有鲜明的对比色，而现有的车道线的各颜色之间不一定具有鲜明的对比，采用该方法检测车道线的精度不高。此外，对于基于车道线边缘灰度值特征的方法而言，如果在安全标记较多的道路上，车道线边缘灰度值特征之间相似度较高，采用该方法检测车道线的精度也不高，从而导致车道线检测的精度不高。为了提高车道线检测的精度，本发明实施例提供了一种车道线的获取方法，先对待检测道路中的感兴趣区域图进行逆透视变换，得到变换后的感兴趣区域图；采用ycbcr颜色空间模型确定变换后的感兴趣区域图中每一个像素属于车道线的颜色概率；并对每一个像素属于车道线的颜色概率进行归一化处理，得到每一个像素属于车道线的灰度概率；根据每一个像素属于车道线的灰度概率得到车道线灰度概率图；采用聚类算法对车道线灰度概率模型图进行区域分割处理，得到二值分割结果图；对二值分割结果图进行处理，并获取待检测道路中的车道线，从而提高了车道线检测的精度。
下面以具体的实施例对本发明的技术方案进行说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程在某些实施例中不再赘述。下面将结合附图，对本发明的实施例进行描述。
图1为本发明实施例提供的一种车道线的获取方法的示意图，该车道线的获取方法可以由车道线的获取装置，该车道线的获取装置可以独立设置，也可以集成在其他设备中，请参见图1所示，该车道线的获取方法可以包括：
s101、对待检测道路中的感兴趣区域图进行逆透视变换，得到变换后的感兴趣区域图。
在确定待检测道路的原始图像后，可以去除原始图像中的感兴趣区域中的天空区域，以得到感兴趣区域图；再对感兴趣区域进行逆透视变换，示例的，在进行逆透视变换时，可以通过使用摄像机参数将车道线从摄像机视图转换为鸟瞰图，逆透视变换后的车道线是平行的并且具有相同的宽度，然后使用滤波器或几何约束检测车道。利用逆透视变换可以将图像坐标系中的道路图变换到世界坐标系中。请参见图2和图3所示，图2为本发明实施例提供的一种摄像机位置的示意图，图3为本发明实施例提供的一种拍摄的帧图像的大小尺寸的示意图。逆透视变换后的感兴趣区域图中的坐标为x,y,z，γ和θ是摄像机的偏航角和俯仰角，摄像机视角范围为2α。摄像机相对地平面的位置为d,h,l，初始帧图像中的坐标为u,v，初始帧图像的尺寸为rx,ry。
其中，逆透视变换的模型可以为：
z＝0
在感兴趣区域图进行逆透视变换之后，可以生成逆透视变换后的感兴趣区域图，请参见图4所示，图4为本发明实施例提供的一种感兴趣区域图进行逆透视变换前和变换后的感兴趣区域图的示意图。
s102、采用ycbcr颜色空间模型确定变换后的感兴趣区域图中每一个像素属于车道线的颜色概率。
在通过s101得到变换后的感兴趣区域图之后，就可以采用ycbcr颜色空间模型确定逆透视变换后的感兴趣区域图中每一个像素属于车道线的颜色概率，由于在不同的光照条件下，ycbcr空间比rgb空间有更好的性能，并可以基于人的视觉特性降低摄像机采集的彩色图像的存储容量，因此，可以先将逆透视变换后的感兴趣区域图由rgb颜色空间转换为ycbcr空间，其中y是亮度分量，cb是蓝色色度分量，cr是红色色度分量，从而通过该ycbcr颜色空间模型确定变换后的感兴趣区域图中每一个像素属于车道线的颜色概率。
具体的，可以通过
可选的，在本发明实施例中，s102采用ycbcr颜色空间模型确定变换后的感兴趣区域图中每一个像素属于车道线的颜色概率，包括：
根据
其中，p(ci|x)表示像素属于车道线的概率，n-1表示车道线共有n-1类颜色，ci为第i类颜色，每个像素的颜色可以表示为：x＝(y,cb,cr)，且x＝(y，cb，cr)，y是亮度分量，cb是蓝色色度分量，cr是红色色度分量，p(x)为像素x的颜色概率，p(x|ci)为可能性概率，
s103、对每一个像素属于车道线的颜色概率进行归一化处理，得到每一个像素属于车道线的灰度概率。
通过s102确定变换后的感兴趣区域图中每一个像素属于车道线的颜色概率之后，就可以对每一个像素属于车道线的颜色概率进行归一化处理，得到每一个像素属于车道线的灰度概率。可选的，s103对每一个像素属于车道线的颜色概率进行归一化处理，得到每一个像素属于车道线的灰度概率，包括：
根据
其中，
s104、根据每一个像素属于车道线的灰度概率得到车道线灰度概率图。
在通过s103对每一个像素属于车道线的颜色概率进行归一化处理，得到每一个像素属于车道线的灰度概率之后，就可以根据每一个像素属于车道线的灰度概率得到车道线灰度概率图，在该车道线灰度概率图中，车道线区域有较高的密度，背景区域有较低的密度，但其中可能包含大量的误报信息。因此，可以使用中值滤波消除图像的尖脉冲噪声，突出图像的边缘和细节。
需要说明的是，在本发明实施例中，在通过s101对待检测道路中的感兴趣区域图进行逆透视变换，得到变换后的感兴趣区域图之后，还可以直接采用rgb颜色空间模型对变换后的感兴趣区域图进行处理，得到处理后的车道线颜色概率图，再采用聚类算法对车道线颜色概率模型图进行区域分割处理，得到二值分割结果图。
s105、采用聚类算法对车道线灰度概率模型图进行区域分割处理，得到二值分割结果图。
示例的，该聚类算法可以为部分信息模糊c-均值聚类算法，也可以采用k-means聚类算法，当然，也可以采用其它聚类算法。示例的，在本发明实施例中，聚类算法为部分信息模糊c-均值聚类算法。在局部信息模糊c-均值聚类算法是用点的隶属度确定每个点属于某个聚类的程度的一种聚类算法。具体算法如下：
(1)先根据
(2)根据
(3)再根据
s106、对二值分割结果图进行处理，并获取待检测道路中的车道线。
在通过s105得到二值分割结果图后，就可以对该二值分割结果图进行处理，并获取待检测道路中的车道线。由此可见，在获取待检测道路中的车道线时，在采用聚类算法对车道线灰度概率模型图进行区域分割处理之前，先采用ycbcr颜色空间模型确定变换后的感兴趣区域图中每一个像素属于车道线的颜色概率，对每一个像素属于车道线的颜色概率进行归一化处理，得到每一个像素属于车道线的灰度概率，根据每一个像素属于车道线的灰度概率得到车道线灰度概率图，之后，再对生成的车道线灰度概率图进行区域分割，从而提高了车道线检测的精度。
本发明实施例提供了一种车道线的获取方法，先对待检测道路中的感兴趣区域图进行逆透视变换，得到变换后的感兴趣区域图；采用ycbcr颜色空间模型确定变换后的感兴趣区域图中每一个像素属于车道线的颜色概率；并对每一个像素属于车道线的颜色概率进行归一化处理，得到每一个像素属于车道线的灰度概率；根据每一个像素属于车道线的灰度概率得到车道线灰度概率图；采用聚类算法对车道线灰度概率模型图进行区域分割处理，得到二值分割结果图；对二值分割结果图进行处理，并获取待检测道路中的车道线，从而提高了车道线检测的精度。
基于图1所示的实施例，在得到二值分割结果图之后，对二值分割结果图进行处理，并获取待检测道路中的车道线，可以通过以下方式实现，请参见图6所示，图6为本发明实施例提供的一种对二值分割结果图进行处理的流程示意图。
s601、对二值分割结果图进行形态学处理，得到处理后的二值分割结果图。
示例的，在本发明实施例中，通过对二值分割结果图进行形态学处理，目的在于可以将跨度小于矩形结构的峰顶取消且去除噪音，使得处理后的二值分割结果图中的车道线区域更加完整。请参见图7所示，图7为本发明实施例提供的一种形态学处理后的二值分割结果图的示意图。
s602、采用索贝尔sobel算法检测处理后的二值分割结果图中的边缘曲线。
可选的，在本发明实施例中，s602采用索贝尔sobel算法检测处理后的二值分割结果图中的边缘曲线，可以包括：
采用sobel算法获取处理后的二值分割结果图中每一个像素的横向值和纵向值；根据每一个像素的横向值和纵向值确定每一个像素梯度值和方向；当每一个像素的梯度值和方向大于预设阈值，且梯度值在一定预设范围内时，确定每一个像素为处理后的二值分割结果图的边缘点；根据每一个边缘点检测处理后的二值分割结果图中的边缘曲线。
具体的，sobel算法能够在低对比度图像中准确地定位边缘，其横向和纵向近似求导后的图像为：
梯度大小和方向为：
当某像素的梯度大于某一阈值，并且方向在一定范围内，设定该像素为车道线区域的边缘点；在确定每一个边缘点之后，就可以根据每一个边缘点检测处理后的二值分割结果图中的边缘曲线。请参见图7所示，图7为本发明实施例提供的一种采用索贝尔sobel算法检测处理后的二值分割结果图中的边缘曲线的示意图。
s603、对边缘曲线进行中心线操作处理，得到处理后的中心曲线。
车道线区域的中心线可以为车道线区域两条边缘线的平均值，请参见图8所示，图8为本发明实施例提供的一种处理后的中心曲线的示意图。
s604、采用霍尔hough变换对中心曲线进行分段处理，并对分段处理后得到的多个直线段进行拟合处理，获取待检测道路中的车道线。
在通过s603得到处理后的中心曲线之后，就可以采用hough变换在图像底部区域的左右两部分分别搜索直线。hough变换在直线的极坐标参数空间进行投票，累积的局部峰值点为候选直线。其中，候选直线满足如下条件：
(1)直线与垂直方向的夹角必须在25°内；(2)直线的底部交点与图像的底部中心点之间的距离不能超过图像中一个车道的宽度；(3)两条车道线必须满足平行条件；(4)当有多条直线符合条件时，分别在左右两侧选择最接近底部中心点的直线作为车道线。
根据上述四个条件可以确定图像底部区域左右两部分中最主要的直线。在当前帧中，检测到的直线底部的固定长度线段，选取其作为两侧车道线的初始段；然后沿着初始段方向跟踪车道线；整个车道线可近似为许多直线段首尾相连；连续一侧的车道直线段的角度可用于近似跟踪另一侧断续的车道线；当车道线中断或道路上有阴影时，跟踪程序也可以持续跟踪检测出完整的当前帧车道线。请参见图9所示，图9为本发明实施例提供的一种跟踪后得到的两侧车道线的示意图。在得到图9之后，可以使用最小二乘方法拟合为二次多项式，通过求解拟合多项式的系数矩阵来获得拟合曲线方程。拟合过程通过二次多项式模型将近似的跟踪结果转变为高精度拟合曲线，提高了检测的可靠性。
可选的，在本发明实施例中，获取待检测道路中的车道线之后，还可以包括：
在地图上显示待检测道路中的车道线。
利用卡尔曼滤波器跟踪每帧的车道线斜率，可以通过先前状态和当前测量预测之后的状态，预测比单独测量更准确，然后逐帧修正进而绘制出精准的全局地图，从而在地图上显示待检测道路中的车道线。
为了验证本发明实施例提供的车道线的获取方法，下面，以表1中的相关数据为例，选取车辆在城市道路上的视频图像序列中的300帧进行分析，这些图像中的道路质量较差，包括雨天和夜晚等不同环境，还包括各种不同的弯道情况。其中，每帧图像的大小为320*280，平均每帧图像检测车道线的时间为22毫秒，平均每秒45.5帧。当车辆速度为100km/h时，即车辆每秒行驶27.8m，系统每隔0.61m进行车道线更新。检测结果如表1所示。
表1各种不同环境下的检测正确率
由表1的检测结果可以看出：有295帧图像可正确检测车道线，其正确率为98.3％。在车道线有部分遮挡、孔洞、阴影情况下，该系统仍有很好的检测结果，因此，本发明实施例提供的车道线的获取方法具有良好的抗干扰性能。
图10为本发明实施例提供的一种车道线获取的装置100的结构示意图，请参见图10所示，该车道线获取的装置100可以包括：
变换单元1001，用于对待检测道路中的感兴趣区域图进行逆透视变换，得到变换后的感兴趣区域图。
确定单元1002，用于采用ycbcr颜色空间模型确定变换后的感兴趣区域图中每一个像素属于车道线的颜色概率。
处理单元1003，用于对每一个像素属于车道线的颜色概率进行归一化处理，得到每一个像素属于车道线的灰度概率。
生成单元1004，用于根据每一个像素属于车道线的灰度概率得到车道线灰度概率图。
分割单元1005，用于采用聚类算法对车道线灰度概率模型图进行区域分割处理，得到二值分割结果图。
获取单元1006，用于对二值分割结果图进行处理，并获取待检测道路中的车道线。
可选的，确定单元1002，具体用于根据
其中，p(ci|x)表示像素属于车道线的概率，n-1表示车道线共有n-1类颜色，ci为第i类颜色，每个像素的颜色可以表示为：x＝(y,cb,cr)，且x＝(y，cb，cr)，y是亮度分量，cb是蓝色色度分量，cr是红色色度分量，p(x)为像素x的颜色概率，p(x|ci)为可能性概率，
可选的，处理单元1003，具体用于根据
其中，
可选的，获取单元1006，具体用于对二值分割结果图进行形态学处理，得到处理后的二值分割结果图；并对处理后的二值分割结果图进行处理，并获取待检测道路中的车道线。
可选的，获取单元1006，具体用于采用索贝尔sobel算法检测处理后的二值分割结果图中的边缘曲线；对边缘曲线进行中心线操作处理，得到处理后的中心曲线；采用霍尔hough变换对中心曲线进行分段处理，并对分段处理后得到的多个直线段进行拟合处理，获取待检测道路中的车道线。
可选的，获取单元1006，具体用于采用sobel算法获取处理后的二值分割结果图中每一个像素的横向值和纵向值；根据每一个像素的横向值和纵向值确定每一个像素梯度值和方向；当每一个像素的梯度值和方向大于预设阈值，且梯度值在一定预设范围内时，确定每一个像素为处理后的二值分割结果图的边缘点；根据每一个边缘点检测处理后的二值分割结果图中的边缘曲线。
可选的，车道线的获取装置100还可以包括显示单元1007，请参见图11所示，图11为本发明实施例提供的另一种车道线获取的装置100的结构示意图。
显示单元1007，用于在地图上显示待检测道路中的车道线。
上述车道线的获取装置100，对应地可执行任一实施例的车道线的获取方法的技术方案，其实现原理和技术效果类似，在此不再赘述。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本发明旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求书指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求书来限制。