一种车道线检测的方法与流程

本发明属于智能交通技术领域，尤其是涉及一种车道线检测的方法。

背景技术：

在无人驾驶车辆的自主导航以及车辆的智能辅助驾驶系统中，准确提供道路信息至关重要。近几十年来，各国的研究者提出了各种各样的算法以实现结构性道路与非结构性道路的自动识别，主要利用道路特征来采用直线或曲线模型拟合。直线拟合往往采用Hough变换，但是该变换的离散化计算方式，会使得到的结果与道路线并不一一对应，而是分解、零散、重复甚至包含不相关的线段，因此不得不将Hough变换的检测结果变换回原图像空间中进一步筛选。这个处理流程使得车道线检测算法变得复杂，且检测结果不准确。另一方面，由于受到光照、阴影、遮挡、路面破损等干扰，加大了检测的难度。

技术实现要素：

本发明的目的是提供一种简化方法，提高车道线检测速度，解决现有基于Hough变换的车道线检测方法流程繁琐、检测速度较慢等缺陷，能够快速、准确获取车道线，尤其适合用在无人驾驶车辆的自主导航以及车辆的智能辅助驾驶系统中。

本发明的技术方案是：一种车道线检测的方法，所述方法包括以下步骤：

E、首先将车道线图像下面部分、可能的车道区域设置为ROI；

F、将ROI区域灰度化和二值化后对采用Canny算子获得边缘图像；

G、再对边缘图像进行Hough变换，将边缘线段从图像空间中转换到Hough空间；

H、使用下列约束依次对Hough点进行筛选排查：

D1、平行约束：车道线在真实空间中是平行线，经投影变换后则为相交线，且相交于消失点，消失点通常在图像的中心；在Hough空间，则对应为消失线；消失点位置变化，此曲线也相应变化，因此在图像中心对应的曲线周围划定一个曲线带，带宽为m，为消失线可能的变化范围；

D2、长度约束：车道线一般是该方向上的最长直线，保留每列的最大值点，去除其余的Hough点；

D3、成对约束：每条车道线应该有两条长度近似的边；在Hough空间中，此规律是Hough点成对出现，累加值近似，角度相邻，且水平截距相近；据此，对每个候选Hough点，在邻近范围内找概率最大的边缘点；

优选地，邻近范围计算方式如下：假设车道线在图像边缘上的水平截距为dm，候选点的角度为θc，图像高宽为H和W，则车道线可能的左、右边缘线的角度为(θl,θr)，具体计算公式为：

优选地，选择概率最大的候选边缘线组成成对边缘线，边缘线的概率计算方式如下：当前边缘线的角度为θc，累加值为A，候选边缘线的角度为θ’，累加值为A’，当前边缘线与候选边缘线成对的概率p为

当p大于预设阈值时，保留成对边缘线，并将成对边缘线合并成一条边缘线，新边缘线的角度、累加值为成对边缘线对的角度、累加值的平均值；当p小于预设阈值时，舍弃此成对边缘线。

D4、等宽度约束：当摄像头水平居中安装时，左右应该对称，消失点处于图像垂直方向的中心线上，此时，车道在水平方向上的宽度应该相等；

设车道左边缘线的角度为θl，右边缘线的角度θr，水平方向上的宽度dl为

dl＝H/2(ctgθl-ctgθr) (1)

为了按等宽度约束找最优车道线组合，先将Hough空间中的剩余候选点，也就是图像空间中的边缘线，按角度从小到大排列，分别从左向右、从上向下作为概率矩阵的行和列；计算概率矩阵中每个位置的车道概率Plr；例如在矩阵中(l,r)位置上，此车道的左车道线角度l、右车道线角度r，宽度为dl、概率为Plr，计算方式如下：

其中，dlc为车道水平宽度的经验值，Al和Ar分别为左、右车道线的累加值，rA是分辨了实线和虚线两种情况下的累加值比值；

E、采用动态规划在概率矩阵中搜寻最优的车道组合。

优选地，采用动态规划搜寻最优的车道线，具体步骤如下：

E1、在概率矩阵中找到最大的k个值，构成k个组合，位置、概率和宽度分别为(l1,r1,p1,d1),(l2,r2,p2,d2)…(lk,rk,pk,dk)；

E2、从上一步概率矩阵的组合中排列出各类车道线组合，计算方式如下：例如第i个车道线组合，其起始位置为(li,ri)，在ri行找到宽度相近、概率最大的m个值rij,放入组合中作为子成员(li,ri,rij)(1≤j≤m)，计算此组合的平均概率；

E3、从所有车道线组合中挑选出平均概率最大的前k个组合；

E4、更换起始位置(li,ri)，即迭代步骤(E2、E3)直到右边没有候选点，或者右边没有足够的宽度；

E5、向左边迭代步骤(E2、E3)直到，直到没有候选点，或者左边没有足够的宽度；

E6、选择最大平均概率的组合作为最优的车道线结果。

本发明具有的优点和积极效果是：由于采用上述技术方案，针对现有基于Hough变换的车道线检测方法流程繁琐、检测速度较慢的缺陷，本方法根据道路设计规范，在Hough空间中使用长度约束、平行约束、成对约束和等间距约束直接筛选出车道线方程，从而简化过程，提高检测速度。

附图说明

图1是本发明的整体流程图。

图2是成对约束的邻近范围的计算原理示意图。

图3是采用动态规划搜寻最优车道线的计算原理示意图。

图4是采用动态规划搜寻最优的车道线的具体流程图。

具体实施方式

如图1所述，本发明的技术方案为一种车道线检测的方法，所述方法包括以下步骤：

步骤101为获取车道线的原始图像：首先将车道图像下面部分、可能的车道区域设置为ROI；

在本实施例中，通过安装在车辆上的图像采集设备(例如：摄像头)采集车辆前方的道路图像，所述图像采集设备有内部参数和外部参数，其中内部参数包括主点坐标、有效焦距等，外部参数包括图像采集设备的位置和朝向等。

步骤102为对ROI区域灰度化和二值化：将ROI区域灰度化和二值化后对采用Canny算子获得边缘图像；

步骤103为Hough变换；对边缘图像进行Hough变换，将边缘线段从图像空间中转换到Hough空间。

使用下列约束依次对Hough点进行筛选排除：

步骤104为平行约束：车道线在真实空间中是平行线，经投影变换后则为相交线，且相交于消失点，消失点通常在图像的中心；在Hough空间，则对应为消失线；消失点位置变化，此曲线也相应变化，因此在中心对应的曲线周围划定一个曲线带，带宽为m，为消失线可能的变化范围；

步骤105为长度约束：车道线一般是该方向上的最长直线，保留每列的最大值点，去除其余的Hough点；

步骤106为成对约束：每条车道线应该有两条长度近似的边；在Hough空间中，此规律是Hough点成对出现，累加值近似，角度相邻，且水平截距相近；据此，对每个候选Hough点，在邻近范围内找概率最大的边缘点；

步骤107为等宽度约束：当摄像头水平居中安装时，左右应该对称，消失点处于图像垂直方向的中心线上，此时，车道在水平方向上的宽度应该相等；

设车道左边缘线的角度为θl，右边缘线的角度θr，水平方向上的宽度dl为

dl＝H/2(ctgθl-ctgθr) (1)

为了按等宽度约束找最优车道线组合，先将剩余候选点按角度从小到大排列，分别从左向右、从上向下作为概率矩阵的行和列；计算概率矩阵中每个位置的车道概率Plr；例如在矩阵中(l,r)位置上，此车道的左车道线角度l、右车道线角度r，宽度为dl、概率为Plr，计算方式如下：

其中，dlc为车道水平宽度的经验值，Al和Ar分别为左、右车道线的累加值，rA是分辨了实线和虚线两种情况下的累加值比值；

步骤108为动态规划搜索，采用动态规划在概率矩阵中搜寻最优的车道组合。

实施例2

图2示出了本发明实施例二提供的等宽度约束的左右车道线和车道宽度计算原理示意图。其过程详述如下：

邻近范围计算方式如下：如图2右下角所示，假设车道线在图像边缘上的水平截距为dm，候选点的角度为θc，图像高宽为H和W，则车道线可能的左、右边缘线的角度为(θl,θr)，具体计算公式为：

概率最大的边缘点的计算方式如下：候选点的角度为θc，累加值为A，成对点的角度为θ’，累加值为A’，对应的概率p为

当p大于预设阈值时，保留成对点；当p小于预设阈值时，舍弃此成对点。

将找到成对点的候选点与其成对点合并成一个点，点的角度、累加值为候选点与成对点的角度、累加值的平均值。

实施例3

图3示出了在概率矩阵动态规划,搜寻最优的车道组合，图4示出了本发明实施例三提供的采用动态规划搜寻最优的车道线的具体流程图。其过程详述如下：

采用动态规划搜寻最优的车道线，具体步骤如下：

步骤301，在概率矩阵中找到最大的k个值，构成k个组合，位置、概率和宽度分别为(l1,r1,p1,d1),(l2,r2,p2,d2)…(lk,rk,pk,dk)；

步骤302，从上一步的车道线组合中对每类组合，进行以下计算：例如第i个组合，其位置为(li,ri)，在ri行找到宽度相近、概率最大的m个值rij,放入组合尾部成为(li,ri,rij)(1≤j≤m)，计算此组合的平均概率；

步骤303，从所有组合中挑选平均概率值最大的前k个组合；

步骤304，迭代步骤(302、303)直到右边没有候选点，或者右边没有足够的宽度；

步骤305，向左边迭代步骤(302、303)直到，直到没有候选点，或者左边没有足够的宽度；

步骤306，选择最大平均概率的组合作为最后的结果。

以上对本发明的一个实施例进行了详细说明，但所述内容仅为本发明的较佳实施例，不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等，均应仍归属于本发明的专利涵盖范围之内。