束在[θ-θο/2，θ+θ0/ 2];
[0067] 4-3)通过Hough变换精确定位得到车道线。
[0068] 所述步骤5)将视频的帧与帧之间存在的相关性，应用到车道线跟踪的具体方法 为：
[0069] 5-1)前一帧图形的车道线参数为(Pi,i-1和(p2, Η )，对前一帧参数进 行约束得到新的感兴趣区域；
[0070] 极径约束范围：：A, i-1 + ▽"]和[/? i-1 - ▽/)，々. ..j +
[0071] 角度约束范围：[式 ?:-:1 - j-i + ▽#」和[4 . ^ - VYA 心...+
[0072] 5-2)利用前一帧的感兴趣区域进行Hough变换得到目前帧的车道线参数（Pi, i， 9i,i)和(024,924)，得到当前帧的参数之后可以确定下一帧图像的感兴趣区域；
[0073] 极径约束范围：[汽广▽/?，:代 7: + ▽/?]和[/? γ f + ▽/?]
[0074] 角度约束范围：- ▽叹"2 + ▽釗和:[%j - 毪" +
[0075] 5-3)在此感兴趣区域内进行Hough变换得到车道线参数，重复5-1)和5-2)，得到视 频流的车道线检测与跟踪。
[0076] 与现有技术相比，本发明具有以下有益的技术效果：
[0077]本发明提供的基于参数不唯一的车道线检测与跟踪方法，基于Hough变换，通过车 道线参数的不唯一性，将Hough变换中，角度自变量从360度减少到以一定步长代替1度，将 360度的计算量减少为360除以步长，如果按照不优化的Hough变换，假设二值图像中像素数 为N，需要进行N*360次p = x cos0+y sin9计算，但是运用本方法，步长为θ〇,则角度检测个 数为Νθ = 360/Θ〇,初步估测车道线时计算量为Ν*(Νθ+Θ〇*2)次p = x cos9+y sin9，因为还有 车道线的精确定位环节，所以需要加上Ν*θ〇*2次，每条车道线需要θ〇度计算，大大减少了计 舁里。
[0078] 同时，结合视频流中帧与帧之间的相关性，可以对每一帧图，可以利用前一帧图形 的参数信息，形成目前帧的感兴趣区域，大大减少了计算量，假设目前帧的边缘像素数为Ν， 角度约束区间为θ〇度则计算量为Ν*θ〇*2,在视频流处理中，达到了很客观的速度，可以保持 实时处理。 【【附图说明】】
[0079] 图1是单幅图像检测车道线实验图像；
[0080] 图2是单幅图像检测车道线时边缘图像；
[0081] 图3是单幅图像检测车道线时车道线结果图像；
[0082]图4是单幅图像改进Hough变换基本原理说明图；
[0083] 图5是基于参数不唯一的车道线检测与跟踪方法流程图。 【【具体实施方式】】
[0084] 下面结合具体的实施例对本发明做进一步的详细说明，所述是对本发明的解释而 不是限定。
[0085] 基于参数不唯一的车道线检测与跟踪方法，包括以下步骤：
[0086] 1)首先进行边缘彳目息的提取；
[0087] 采用Canny边缘提取算法，得到边缘图像，具体方法如下：
[0088] 1-1)对灰度图像进行高斯滤波进行平滑处理，滤除噪声；
[0089] 1-2)对平滑后的图像通过一阶偏导，计算图像梯度矢量的模和方向
[_]
:(3)
[0091] Θ[ i , j] =arctan(Gi(i , j)/Gj(i , j)) (4)
[0092] 式中:Gi(i , j)为行方向一阶偏导，Gj(i , j)为列方向一阶偏导，M[i, j]为像素点处 梯度矢量的模，θ [ i，j ]为像素点处梯度矢量方向；
[0093] 1-3)边缘是梯度极大的点，需要进行非极大值抑制，通过梯度角度将梯度离散为 四个扇区：
[0094]第一个扇区包括：[0,22.5]，[157.5,202.5]，[337.5,360];扇区内像素梯度与左 右像素梯度相比，若为极大值则保留该点；
[0095] 第二个扇区包括：[22 · 5，67 · 5 ]，[ 202 · 5，247 · 5];扇区内像素梯度与右上和坐下像 素梯度相比，若为极大值则保留该点；
[0096]第三个扇区包括：[67.5,112.5]，[247.5,292.5];扇区内像素梯度与上下像素梯 度相比，若为极大值则保留该点；
[0097]第四个扇区包括：[112.5,157.5]，[292.5,337.5];扇区内像素梯度与左上和右下 像素梯度相比，若为极大值则保留该点；
[0098] 1-4)双阈值算法。该算法是为了增强Canny边缘提取算法的抗噪性，对非极大值抑 制图像使用两个阈值thr 1和thr2得到1 ow和high两幅图，其中thr2>thr 1;得到高阈值图像 和低阈值图像，其中，高阈值图像滤除了大部分噪声但是同时滤除了边缘信息，低阈值图像 保留了所有边缘信息但是同时保留了部分噪声；
[0099] 1-5)利用低阈值图像补充高阈值图像滤除掉的边缘信息，具体方法是：
[0100] 浏览低阈值图像的非零像素，对高阈值图像的相同位置进行八邻域扫描如果在包 含该像素在内有非零点则标记为边缘点，直到浏览完所有像素，完成Canny边缘提取。
[0101] 2)在边缘图像中，利用车道线参数的不唯一性，限定检测角度步长，进行Hough变 换，初步估测车道线的位置；
[0102] 车道线参数不唯一为是指：
[0103]边缘提取后的车道线边缘并不是一条笔直的直线，即极径和角度并不唯一，而是 极径和角度比较集中于一定区域的线集合，选取车道线时选取的是车道线边缘上点最多的 直线，但是与该直线相近的某些直线也是车道线的一部分，只是像素点数稍少一些。通过一 定角度步长检测车道线，检测到的不一定是像素点数最多的直线，但是一定是车道线边缘 上的直线，本方法的目的在于，通过一定步长检测，检测到车道线边缘位置，约束范围精确 检测到像素点数最多的直线，即车道线。
[0104]初步估测车道线位置的方法为：
[0105] 2-1)选定角度步长变为θ〇,角度范围为[0,360]，极径检测范围为[0，pmax];
[0106] 2-2)通过Hough变换公式
[0107] p = x cosB+y sinB
[0108] 得到参数矩阵中，各个参数条件即直线参数下边缘点的个数；
[0109] 2-3)选出边缘点个数最多的两条直线，（PiA)和(ρ2，θ2)，即为初步估测的两条车 道线；
[0110]得到两条车道线的参数(Pi Α)和(ρ2，θ2)后，通过Hough变换公式对二维图像的像 素位置进行验证，符合：
[0111] pi = x cosBi+y sin9i或者P2 = x cos02+y sin02
[0112] 则为车道线。
[0113] 3)对参数进行区间约束得到感兴趣区域，具体方法为：
[0114] 3-1)第一条车道线感兴趣区域参数为：
[0115] ~ / ?, θγ + / 2] > [/5j - Vp, /;>! + V/>]
[011 ?]在感兴趣区域内进行Hough变换，得到参数矩阵；
[0117] 3-2)选出参数矩阵中最大参数即为第一条车道线；
[0118] 3-3)第二条车道线感兴趣区域参数为：
[0119] [~ θ? + ：/ 2] ：?： [/?2 - Vp, /?2 + Vp\
[0120] 重复第一条车道线检测步骤得到第二条车道线。
[0121] 4)在感兴趣区域内再次进行Hough变换，精确定位车道线，具体方法如下：
[0122] 4-1)以θ〇为步长，通过Hough变换初步估测车道线位置，得到车道线参数为P和Θ;
[0123] 4-2)在该位置对极径、角度进行约束，得到感兴趣区域，角度约束在[θ-θο/2，θ+θ0/ 2];
[0124] 4-3)通过Hough变换精确定位得到车道线。
[0125] 5)利用视频帧之间的相关性，对参数进行区间约束，跟踪车道线，具体方法为：
[0126] 5-1 )前一帧图形的车道线参数为(Pl,i-1 和(p2, η )，对前一帧参数进 行约束得到新的感兴趣区域；
[0127] 极径约束范围：[巧,: - V/?，+ VA]和[A, i-1 - V/7, A, i-1 +
[0128] 角度约束范围：[气a -賴，+ V釗和〔％ i - ▽钬^ fa + ▽別
[0129] 5-2)利用前一帧的感兴趣区域进行Hough变换得到目前帧的车道线参数（Pi, i， 9i,i)和(024,924)，得到当前帧的参数之后可以确定下一帧图像的感兴趣区域；
[0130] 极径约束范围：[/? i - Va A, i + ▽/?]和[/?.』-Va A. i + ▽/?]
[0131] 角度约束范围：[气7 - ▽乳气，+ ▽初和[4,』一 Vft + ▽沒]
[0132] 5-3)在此感兴趣区域内进行Hough变换得到车道线参数，重复5-1)和5-2)，得到视 频流的车道线检测与跟踪。
[0133] 下面从所进行的车道线检测与跟踪实验结果和操作步骤进行说明。
[0134] 1、实验所用视频流信息。
[0135] 对检测的视频流进行说明，视频为mp4格式，视频码率为4536kbps,视频帧率为 30fps，视频分辨率为640*480，大小为6.15M，时长11 s。视频截图如图1。
[0136] 2、实验平台。
[0137] 实验通过OpenCV函数库，减少算法的计算量。因为OpenCV包装的函数库，可以实现 高斯滤波、边缘检测等基本图像处理，而且非常适合图像和视频处理。
[0138] 3、边缘提取。
[0139] 按照Canny边缘检测算法原理，将算法实现，深入了解了算法的原理，详细学习了 算法的流程，但是算法的计算量较大，OpenCV函数库中的边缘提取函数