一种适用于城市道路车道线预测及预警方法
【专利摘要】本发明公开了一种适用于城市道路车道线预测及预警方法，首先，对采集到的道路图像降采样，设定感兴趣检测区域，灰度化，滤波增强，用Canny算子进行边缘检测，将边缘检测后的图像二值化，映射到Hough平面，用改进的Hough变换提取车道线；然后，采用经典Kalman滤波算法预测车道线参数，建立感兴趣区域，用最小二乘法对感兴趣区域内的车道线进行拟合，得到最优预测值。最后，将道路路面信息和汽车当前位置信息相结合，建立基于横向距离的车道偏离报警模型，实现偏离报警。本发明提出的车道线识别算法具有良好的实时性和鲁棒性，车道偏离报警模型计算简单，报警准确。
【专利说明】一种适用于城市道路车道线预测及预警方法
【技术领域】
[0001]本发明属于汽车主动安全【技术领域】，涉及一种适用于城市道路车道线预测及预警方法。
【背景技术】
[0002]随着社会经济的快速发展，汽车的数量越来越多，这给人们的生活带来便捷的同时，也带来了频发的交通事故。据统计，每年世界范围内的公路交通事故中大约有1000万人受伤，这些事故直接造成的经济损失约占世界⑶P的13%。根据美国联邦公路局估计，美国2002年所有致命的公路交通事故中大约有44%与车辆偏离车道有关。为了有效减少和避免车道偏离交通事故的发生，国内外研究机构和汽车研发、生产厂商越来越重视车道偏离报警系统(Lane Departure Warning System, LDWS)的研究。它是一种辅助驾驶员减少车辆无意识的车道偏离，以防发生交通事故的系统。随着计算机视觉技术的快速发展，基于视觉的LDWS具有成本低廉、信息量丰富等优点，因此机器视觉技术被广泛地应用于车道偏离报警系统中。
[0003]基于视觉的车道偏离报警系统的研究主要是针对车道线的检测以及在此基础上的车道偏离报警决策。当前基于视觉的车道线检测算法可以归纳为基于道路特征的方法和基于道路模型的方法。基于特征的方法一般根据车道线的颜色、边缘特征等进行识别，算法简单，但是仅适用于光照良好的干净路面，其抗干扰性和鲁棒性不佳。基于模型的方法通常采用直线、曲线、分段直线、样条曲线模型等来进行车道线识别，该方法鲁棒性好，但是模型越复杂，确定模型参数值的计算量也就越大。目前的车道偏离决策主要有以下几种:基于当前车道位置的CCP(Car’s current position)报警模型；基于车辆将横越车道边界时间的TLC(Time to Lane Crossing)报警模型；基于左右车道线在图像中夹角和的方法等。
[0004]前面提出的车道检测和偏离报警的算法大部分都是针对路况优越的结构化道路进行的。而对于城市半结构化道路，由于路况复杂多变、车道标识线缺损、受污染严重、路面干扰标识较多等诸多因素，现有算法出现了道路模型适应性不强、车道线可识别性不高、受干扰严重等问题，进而导致车道偏离报警准确性较低。因此，针对城市道路环境，需要研究出一种鲁棒性好、准确性高、实时性好的车道识别方法，进而建立一个预报准确、及时的偏离报警系统，达到辅助驾驶的目的。
【发明内容】
[0005]为了克服上述现有技术的不足，本发明提供了一种适用于城市道路车道线预测及预警方法，是一种抗干扰性强、准确性高、实时性好的城市道路车道线检测方法，并且在准确检测出车道线的基础之上，进行及时预报和准确的偏离报警。
[0006]一种适用于城市道路车道线预测及预警方法，包括以下几个步骤:
[0007]步骤1:实时获取行车道路图像，并以道路图像的下半部分作为道路感兴趣区域ROI ；[0008]步骤2:图像预处理；
[0009]对道路感兴趣区域ROI依次进行灰度化处理、高斯滤波处理、边缘检测及二值化处理获得道路预处理图像；
[0010]步骤3:采用Hough变换对道路预处理图像进行车道线检测，获得当前帧图像的车道线的直线方程I = kx+b,设置预测次数T初始值为O ;
[0011]利用Hough变换对道路预处理图像进行车道线检测，获得车道线方程y = kx+b，其中，X和y表示车道线上任意点的横坐标和纵坐标，图像的底边为X轴，图像底边的中垂线为I轴，垂直向上为I轴正方向，以X轴和I轴的交点作为坐标原点，k和b由车道线的极坐标参数极径P和极角转换获得；
[0012]步骤4:若当前帧为第一帧图像，则将车道线检测值存储到存储器中；否则，将当前帧图像的车道线检测值与预测器对上一帧图像输出的车道线参数预测值做差值，将获得的差值c与设定的阈值范围[m，n]进 行比较，如果差值满足m≤c≤n，则将当前帧图像的车道线检测值代替存储器中的车道线参数，否则以预测器输出的车道线参数预测值代替存储器中的车道线参数；
[0013]步骤5:判断预测次数T是否小于设定阈值T0，若小于，则将存储器中的车道线参数输入Kalman预测器建立车道线感兴趣区域，预测次数T加1，并进入步骤6 ;否则，进入步骤7 ;
[0014]步骤6:从车道线感兴趣区域中任意提取η个数据点，采用最小二乘法进行拟合，获得当前帧图像的车道线参数预测值；
[0015]步骤7:利用前面步骤中获取的车道线参数、车道线位置和道路图像大小，对车辆行车路线进行偏离报警；
[0016]计算车辆与所在车道左右车道线之间的横向距离，如果任一横向距离小于预先设定的安全距离阈值，则判定车辆发生了车道偏离，否则，车辆未发生车道偏离，返回步骤I。
[0017]假设当前像平面对称轴为Xtl，道路区域对称轴为X1，假设开始行驶时，汽车中心线与车道平行。当汽车行驶在道路中心时对称轴Xtl和X1重合，如果车辆行驶发生偏移时，X0和X1之间必然有较大的偏差。计算出像平面对称轴X。距离左右车道线的距离Cl1和dr，设置一个安全距离阈值H = 0.4*W(W为图像的宽度)，当min (屯，dr) >H时，表明车辆处于正常行驶状态；否则，如果d^H，则表明车辆向左侧车道偏离，若d,〈H，则表明车辆向右侧车道偏离。根据偏离的具体情况，报警系统对驾驶员做出相应的提醒，以及时对车辆行驶状态做出调整，避免发生无意识的车道偏离。
[0018]城市道路车道线检测基于以下道路模型假设:
[0019](I)基于直线模型假设。根据城市道路的特征以及相机拍摄的区域，将近视野范围内的车道线定义为直线模型:y = kx+b。
[0020](2)左右车道线平行假设。无论直道、弯道或者弯路等，都假设近视场范围内的左右两车道线是相互平行的，延长线相交于远处消隐点。
[0021](3)车道线连续性假设。对于虚线车道线或者被车辆遮挡的车道线，假设其间断区域也存在虚拟的边缘点，当作连续的车道线来处理。
[0022]边缘点位置的可预测性假设。对视频序列进行处理时，由于车速较快，相机的采集速度(25帧/s)较快，视频流中相邻两帧图像中车道线位置变化比较小，因此边缘点位置具有可预测性。
[0023]所述步骤5将存储器中的车道线参数输入Kalman预测器建立车道线感兴趣区域，具体过程如下:
[0024]步骤A:建立Kalman预测器的状态方程、观测方程和预测器方程；
[0025]把第η帧的车道线参数作为观测值输入Kalman预测器，得到下一帧(η+1帧)图像车道线位置的预测，计算出搜索区域；
[0026]Kalman预测器的状态方程和观测方程如下:
【权利要求】
1.一种适用于城市道路车道线预测及预警方法，其特征在于，包括以下几个步骤: 步骤1:实时获取行车道路图像，并以道路图像的下半部分作为道路感兴趣区域ROI ； 步骤2:图像预处理； 对道路感兴趣区域ROI依次进行灰度化处理、高斯滤波处理、边缘检测及二值化处理获得道路预处理图像； 步骤3:采用Hough变换对道路预处理图像进行车道线检测，获得当前帧图像的车道线的直线方程I = kx+b,设置预测次数T初始值为O ; 利用Hough变换对道路预处理图像进行车道线检测，获得车道线方程y = kx+b，其中，X和I表示车道线上任意点的横坐标和纵坐标，图像的底边为X轴，图像底边的中垂线为I轴，垂直向上为I轴正方向，以X轴和I轴的交点作为坐标原点，k和b由车道线的极坐标参数极径P和极角转换获得； 步骤4:若当前帧为第一帧图像，则将车道线检测值存储到存储器中；否则，将当前帧图像的车道线检测值与预测器对上一帧图像输出的车道线参数预测值做差值，将获得的差值c与设定的阈值范围[m，η]进行比较，如果差值满足m≤c ( n，则将当前帧图像的车道线检测值代替存储器中的车道线参数，否则以预测器输出的车道线参数预测值代替存储器中的车道线参数； 步骤5:判断预测次数T是否小于设定阈值T0，若小于，则将存储器中的车道线参数输入Kalman预测器建立车道线感兴趣区域，预测次数T加1，并进入步骤6 ;否则，进入步骤7 ； 步骤6:从车道线感兴趣区域中任意提取η个数据点，采用最小二乘法进行拟合，获得当前帧图像的车道线参数预测值； 步骤7:利用前面步骤中获取的车道线参数、车道线位置和道路图像大小，对车辆行车路线进行偏离报警； 计算车辆与所在车道左右车道线之间的横向距离，如果任一横向距离小于预先设定的安全距离阈值，则判定车辆发生了车道偏离，否则，车辆未发生车道偏离，返回步骤I。
2.根据权利要求1所述的适用于城市道路车道线预测及预警方法，其特征在于，所述步骤5将存储器中的车道线参数输入Kalman预测器建立车道线感兴趣区域，具体过程如下: 步骤A:建立Kalman预测器的状态方程、观测方程和预测器方程； 把第η帧的车道线参数作为观测值输入Kalman预测器，得到下一帧(η+1帧)图像车道线位置的预测，计算出搜索区域； Kalman预测器的状态方程和观测方程如下: \x(n + I) = Gx(n)+ w(n) I ζ (η) = Hx (η) + ν(?) 式中，χ(η+1)和χ(η)分别为系统第η+1帧和第η帧的状态向量;w(n)为系统噪声向量，v(n)观测噪声向量而是状态转移矩阵；H是测量矩阵；z(n)为观测向量； 设定车道线为左车道线，X1和Z1的定义如下:
3.根据权利要求1或2所述的适用于城市道路车道线预测及预警方法，其特征在于，所述采用Hough变换对道路预处理图像进行车道线检测时，将道路预处理图像平均分为左右两半，得到左半图像和右半图像，依次对左半图像和右半图像进行Hough变换获得左半图像中左车道线和右半图像中右车道线在极坐标上的参数P和Θ:左半图像中的像素点的Hough变换范围是-5°〈0^-85°，右半图像中的像素点的Hough变换范围是5° <θ/85°，其中01和Θ ^分别表示左半图像中的像素点的极角和右半图像中的像素点的极角。
【文档编号】G08G1/16GK104008645SQ201410260194
【公开日】2014年8月27日 申请日期:2014年6月12日 优先权日:2014年6月12日
【发明者】王耀南, 彭湃, 赵科, 凌志刚, 张楚金, 卢笑 申请人:湖南大学