车道检测的方法及装置的制造方法
【技术领域】
[0001] 本发明涉及无人车自动驾驶领域，尤其涉及一种多车道自动检测的方法及装置。
【背景技术】
[0002] 为了能实现安全的、类人类驾驶，无人车必须对其周边车道有良好的感知能力。
[0003] 为了解决车道检测问题，前人提出过方向不同的探索:有提出通过在路面中铺设 磁性标志的，也有提出利用全球定位体系中的高网格化的道路地图定位的。前者在目前阶 段尚不具备可操作性。而后者提出的这种基于数据基础结构的分析，我们认为它虽然对了 解地理形态信息和稀松的几何形态路况信息较为有用，但是在这里我们仍然拒绝使用高密 度路形几何信息。毕竟，高精度的路况地图相较于实际视觉路面标志而言，还是较为过时的 信息。即便就人类驾驶来说，由于驾驶员过度依赖于卫星导航系统而不是自己亲眼所见，还 往往会因为地图的过时、错误和不完整造成事故。因而，静态的高精度的地图明显不足以保 障安全驾驶。我们认为出于安全行驶的考虑，无人车必须能够运用其自身所配备的传感器 来感知和判定周边环境。
【发明内容】
[0004] 为此，需要提供一种根据车载设备及先验数据感知周围车道的检测方法，达到快 速灵敏地检测车道的目的。
[0005] 为实现上述目的，发明人提供了一种车道检测的方法，所述方法包括如下步骤:根 据摄像机图像确定待检测区域，在所述待检测区域中检测车道标识得到检测结果，根据雷 达数据优化检测结果，根据所述检测结果及雷达检测的路缘信息计算车道中心线的位置， 对计算得到的车道中心线的位置合成得到多车道的位置结果。
[0006] 所述雷达数据优化检测结果包括步骤，将雷达数据中的三维物体投射到摄像机图 像对应的二维坐标中，过滤掉所述摄像机图像中三维物体投射对应位置的车道检测结果。
[0007] 所述检测车道标识包括步骤，基于匹配过滤的视觉检测，具体为：
[0008] 为摄像机图像的每一个横列设定一个宽度过滤器，所述宽度为车道涂漆投影到摄 像机图像每一横列后的预期宽度；
[0009] 对过滤结果计算局部极大值及梯度方向，根据所述梯度方向计算车道线方向。
[0010] 所述检测车道标识包括步骤，基于对称等高线的视觉检测，具体为：
[0011] 对摄像机图像进行局部的低通滤波及导数算子运算得到初始的车道线，计算初始 车道线中边缘像素的空间梯度大小及方向；
[0012] 将多个局部的边缘像素空间梯度大小及方向通过迭代算法融合，得到车道线标识 检测结果。
[0013]其特征在于，根据所述检测结果及雷达检测的路缘信息计算车道中心线的位置后 还包括步骤，用现有的中心线数据进行抛物线拟合，估计远处车道中心线的位置，并利用先 验信息进行车道中心线追踪。
[0014] -种车道检测的装置，所述装置包括待检测区域确定模块、车道标识检测模块、雷 达优化模块、中心线位置模块、多车道模块：
[0015] 所述待检测区域确定模块用于根据摄像机图像确定待检测区域；
[0016] 所述车道标识检测模块用于在所述待检测区域中检测车道标识得到检测结果；
[0017] 所述雷达优化模块用于根据雷达数据优化检测结果；
[0018] 所述中心线位置模块用于根据所述检测结果及雷达检测的路缘信息计算车道中 心线的位置；
[0019]所述多车道模块用于对计算得到的车道中心线的位置合成得到多车道的位置结 果。
[0020] 所述雷达优化模块具体用于，将雷达数据中的三维物体投射到摄像机图像对应的 二维坐标中，过滤掉所述摄像机图像中三维物体投射对应位置的车道检测结果。
[0021] 所述车道标识检测模块还用于基于匹配过滤的视觉检测，具体为：
[0022] 为摄像机图像的每一个横列设定一个宽度过滤器，所述宽度为车道涂漆投影到摄 像机图像每一横列后的预期宽度；
[0023] 对过滤结果计算局部极大值及梯度方向，根据所述梯度方向计算车道线方向。
[0024] 所述车道标识检测模块还用于基于对称等高线的视觉检测，具体为：
[0025] 对摄像机图像进行局部的低通滤波及导数算子运算得到初始的车道线，计算初始 车道线中边缘像素的空间梯度大小及方向；
[0026] 将多个局部的边缘像素空间梯度大小及方向通过迭代算法融合，得到车道线标识 检测结果。
[0027] 还包括估计追踪模块，所述估计追踪模块用于用现有的中心线数据进行抛物线拟 合，估计远处车道中心线的位置，并利用先验信息进行车道中心线追踪。
[0028] 区别于现有技术，上述技术方案通过摄像机进行二维图像中的车道标识识别，辅 助雷达数据进行过滤，达到了快速准确地检测车道标识的效果。还进行车道中心线的估计 及追踪，提高了车辆在动态识别车道线的能力，提升了无人车自动驾驶的安全性。
【附图说明】
[0029] 图1为本发明【具体实施方式】所述的车道检测方法流程图；
[0030] 图2为本发明【具体实施方式】所述的多传感器车道检测示意图；
[0031 ]图3为本发明【具体实施方式】所述的绝对位置摄像机标定示意图；
[0032] 图4为本发明【具体实施方式】所述的雷达数据优化检测示意图；
[0033] 图5为本发明【具体实施方式】所述的匹配过滤的一维核形状示意图；
[0034] 图6为本发明【具体实施方式】所述的车道涂漆检测示意图；
[0035]图7为本发明【具体实施方式】所述的等高线检测流程图；
[0036] 图8为本发明【具体实施方式】所述的雷达检测出的车道边界图；
[0037] 图9为本发明【具体实施方式】所述的车道构建示意图；
[0038] 图10为本发明【具体实施方式】所述的车道中心线估计示意图；
[0039] 图11为本发明【具体实施方式】所述的车道线空中俯视图；
[0040] 图12为本发明【具体实施方式】所述的车道中心线误差与距离关系图； 图13为本发明【具体实施方式】所述的车道检测的装置模块图。
[0041 ] 附图标记说明：
[0042] 1300、待检测区域确定模块；
[0043] 1302、车道标识检测模块；
[0044] 1304、雷达优化模块；
[0045] 1306、中心线位置模块；
[0046] 1308、多车道模块；
[0047] 1310、估计追踪模块。
【具体实施方式】
[0048] 为详细说明技术方案的技术内容、构造特征、所实现目的及效果，以下结合具体实 施例并配合附图详予说明。
[0049] -、总体思路
[0050] 我们把车道搜寻问题定义为:凭借实时的传感器数据和先验信息（如果有的话）， 推测出车体附近的一个或多个车道的存在，并分析出每个车道所蕴含的语义的、拓扑的以 及几何上的特性。所谓的语义特性，指的是车道的通行指示（直行、左转、右转）、颜色（白 色、黄色）和车道边界的形态（单线、双线、实线、虚线）。所谓的拓扑特性，指的是区域范围 内，各车道的起始、分叉、合并或终止的连通性。而车道的几何特性则指的是车道的中心线 位置以及横向扩展范围。本文集中在检测车道的存在性及其几何特性(如图1)。随后，我们 通过匹配检测到的车道和代表道路网络的带标记的输入图的边界，以实现对车道语义信息 和拓扑信息的有限推断。
[0051] 和传统的按照已知地图车到信息行驶并附加车道偏离预警的系统设计所不同的 是，我们这里设计的车道搜索系统是立足于引导全自动化车辆在非结构性道路网络中行 驶。特别是，我们的系统在以下几个方面与传统模式相区别：它试图对所有可观测到的车道 进行检测和分类而不是只检测车辆正在行驶的车道，它适用于存在有静态障碍物和运动车 辆的复杂的路形分析，在有提供先验信息(有着稀松几何信息的路形图）的情况下它可以充 分使用这些信息。
[0052] 本发明所述的系统是基于车辆运行中所获取的标定过的摄像机图像和雷达范围 数据建模所成，可以用于检测和估计非结构性道路中的多重车道特性。该系统是实时运行 的，通过多个处理器的不同阶段处理，将所检测到的道路线、障碍物和曲线特征融合进对车 体周边车道的稳定的非参数估计模型。这个系统是建立在已提供了分段线性的道路网络作 为弱先验信息的基础上的。
[0053] 因此本发明的创新在以下几个方面:它能检测和预估多重车道，它融合了非同步 的各种传感器的数据来源，它能处理弯曲度高的路况，并且它不需要知道车辆相对于道路 的初始位置或方向。在我们的系统中，由于不需要对车辆相对道路的初始方位做出假设，这 使得系统同样适用于在十字路口变化车道或是驶离私人车道或是停车位的情形。
[0054] 二、模型结构
[0055]本发明所述的车道检测方法包含了以下三个阶段，这里请参照图1，为本发明车道 检测方法流程图：
[0056]第一阶段，包括步骤S100,根据摄像机图像确定待检测区域，步骤S102在所述待检 测区域中检测车道标识得到检测结果，具体地系统通过标定后的摄像机，在每帧摄像图像 中检测和定位涂漆的车道标志，还进行步骤S104根据雷达数据优化检测结果，并运用雷达 数据来降低假阳性结果（系统判定为车道线，但实际上并不是的情况）的检测概率。标定后 的雷达数据主要用于检验路缘。在这一阶段，视觉(两种)和雷达的检测是平行进行的，通过 双模块涉及降低误俭率。
[0057]第二阶段，进行步骤S106根据所述检测结果及雷达检测的路缘信息计算车道中心 线的位置，运用第一阶段中的视觉检测的车道线的结果，结合通过雷达信息检测出的路缘 来估计附近车道线的中心位置。
[0058]第三阶段，进行步骤S108对计算得到的车道中心线的位置合成得到多车道的位置 结果。将所有检测出的车道中心线通过弱先验信息进行过滤、追踪、融合来生成一个或多个 非参数的车道估计结果。
[0059]将整个模型分为三个阶段这样的设计，可以使得系统更为简洁、模块化和具备更 好的可扩展性，并使得我们可以针对每个阶段进行独立实验，同时我们可以对每个阶段中 的算法进行替换。例如，我们在第一阶段中平行的运用了视觉和雷达这两个独立算法来检 测涂漆的车道线。通过引进对每个传感器单独进行周边环境特征提取的模式，我们的系统 可以将许多不同种类的传感器检测结果融合起来，以提升判断精度，并在不同情况中进行 互补。
[0060]图2显示的实施例中，通过一系列的摄像机所获取的原始图像信息是分别独立进 行处理的（不一定同步），以实现车道的边界检测。同时，这一步骤还有实时车辆位姿估计与 通过雷达数据进行障碍物检测（可有可无)相辅佐检测。此后，临时的数据融合包括了所有 的视觉检测结果，还有由雷达数据检测出的路缘边界，以及有较高置信度的可能候选车道。 最后，车道被实时预估和追踪，并受到曲率约束以及如果可能的话从地图数据中取得的先 验信息的约束。
[0061 ] 三、车道边界检测
[0062] 本章分为四个小部分，第一部分中先介绍了用于选取标定后的摄像机图像中和