一种车道线边缘提取的动态阈值方法
【专利摘要】本发明公开了一种车道线边缘提取的动态阈值方法，属于视觉导航和车辆安全辅助驾驶领域。其特征在于，将一帧行车图像分成左右两部分，左侧图像的每一行具有自己的动态阈值集合，右侧图像的每一行也具有自己的动态阈值集合。动态阈值集合由每行每侧图像锐化矩阵的几个较大值构成，即可细致体现图像的局部特征，又能兼顾图像的全局特性。自左右分界处进行自内向外、自下向上的逐行扫描，将第一次遇到阈值集合中元素的位置记为左侧或右侧惟一的边缘位置。本发明适于检测车辆行进所在车道，所输出的车道线边缘只有单像素宽、目的性强、干扰点少，大大简化了后续的车道线检测处理。与现有固定或自适应阈值方法相比，车道线检测正确率和速度都得到提高。
【专利说明】一种车道线边缘提取的动态阈值方法
【技术领域】
[0001] 本发明涉及视觉导航和车辆安全辅助驾驶领域，特别是涉及一种基于视觉的车道 线边缘提取方法。
【背景技术】
[0002] 基于视觉的车道线检测在智能车控制、车辆安全辅助驾驶（如车道偏离告警）等 系统中不可或缺。目前，大部分车道线检测方法可归纳为两类，基于特征的方法和基于模型 的方法。其中，基于特征的方法居多，主要提取和利用了车道线边缘、结构、颜色等特征。基 于模型的方法则主要通过嵌入车道边界的平行性、道路的平坦性等约束建立车道线的数学 模型，如抛物线模型、样条模型等。此外，也有基于机器学习（如人工神经网络、支持向量机 等）对车道线图像进行分类的检测方法。
[0003] 在基于特征的车道线检测方法中，应用较普遍的特征是边缘。一般而言，这些算法 先采用如Canny或Sobel等算子进行边缘提取，获取车道线边缘点集；然后，基于边缘点集， 通过感兴趣区域（region of interest, R0I)划分、Hough变换等方法检测出车道线。而且， 后续常伴有车道线跟踪、车道线偏离告警等处理。由此可见，边缘提取方法对车道线检测及 其它后续处理的正确率和速度都有着重要的影响。
[0004] 然而，边缘提取方法的阈值设置对车道线检测性能有着较大影响。因为普遍的做 法是，大于等于阈值的被视为边缘点，而小于阈值的被视为非边缘点。这样一来，如果阈值 过大，一些正确的边缘点将被去除；反之，如果阈值过小，很多非边缘干扰点将被错误地纳 入边缘点集。当车道线本身存在污损、行车环境变化较快或存在较大噪声（如白天树木/ 建筑阴影、夜晚路灯等造成的不均匀光照）时，阈值的选择更是一大难题。为此，多种动态 阈值策略相继被提出。典型的方法有，采用传统或改进的0TSU方法计算区分车道线和路面 的阈值；根据图像的像素灰度平均值和方差判断路况环境，再根据经验值获取不同路况环 境下的阈值；根据用户经验设定图像中是边缘点的像素比例或者肯定不是边缘点的像素比 例，并据此确定阈值。不难看出，这些动态阈值方法主体上反映的仍然是图像的全局特性， 而未能充分反映图像的局部特性，有的还依赖于用户经验，其结果是，车道线边缘提取的性 能仍受到限制，车道线检测的效果也不可避免地受到影响。
【发明内容】
[0005] 本发明的目的在于，提供一种能兼顾图像的全局和局部特征，且无需用户经验的 动态阈值方法，通过与一种逐行扫描策略相配合，使提取的车道线边缘点集具有单像素宽、 目的性强、干扰点少等特性，以期进一步提高后续车道线检测的正确率和速度。
[0006] 本发明的技术方案是，将大小是NXM(列X行，或宽X高）的一帧行车图像分成 左右两部分，左侧图像的每一行具有自己的动态阈值集合thQ，右侧图像的每一行也具有 自己的动态阈值集合thRpi是行索引，且i = 1，···，Μ。也就是说，大小是NXM的行车图像 共有2Μ个动态阈值集合。具体的动态阈值集合构建方法以及车道线边缘提取步骤如下 ：
[0007] 首先，将彩色行车图像转换为灰度图像，得到图像灰度矩阵，大小为NXM。
[0008] 然后，将图像灰度矩阵与边缘增强算子进行卷积计算，得到图像锐化矩阵，大小也 是 NXM。
[0009] 其次，将图像锐化矩阵中小于0的元素置零，其余值不变。在接下来的步骤中，不 再对图像锐化矩阵的〇值元素做处理。由于图像锐化矩阵中的大部分元素都是〇,本步骤可 有效提商后续的处理速度。
[0010] 再次，将图像锐化矩阵分成左右两部分。因为车辆通常行驶在车道的中间位置，所 以简单的划分方法是从中间划分。也可以根据行车方向进行斜向划分。
[0011] 最后，从左右分界处进行自内向外、自下向上的逐行扫描，分别确定左右车道线边 缘提取的动态阈值集合，同时输出左右车道线的边缘点集。由于车道线的亮度、对比度、完 整度等特征随环境不断发生变化，其边缘在锐化矩阵中的对应元素值不一定最大，但一定 是较大，即在视觉上车道线与非车道线部分仍存在较明显的对比度。因此，第i行的两个动 态阈值集合分别由左右两侧图像锐化矩阵第i行的P个较大值构成，较大值定义为排在左 侧或右侧图像锐化矩阵第i行所有元素值前P位的值。P实质为动态阈值集合大小，P = 3?5,P越小，计算量越小，处理速度越快。下面以左侧图像处理且P = 3为例，说明动态阈 值集合构建和边缘点集确定方法，右侧图像与左侧图像做法相同，且每行的左右两侧同时 进行。具体而言，对于第i行，动态阈值集合thLi由左侧图像锐化矩阵第i行的前三个较 大值构建；左侧边缘点集的确定方法是，自内向外对左侧图像锐化矩阵第i行进行行扫描， 当第一次遇到动态阈值集合thLi中任一元素，即左侧第i行的最终阈值时，将该阈值所在 位置记为第i行左侧惟一的边缘位置，并将该点纳入边缘点集，也就是在最终输出的边缘 点集矩阵（大小NXM)中，将边缘位置的元素值设置为最大灰度值，如对于8bit图像而言 设置为255,同时将其余非边缘位置的元素值设置为0。自下而上（i =Μ，···，1)对Μ行进 行相同的处理，便可得到车辆行进所在车道左右两条车道线的全部边缘点集。
[0012] 本专利阈值的动态性体现在，图像的每行每侧都有自己的阈值集合，且最终阈值 为阈值集合中Ρ个元素之一。这样做的好处在于，一方面，一幅ΝΧΜ大小的行车图像共有 2Μ个动态阈值集合，可细致体现图像的局部特征；另一方面，动态阈值集合由每行每侧的Ρ 个较大值组成，兼顾了图像的全局特性。此外，动态阈值集合大小Ρ取决于运算速度需求， 而无需利用用户经验设定。在这样的动态阈值方法保障下，辅以自内向外、自下向上的逐行 扫描策略，可屏蔽车道线外的大量干扰而集中体现车道信息，且左右车道线的边缘都只有 一个像素宽，这些特性均大大简化了后续的车道线检测处理。
[0013] 本发明所达到的效果和益处是，与现有方法相比，在车道线本身存在污损、行车环 境变化较快或存在不均匀光照等不利干扰下，可获得进一步提高的车道线检测正确率和 检测速度。例如，当应用帧图像大小为672X378的四组行车视频（共9605帧）进行车 道线检测实验时，本专利方法可达到97. 53%?100%的检测正确率。据报道，目前采用 自适应阈值0&]1117方法的检测正确率为93.19(%?99.43 (%(}11111」36￥〇〇，111^1￥31^，已11(1 Kwanghoon Sohn, "Gradient-enhancing conversion for illumination-robust lane detection,''IEEE Transactions on Intelligent Transportation Systems, vol. 14, no. 3 ，pp. 1083-1094, 2013)。在检测速度方面，固定阈值Canny的速度快于自适应阈值Canny,所 以将本专利方法与固定阈值Canny方法进行了比较，结果如下：本专利边缘提取速度高于 固定阈值Canny方法3-5倍，后续基于ROI划分和Hough变换的车道线检测速度则是固定 阈值Canny方法的6-15倍。其中，本专利实现车道线边缘提取的最大平均用时为4. 42ms/ 帧，实现Hough变换车道线检测的最大平均用时为6. 57ms/帧。所以，对上述行车视频的车 道线检测速度可超过90帧/秒。
【专利附图】
【附图说明】
[0014] 附图是本发明进行车道线边缘提取的流程图。
【具体实施方式】
[0015] 下面结合技术方案和附图，详细叙述本发明的一个具体实施例。
[0016] 现有一组实际录制的行车视频。已知每帧图像大小为672X378,动态阈值集合大 小P取为3。车辆行进所在车道的车道线边缘提取步骤如图所示。
[0017] 第一步，将彩色图像转换为灰度图像。
[0018] 第二步，将大小为672X378(列X行）的图像灰度矩阵与Sobel边缘增强算子进 行卷积计算，结果存入图像锐化矩阵，大小也是672X378。
[0019] 第三步，将图像锐化矩阵中小于0的元素置零，其余值不变。
[0020] 第四步，从中间将图像锐化矩阵划分为左右两部分。
[0021] 第五步，从分界处自内向外（左侧：列1 -列336 ;右侧：列337 -列672)、自下向 上（行378 -行1)进行逐行扫描，分别确定左右两侧车道线边缘提取的动态阈值集合，同 时输出左右车道线的边缘点集。其中，由左侧锐化矩阵扫描行的前三个较大值构建左侧动 态阈值集合，由右侧锐化矩阵扫描行的前三个较大值构建右侧动态阈值集合，将第一次遇 到左侧动态阈值集合元素的位置记为左侧车道线的惟一边缘位置，将第一次遇到右侧动态 阈值集合元素的位置记为右侧车道线的惟一边缘位置。在边缘点集矩阵（大小672X378) 中，将左右边缘位置置为最大灰度值，其余置零。当所有行扫描结束时，输出边缘点集矩阵， 车道线边缘提取完毕。
【权利要求】
1. 一种车道线边缘提取的动态阈值方法，其特征是，将列X行是NXM的一帧行车图像 分成左右两部分，左侧图像的每一行具有自己的动态阈值集合thQ，右侧图像的每一行也 具有自己的动态阈值集合thRi，i是行索弓丨，且i = 1，···，Μ;ΝΧΜ的行车图像共有2M个动 态阈值集合；具体的动态阈值集合构建方法以及车道线边缘提取步骤如下： 首先，将彩色行车图像转换为灰度图像，得到图像灰度矩阵，大小为ΝΧΜ; 然后，将图像灰度矩阵与边缘增强算子进行卷积计算，得到图像锐化矩阵，大小也是 ΝΧΜ ； 其次，将图像锐化矩阵中小于〇的元素置零，其余值不变；在接下来的步骤中，不再对 图像锐化矩阵的〇值元素做处理； 再次，将图像锐化矩阵分成左右两部分； 最后，从左右分界处进行自内向外、自下向上的逐行扫描，分别确定左右车道线边缘提 取的动态阈值集合，同时输出左右车道线的边缘点集；第i行的两个动态阈值集合分别由 左右两侧图像锐化矩阵第i行的P个较大值构成，较大值定义为排在左侧或右侧图像锐化 矩阵第i行所有元素值前P位的值，P为动态阈值集合大小；对于第i行，左侧图像动态阈 值集合thLi由左侧图像锐化矩阵第i行的前P个较大值构建；自内向外对左侧图像锐化 矩阵第i行进行行扫描，当第一次遇到动态阈值集合thLi中任一元素时，将该位置记为第 i行左侧惟一的边缘位置，并将该点纳入边缘点集，在最终输出的NXM边缘点集矩阵中，将 边缘位置的元素值设置为最大灰度值，将其余非边缘位置的元素值设置为0 ;右侧图像与 左侧图像做法相同，且每行的左右两侧同时进行；自下而上，i = M，…，1，进行相同的处理， 得到车辆行进所在车道左右两条车道线的全部边缘点集。
2. 根据权利要求1所述的一种车道线边缘提取的动态阈值方法，其特征是，动态阈值 集合大小P = 3?5。
3. 根据权利要求1所述的一种车道线边缘提取的动态阈值方法，其特征是，简单的左 右划分方法是从中间划分或根据行车方向进行斜向划分。
【文档编号】G06K9/46GK104091166SQ201410321214
【公开日】2014年10月8日 申请日期:2014年7月7日 优先权日:2014年7月7日
【发明者】林秋华, 曹建超 申请人:大连理工大学