快速车道线检测方法与流程

本公开属于计算机视觉和图形处理技术领域，尤其是涉及一种快速车道线检测方法。

背景技术：

车道线检测作为自动驾驶技术的第一个环节，能够有效感知车辆周围世界，并获取可行驶区域，是实现车道偏离预警，前车防碰撞等功能的前提和保证。对于车道线检测算法，有Jiang R等人在文献“Jiang R,Reinhard K,Tobi V,et al.Lane detection and tracking using a new lane model and distance transform[J].Machine Vision&Applications,2011,22(4):721-737.”中提出的通过对车道建立三角约束，建立车道线模型，在经过距离变换的图像中，通过粒子滤波进行对车道线的生长。这种方法只能处理两边道路同时有车道线时的情况，并且对阴影，噪声等敏感性高。

针对阴影问题，噪声等，Son J等人在文献“Son J,Yoo H,Kim S,et al.Real-time illumination invariant lane detection for lane departure warning system[J].Expert Systems with Applications,2014,42(4):1816-1824.”中提出使用基于色彩转换不变性来对不同光照条件下，不用路面情况进行处理的方法，但是其处理方式较为单一，不能很好的处理强阴影及高噪声情况。并且此方法对于颜色转换不变性只考虑了白色线与黄色线，对于可能出现的其他情况，例如由于照明条件不好情况下导致车道线颜色与平时差距大的这些情况并没有很好的鲁棒性。

这些方法都有其局限性。对现实世界的建模太过简单，不能很好的实现快速鲁棒地检测车道线。

技术实现要素：

本公开的实施例关于一种快速车道线检测方法，包括对输入图像进行照度不变变换，通过基于最小熵的在线标定方法确定照度不变变换的参数，使用所确定的照度不变变换的参数来分割道路以确定边界，基于所确定的边界进行双阈值边缘检测，基于双阈值边缘检测的结果对参数空间进行估计以及基于所估计的参数空间分布情况检测直线。

在一些实施例中，基于最小熵的在线标定方法包括统计图像的直方图分布并计算直方图的熵。

在一些实施例中，分割道路包括对图进行去除阴影和灰度化，计算对道路随机取样所生成的小块的归一化直方图，计算道路协方差分布以及以设定的阈值判断每小块是否属于道路。

在一些实施例中，基于所确定的边界进行双阈值边缘检测包括利用所分割的道路区域生成感兴趣区域，利用照度不变灰度图进行双阈值边缘检测以及生成二值图像。

在一些实施例中，生成感兴趣区域还包括去除不光滑的边界以优化图像。

在一些实施例中，用低阈值边缘图对高阈值边缘图进行连接以使得边缘连续。

在一些实施例中，对参数空间进行估计包括进行霍夫变换。

在一些实施例中，对参数空间进行估计包括建立像素坐标空间与极坐标参数空间的映射关系，以及利用投票的方式估计参数空间中的分布。

在一些实施例中，基于所估计的参数空间分布情况检测直线包括基于参数空间的分布情况统计一个或多个最大的值从而检测得出一条或多条直线。

在一些实施例中，使用非极大值抑制来去除错误的检测结果。

本公开的实施例可以用于解决至少一些现有技术中的以上问题，从而在单一车道线及路面上具有大量阴影噪声干扰的情况下能够做出符合实际情况的检测，具有对实际场景和复杂路面情况适应性好鲁棒性高的优势，并且检测速度较快。

附图说明

本公开提供了附图以便于所公开内容的进一步理解，附图构成本申请的一部分，但仅仅是用于图示出体现发明概念的一些发明的非限制性示例，而不是用于做出任何限制。

图1是根据本公开一些实施例的快速车道线检测方法的流程图。

图2是根据本公开一些实施例的快速车道线检测方法的检测结果示意图。

具体实施方式

下文将使用本领域技术人员向本领域的其它技术人员传达他们工作的实质所通常使用的术语来描述本公开的发明概念。然而，这些发明概念可体现为许多不同的形式，因而不应视为限于本文中所述的实施例。提供这些实施例是为了使本公开内容更详尽和完整，并且向本领域的技术人员完整传达其包括的范围。也应注意这些实施例不相互排斥。来自一个实施例的组件、步骤或元素可假设成在另一实施例中可存在或使用。在不脱离本公开的实施例的范围的情况下，可以用多种多样的备选和/或等同实现方式替代所示出和描述的特定实施例。本申请旨在覆盖本文论述的实施例的任何修改或变型。

对于本领域的技术人员而言明显可以仅使用所描述的方面中的一些方面来实践备选实施例。本文出于说明的目的，在实施例中描述了特定的数字、材料和配置，然而，领域的技术人员在没有这些特定细节的情况下，也可以实践备选的实施例。在其它情况下，可能省略或简化了众所周知的特征，以便不使说明性的实施例难于理解。

此外，下文为有助于理解说明性的实施例，将各种操作依次描述为了多个离散的操作；然而，所描述的顺序不应当被认为是意味着这些操作必须依赖于该顺序执行。而是不必以所呈现的顺序来执行这些操作。

下文中的“在一些实施例中”，“在一个实施例中”等短语可以或可以不指相同的实施例。术语“包括”、“具有”和“包含”是同义的，除非上下文中以其它方式规定。短语“A和/或B”意味着(A)、(B)或(A和B)。短语“A/B”意味着(A)、(B)或(A和B)，类似于短语“A和/或B”。短语“A、B和C中的至少一个”意味着(A)、(B)、(C)、(A和B)、(A和C)、(B和C)或(A、B和C)。短语“(A)B”意味着(B)或(A和B)，即A是可选的。

图1示出了根据本公开一些实施例的快速车道线检测方法的流程图。图1中左侧部分的步骤S101-S104为基于照度不变变换的道路分割，图1中右侧部分的步骤S105-S108为利用照度不变变换的道路分割的结果，同时加以使用霍夫变换(Hough变换)，进行车道线检测。在步骤S101中，首先接收包含路面的输入图像，接着对输入图像进行照度不变变换。首先对道路进行照度不变变换，通过对物理世界光照模型的建模，即利用普朗克照明模型，朗伯表面模型，窄带传感器模型和/或其他模型来分别对光源，路面和/或拍摄输入图像的摄像机进行建模。在这些建模的基础上，可以将RGB颜色空间I_RGB＝(I_R,I_G,I_B)转换为照度不变空间即如有同一表面的物体但具有两种不同的光照程度，其RBG空间中灰度值不同，即但是其照度不变空间灰度值相同，即在得到照度不变变换图之后，统计其直方图的分布并计算直方图的熵。记I_θ为利用l_θ和照度不变变换获取的灰度图，E_θ为灰度图I_θ直方图H_θ的熵，则通过对直方图的熵的最小化，动态确定l_θ的值从而完成对照度不变变换参数的在线标定。如上所述可以确定照度不变变换的参数。

$E_{\mathrm{\θ}}=-\underset{i=0}{\overset{L}{\Σ}}{H}_{\mathrm{\θ}}\left(i\right)log\left(H_{\mathrm{\θ}}\right(i\left)\right)---\left(1\right)$

$l_{\mathrm{\θ}}=\arg min\[-\underset{i=0}{\overset{L}{\Σ}}{H}_{\mathrm{\θ}}\left(i\right)log\left(H_{\mathrm{\θ}}\right(i\left)\right)\]---\left(2\right)$

在步骤S102中，确定照度不变变换参数以用于照度不变变换。依据所计算的照度不变参数和NLP模型，可以对整幅输入图像进行去除阴影及灰度化的过程：

r＝log(R/G) (3)

b＝log(B/G) (4)

基于所计算的r和b已经以上步骤所计算出的参数，可实现整张输入图像的阴影去除及灰度化过程。

在步骤S103中，在去除阴影以及灰度化的图中，计算对道路随机取样所生成的小块的归一化直方图并计算道路协方差分布以及以设定的阈值判断每小块是否属于道路。首先生成道路模型描述子，通过在道路中随机取样的方式，生成多个小块Pitch＝{p₁,p₂,...,p_n}，计算其归一化直方图H_norm＝{h₁,h₂,...,h_n}，其中h_i为第i个图像小块p_i的归一化直方图。通过最大的协方差组来定义其相似性。

$S=max\left(\underset{j=1}{\overset{n}{\Σ}}corr\right(h_j,h\left)\right)---\left(5\right)$

其中h为要分类的区域，通过预先设定的阈值的来判断每一个图像小块属于道路区域与否来完成道路分割。其中预先设定的阈值可以基于先前检测的结果、参考图像和/或用户的自定义。

在步骤S104中，生成感兴趣区域(ROI)。基于由上述步骤得到的通过所设定的阈值判断的道路区域，可以得到ROI的位置。在一些实施例中，可以将步骤S103中所获得的道路区域通过使用孔洞填充算法来对图像结果进行优化。在一些实施例中，可以进一步利用形态学算法去掉至少一部分不光滑的边界，从而生成稳定鲁棒光滑的道路区域的边界。利用所分割的道路区域生成感兴趣区域后，方法流程进入步骤S105，其中在上一步骤生成的边界内部对图像进行特定方向的自适应双阈值边缘检测。在备选实施例中，双阈值方法使用类似于Canny边缘检测的方法。首先统计图像边缘梯度强度的分布情况，通过此分布情况来动态确定双阈值的范围，一般为40％-70％之间。在双阈值生成的二值图像基础上，可以进行连接操作，利用低阈值边缘图对高阈值边缘图进行连接，从而将原本不连续的边缘变得连续起来。

在步骤S106开始基于霍夫变换(Hough变换)的快速线检测。本领域技术人员所熟知的是Hough变换的原理是利用图像空间和Hough参数空间的点与线的对偶性，把图像空间中的检测问题转换到参数空间。通过在参数空间里进行简单的累加统计，然后在Hough参数空间寻找累加器峰值的方法检测直线。在如上所述得到照度不变灰度图边缘的基础上，可以使用例如的Hough变换有效的基元提取算法。通过直线在极坐标下的表示形式，建立像素坐标空间与极坐标参数空间的例如一对多和/或多对一的映射关系，利用投票的方式实现快速的参数空间参数分布估计。由此通过输入图像得到了对参数空间的估计。

在步骤S107中，接着在参数空间中对参数分布进行分析，备选地可以利用非极大值抑制方法，有效去除小微噪声从而保证提取出的直线为最可能的直线。进行非极大值抑制之后，利用参数空间的整体分布情况统计其最大的一个或多个值的位置，即可检测出一条或多天线，从而实现对车道线的检测。在步骤S108中，提取所检测出的车道线，并可将所提取的车道线用于自动驾驶、显示、跟踪等各种用途。

图2是根据本公开一些实施例的快速车道线检测方法的检测结果示意图。本公开实施例中的快速车道线检测方法在中央处理器为i5-3470 3.2GHz CPU、内存为16G、OS为WINDOWS 10的操作环境中运用MATLAB软件进行了仿真测试。仿真所采用的数据为自主采集的多种情况下的路面图像。为了验证算法的有效性，选择两种算法以进行对比。对比算法分别为加州理工车道检测(Caltech Lane Detection)算法与弱模型和粒子过滤(Weak model and particle filter)算法。加州理工车道检测算法由Aly等人在文献“Aly M.Real time Detection of Lane Markers in Urban Streets[J].Intelligent Vehicles Symposium IEEE,2014:7-12.”中提出，这种算法使用了IPM变换以及竖直方向的Hough变换来实现车道线检测算法。弱模型和粒子过滤检测算法由上海交通大学的Ruyi J等人在文献“Ruyi J,Reinhard K,Tobi V,et al.Lane detection and tracking using a new lane model and distance transform[J].Machine vision and applications,2011,22(4):721-737.”中提出，这种算法为基于对车道线生长的方式来进行处理，通过粒子滤波等方式实现车道线整体的生长。当使用同一数据集(例如加州理工测试数据集)以上述三种算法进行计算时，所得的结果为图2所示。

相比于两种对比算法的结果，本公开方法的结果不论是在光照条件好的情况下，还是在光照条件较差的情况下，都有相较于两种对比算法更好的效果，车道线定位的精度也更高。并且在评测算法中，加州理工车道检测算法虽然能够达到30帧每秒左右的处理速度，但是此算法基于OpenCV实现，其具有C语言固有速度快的优势。弱模型和粒子过滤检测算法由于其粒子滤波器的复杂性，其检测速度并不能够很好的达到实时。而我们的算法尽管是基于固有速度很慢的Matlab实现，但却具有很好的实时性，并且检测速度已超过了30帧每秒，因此在检测速度方面也是优于现有算法的。总的来说，本文所公开的方法具有检测鲁棒，速度好的特点，通过以上仿真实验也可以验证本公开方法的有效性。

本文中的部分方法步骤和流程可能需要由计算机执行，从而以硬件、软件、固件及其任何组合的方式来实施，并且可以包括计算机可执行的指令。该计算机可执行的指令可以以计算机程序产品的形式存储在机器可读介质上或者以从远程服务器下载的方式进行提供，并由通用计算机、专用计算机和/或其他可编程数据处理装置的一个或多个处理器读取和执行以实现方法步骤和流程中指明的功能/动作。机器可读介质包括但不限于软盘、光盘、压缩盘、磁光盘、只读存储器ROM、随机存取存储器RAM、可擦可编程ROM(EPROM)、电可擦可编程ROM(EEPROM)、存储卡、闪存和/或电、光、声以及其他形式的传播信号(例如载波、红外信号、数字信号等)。

另外需注意，本文中的术语“和/或”可表示“和”、“或”、“异或”、“一个”、“一些但不是全部”、“两者皆不”和/或“两者皆是”，但在此方面并无限制。本文虽然已经示出和描述了本公开的具体实施例，但对本领域技术人员显然可以在不脱离所附权利要求书范围的情况下进行众多改变、变化和修改。另外，在上述具体实施方式中，可看到各种特征在单个实施例中组合在一起以便简化公开内容。此公开方式不应解释为反映要求保护的实施方式需要比每个权利要求项明确所述的具有更多特征。相反，如权利要求所反映的一样，本公开的主题依赖的是比单个公开实施方式所有特征更少的特征。因此，权利要求书的每个权利要求项本身保持为单独的完整的实施例。综上，本领域技术人员将认识到在不脱离本公开的范围和精神的情况下，可在更广阔的各方面中进行改变和修改。所附权利要求书在其范围内涵盖了落入本公开真实范围和精神内的所有此类改变、变化和修改。