一种车道线检测方法与流程

本发明涉及道路识别检测领域，具体涉及一种检测车道线的方法。

背景技术：

基于视觉的人工智能导航是计算机视觉领域的一项重要应用，因其方法简单、可适应复杂的道路环境被广泛应用到自主车辆的道路识别系统中。目前基于视觉的车道线检测算法包括基于特征和基于模型两类。基于特征的算法主要是利用颜色、纹理、形状等信息来提取车道线，但是当路面光照发生变化，标志线磨损，路面出现水渍、阴影等情况都将会影响检测效果。基于模型的算法首先估计道路模型，然后利用图像信息确定模型参数，常用的道路模型有直线模型，抛物线模型，三次样条曲线模型。大量研究发现：直线模型虽然算法简单运行速度快，但是不适合弯曲的车道线检测应用范围窄；抛物线模型易受复杂道路环境的影响鲁棒性不好；三次样条曲线模型虽然检测效果比较好，但是算法复杂计算量大。

技术实现要素：

为了解决现有技术中存在的问题，本发明提供了一种车道线检测的新方法，该方法不仅可以对两侧车道线整体建模，而且还能轻而易举的区分左右车道线。

本发明解决技术问题所采用的技术方案如下：

一种车道线检测方法，该方法包括如下步骤：

步骤一：采集车道线的图像；

步骤二：对含有车道线的所述图像进行处理，提取出道路左右车道线的边缘点；

步骤三：将所述车道线构造成一个整体的函数模型，利用反馈神经网络，使用提取出的所述车道线边缘点，对函数模型进行参数估计，得到一个开口向下的上凸函数；

步骤四：利用所述上凸函数的上凸性求出函数的最大值，确定最大值的左侧为左车道线，最大值的右侧为右车道线；使用最小二乘法对所述左右车道线进行重新拟合和重构，到达检测车道线的目的。

本发明的有益效果是：本方法将上凸函数的最大值点作为左右车道线的分界点，无需像其它方法那样事先人工预判出左右车道线的大体位置。减少了人工预判带来的误差，提高了左右车道线的检测精度。此外该方法有良好的普适性，在光照、阴影及其它路面标志干扰的情况下，对弯曲和直的车道线，都能检测出。

附图说明

图1为原始图像。

图2为45°直线滤波器和135°直线滤波器。

图3为车道线模型函数曲线图。

图4为左右车道的边缘点图。

图5为反馈神经网络对新的函数模型的重构结果。

图6为最小二乘法对新的函数模型左右两部分的重构结果。

具体实施方式

下面结合附图和实施例对本发明做进一步详细说明。

一种车道线检测方法，该方法包括如下步骤：

步骤一：采集车道线的图像，如图1所示，根据rgb颜色空间到yuv颜色空间的转换公式y＝0.299r+0.587g+0.114b，将图像处理成灰度图。

步骤二：对所述含有车道线的灰度图，分别用如图2所示的45°和135°的直线滤波器滤波处理，将45°滤波图像和135°滤波图像叠加，进而提取出左右车道线的边缘点。

步骤三：将道路左右的车道线构造成一个整体的函数模型，如图3所示，分别为三种常见的车道线，即右转、直行、左转，使用提取出所述左右车道线的边缘点的坐标值，如图4所示，作为三层反馈神经网络的输入数据，对函数模型进行参数估计，得到一个确定的开口向下的上凸函数，如图5所示，完成了函数曲线模型的拟合。

步骤四：利用所述上凸函数的上凸性求出函数的最大值，如图5中“小圆圈”所示，即可确定最大值左侧为左车道线，最大值的右侧为右车道线，区分出左右车道线上的数据点，最后使用最小二乘法对左右车道线进行重新拟合和重构，如图6所示，到达检测车道线的目的。

技术特征：

技术总结
一种车道线检测方法涉及道路识别检测领域，包括如下步骤：采集车道线的图像；对含有车道线的图像进行处理，提取出道路左右车道线的边缘点；将车道线构造成一个整体的函数模型，利用反馈神经网络，使用提取出的车道线边缘点，对函数模型进行参数估计，得到一个开口向下的上凸函数；利用上凸函数的上凸性求出函数的最大值，确定最大值的左侧为左车道线，最大值的右侧为右车道线；使用最小二乘法对左右车道线进行重新拟合和重构，到达检测车道线的目的。本方法无需像其它方法那样事先人工预判出左右车道线的大体位置。提高了左右车道线的检测精度，有良好的普适性，在光照、阴影及其它路面标志干扰的情况下，对弯曲和直的车道线，都能检测出。

技术研发人员：穆治亚;贾会群;何昕;魏仲慧;吕游;张磊;何家维
受保护的技术使用者：中国科学院长春光学精密机械与物理研究所
技术研发日：2017.09.04
技术公布日：2018.01.16