本发明涉及图像处理及计算机视觉领域，尤其涉及一种基于几何特征改进的车道线检测方法。
背景技术
众所周知，随着我国经济的飞速发展，机动化步伐加快，汽车逐渐成为人们标准的代步工具，但随之而来所面临的安全驾驶问题比舒适化的体验更加亟待解决。危险驾驶、疲劳驾驶、酒后驾驶等不规范的汽车驾驶行为引发了一系列的交通事故惨案，不断地撞击驾驶人员和家属的安全警钟。所以，高级驾驶辅助系统应运而生，其中的车道线检测技术，作为该系统得以实现的关键技术也受到各国的广泛关注。车道线作为道路上最重要的记号，为驾驶员的行驶起到了约束的作用。无论是在汽车驾驶辅助系统中还是在自动驾驶中，车道线的识别与检测都是一个最基本且必不可少的模块，通过它可以减少道路事故发生的几率，甚至可以给之后智能化交通的深入研究打下基础。
国际上应用较为频繁的车道线检测方法主要分为基于道路特征和基于道路模型两大类，其检测依据主要是道路两侧的标准线，通过车道线与周围环境的差异提取车道线的特征进行图像的识别与分割，基于不同的二维或三维道路图像模型采用相应的方法确定各个模型的参数，最终实施车道线的拟合。目前车道线检测技术存在的最主要的问题便是准确性和实时性不能同时兼顾的问题。在一些复杂环境下，传统道路检测方法鲁棒性不高，容易受到阴影、道路宽度变化、光照、水渍、车道线边缘退化等道路环境的影响，尽管有些方法的复杂度可以准确检测出车道线，但是方法的执行速度又受到了影响，有些方法在实时性方面有了提高，但却是以准确性作为代价。
技术实现要素：
本发明的目的是以车道线的实时追踪和检测作为研究目标，综合考虑车道线检测的准确性与实时性，结合实际应用场景，提出一种基于几何特征改进的车道线检测方法。本发明首先利用边界跟踪方法对车道线轮廓进行提取，然后加入车道线轮廓的面积、长宽比、角度以及距离等几何特征元素进行筛选，将最终筛选出来的轮廓进行直线拟合，划定出车辆的可行驶区域，进一步降低车道线误检的概率，同时不降低方法的实时性，达到同时兼顾准确性和实时性的目的。
本发明的目的是通过以下技术方案实现的：
一种基于几何特征改进的车道线检测方法，包括以下步骤：
(1)利用车载摄像机获取当前道路场景中的图像；
(2)对获取的图像进行预处理，提高图像识别的正确率；
(3)利用边界跟踪方法提取二值图像中的车道线轮廓；
(4)利用车道段的几何特征，对提取出的轮廓进行筛选，提取有效车道段；
(5)对有效车道段进行直线拟合，划定车辆的可行驶区域。
进一步地，所述步骤(2)中对图像的预处理具体包括以下步骤：
(21)对图像进行灰度化处理：使用加权平均方法对图像进行灰度化，灰度图像在像素(i,j)处的取值f(i,j)为：
f(i,j)＝0.30r(i,j)+0.59g(i,j)+0.11b(i,j)；(1)
(22)对图像进行滤波处理：采用中值滤波对图像进行平滑处理；
(23)对图像进行感兴趣区域提取：根据架好相机的特点，可知道相机拍摄的车道线位于图像的下半部分，因而选中图像的下半部分；
(24)对图像进行二值化处理：由于透视，车道宽度基于距离而变化，在基地附近是最大的，而在消失点附近，它是最小的，图像的任何行(r)处的通道宽度δr：
其中，min和max分别为给定图像中可能的最小和最大车道宽度，rvanishingpoint和rtotal分别是图像消失点处的行数和图像的总行数，ε是常数；
车道相对于其侧面的强度更亮，只有当两侧都较暗并且任一侧的强度值差的和在给定范围之间时，则仅将像素视为车道分段的一部分，像素f(i,j)处图像二值化的取值l(i,j)：
d1＝f(i,j)-f(i-δ,j)(3)
d2＝f(i,j)-f(i+δ,j)(4)
d＝d1+d2-|[f(i+δ,j)-f(i-δ,y)]|(5)
l＝0.15*f(i,j)(6)
其中d1、d2为相邻像素间的亮度差；d为梯度值；l为二值化阈值。
进一步地，所述步骤(3)中的边界跟踪方法具体包括以下步骤：
(31)寻找边界的起始点，像素点(i,j)满足f(i,j-1)＝0,f(i,j)＝1为外边界起始点，满足f(i,j)≥1,f(i,j+1)＝0为孔边界起始点；
(32)根据最新找到的边界的类型以及具有序列号lnbd边界的类型，即当前行上遇到的上一个边界，确定当前边界的父边界；
(33)从起始点(i,j)开始跟踪此边界，将此边界的序列号记为nbd；
(34)跟踪并标记完整个边界后，重新开始光栅扫描，当扫描到图片的右下角时，方法终止。
进一步地，所述步骤(4)中轮廓筛选方法具体包括以下步骤：
(41)面积筛选：设置一个轮廓的最小面积阈值minsize，面积小于minsize的轮廓被认为不是有效的车道段，因而被舍弃；满足此条件的轮廓被保留，同时绘制这些轮廓的最小面积的外接矩形，并保存矩形的信息，包括中心点坐标、长宽、旋转角度信息；
(42)边长筛选：设置一个车道线的最小长度阈值longlane，当外接矩形的长度或者宽度有一条边大于longlane时，认定具有此外接矩形的轮廓是有效的车道段，满足此条件的轮廓被保留；
(43)边长比率、矩形角度筛选：不满足步骤(42)条件的轮廓进行进一步的筛选，即轮廓的外接矩形的长宽比率在2:1至4:1之间，同时车道段除非遇到小于或等于九十度的转弯时，其余情况都不会出现水平的车道段，并且只有当车辆在车道上时，垂直车道段才是可能的，在这种情况下，车道段将仅靠近图像的底部中心区域，满足此条件的轮廓被保留；
(44)距离筛选：首先将之前筛选出来的轮廓外接矩形中心点坐标的x轴坐标与图像中心点的x轴坐标相比较，将轮廓分为左右两部分，之后选取一个参照点，计算此参照点与每个轮廓外接矩形中心点的距离，将距离参照点最近的左右两个轮廓作为目标车道线的左右轮廓，其余轮廓全部舍弃，参照点选取在图像中心靠底部位置；
(45)阈值筛选：设置参照点与轮廓外接矩形中心点距离的最小与最大的阈值，当参照点与轮廓外接矩形中心点的距离小于最小阈值或者大于最大阈值时，轮廓将被舍弃；
(46)轮廓个数筛选：轮廓个数为2时保留轮廓信息，少于2时按照上一帧补全轮廓信息。
进一步地，所述步骤(5)中利用最小二乘法进行直线拟合，绘制轮廓，对车道线圈定的四边形区域进行填充，划定出车辆的可行驶区域。
与现有技术相比，本发明的技术方案所带来的有益效果是：
本发明利用车道段的几何特征，并基于车道段的属性，识别出车道线并划定出车辆的可行驶区域，采用此方法，在复杂路况下，可以进一步降低车道线误检的概率，同时不降低方法的实时性，达到同时兼顾准确性和实时性的目的，高级辅助驾驶系统或者未来的智能驾驶系统都可以通过此方法进行车辆偏离预警、车辆行驶方向判断以及驾驶车道内道路障碍物的识别。
附图说明
图1为本发明的简要流程图；
图2为本发明轮廓筛选部分的详细流程图；
图3为图像预处理后的二值图像；
图4为提取轮廓之后的图像；
图5(a)为参照点选取的图像；
图5(b)为轮廓筛选后的图像；
具体实施方式
下面结合附图和实施例对本发明作进一步的描述。
本实施例选取一个图像作为待描述图像，使用本发明中基于几何特征改进的车道线检测方法，从中提取出道路场景中的车道线。
如图1所示，一种基于几何特征改进的车道线检测方法，包括以下步骤：
(1)首先对车载摄像头的参数以及角度进行调节，利用车载摄像机获取当前道路场景中清晰度高、噪声少的图像；
(2)对获取的图像进行预处理，提高图像识别的正确率；
(3)利用边界跟踪方法提取二值图像中的车道线轮廓；
(4)利用车道段的几何特征，对提取出的轮廓进行筛选，提取有效车道段；
(5)对有效车道段进行直线拟合，划定车辆的可行驶区域。
具体而言，所述步骤(2)中对图像的预处理具体包括以下步骤：
(21)对图像进行灰度化处理：使用加权平均方法对图像进行灰度化，减少光照以及颜色等无关紧要的因素对每帧图像检测的影响，灰度图像在像素(i,j)处的取值f(i,j)为：
f(i,j)＝0.30r(i,j)+0.59g(i,j)+0.11b(i,j)；(1)
(22)对图像进行滤波处理：采用中值滤，获取窗口大小为5的方核，并在整幅图像上通过滤除噪声对图像的影响；
(23)对图像进行感兴趣区域提取：根据架好相机的特点，可知道相机拍摄的车道线位于图像的下半部分，因而选中图像的下半部分，从而减少车道线的搜索区域；
(24)对图像进行二值化处理：由于透视，车道宽度基于距离而变化，在基地附近是最大的，而在消失点附近，它是最小的，图像的任何行(r)处的通道宽度δr：
其中，min和max分别为给定图像中可能的最小和最大车道宽度，rvanishingpoint和rtotal分别是图像消失点处的行数和图像的总行数，ε是常数，保持ε值等于5有助于避免噪声，默认min在消失点始终保持为0，max取决于图像尺寸和安装的相机位置，如果照相机保持非常低，则由于高透视并且更接近车道，与照相机安装在顶部上的时间相比，在基座附近的车道宽度将更大；
车道相对于其侧面的强度更亮，只有当两侧都较暗并且任一侧的强度值差的和在给定范围之间时，则仅将像素视为车道分段的一部分，像素f(i,j)处图像二值化的取值l(i,j)：
d1＝f(i,j)-f(i-δ,j)(3)
d2＝f(i,j)-f(i+δ,j)(4)
d＝d1+d2-|[f(i+δ,j)-f(i-δ,y)]|(5)
l＝0.15*f(i,j)(6)
其中d1、d2为相邻像素间的亮度差；d为梯度值；l为二值化阈值，处理结果见图3。
具体而言，所述步骤(3)中的边界跟踪方法具体包括以下步骤：
(31)寻找边界的起始点，像素点(i,j)满足f(i,j-1)＝0,f(i,j)＝1为外边界起始点，满足f(i,j)≥1,f(i,j+1)＝0为孔边界起始点；
(32)根据最新找到的边界的类型以及具有序列号lnbd边界的类型，即当前行上遇到的上一个边界，确定当前边界的父边界；
(33)从起始点(i,j)开始跟踪此边界，将此边界的序列号记为nbd；
(34)跟踪并标记完整个边界后，重新开始光栅扫描，当扫描到图片的右下角时，方法终止。提取轮廓之后的图像如图4所示。
具体而言，如图2所示，所述步骤(4)中轮廓筛选方法具体包括以下步骤：
(41)面积筛选：设置一个轮廓的最小面积阈值minsize，面积小于minsize的轮廓被认为不是有效的车道段，因而被舍弃；满足此条件的轮廓被保留，同时绘制这些轮廓的最小面积的外接矩形，并保存矩形的信息，包括中心点坐标、长宽、旋转角度信息；
(42)边长筛选：设置一个车道线的最小长度阈值longlane，当外接矩形的长度或者宽度有一条边大于longlane时，认定具有此外接矩形的轮廓是有效的车道段，满足此条件的轮廓被保留；
(43)边长比率、矩形角度筛选：不满足步骤(42)条件的轮廓进行进一步的筛选，即轮廓的外接矩形的长宽比率在2:1至4:1之间，同时车道段除非遇到小于或等于九十度的转弯时，其余情况都不会出现水平的车道段，并且只有当车辆在车道上时，垂直车道段才是可能的，在这种情况下，车道段将仅靠近图像的底部中心区域，满足此条件的轮廓被保留；
(44)距离筛选：首先将之前筛选出来的轮廓外接矩形中心点坐标的x轴坐标与图像中心点的x轴坐标相比较，将轮廓分为左右两部分，之后选取一个参照点，计算此参照点与每个轮廓外接矩形中心点的距离，将距离参照点最近的左右两个轮廓作为目标车道线的左右轮廓，其余轮廓全部舍弃，参照点选取在图像中心靠底部位置；
(45)阈值筛选：设置参照点与轮廓外接矩形中心点距离的最小与最大的阈值，当参照点与轮廓外接矩形中心点的距离小于最小阈值或者大于最大阈值时，轮廓将被舍弃；
(46)轮廓个数筛选：轮廓个数为2时保留轮廓信息，少于2时按照上一帧补全轮廓信息。
实验结果如图：图5(a)为参照点选取的图像，图5(b)为轮廓筛选后的图像。
具体而言，所述步骤(5)中利用最小二乘法进行直线拟合，绘制轮廓，对车道线圈定的四边形区域进行填充，划定出车辆的可行驶区域。
综上所述，本发明针对真实路况下提出了一种基于几何特征改进的车道线检测方法，利用车道段的几何特征，并基于车道段的属性，划定出车辆的可行驶区域，进一步降低车道线误检的概率，同时不降低方法的实时性，达到同时兼顾准确性和实时性的目的。高级辅助驾驶系统通过此方法可以进行车辆偏离预警、车辆行驶方向判断以及驾驶车道内道路障碍物的识别等。
本发明并不限于上文描述的实施方式。以上对具体实施方式的描述旨在描述和说明本发明的技术方案，上述的具体实施方式仅仅是示意性的，并不是限制性的。在不脱离本发明宗旨和权利要求所保护的范围情况下，本领域的普通技术人员在本发明的启示下还可做出很多形式的具体变换，这些均属于本发明的保护范围之内。