本发明涉及信号处理技术领域,具体涉及一种基于视觉的车道线检测方法。
背景技术:
事故频繁发生的首要原因在于驾驶员在行驶过程中无意识地偏离车道。随着汽车的保有量的逐年递增,道路环境日趋复杂,为了让人们更有效的出行,自动驾驶或辅助驾驶逐渐成为研究的热点之一。车道线识别是其中最为基础的部分,它既是保证车辆对道路场景有效掌控的关键单元,又可为车辆偏离预警技术提供精确的位置信息,从而一定程度上减缓交通压力和降低交通事故发生。而在嵌入式系统下实现车道线识别和偏离预警,具有低成本、低功耗,小型化和易集成等特点,因此具有较高的实用价值和广阔应用前景。
随着计算机技术的发展,向处于危险的驾驶员及时提供警告的系统具有挽救大量生命的巨大潜力。旨在帮助驾驶员驾驶过程中的系统称之为高级驾驶辅助系统,它具有自适应巡航控制、防撞功能、盲点检测与交通标志检测等许多功能。车道偏离系统也属于其中一类。车道检测是在道路上定位车道标记并将这些位置信息呈现给智能系统。在智能交通系统中,智能车辆与智能基础设施相融合,能提供更安全的环境和更好的交通条件。
目前,车道线检测的方法主要可以分为三类:基于模型的方法、基于特征的方法、基于标志的方法。特征法利用车道基础特征如颜色、纹理等定位路面图像中的车道线。基于模型的方法通常以线性或者曲线为模板分析车道,一旦模型被定义,检测就较简单。基于深度学习的方法,基础原理是预先标记大量的样本集,使用卷积神经网络的方法训练样本集获取网络参数,达到车道检测和分类的目的。相对于深度学习的方法来说,特征与模型方法的道路信息检测是其必要的。可以将模型和特征的方法作为借鉴,用深度学习方法,更精确识别车道线。由于硬件条件受到限制,模型与特征的方法也有巨大的潜力。
针对车道线检测算法存在以下问题:达到实时检测。道路情况复杂,例如存在遮挡、车道线缺失、地面标识、隧道等影响使检测率偏低。由于连续的多帧除了换道以外,车道线的位置信息无较大的变化,需要稳定地检测出多帧图像的车道,使干扰车道线与准确车道线不会一直交换。车道线位置信息需要在换道之前被准确检测,为偏离预警提供正确向导。基于上述情况,如何提高高效、实时、稳定的检测车道线是本领域函待解决的问题。
技术实现要素:
本方法所采用的嵌入式平台,设计了高效、实时性强的车道线检测算法,且具有很强的适应性。目的在于解决现有技术中车道线的检测效率较低的问题。
为到达上述目的,本发明提出了一种基于视觉的车道线检测方法,该方法包括以下步骤:
步骤1:通过摄像头采集图像,将采集图像转换为灰度图像,将灰度图像的中心点设置为基准点,并根据基准点划定感兴趣区域;
步骤2:通过行扫描梯度值法在感兴趣区域分别提取上升边缘点以及下降边缘点,将上升边缘点以及下降边缘点分别通过逆透视变换得到逆透视上升边缘点以及逆透视下降边缘点,将逆透视上升边缘点以及逆透视下降边缘点使用车道宽度特征滤波分别得到筛选后上升边缘点以及筛选后下降边缘点;
步骤3:将筛选后上升边缘点以及筛选后下降边缘点进行自定义的参数空间变换,并统计筛选后上升边缘点以及筛选后下降边缘点其线的角度以及横向偏移量均相等的数量,获取候选车道线,并拟合车道曲线;
步骤4:通过当前帧道路图像的车道线位置关联下一帧道路图像的车道线位置。
作为优选,步骤1中所述采集图像宽度为u,高度为v;
步骤1中所述灰度图像的中心点为
步骤1中所述根据基准点划定感兴趣区域为:
根据基准点
其中,w取值范围为
作为优选,步骤2中所述通过行扫描梯度值法在感兴趣区域提取边缘点为:
计算基于水平行扫描线上的每个像素边缘强度:
其中,i(i+k,j)表示感兴趣区域第i+k行及第j列的像素值,
将像素边缘强度分别与第一阈值以及第二阈值比较,根据检测结果对感兴趣区域像素点进行分类:当e(i,j)>th1时,i(i,j)是上升边缘边点,当e(i,j)<th2时,i(i,j)是下降边缘点;
将感兴趣区域内上升边缘点以及下降边缘点通过逆透视变换转换到世界坐标系下的实际道路中边缘特征点,即步骤2中所述逆透视上升边缘点以及逆透视下降边缘点;
逆透视上升边缘点以及逆透视下降边缘点使用车道宽度特征滤波去除干扰点,对感兴趣区域内同一图像行数的逆透视上升边缘点与逆透视下降边缘点计算欧式距离:若|dis-d|≤dh,dis为欧氏距离,d为距离阈值,dh为距离误差,则逆透视上升边缘点为步骤2中所述筛选后上升边缘点:
(xm,ym)
其中,
且逆透视下降边缘点为步骤2中所述筛选后下降边缘点:
其中,
作为优选,步骤3中所述自定义的参数空间变换为:
筛选后上升边缘点自定义的参数空间为:
xm=pk,m+ym*tanθk,m
其中,(xm,ym)为步骤2中所述筛选后上升边缘点的坐标,θk,m表示筛选后上升边缘点线的角度,且θk,m∈[α,β],k∈[1,k],k表示上升边缘点线的角度数量,pk,m表示上升边缘点线的横向偏移量,进行θk,m的遍历计算获取相应的pk,m;
筛选后下降边缘点自定义的参数空间为:
其中,
步骤3中所述统计筛选后上升边缘点以及筛选后下降边缘点其线的角度以及横向偏移量均相等的数量:
筛选后上升边缘点自定义的参数空间中,将任意两个不同的筛选后上升边缘点的上升边缘点线的角度以及上升边缘点线的横向偏移量进行比较,若二者均相等,则:
hr(p,θ)=hr(p,θ)+1r∈[1,nr]
其中,hr(p,θ)为第r组上升边缘点线的角度以及上升边缘点线的横向偏移量均相等的筛选后上升边缘点数量;
筛选后下降边缘点自定义的参数空间中,将任意两个不同的筛选后下降边缘点的下降边缘点线的角度以及下降边缘点线的横向偏移量进行比较,若二者均相等,则:
hd(p,θ)=hd(p,θ)+1d∈[1,nd]
其中,hd(p,θ)为第d组下降边缘点线的角度以及下降边缘点线的横向偏移量均相等的筛选后下降边缘点数量;
在nr组上升边缘点线的角度以及上升边缘点线的横向偏移量均相等的筛选后上边缘点中,选择hr(p,θ)值从高到低排序前g组的其中一组
(pg,θg)g∈[1,g],不同的(pg,θg)根据其上升边缘点线的角度以及上升边缘点线的横向偏移量值表示为不同的直线;
在nd组下降边缘点线的角度以及下降边缘点线的横向偏移量均相等的筛选后上边缘点中,选择hd(p,θ)值从高到低排序前g组的其中一组
步骤3中所述获取候选车道线为:
针对上升边缘点,由参数值(pg,θg)g∈[1,g]确定直线为:
xi=pg+yi*tanθg
其中,
对于下降边缘点与上升边缘点进行相同处理,只保留外扩范围内的下降边缘点
步骤3中所述拟合车道线为:
将外扩范围内的上升边缘点进行多次项拟合得到上升拟合车道曲线,参数值为
将外扩范围内的下降边缘点进行多次项拟合得到下降拟合车道曲线,参数值为
多次项拟合可以采用最小二乘法或贝塞尔曲线法;
上升拟合车道曲线以及下降拟合车道曲线构成当前帧道路图像的车道线位置;
作为优选,步骤4中所述关联为:
下一帧道路图像的车道线位置中上升拟合车道曲线,参数值为
下一帧道路图像的车道线位置中下降拟合车道曲线,参数值为
若
下一帧道路图像的车道线位置有效,否则无效;
若
下一帧道路图像的车道线位置有效,否则无效。
本发明方法能够实时、准确地检测出各场景下的车道线,并具有相当好的抗干扰性。根同时结合车道结构特征信息,并且在实时性上去找寻突破点,提出了基于自定义的参数空间变换检测算法,把它应用于以嵌入式环境下。运用消失点自动划定感兴趣区域,避免全图的复杂计算,消除冗余信息提升检测效率,基于行扫描的边缘梯度值的提取,将边缘点提取后用于快速逆透视变换,然后将逆透视变换后的道路图中边缘点与原图像扫描提取的边缘点进行特征融合,剔除干扰点,只保留有效的边缘特征点,为高效的参数空间变换提供保证;有效边缘信息获取后,采用了适合边缘点的自定义参数空间变换方法用于获取候选车道线,然后通过特征信息筛选车道线,将获得的车道线用于实现后续帧图像的稳定检测。
附图说明
图1:本发明的方法流程示意图;
图2:本发明车道线检测算法实施例中感兴趣区域与扫描线的设定示意图;
图3:本发明车道线检测算法实施例中边缘点提取结果图与逆透视变换的鸟瞰图;
图4:本发明车道线检测算法实施例中宽度特征滤波的后结果图;
图5:本发明车道线检测算法实施例中参数空间示意图;
图6:本发明车道线检测算法实施例中整合过后的车道线内边界结果图。
图7:本发明车道线检测算法实施例中车道线检测结果图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明,下面结合附图及实施例对本发明作进一步的详细描述,应当理解,此处所描述的实施示例仅用于说明和解释本发明,并不用于限定本发明。
下面结合图1至图7介绍本发明的实施方式,具体包含以下步骤:
步骤1:通过摄像头采集图像,将采集图像转换为灰度图像,将灰度图像的中心点设置为基准点,并根据基准点划定感兴趣区域;
步骤1中所述采集图像宽度为u=1280,高度为v=720;
步骤1中所述灰度图像的中心点为
步骤1中所述根据基准点划定感兴趣区域为:
根据基准点
其中,w取值范围为
步骤2:通过行扫描梯度值法在感兴趣区域分别提取上升边缘点以及下降边缘点,将上升边缘点以及下降边缘点分别通过逆透视变换得到逆透视上升边缘点以及逆透视下降边缘点,将逆透视上升边缘点以及逆透视下降边缘点使用车道宽度特征滤波分别得到筛选后上升边缘点以及筛选后下降边缘点;
步骤2中所述通过行扫描梯度值法在感兴趣区域提取边缘点为:
计算基于水平行扫描线上的每个像素边缘强度:
其中,i(i+k,j)表示感兴趣区域第i+k行及第j列的像素值,
将像素边缘强度分别与第一阈值以及第二阈值比较,根据检测结果对感兴趣区域像素点进行分类:当e(i,j)>th1时,i(i,j)是上升边缘边点,th1=16,当e(i,j)<th2时,i(i,j)是下降边缘点,th2=-16;
将感兴趣区域内上升边缘点以及下降边缘点通过逆透视变换转换到世界坐标系下的实际道路中边缘特征点,即步骤2中所述逆透视上升边缘点以及逆透视下降边缘点;
逆透视上升边缘点以及逆透视下降边缘点使用车道宽度特征滤波去除干扰点,对感兴趣区域内同一图像行数的逆透视上升边缘点与逆透视下降边缘点计算欧式距离:若|dis-d|≤dh,dis为欧氏距离,d为距离阈值,为14个像素距离,dh为距离误差,为4个像素距离,则逆透视上升边缘点为步骤2中所述筛选后上升边缘点:
(xm,ym)
其中,
且逆透视下降边缘点为步骤2中所述筛选后下降边缘点:
其中,
步骤3:将筛选后上升边缘点以及筛选后下降边缘点进行自定义的参数空间变换,并统计筛选后上升边缘点以及筛选后下降边缘点其线的角度以及横向偏移量均相等的数量,获取候选车道线,并拟合车道曲线;
步骤3中所述自定义的参数空间变换为:
筛选后上升边缘点自定义的参数空间为:
xm=pk,m+ym*tanθk,m
其中,(xm,ym)为步骤2中所述筛选后上升边缘点的坐标,θk,m表示筛选后上升边缘点线的角度,且θk,m∈[α,β],k∈[1,k],α=1,β=75,k表示上升边缘点线的角度数量,pk,m表示上升边缘点线的横向偏移量,进行θk,m的遍历计算获取相应的pk,m;
筛选后下降边缘点自定义的参数空间为:
其中,
步骤3中所述统计筛选后上升边缘点以及筛选后下降边缘点其线的角度以及横向偏移量均相等的数量:
筛选后上升边缘点自定义的参数空间中,将任意两个不同的筛选后上升边缘点的上升边缘点线的角度以及上升边缘点线的横向偏移量进行比较,若二者均相等,则:
hr(p,θ)=hr(p,θ)+1r∈[1,nr]
其中,hr(p,θ)为第r组上升边缘点线的角度以及上升边缘点线的横向偏移量均相等的筛选后上升边缘点数量;
筛选后下降边缘点自定义的参数空间中,将任意两个不同的筛选后下降边缘点的下降边缘点线的角度以及下降边缘点线的横向偏移量进行比较,若二者均相等,则:
hd(p,θ)=hd(p,θ)+1d∈[1,nd]
其中,hd(p,θ)为第d组下降边缘点线的角度以及下降边缘点线的横向偏移量均相等的筛选后下降边缘点数量;
在nr组上升边缘点线的角度以及上升边缘点线的横向偏移量均相等的筛选后上边缘点中,选择hr(p,θ)值从高到低排序前g组的其中一组
(pg,θg)g∈[1,g],g=10,不同的(pg,θg)根据其上升边缘点线的角度以及上升边缘点线的横向偏移量值表示为不同的直线;
在nd组下降边缘点线的角度以及下降边缘点线的横向偏移量均相等的筛选后上边缘点中,选择hd(p,θ)值从高到低排序前g组的其中一组
步骤3中所述获取候选车道线为:
针对上升边缘点,由参数值(pg,θg)g∈[1,g]确定直线为:
xi=pg+yi*tanθg
其中,
对于下降边缘点与上升边缘点进行相同处理,只保留外扩范围内的下降边缘点
步骤3中所述拟合车道线为:
将外扩范围内的上升边缘点进行多次项拟合得到上升拟合车道曲线,参数值为
将外扩范围内的下降边缘点进行多次项拟合得到下降拟合车道曲线,参数值为
多次项拟合可以采用最小二乘法或贝塞尔曲线法;
上升拟合车道曲线以及下降拟合车道曲线构成当前帧道路图像的车道线位置;
步骤4:通过当前帧道路图像的车道线位置关联下一帧道路图像的车道线位置;
步骤4中所述关联为:
下一帧道路图像的车道线位置中上升拟合车道曲线,参数值为
下一帧道路图像的车道线位置中下降拟合车道曲线,参数值为
若
下一帧道路图像的车道线位置有效,否则无效;
若
下一帧道路图像的车道线位置有效,否则无效。
应当理解的是,本说明书未详细阐述的部分均属于现有技术。
应当理解的是,上述针对较佳实施例的描述较为详细,并不能因此而认为是对本发明专利保护范围的限制,本领域的普通技术人员在本发明的启示下,在不脱离本发明权利要求所保护的范围情况下,还可以做出替换或变形,均落入本发明的保护范围之内,本发明的请求保护范围应以所附权利要求为准。