基于梯度约束的统计霍夫变换车道检测方法
【技术领域】
[0001] 本发明设及车道检测领域，具体说的是基于梯度约束的统计霍夫变换车道检测方 法。
【背景技术】
[0002] 随着汽车数量的增长，高速公路事故率激增，其中大部分是由于驾驶员对周围环 境的忽视或视觉干扰造成的。基于视觉的车道检测是实现汽车安全辅助驾驶的关键技术， 可用于车道偏离报警、自适应巡航控制W及自动驾驶等诸多方面W。国内外已经做了很多 关于车道检测的研究b-w。我国公路技术标准规定，高速公路最小平曲线半径为650m，取车 道线曲率半径650m，车辆前方距视平面40mW内的车道图像都可W近似为直线，该近似在 大多数情况下都能成立。在不同光照条件、车道不连续等的情况下，高速公路环境下车道检 测依然存在问题。
[0003] 文献[5]和文献[9]通过标准霍夫变换（化U曲transform,HT)检测近视野的直 线车道。虽然标准霍夫变换方法简便，且在不连续的车道线上有良好的结果，但它必须作 用于边缘图像，边缘检测结果的好坏直接影响最终的检测结果，即使有良好的边缘图像，个 数有限的边缘点也会引起标准霍夫变换中参数直方图稀疏，给最终寻找参数峰值带来困扰 [2]。而统计霍夫变换（Statistical化U曲transform,SHT)不同于标准霍夫变换，它是一 种基于多核密度函数的变换，不依赖边缘检测结果，在不同的观测空间下，得到不同的车道 参数概率密度函数由于车道在道路中有明显的边缘，也即道路和车道线间存在很大梯 度，故基于视觉的车道检测通常采用梯度信息作为车道的特征。
[0004] 参考文献：
[1]AharonBarHi1lei,RonenLerner,Danlevi,GuyRaz.Recentprogressinroad andlanedetection:asurvey[J].MachineVisionandApplication, 2014, 25:727-745.
[2]RozennDahyot.Statisticalhoughtransform[J].IEEETransactionson patternanalysisandmachineintelligence, 2009, 31 (8):1502-1509.
[3] G'Liu,F'识-白rg白tter，1.3>!arkelic' .combiningstatisticalhoughtransform andparticlefiliterforrubustlanedetectionandtracking[C].//Proc.IEEEIntelligentVehiclesSymposinmUniversityofCalifornia.San Diego:I邸E, 2010,993-997.
[4] G.Liu=F.W日巧況ter:I.arkeli.Stochasticlaneshapeestimationusinglocal imagedescriptors[J].IEEETransactionsonintelligenttransportationsystems, 2013, 14(1) : 13-21.
[5]H.Yoo,U.Yang,K.Sohn,Gradient-enhancingconversionfor illumination-robustlanedetection[J].IEEETransactionsonintelligent transportationsystems, 2013, 14(3), 1083-1094.
[6]R.Gopalan，T.Hong，M.Shneier.Alearningapproachtowardsdetectionand trackingoflanemarkings[J].IEEETransactionsonintelligenttransportation 巧stems, 2012, 13 (3): 1088-1098.
[7]Z.Kim.Robustlanedetectionandtrackinginchallengingscenarios[J]. IEEETransactionsonintelligenttransportationsystems. , 2008, 9(1):16-26.
[引尤小泉，彭映杰.结合化u曲变换与运动估计的车道线提取方法[J].电视技术， 2013,37(11):191-209.
[9]周磊，任国全，肖浩，李冬伟.结构化道路车道线快速检测的一种改进算法[J]. 计算机仿真，2010, 29 (4) : 362-366。
【发明内容】
[0005] 本发明为解决上述技术问题提供一种基于梯度约束的统计霍夫变换车道检测方 法，利用高斯核函数对图像中每个像素进行建模而不需要边缘检测。通过梯度阔值的方法 约束统计霍夫变换的初始数据集，最终得到车道参数的连续概率密度函数。在高速公路环 境下，该方法能快速准确的检测出车道，具有很强的鲁椿性。
[0006] 为实现上述技术目的所采用的技术方案是：基于梯度约束的统计霍夫变换车道检 测方法，其特征在于：包括W下步骤： 步骤一、对原始图像/托.V]进行灰度化处理，得到灰度图像，对灰度图象采用IPM变换得到车道检测的初始图像； 步骤二、统计霍夫变换：令G{.T:J为/口,对应的灰度图像，其一阶导数分别为 馬('.T，)，贝晦个像素ie化N]，N为像素总数，对应的梯度值I庐引I与梯度方向9;' 为：
【主权项】
1.基于梯度约束的统计霍夫变换车道检测方法，其特征在于：包括以下步骤： 步骤一、对原始图像进行灰度化处理，得到灰度图像(x: jr〕，对灰度图象采用 IPM变换得到车道检测的初始图像； 步骤二、统计霍夫变换：灰度图像<?江31其一阶导数分别为〇1.(.^)、(^(^)，则每个 像素 i E [1:N]，N为像素总数，对应的梯度值I与梯度方向θ:.为：
通过式（2)、（3)计算得到每一个像素的梯度大小和梯度方向； 步骤三、统计霍夫变换针对每一个像素 i进行高斯建模，计算得到的梯度值进行阈值 化处理，首先去除掉梯度为零的像素，令阈值为T，大于阈值的像素参与统计霍夫变换的运 算，阈值采用下式计算：
(10) 式中为像素梯度幅值的最小值，Gmas为像素幅值的最大值，对于大于阈值的像素
，计算车道参 数对应的概率密度，并构建立体直方图；直方图峰值对应的参数即为即为所求的车道模型 参数，其中，瓦fi是高斯核函数，疋?~μ(θ?:<4)，P Θ为车道模型参数，其中横纵坐标分 别为Ρ、Θ的取值范围，ζ轴代表参数的概率密度。
【专利摘要】基于梯度约束的统计霍夫变换车道检测方法，解决车道检测中标准霍夫变换依赖边缘检测结果的问题，利用高斯核函数对图像中每个像素进行建模而不需要边缘检测。通过梯度阈值的方法约束统计霍夫变换的初始数据集,最终得到车道参数的连续概率密度函数。在高速公路环境下，该方法能快速准确的检测出车道，具有很强的鲁棒性。
【IPC分类】G06K9-00
【公开号】CN104866817
【申请号】CN201510204161
【发明人】高宏峰, 彭艳周, 冀保峰, 祁志娟, 卜祥强, 张琰琰, 吴景艳, 张松春
【申请人】河南科技大学
【公开日】2015年8月26日
【申请日】2015年4月24日