一种基于脊度量的车道线检测方法
【技术领域】
[0001] 本发明属于图像处理技术领域，涉及图像分割和图像曲线几何特性检测，具体涉 及一种基于脊度量的快速路车道线检测方法。
【背景技术】
[0002] 交通安全问题已成为世界性的大问题，因此汽车的安全性对人类生命财产的影响 是不言而喻的。随着高速公路的发展和汽车性能的提高，汽车行驶速度也相应加快，加之汽 车数量增加以及交通运输日益繁忙，汽车事故增多所引起的人员伤亡和财产损失，已成为 一个不容忽视的社会问题，汽车的行车安全更显得非常重要。而传统的被动安全已经远远 不能避免交通的事故发生，因此主动安全的概念慢慢的形成并不断的完善。视觉传感由于 具有信息量大、成本低廉的特点，在汽车主动安全领域有着广泛的应用。
[0003]车道线检测技术是指利用图像传感等手段检测出道路车道虚实标线的技术，它是 汽车主动安全领域的关键技术之一。在基于视觉的车道保持系统中，车道线的检测和跟踪 是一个基本的、必要的功能，它能防止汽车偏离车道，同时也可以给包括碰撞预警等其它主 动安全系统提供重要的道路环境信息。从上世纪九十年代中期起，包括美国、德国在内的欧 美等国进行了大量相关方向的研究，并且已经成功研制出一些各具特色的车道偏离预警系 统。这些系统在车辆发生偏移或具有偏移趋势时给驾驶员以警示信息，甚至主动介入车辆 控制，以达到防止事故发生的目的。
[0004] 目前已有的快速路车道线检测方法往往采用较为简单方法和宽松约束来获得车 道线边缘特征点，而在车道线参数估计阶段采用较为复杂的模型，如最优贝叶斯估计和最 大似然估计等。该类方法在大部分场景下具有较好的检测效果，但是某些道路由于受树木、 光强、坑洼、路面材质不均、其它路面标记以及阴影影响等原因，使得该方法在车道线标记 状况复杂及路面均一度较差的情况下，往往将大量非车道线特征点判断为车道线特征点， 导致车道线参数估计偏差。
[0005] 为了方便对本发明的内容进行描述，需要对一些概念进行说明。
[0006] 概念1.摄像机参数和摄像机标定:摄相机参数描述的是摄像机本身的成像几何模 型。它表征了物体从三维世界坐标系下映射到二维图像坐标系下的转换关系。通过某些实 验获得这些参数的过程则被称为摄像机标定(或定标）。摄像机的参数包括内部参数和外部 参数，内部参数包括主点坐标、焦距等，外部参数包括摄像机位置、姿态等。
[0007] 概念2.感兴趣区（R0I:Reign of Interest):在图像处理领域，感兴趣区域(R0I) 是指从图像中选择的一个局部图像区域，这个区域是图像分析所关注的重点。确定该区域 以便进行进一步处理。使用R0I往往可以减少处理时间，增加精度。
[0008] 概念3.霍夫变换：即Hough变换，其基本思想是利用点-线的对偶性，即：图像空间 里共线的点对应参数空间里相交的直线；反之，参数空间里相交于同一点的所有直线在图 像空间里都有共线的点与之对应。利用霍夫变换可以将直线特征搜索问题转化为参数空间 中的最大值搜索问题。
【发明内容】
[0009] 针对上述问题，本发明提出了一种基于脊度量的车道线检测方法，与同类方法相 比，脊度量计算应用到了车道标线邻域像素，而传统边缘提取仅考虑到了相邻两个像素之 间的差异。因此，所提方法具有稳定性强，适用工况较为广泛等优点。
[0010] 本发明对脊度量的定义:一种对图像灰度值和山脊形态近似程度的度量值。例如， 山脊呈现中间高、两边低，且具有一定对称性的形态，若图像中某区域灰度值大，两侧灰度 值低，且具有较好的对称性，则该点的脊度量值较大，反之较小。
[0011] 实现本发明的技术方案如下：
[0012] -种基于脊度量的车道线检测方法，包括如下步骤：
[0013] 步骤1:采集车辆前方道路原始图像Img;
[0014] 步骤2:确定感兴趣区I;
[0015] 步骤3:计算感兴趣区内图像的脊度量数值；
[0016]步骤4:计算所有像素点的脊度量值的平均值p和方差σ，将所有脊度量值大于ρ-3σ 的像素点视为潜在的车道线特征点、并置为1，将图像中非潜在特征点则置为〇,得到仅含有 潜在的车道线特征点的二值化图像；
[0017]步骤5:对经过步骤4提取出的车道线特征点进行筛选，获得仅含有车道线线段的 二值化图像Img_B;
[0018] 步骤6:针对步骤5得到的二值化图像Img_B，进行传统的直线霍夫变换，并获得直 线模型参数。
[0019] 进一步优选方案，所述步骤1的具体实现包括:通过安装在车辆内部或外部的摄像 机采集车辆前方路况原始图像Img。
[0020] 进一步优选方案，所述步骤2中所述感兴趣区I的确定方法为:根据摄像机的内部 参数和外部参数，获取摄像头视野中地平面消失线以下、图像左右边界之内的区域为感兴 趣区。
[0021] 进一步优选方案，所述步骤3的具体实现包括：
[0022]步骤3-1:将原始R0I内的灰度图像g(x)和二维高斯滤波器Gad做卷积运算：
[0023] L〇d(x) =G〇d(x)*g(x)；
[0024]其中，Gw是一个各向异性高斯核，其协方差矩阵为Σ =diag(〇dx，ody)，其中，ody是 常数Hr，〇dx为变化量，其数值为图像各行所对应车道线宽的一半；
[0025] 步骤3-2:计算图像每个像素点X沿着第u行和第v列方向的梯度矢量场：
[0026]
，
[0027]此外，计算新矩阵：
[0028] s〇d(x) =w〇d(x) · (w〇d(x))T；
[0029] 步骤3-3:计算结构张量场：
[0030]
[0031] 其中，(Λ, (X)为另一高斯核；
[0032] 步骤3-4:设(X)为&(?σ; (X)最大特征值所对应的特征向量，则某像素点χ对应 的脊度量值Εσ?/σ; (X)计算式如下：
[0033]
[0034]其中，div为散度；
[0035]步骤3-5:将图像中感兴趣区域内所有像素点进行脊度量的计算。
[0036] 进一步优选方案，所述步骤5的具体实现包括如下步骤：
[0037] 步骤5-1:线段统计:二值化图像中，对所有连续线段进行统计，并将每一个线段视 为一个单元Ui;
[0038] 步骤5-2:线段参数计算:对每一个线段单元仏，计算其长度h、平均斜率ai和线段 斜率一致性δ?;
[0039] 某一线段单元Ui的平均斜率m计算公式如下：
[0040]
[0041] 其中，祉为线段内两点间的斜率，命名为子斜_ lk，Vk为线段中某 一点X的坐标；
[0042] 某一线段单元U的线段斜率一致性δ,计算方法为统计子斜率的均方差：
[0043] 5i = E(ak)
[0044] 步骤5-3:进行线段筛选，获得去除干扰线段后的仅含有车道线线段的二值化图像 Img-B〇
[0045] 进一步优选方案，所述步骤5-3中所述线段筛选的规则为：
[0046] 1)去除长度小于0.07Hr的线段，即短线段；
[0047] 2)去除平均斜率在[V8,3V8]以及[5V8,7jt/8]范围之外的线段，即和理想车道 线斜率相差较大的线段；
[0048] 3)去除线段斜率一致性306.73的线段，即形状不规则线段。
[0049] 进一步优选方案，所述步骤6的具体实现包括如下步骤：
[0050] 步骤6-1:遍历图像111^_13中的每个像素点（1，7)，计算0 = 1(3〇8(0)+78；[11(0):0已 [0°~180°]，得到所有经过像素点(x，y)的直线组{(Ρ，Θ)|ΘΕ[0°~180°]} ;
[0051] 其中：（x，y)表示图像Img_B中的像素点的位置;Ρ表示经过像素点（x，y)的直线距 离坐标原点，即图像Img_B左下角点的举例；Θ表示角度，且0e[0°~180°];
[0052]步骤6-2:将图像Img_B中所有像素点（X，y)的直线组{(Ρ，Θ) | Θ e [ 0°~180° ]}映射 到Η(Ρ，Θ)空间，得到ρ-θ参数空间累加图像Img_H;
[0053]步骤6-3:在Ρ-Θ参数空间累加图像Img_H的上半幅图像、下半幅图像中分别搜索出 两个极大值Μι、Μ2，则其对应Ρ-Θ参数对(P1，θ〇、(pr，0 r)即为感兴趣区域R0I-I内左右车道线 极坐标形式下的直线模型参数；
[0054]进一步变换，得到像素坐标系下的左车道线、右车道线直线模型为：
[0055]
[0056] 其中，1代表左车道线，r代表右车道线。
[0057]本发明的有益效果：
[0058]本发明充分利用了图像中车道线在远近视场中分布的特点，借助脊度量的特征点 提取和霍夫变换，有效地对车道线边缘特征进行提取并建立直线模型。其中多个关键步骤 (脊度量、特征线段筛选策略、霍夫变换)都采用了具有较强适应性和一定容错性的算法，大 大提高了本发明的稳定性和鲁棒性。
【附图说明】
[0059] 图1是本发明提出的基于脊度量的车道线检测的方法流程图。
【具体实施方式】
[0060] 下面结合附图和具体实施例对本发明作进一步说明。
[0061] 如图1所示，为本发明提出的基于脊度量的车道线检测方法的流程图，具体包括如 下步骤：
[0062] 步骤1:采集车辆前方道路原始图像Img。
[0063] 车辆前行过程中，通过安装在车辆内部或外部的摄像机采集车辆前方路况原始图 像 Img。
[0064] 步骤2:确定感兴趣区I(ROI)。
[0065] 根据摄像机的内部参数和外部参数，获取摄像头视野中地平面消失线以下、图像 左右边界之内的区域为感兴趣区R〇I，设R〇I在图像中的高宽分别为Hr和W R。
[0066] 步骤3:感兴趣区R0I内图像的脊度量数值计算。具体计算包括如下步骤：
[0067]步骤3-1:将原始R0I内的灰度图像g(x)和二维高斯滤波器Gad做卷积运算：
[0068] L〇d(x) =G〇d(x)*g(x) (1)
[0069] 式（1)中，Gad是一个各向异性高斯核，其协方差矩阵为2=diag(〇dx，〇dy)(这里Σ 就是一个表示协方差矩阵的符号，不是求和符号），其中，〇 dy是常数HR，〇dx为变化量