，其数值 为图像各行所对应车道线宽（以像素计算)的一半。
[0070] 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，如下：
[0071]
Q)
[0072]此外，计算新矩阵：
[0073] s〇d(x) =w〇d(x) · (w〇d(x))T (3)
[0074] 步骤3-3:计算结构张量场：
[0075]
[0076] 式(4)中，<5σ+(Χ)为另一高斯核。
[0077] 步骤3-4:设为心(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(4计算式如下：
[0078]
(5)
[0079]式(5)中，div为散度。
[0080]步骤3-5:将图像中感兴趣区域R0I内所有像素点进行脊度量的计算。
[0081]步骤4:该步骤中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0。至 此，得到仅含有潜在的车道线特征点的二值化图像。
[0082] 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。具体包括如下步骤：
[0083] 步骤5-1:线段统计。二值化图像中，存在大量线段。在该步骤中，对所有连续线段 进行统计，并将每一个线段视为一个单元U。
[0084] 步骤5-2:线段参数计算。对每一个线段单元U，计算其长度h(即线段含有点的个 数η)，平均斜率&1和线段斜率一致性
[0085] 某一线段单元Ui的平均斜率m计算公式如下：
[0086]
C6)
[0087] 式(6)中，ak为线段内两点间的斜率，命名为子斜- qVk为线段中 某一点X的坐标。
[0088] 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：
[0089] 5i = E(ak) (7)
[0090] 步骤5-3:线段筛选。筛选规则有如下三条：
[0091] 1)去除长度小于0. 〇7Hr的线段，即短线段；
[0092] 2)去除平均斜率在[V8，3V8]以及[5V8,7V8]范围之外的线段，即和理想车道 线斜率相差较大的线段；
[0093] 3)去除线段斜率一致性306.73的线段，即形状不规则线段。
[0094]至此，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。
[0095] 步骤6:因为快速路曲率较大，因此可近似视为直线模型，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。具体包括以下步骤：
[0096] 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(9)+78；[11(9):0已 [0°~180°]，得到所有经过像素点（x，y)的直线组{&，0)|0 ￡[0°~180°]};其中：（、7)表 示图像Img_B中的像素点的位置;P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Θ e [0°~180° ]。
[0097]步骤6-2:将图像Img_B中所有像素点（X，y)的直线组{(P，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;
[0098]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。
[0099] 进一步，得到像素坐标系下的左右车道线直线模型为：
[0100]
[0101 ]其中，1代表左车道线，r代表右车道线。
[0102]本发明具体实施例
[0103] 采用本发明的方法，首先使用C++语言编写车道线检测软件;然后将摄像机安装在 汽车上（内部和外部皆可）。然后对摄像机的内外部参数进行标定，并在车辆行驶过程中对 前方图像进行采集；随后，把拍摄到的原始图像(720x480)输入到车道检测软件中进行处 理;实验共采集多种工况下约90小时的视频，在晴好天气时，本发明的车道线检测算法成功 率在98%左右；在夜间、雨雪等不良天气下也有约96%的成功率。平均每帧处理时间约为 50ms，运行环境为Win7，CPU为四核2.4GHz。
[0104] 综上所述，本发明充分利用远近视野车道线特点，采用一种基于脊度量的车道线 检测策略，从而实现了准确的从所提供的输入源图像中检测出车道线的方法。
[0105] 以上所述仅用于描述本发明的技术方案和具体实施例，并不用于限定本发明的保 护范围，在不违背本发明实质内容和精神的前提下，所作任何修改和润饰等都将落入本发 明的保护范围内。
【主权项】
1. 一种基于脊度量的车道线检测方法，其特征在于，包括如下步骤： 步骤1:采集车辆前方道路原始图像Img; 步骤2:确定感兴趣区I; 步骤3:计算感兴趣区内图像的脊度量数值； 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； 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; 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。2. 根据权利要求1所述的一种基于脊度量的车道线检测方法，其特征在于，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。3. 根据权利要求2所述的一种基于脊度量的车道线检测方法，其特征在于，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。4. 根据权利要求1所述的一种基于脊度量的车道线检测方法，其特征在于，所述步骤3 的具体实现包括： 步骤3-1:将原始ROI内的灰度图像g(x)和二维高斯滤波器Gw做卷积运算： L〇d(x) =G〇d(x)*g(x)； 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； 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：此外，计算新矩阵： Sod(x) =Wod(x) * (w〇d(x))T； 步骤3-3:计算结构张量场：其中，G'. (A)为另一尚斯核； 步骤3-4:设^# (X)为Λ'σΛ7; (X)最大特征值所对应的特征向量，则某像素点X对应的脊 度量值计算式如下： 其中，div为散度；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。5. 根据权利要求1所述的一种基于脊度量的车道线检测方法，其特征在于，所述步骤5 的具体实现包括如下步骤： 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; 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?; 某一线段单元U的平均斜率ai计算公式如下：其中，ak为线段内两点间的斜率，命名为子斜率， ，vk为线段中某一点X 的坐标； 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： 5i = E(ak) 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〇6. 根据权利要求5所述的一种基于脊度量的车道线检测方法，其特征在于，所述步骤5-3中所述线段筛选的规则为： 1) 去除长度小于〇.〇7HR的线段，即短线段； 2) 去除平均斜率在[31/8,3JT/8]以及[5JT/8,7JT/8]范围之外的线段，即和理想车道线斜 率相差较大的线段； 3) 去除线段斜率一致性306.73的线段，即形状不规则线段。7. 根据权利要求1所述的一种基于脊度量的车道线检测方法，其特征在于，所述步骤6 的具体实现包括如下步骤： 步骤6-1:遍历图像Img_B*的每个像素点（x，y)，计算p = xcos(0)+ysin(0): [〇°~ 18〇°]，得到所有经过像素点&，7)的直线组{&，0)|0￡[〇°~18〇°]}; 其中：（X，y)表示图像Img_B中的像素点的位置;P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Θ e [ 〇°~180° ]; 步骤6-2:将图像Img_B中所有像素点（X，y)的直线组{(P，Θ) | Θ e [〇°~180° ]}映射到Η (Ρ，θ)空间，得到Ρ-Θ参数空间累加图像Img_H; 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、M2，则其对应Ρ-Θ参数对(Ρ1，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； 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：其中，1代表左车道线，r代表右车道线。
【专利摘要】本发明公开了一种基于脊度量的车道线检测方法，属于汽车主动安全技术领域，包括：步骤1采集车辆前方道路原始图像；步骤2确定感兴趣区；步骤3计算感兴趣区内图像的脊度量数值；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p-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0，得到仅含有潜在的车道线特征点的二值化图像；步骤5对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；步骤6：针对步骤5得到的二值化图像Img_B，进行直线霍夫变换，并获得直线模型参数。本发明借助脊度量的特征点提取和霍夫变换，对车道线边缘特征进行提取并建立直线模型，具有较好的稳定性和鲁棒性。
【IPC分类】G06K9/46, G06K9/62, G06K9/00
【公开号】CN105678287
【申请号】CN201610119349
【发明人】王海, 蔡英凤, 陈龙, 徐兴, 袁朝春, 陈小波, 何友国, 李 诚
【申请人】江苏大学
【公开日】2016年6月15日
【申请日】2016年3月2日