CN103488975B - 一种基于智能驾驶的斑马线实时检测的方法 - Google Patents

Abstract

一种基于智能驾驶的斑马线实时检测的方法属于智能交通行业的交通信息检测领域。本发明以20‑50帧/秒的帧率实时获取智能车辆前方道路的图像Src_Image，对获取的原始图像Src_Image进行逆透视变换得到道路画面的鸟瞰图像Bird_View。其次，根据本车道的两条车道线从图像Bird_View中截取出本车道区域图像ROI_Image，然后对图像ROI_Image进行灰度化、自适应二值化、canny边缘提取、形态学腐蚀膨胀，获得二值化图像Dst_Bw。最后对图像Dst_Bw进行横向像素统计，得到到黑白跳转次数Sum、黑色条平均宽度Wb、白色条平均宽度为Ww以及平均条高H。如果S1<Sum<S2，|Wb‑Ww|<W，Wb1<Wb<Wb2，Ww1<Ww<Ww2，H1<H<H2条件都满足，则认为前方出现斑马线，否则没有出现。

Description

一种基于智能驾驶的斑马线实时检测的方法

技术领域

本发明是一种基于智能驾驶的斑马线实时检测的方法，属于智能交通行业的交通信息检测领域。

背景技术

随着社会和经济的快速发展，城市交通量日益增加，交通事故也频频发生，安全驾驶已成为一个热点。目前很多汽车都有自己的安全辅助系统，但是这些安全辅助系统都还没有包含到斑马线的检测，然而斑马线是重要的交通信息之一，是保证行人安全的重要保障。智能驾驶是车辆工程、计算机视觉等领域的研究热点，斑马线检测技术是智能驾驶关键技术的重要内容，因为关系到智能车辆是否能安全驾驶以及行人的生命安全。因此，准确、实时的斑马线检测显得尤为重要。

公开号为CN102509089A的中国专利申请《逐行扫描识别斑马线及测量斑马线距离的方法》公开了一种逐行扫描识别斑马线的方法，所述识别斑马线的方法包括下述步骤：构建包括奇小波函数和偶小波函数在内的小波函数模板；逐行扫描待检测图像，将每扫描行中所有像素点的灰度值向量分别与奇小波函数和偶小波函数作卷积运算；定义响应函数公式，并根据公式计算扫描行中所有像素点对应的响应函数向量；根据响应函数值及设定阈值识别斑马线。

因为这种方法是对图像进行逐行扫描，因此极大地增加了计算量，会很大程度影它的检测速度，不能够很好的满足智能驾驶的实时性要求。此外，该方法中涉及到阈值并没有具体的说明，因此在真正使用中很难把握，很容易受到天气、光照以及路上车辆等因素的影响，从而降低了其检测效果，很容易出现错检或漏检的现象。

发明内容

本发明的目的在于克服现有方法存在抗干扰性弱、检测率低、检测速度慢、成本高以及耗能大等缺点，提出了一种基于智能驾驶的斑马线实时检测的方法。

为了实现上述目的，本发明采取了如下技术方案：

一、首先固定采集视频的摄像头位置，安装在智能汽车的后视镜中间位置，

距离地面1.1-1.2米，摄像头要求广角大于120度，分辨率大于640*480；通过智能车辆上的摄像机，以20-50帧/秒的帧率实时获取智能车辆前方道路的图像Src_Image，对获取的原始图像Src_Image进行逆透视变换得到道路画面的鸟瞰图像Bird_View；对图像Bird_View进行车道线检测，沿着本车道的两条车道线从图像Bird_View中裁剪出本车道区域图像，在此基础上进一步剪切，从上至下分成5份截取出图像的中间3份分作为感兴趣区域图像ROI_Image；

对图像ROI_Image进行灰度化、自适应二值化、canny边缘提取、形态学腐蚀膨胀，获得轮廓清晰、噪声小的二值化图像Dst_Bw；

二、在图像Dst_Bw上虚拟10条等间距宽度为1像素的横线用于统计横线上的像素信息,设图像Dst_Bw的左上角坐标为(0,0)，width和height分别代表图像Dst_Bw的宽和高，L_i代表第i条横线,1≤i≤10,则横线L_i的左端起始坐标为(0,i*height/10-heigh/20);统计横线L_i的像素情况，包括黑白像素跳变次数Sum_i、连续黑色区域平均宽Wb、连续白色区域平均宽Ww，跳变次数Sum_i是用来计算本车道路面上斑马线白条带个数，连续黑色区域平均宽Wb是用来计算黑色条带的宽度，连续白色区域平均宽Ww是用来计算白色条带的宽度。分别根据公式(1)、(2)、(3)求得Sum_i、Wb_i和Ww_i的值：

其中，Sum_i初始值为0，Vual(j,i*height/10-height/20)表示图像Dst_Bw中第i*height/10-heigh/20行第j列的像素值，0≤j≤width-1。

${\mathrm{Wb}}_i=\frac{\mathrm{Count}\_b_i}{1/2*{\mathrm{Sum}}_i+1}---\left(2\right)$

${\mathrm{Ww}}_i=\frac{\mathrm{Count}\_w_i}{1/2*{\mathrm{Sum}}_i}---\left(3\right)$

其中，Wb_i和Wb_i的初始值均为0，Count_b_i和Count_w_i分别表示这一行中黑色像素即像素值为0的像素和白色像素即像素值为255的像素的数量。

根据斑马线的特征可知，在一个车道里的斑马线黑白条带数量、宽度是有一定范围的，不在这范围内说明不是斑马线而是其他干扰，因此这些数据需舍去。具体根据以下公式(4)、(5)、(6)对Sum_i，Wb_i和Ww_i的值进行取舍：

分别根据公式(7)、(8)、(9)、(10)计算Sum，Wb，Ww和H的值：

$\mathrm{Sum}=\frac{\underset{i=1}{\overset{i=10}{\mathrm{\&Sigma;}}}{\mathrm{Sum}}_i}{\mathrm{Countnonzero}\_{\mathrm{Sum}}_i}---\left(7\right)$

$\mathrm{Wb}=\frac{\underset{i=1}{\overset{i=10}{\mathrm{\&Sigma;}}}{\mathrm{Wb}}_i}{\mathrm{Countnonzero}\_{\mathrm{Wb}}_i}---\left(8\right)$

$\mathrm{Ww}=\frac{\underset{i=1}{\overset{i=10}{\mathrm{\&Sigma;}}}{\mathrm{Ww}}_i}{\mathrm{Countnonzero}\_{\mathrm{Ww}}_i}---\left(9\right)$

H=H_end-H_begin (10)

其中Countnonzero_Sum_i，Countnonzero_Wb_i，Countnonzero_Ww_i分别表示Sum_i≠0，Wb_i≠0，Ww_i≠0的数量；H_begin和H_end分别表示斑马线中白条的顶端位置和底端位置，H则是白条的高度；

三、最后根据Sum，Wb，Ww和H的值来判断是否出现斑马线；如果4≤Sum≤10，|Wb-Ww|≤width/10，width/9≤Ww≤width/6，width/9≤Wb≤width/4，height/5≤H≤height条件都满足，意味着满足了斑马线的所有特征，说明出现斑马线；否则，没有出现。

与现有的检测方法相比，本发明具有如下优点：该方法应用了逆透视将道路中的斑马线进行了矫正，沿着本车道线截取感兴趣区域，可获得范围小、噪声小的处理对象，同时只使用10条等距的横线进行扫描，这样大大提高了检测速度（在10-30ms内检测到，例子中是在15ms内检测到斑马线）和正确率（能达到95%以上），本发明能够实时、高效率地检测斑马线。

附图说明

图1本发明的斑马线检测流程图；

图2本发明检测实例所用到的一幅原始图像；

图3对图2进行逆透视变换得到的鸟瞰图；

图4沿着本车道线对图3进行剪切获得的感兴趣区域。

图5对图4进行预处理后的待检测图像；

图6对图5进行10条等距横线的虚拟；

图7检测结果。

具体实施方式

下面结合附图和具体实施方式对本发明的技术方案作进一步详细的说明。

首先，从智能车辆上的摄像机，摄像头要求广角大于120度，分辨率大于640*480，安装在智能汽车的后视镜中间位置，离地高1.1-1.3米，能拍摄到车辆前方道路。以30帧/秒的帧率实时获取智能车辆前方道路的图像Src_Image，对获取的原始图像Src_Image进行逆透视变换得到道路画面的鸟瞰图像Bird_View；对图像Bird_View进行车道线检测，沿着本车道的两条车道线从图像Bird_View中裁剪出本车道区域图像，在此基础上进一步剪切，从上至下分成5份截取出图像中上1/5至下1/5的中间部3份分作为感兴趣区域图像ROI_Image。对图像ROI_Image进行灰度化、自适应二值化、canny边缘提取、形态学腐蚀膨胀，获得二值化图像Dst_Bw

在图像Dst_Bw上虚拟10条等间距宽度为1像素的横线用于统计横线上的像素信息,设图像Dst_Bw的左上角坐标为(0,0)，width和height分别代表图像Dst_Bw的宽和高，L_i代表第i条横线,1≤i≤10,则横线L_i的左端起始坐标为(0,i*height/10-heigh/20);统计横线L_i的像素情况，包括黑白像素跳变次数Sum_i、连续黑色区域平均宽Wb、连续白色区域平均宽Ww，跳变次数Sum_i是用来计算本车道路面上斑马线白条带个数，连续黑色区域平均宽Wb是用来计算黑色条带的宽度，连续白色区域平均宽Ww是用来计算白色条带的宽度。分别根据公式(1)、(2)、(3)求得Sum_i、Wb_i和Ww_i的值：

其中，Sum_i初始值为0，Vual(j,i*height/10-height/20)表示图像Dst_Bw中第i*height/10-heigh/20行第j列的像素值，0<=j<=width-10≤j≤width-1。

${\mathrm{Wb}}_i=\frac{\mathrm{Count}\_b_i}{1/2*{\mathrm{Sum}}_i+1}---\left(2\right)$

${\mathrm{Ww}}_i=\frac{\mathrm{Count}\_w_i}{1/2*{\mathrm{Sum}}_i}---\left(3\right)$

其中，Wb_i和Wb_i的初始值均为0，Count_b_i和Count_w_i分别表示这一行中黑色像素即像素值为0的像素和白色像素即像素值为255的像素的数量。

根据斑马线的特征可知，在一个车道里的斑马线黑白条带数量、宽度是有一定范围的，不在这范围内说明不是斑马线而是其他干扰，因此这些数据需舍去。具体根据以下公式(4)、(5)、(6)对Sum_i，Wb_i和Ww_i的值进行取舍：

分别根据公式(7)、(8)、(9)、(10)计算Sum，Wb，Ww和H的值：

$\mathrm{Sum}=\frac{\underset{i=1}{\overset{i=10}{\mathrm{\&Sigma;}}}{\mathrm{Sum}}_i}{\mathrm{Countnonzero}\_{\mathrm{Sum}}_i}---\left(7\right)$

$\mathrm{Wb}=\frac{\underset{i=1}{\overset{i=10}{\mathrm{\&Sigma;}}}{\mathrm{Wb}}_i}{\mathrm{Countnonzero}\_{\mathrm{Wb}}_i}---\left(8\right)$

$\mathrm{Ww}=\frac{\underset{i=1}{\overset{i=10}{\mathrm{\&Sigma;}}}{\mathrm{Ww}}_i}{\mathrm{Countnonzero}\_{\mathrm{Ww}}_i}---\left(9\right)$

H=H_end-H_begin (10)

其中Countnonzero_Sum_i，Countnonzero_Wb_i，Countnonzero_Ww_i分别表示Sum_i≠0，Wb_i≠0，Ww_i≠0的数量；H_begin和H_end分别表示Sum_i，H_begin和H_end分别表示斑马线中白条的顶端位置和底端位置，H则是白条的高度；；

最后根据Sum，Wb，Ww和H的值来判断是否出现斑马线；如果4≤Sum≤10，|Wb-Ww|≤width/10，width/9≤Ww≤width/6，width/9≤Wb≤width/4，height/5≤H≤height条件都满足，意味着满足了斑马线的所有特征，说明出现斑马线；否则，没有出现。

Claims (1)

1.一种基于智能驾驶的斑马线实时检测的方法，其特征在于，包括以下步骤：

1)通过智能车辆上的摄像机，以20-50帧/秒的帧率实时获取智能车辆前方道路的图像Src_Image，对获取的原始图像Src_Image进行逆透视变换得到道路画面的鸟瞰图像Bird_View；对图像Bird_View进行车道线检测，沿着本车道的两条车道线从图像Bird_View中裁剪出本车道区域图像，在此基础上进一步剪切，从上至下分成5份截取出图像的中间3份作为感兴趣区域图像ROI_Image；

2)对图像ROI_Image进行灰度化、自适应二值化、canny边缘提取、形态学腐蚀膨胀，获得二值化图像Dst_Bw；

3)在图像Dst_Bw上虚拟10条等间距宽度为1像素的横线用于统计横线上的像素信息,设图像Dst_Bw的左上角坐标为(0,0)，width和height分别代表图像Dst_Bw的宽和高，L_i代表第i条横线,1≤i≤10,则横线L_i的左端起始坐标为(0,i*height/10-heigh/20)；

4)统计横线L_i的像素情况，包括黑白像素跳变次数Sum_i、连续黑色区域平均宽Wb、连续白色区域平均宽Ww，跳变次数Sum_i是用来计算本车道路面上斑马线白条带个数，连续黑色区域平均宽Wb是用来计算黑色条带的宽度，连续白色区域平均宽Ww是用来计算白色条带的宽度；

所述Sum_i的计算方法如下：

其中，Sum_i初始值为0，Vual(j,i*height/10-height/20)表示图像Dst_Bw中第i*height/10-heigh/20行第j列的像素值，0≤j≤width-1；

所述Wb_i和Ww_i的计算方法如下：

${\mathrm{Wb}}_i=\frac{Count\_b_i}{1/2*{\mathrm{Sum}}_i+1}$

${\mathrm{Ww}}_i=\frac{Count\_w_i}{1/2*{\mathrm{Sum}}_i}$

其中，Wb_i和Wb_i的初始值均为0，Count_b_i和Count_w_i分别表示这一行中黑色像素即像素值为0的像素和白色像素即像素值为255的像素的数量；

5)根据斑马线的特征可知，在一个车道里的斑马线黑白条带数量、宽度是有一定范围的，不在这范围内说明不是斑马线而是其他干扰，因此这些数据需舍去，对Sum_i，Wb_i和Ww_i的值进行取舍具体规则如下：

6)Sum，Wb，Ww和H的计算方法如下：

$Sum=\frac{\underset{i=1}{\overset{i=10}{\&Sigma;}}{\mathrm{Sum}}_i}{Countnonzero\_{\mathrm{Sum}}_i}$

$Wb=\frac{\underset{i=1}{\overset{i=10}{\&Sigma;}}{\mathrm{Wb}}_i}{Countnonzero\_{\mathrm{Wb}}_i}$

$Ww=\frac{\underset{i=1}{\overset{i=10}{\&Sigma;}}{\mathrm{Ww}}_i}{Countnonzero\_{\mathrm{Ww}}_i}$

H＝H_end-H_begin

其中Countnonzero_Sum_i，Countnonzero_Wb_i，Countnonzero_Ww_i分别表示Sum_i≠0，Wb_i≠0，Ww_i≠0的数量；H_begin和H_end分别表示斑马线中白条的顶端位置和底端位置，H则是白条的高度；

7)最后根据Sum，Wb，Ww和H的值来判断是否出现斑马线；如果4≤Sum≤10，|Wb-Ww|≤width/10，width/9≤Ww≤width/6，width/9≤Wb≤width/4，height/5≤H≤height条件都满足，意味着满足了斑马线的所有特征，说明出现斑马线；否则，没有出现。