CN103593649B - 一种用于车道偏离预警的车道线检测方法 - Google Patents

Abstract

本发明提供一种用于车道偏离预警的车道线检测方法，包括：A1.边缘检测步骤，包括：a1.用阶梯型边缘检测算法Canny算子对图像进行边缘检测，通过动态阈值确定Canny算子的高阈值与低阈值；b1.去除干扰边缘，包括：设置滑动窗口滤波器滤除图像中的垂直横向直线；用Sobel梯度算子计算图像中像素点的方向梯度，再用反正切求出该像素点的方向角度，根据角度大小进行方向梯度滤波；A2.车道线识别步骤，具体包括：a2.通过Hough变换检测出多条直线，根据直线所处图像的位置与斜率来确定车道线；b2.通过左右两车道线的位置、斜率和夹角关系判断确定的车道线是否符合要求。本发明提高车道偏离报警的抗噪声和抗干扰的能力，具有较强的鲁棒性，并提高检测效率。

Description

一种用于车道偏离预警的车道线检测方法

技术领域

本发明涉及图像处理技术领域和车道偏离预警技术领域，具体涉及一种用于车道偏离预警的车道线检测方法。

背景技术

交通安全一直是人们关心的重要问题之一，在高速公路上每年都会发生很多交通事故，造成了严重的人员伤亡和巨大的经济损失，因此，开发先进驾驶辅助系统具有重要的意义。机器视觉探测技术具有信息量大、成本低和检测范围广等优点，成为当前研发的主流探测技术。

车道偏离预警（Lane Departure Warning,简称：LDW）系统是高级驾驶辅助系统（Advanced Driver Assistance Systems，简称：ADAS）的其中一种，是一项汽车驾驶安全辅助系统。当传感元件侦测到车辆偏离车道时，若驾驶者因疲劳或疏忽而未打下转换车道的方向灯讯号，系统会发出警示讯号以提醒驾驶者返回车道。车道偏离报警（LDW）系统目前以摄像头为主要传感器，基于机器视觉技术探测并跟踪车道线，结合驾驶员特性判断车辆是否有偏离出车道的危险，危险时为驾驶员提供声音、灯光及震动警示。

其中，车道偏离报警的车道线检测方法对车道偏离报警系统的可靠性和准确性影响较大，现有的车道线检测方法计算过程复杂、占用资源多、抗噪声和抗干扰的能力不强，检测效率低。

发明内容

为了解决上述技术问题，本发明提供一种用于车道偏离预警的车道线检测方法，能提高抗噪声和抗干扰的能力，具有较强的鲁棒性，有效地对车道线进行实时检测，并提高检测效率。

本发明提供一种用于车道偏离预警的车道线检测方法，包括：

A0.图像预处理步骤，具体包括:

a0.确定初始检测区域，

b0.采集所述初始检测区域的彩色图像，

c0.对所述彩色图像进行灰度化处理，

d0.用中值滤波法对图像去噪；

其关键在于，还包括：

A1.边缘检测步骤，具体包括：

a1.用阶梯型边缘检测算法Canny算子对图像进行边缘检测，通过动态阈值确定Canny算子的高阈值与低阈值；

b1.去除干扰边缘，包括：

设置滑动窗口滤波器滤除图像中的垂直横向直线；

用Sobel梯度算子计算图像中像素点的方向梯度，再用反正切求出该像素点的方向角度，根据角度大小进行方向梯度滤波；

A2.车道线识别步骤，具体包括：

a2.通过Hough变换检测出多条直线，根据直线所处图像的位置与斜率来确定车道线；

b2.通过左右两车道线的位置、斜率和夹角关系判断确定的车道线是否符合要求。

作为本发明的改进方案，边缘检测步骤A1中的步骤a1包括：

a11.计算检测区域内图像的像素灰度平均值；

a12.进一步计算检测区域内图像的像素灰度方差；

a13.实验测试各种道路环境情况，得出各路况环境中的检测图像的像素灰度平均值和方差取值分布；

a14.根据图像的像素灰度平均值和方差取值，判断路况环境，不同的路况环境下对图像采用不同的Canny算子的高低检测阈值，各路况环境下采用的高阈值及低阈值通过经验值获取。

作为本发明的改进方案，在边缘检测步骤A1中的步骤b1中，具体地：

所述滑动窗口滤波器通过预设大小的窗口在图像上滑动，删除窗口内出现的垂直和横向的直线，判断删除的条件是垂直或横向边缘像素点数是否达到设定值。

作为本发明进一步的改进方案，在边缘检测步骤A1中的步骤b1中，具体地：

用Sobel梯度算子计算图像中像素点的方向梯度的Gx，Gy和方向角度θ的计算式如下：

其中，A表示图像；

Gx，Gy表示图像A上像素点的X轴方向梯度和Y轴方向梯度；

θ表示图像A上像素点的方向角度。

作为本发明进一步的改进方案，车道线识别步骤A2中的步骤a2包括：

a21.累计概率霍夫变换返回直线的两端坐标（line[1].x，line[1].y）、（line[2].x，line[2].y），计算x轴的中值x_med=(line[1].x+line[2].x)/2；

a22.设道路图像宽度为W，如果x_med<W/2，将直线判断为左车道线候选直线，相反，如果x_med>W/2，将直线判断为右车道线候选直线；

a23.分别确定左右车道线候选直线的直线方程y=kx+b；

a24.由所述直线方程确定直线位置和斜率，根据结构化道路的特点，初始时将靠车道内侧满足设定长度的直线判别为车道线；

作为本发明进一步的改进方案，车道线识别步骤A2中的步骤b2包括：

b21.判断左右车道线的交叉点是否处于图像合理位置；

b22.判断左右车道线的夹角是否处于合理的角度范围；

b23.分别判断左车道线、右车道线的前后斜率变化是否小于设定阈值。

通过仿真测试得到的经验值确定所述图像合理位置、合理的角度范围和斜率变化阈值。

作为本发明的改进方案，所述用于车道偏离预警的车道线检测方法还包括A3.车道线跟踪识别步骤，具体包括：

a3.若在初始检测区域检测到车道线，以车道线为中心，水平向两边扩展设定数量的像素，建立感兴趣区域ROI，ROI呈平行四边形；

b3.对新建的ROI进行图像预处理步骤A0中的滤波去噪步骤d0、边缘检测步骤A1和车道线识别步骤A2，在车道线识别步骤A2中的步骤a2中，从候选车道直线中选择与上一帧车道线斜率和位置差别最小的直线作为当前帧的车道线；

c3.在车道线识别步骤A2中的步骤b2中，如果判断车道线跟踪识别失败，在初始检测区域重新检测车道线，再返回步骤a3；如果判断车道线跟踪识别成功，处理下一帧，返回步骤a3。

本发明通过用Canny算子对图像进行边缘检测、设置滑动窗口滤波器滤除垂直横向直线，并进行方向梯度滤波，提高车道偏离报警的抗噪声和抗干扰的能力，使车道偏离报警具有较强的鲁棒性；并通过车道线跟踪识别方法，提高检测效率。

附图说明

图1是本发明用于车道偏离预警的车道线检测方法的流程示意图；

图2是本发明中的canny边缘检测步骤的流程示意图；

图3是本发明中的去除干扰边缘步骤的横向直线滤除的效果示意图；

图4是本发明中的去除干扰边缘步骤的垂直直线滤除的效果示意图；

图5-1、5-2、5-3示出了本发明中进行边缘检测步骤中的canny检测步骤和边缘去除步骤后的效果示意图；

图6是本发明中的直线检测步骤的流程示意图；

图7-1、7-2、7-3示出了进行边缘检测步骤和霍夫直线检测步骤后的效果示意图；

图8是本发明中的车道线跟踪识别步骤的流程示意图；

图9是本发明中的车道线跟踪识别步骤中设置的跟踪检测区域的示意图；

图10是图8所示的车道线跟踪识别步骤的实施流程示意图；

图11是本发明的用于车道偏离预警的车道线检测方法的整体实施流程示意图；

图12示出了在不同的路况环境下，应用本发明的用于车道偏离预警的车道线检测方法检测车道线的效果示意图。

具体实施方式

下面结合附图具体阐明本发明的实施方式，附图仅供参考和说明使用，不构成对本发明专利保护范围的限制。

如图1所示，本发明实施例提供一种用于车道偏离预警的车道线检测方法，包括：

A0.图像预处理步骤，具体包括:

a0.确定初始检测区域，

b0.采集所述初始检测区域的彩色图像，

c0.对所述彩色图像进行灰度化处理，

d0.用中值滤波法对图像去噪；

在本实施例中，步骤a0中，根据结构化道路的特点，确定初始检测区域；

车道线检测的有效区域主要是图像的下半部分，即汽车引擎盖上部和道路消失水平面之间的道路图像。

步骤b0中，用车载视觉系统采集前方道路的初始检测区域的彩色原始图像。

步骤d0中，由于车载视频图像环境较复杂，噪声较多，特别是晚上，焦点噪声比较明显，中值滤波是经典的非线性噪声滤波方法，对边缘保护较好。

所述用于车道偏离预警的车道线检测方法还包括：

A1.边缘检测步骤，具体包括：

a1.用阶梯型边缘检测算法Canny算子对图像进行边缘检测，通过动态阈值确定Canny算子的高阈值与低阈值；

b1.去除干扰边缘；用Canny算子进行边缘检测后，此时的图像边缘含有较多的干扰边缘，为了更有效的进行霍夫Hough变换检测出车道直线，需要尽可能的剔除一些干扰边缘，主要从两个方面对某些干扰边缘进行去除，包括：

设置滑动窗口滤波器滤除图像中的垂直横向直线；

用Sobel梯度算子计算图像中像素点的方向梯度，再用反正切求出该像素点的方向角度，根据角度大小进行方向梯度滤波；

A2.车道线识别步骤，具体包括：

a2.通过Hough变换检测出多条直线，根据直线所处图像的位置与斜率来确定车道线；

b2.通过左右两车道线的位置、斜率和夹角关系判断确定的车道线是否符合要求。

在本发明的实施例中，如图2所示，边缘检测步骤A1中的步骤a1包括：

a11.计算检测区域内图像的像素灰度平均值；

a12.进一步计算检测区域内图像的像素灰度方差；

a13.实验测试各种道路环境情况，得出各路况环境中的检测图像的像素灰度平均值和方差取值分布；本实施例中，路况环境如：白天-晴、白天-阴雨，晚上-有路灯、晚上-无路灯等情况；

a14.根据图像的像素灰度平均值和方差取值，判断路况环境，不同的路况环境下对图像采用不同的Canny算子的高低检测阈值，各路况环境下采用的高阈值Thre_High及低阈值Thre_Low通过经验值获取。

由于不同的道路环境使用了不同的Canny高、低检测阈值，增强了检测系统的环境适应性。

行车检测的过程中，常会遇到一些垂直或水平横向直线，这些直线的特征是，边缘明显，具有一定长度且连续，对车道线检测干扰较大，特别是横线，本发明设计了一个滑动窗口滤波器对其进行滤除。方法是用预定大小的窗口，窗口的大小可自定，具体由实验情况确定，本发明实施例用5×5窗口，对边缘图像由下到上，自左向右进行滑动，在每个窗口内出现垂直和横向的直线进行删除，判断的条件是垂直或横向边缘像素点数是否达到设定值。图3-1、3-2，图4-1、4-2分别示出了横向直线滤除和垂直直线滤除的效果示意图。其中，图3-1示出了横向直线滤除前的图像，图3-2示出了横向直线滤除后的图像；图4-1示出了垂直直线滤除前的图像，图4-2示出了垂直直线滤除后的图像。

垂直横向直线滤除虽然也删除了一些斜直线的像素点，但不影响斜直线的检测，利大于弊。因此，在本发明的实施例中，在边缘检测步骤A1中的步骤b1中，具体地：所述滑动窗口滤波器通过预设大小的窗口在图像上滑动，删除窗口内出现的垂直和横向的直线，判断删除的条件是垂直或横向边缘像素点数是否达到设定值。

车道线在图像A上是直线，且与x轴的角度在一定范围内，因此可以对那些与x轴角度过小或过大的边缘点进行滤除。在本发明的实施例中，在边缘检测步骤A1中的步骤b1中，具体地：

用Sobel梯度算子计算图像中像素点的方向梯度的Gx，Gy和方向角度θ的计算式如下：

其中，A表示图像；

Gx，Gy表示图像A上像素点的X轴方向梯度和Y轴方向梯度；

θ表示图像A上像素点的方向角度。

如图5-1、5-2、5-3所示，图5-1为原图，图5-2、5-3分别示出了图像进行边缘检测步骤A1中的canny检测步骤a1和边缘去除步骤b1后的效果示意图。

得到了较为干净的车道线边缘后，采用Hough变换检测直线，霍夫变换是一种利用图像的全局特征将特定形状的边缘像素连接起来，形成连续平滑边缘的一种方法。它通过将源图像上的点映射到用于累加的参数空间，实现对已知解析式曲线的识别。

进过霍夫变换后检测出多条直线，要从各备选直线中识别出车道线，本发明根据直线所处图像的位置与斜率来确定车道线，如图6所示，其步骤如下：

车道线识别步骤A2中的步骤a2包括：

a21.累计概率霍夫变换返回直线的两端坐标（line[1].x，line[1].y）、（line[2].x，line[2].y），计算x轴的中值x_med=(line[1].x+line[2].x)/2；

a22.设道路图像宽度为W，如果x_med<W/2，将直线判断为左车道线候选直线，相反，如果x_med>W/2，将直线判断为右车道线候选直线；

a23.分别确定左右车道线候选直线的直线方程y=kx+b；

a24.由所述直线方程确定直线位置和斜率，根据结构化道路的特点，初始时将靠车道内侧满足设定长度的直线判别为车道线；

如图7-1、7-2、7-3所示，图7-1为原图，图7-2为进行了边缘检测步骤A1后的效果示意图，图7-3为进行了霍夫直线检测步骤a2后的效果示意图。

进一步的，识别了车道线之后还要通过左右两车道线的位置，斜率和夹角关系来对车道线是否符合要求进行判断，如图6所示，车道线识别步骤A2中的步骤b2包括：

b21.判断左右车道线的交叉点是否处于图像合理位置；

b22.判断左右车道线的夹角是否处于合理的角度范围；

b23.分别判断左车道线、右车道线的前后斜率变化是否小于设定阈值。

通过仿真测试得到的经验值确定所述图像合理位置、合理的角度范围和斜率变化阈值。

由于前后帧的车道线位置变化较小，具有连续性，因此可以通过建立ROI（感兴趣区域）来对车道线进行简单有效的跟踪识别，如图8所示，流程如下：

A3.车道线跟踪识别步骤，具体包括：

a3.若在初始检测区域检测到车道线，以车道线为中心，水平向两边扩展设定数量的像素，建立感兴趣区域ROI，ROI呈平行四边形；在本实施例中，如图9所示，所述设定数量的像素被设定为10个像素，使得以车道线为中心，水平向两边扩展10个像素的距离d；

b3.对新建的ROI进行图像预处理步骤A0中的滤波去噪步骤d0、边缘检测步骤A1和车道线识别步骤A2，在车道线识别步骤A2中的步骤a2中，从候选车道直线中选择与上一帧车道线斜率和位置差别最小的直线作为当前帧的车道线；

其中，图9所示的ROI，实直线为车道线，虚线为跟踪检测区域。检测区域大大减少了，提高了检测的效率，另外也提高了噪声的抗干扰能力。

c3.在车道线识别步骤A2中的步骤b2中，如果判断车道线跟踪识别失败，在初始检测区域重新检测车道线，再返回步骤a3；如果判断车道线跟踪识别成功，处理下一帧，返回步骤a3。

图10示出了图8所示的车道线跟踪识别步骤的实施流程示意图。

图11示出了本发明提供的用于车道偏离预警的车道线检测方法的整体实施流程示意图。

图12-1至图12-6示出了在不同的路况环境下，应用本发明提供的用于车道偏离预警的车道线检测方法检测车道线的效果示意图。图12-1至图12-6分别示出了六种路况环境下的车道线检测效果图，路况环境为：白天-阴雨、白天-晴、白天-前方有车、晚上-前方有车、晚上-有路灯、晚上-无路灯等。

以上所揭露的仅为本发明的较佳实施例，不能以此来限定本发明的权利保护范围，因此依本发明申请专利范围所作的等同变化，仍属本发明所涵盖的范围。

Claims (2)

1.一种用于车道偏离预警的车道线检测方法，其特征在于，包括：

A1.边缘检测步骤，具体包括：

a1.用阶梯型边缘检测算法Canny算子对图像进行边缘检测，通过动态阈值确定Canny算子的高阈值与低阈值；

b1.去除干扰边缘，包括：

设置滑动窗口滤波器滤除图像中的垂直横向直线；

用Sobel梯度算子计算图像中像素点的方向梯度，再用反正切求出该像素点的方向角度，根据角度大小进行方向梯度滤波；

在所述步骤b1中，具体地：

所述滑动窗口滤波器通过预设大小的窗口在图像上滑动，删除窗口内出现的垂直和横向的直线，判断删除的条件是垂直或横向边缘像素点数是否达到设定值；

A2.车道线识别步骤，具体包括：

a2.通过Hough变换检测出多条直线，根据直线所处图像的位置与斜率来确定车道线；所述步骤a2包括：

a21.累计概率霍夫变换返回直线的两端坐标(line[1].x，line[1].y)、(line[2].x，line[2].y)，计算x轴的中值x_med＝(line[1].x+line[2].x)/2；

a22.设道路图像宽度为W，如果x_med<W/2，将直线判断为左车道线候选直线，相反，如果x_med>W/2，将直线判断为右车道线候选直线；

a23.分别确定左右车道线候选直线的直线方程y＝kx+b；

a24.由所述直线方程确定直线位置和斜率，根据结构化道路的特点，初始时将靠车道内侧满足设定长度的直线判别为车道线；

b2.通过左右两车道线的位置、斜率和夹角关系判断确定的车道线是否符合要求；所述步骤b2包括：

b21.判断左右车道线的交叉点是否处于图像合理位置；

b22.判断左右车道线的夹角是否处于合理的角度范围；

b23.分别判断左车道线、右车道线的前后斜率变化是否小于设定阈值；

通过仿真测试得到的经验值确定所述图像合理位置、合理的角度范围和斜率变化阈值；

A3.车道线跟踪识别步骤，具体包括：

a3.若在初始检测区域检测到车道线，以车道线为中心，水平向两边扩展设定数量的像素，建立感兴趣区域ROI，ROI呈平行四边形；

b3.对新建的ROI进行图像预处理步骤A0中的滤波去噪步骤d0、边缘检测步骤A1和车道线识别步骤A2，在车道线识别步骤A2中的步骤a2中，从候选车道直线中选择与上一帧车道线斜率和位置差别最小的直线作为当前帧的车道线；

c3.在车道线识别步骤A2中的步骤b2中，如果判断车道线跟踪识别失败，在初始检测区域重新检测车道线，再返回步骤a3；如果判断车道线跟踪识别成功，处理下一帧，返回步骤a3。

2.根据权利要求1所述的用于车道偏离预警的车道线检测方法，其特征在于：边缘检测步骤A1中的步骤a1包括：

a11.计算检测区域内图像的像素灰度平均值；

a12.进一步计算检测区域内图像的像素灰度方差；

a13.实验测试各种道路环境情况，得出各路况环境中的检测图像的像素灰度平均值和方差取值分布；

a14.根据图像的像素灰度平均值和方差取值，判断路况环境，不同的路况环境下对图像采用不同的Canny算子的高低检测阈值，各路况环境下采用的高阈值及低阈值通过经验值获取。