CN103605977A - 一种车道线的提取方法及装置 - Google Patents

Abstract

本发明公开了一种车道线的提取方法及装置，属于自主驾驶技术领域。方法包括：获取需提取车道线的彩色图像；在彩色图像上以预定间隔像素选取多个像素，并以选取的每个像素为中心像素，依次从彩色图像上选取预定尺寸的图像区域；获取每个图像区域的Haar_like特征；采用预设的分类器分别对每个图像区域的Haar_like特征进行分类，得到类别为车道线的图像区域；预设的分类器为，通过boosting训练算法训练预定尺寸的样本图像的Haar_like特征得到的级联分类器；根据类别为车道线的图像区域，提取需提取车道线的彩色图像上的车道线。装置包括：第一获取模块、选取模块、第二获取模块、分类模块和提取模块。本发明提高车道线提取方式的稳定性和准确性。

Description

一种车道线的提取方法及装置

技术领域

本发明涉及自主驾驶技术领域，特别涉及一种车道线的提取方法及装置。

背景技术

近年来，自主驾驶技术受到汽车研究者的普遍关注。车道线的提取是自主驾驶技术的重要组成部分。车道线的提取指，从车载摄像头获得的路面视频图像中，检测出车道线并将车道线与背景分离。

现有的车道线检测方式可分为车道线区域检测法，特征驱动法和模型驱动法三种。车道线区域检测法是根据车道线的色彩和纹理与背景的色彩和纹理不同，识别出车道线。特征驱动法是通过车道线的形状特征，例如车道线的轮廓和宽度，检测出车道线。模型驱动法是根据车道线的颜色和形状等外观特征建立车道线模型，再从图像中提取外观特征与车道线模型进行匹配，匹配成功的为车道线。

在实现本发明的过程中，发明人发现现有技术至少存在以下问题：现有的车道线检测方式主要依据的是车道线固有的外观特征（包括车道线的本色和固有轮廓），但在车辆的行驶途中，车道线的外观具有很多变化，比如，光照和天气条件在不同时刻变化显著，导致采集的车道线图像的明暗程度不同；不同地理环境下的路况不同，车道线可能被车辆或行人遮挡，影响车道线的轮廓。这些变化使得现有的车道线检测方法的稳定性和准确性下降。

发明内容

为了解决提高车道线提取方式的稳定性和准确性，本发明实施例提供了一种车道线的提取方法及装置。所述技术方案如下：

一方面，本发明实施例提供了一种车道线的提取方法，所述方法包括：

获取需提取车道线的彩色图像；

在所述彩色图像上以预定间隔像素选取多个像素，并以选取的每个所述像素为中心像素，依次从所述彩色图像上选取预定尺寸的图像区域，所述预定尺寸小于所述彩色图像的尺寸；

获取每个所述图像区域的哈尔小波Haar_like特征；

采用预设的分类器分别对每个所述图像区域的Haar_like特征进行分类，得到类别为车道线的所述图像区域；所述预设的分类器为，通过boosting训练算法训练所述预定尺寸的样本图像的Haar_like特征得到的级联分类器；

根据类别为车道线的所述图像区域，提取所述需提取车道线的彩色图像上的车道线。

可选地，所述获取每个所述图像区域的Haar_like特征，包括：

分别获取每个所述图像区域的特征图，所述特征图包括亮度色度YUV模式图和Canny边缘特征图，或者所述特征图包括所述YUV模式图和梯度直方图，或者所述特征图包括所述YUV模式图、所述Canny边缘特征图和所述梯度直方图；

根据每个所述图像区域的特征图，通过类haar模板获取每个所述图像区域的Haar_like特征。

可选地，所述根据每个所述图像区域的特征图，通过类haar模板获取每个所述图像区域的Haar_like特征，包括：

以每个所述图像区域的每幅特征图的中心像素为原点，以预定像素数量为递增半径，在每幅所述特征图上作预定数量的同心圆；

分别计算每幅所述特征图上每个圆环内像素的均值，将每个所述均值和所述中心像素值构成每幅所述特征图对应的一维矢量；

将每个所述图像区域的所有所述特征图分别对应的一维矢量构成每个所述图像区域对应的特征矩阵，每个所述特征图对应的一维矢量为所述特征矩阵的行矩阵；

通过类haar模板在每个所述图像区域对应的所述特征矩阵上进行取样，得到每个所述图像区域的Haar_like特征。

可选地，所述根据类别为车道线的所述图像区域，提取所述需提取车道线的彩色图像上的车道线，包括：

获取每个类别为车道线的所述图像区域的中心像素坐标；

采用Hough变换对获取的每个所述中心像素坐标进行曲线拟合，得到用于表示车道线的曲线方程；

按照所述曲线方程，在所述需提取图像上绘制拟合出的曲线，以显示提取出的车道线。

可选地，在所述得到用于表示车道线的曲线方程之后，还包括：

按照预定规则对所述曲线方程进行修正，所述预定规则包括去除超过预定位置范围内的车道线。

另一方面，本发明实施例提供了一种车道线的提取装置，所述装置包括：

第一获取模块，用于获取需提取车道线的彩色图像；

选取模块，用于在所述彩色图像上以预定间隔像素选取多个像素，并以选取的每个所述像素为中心像素，依次从所述彩色图像上选取预定尺寸的图像区域，所述预定尺寸小于所述彩色图像的尺寸；

第二获取模块，用于获取每个所述图像区域的哈尔小波Haar_like特征；

分类模块，用于采用预设的分类器分别对每个所述图像区域的Haar_like特征进行分类，得到类别为车道线的所述图像区域；所述预设的分类器为，通过boosting训练算法训练所述预定尺寸的样本图像的Haar_like特征得到的级联分类器；

提取模块，用于根据类别为车道线的所述图像区域，提取所述需提取车道线的彩色图像上的车道线。

可选地，所述第二获取模块包括：

第一获取单元，用于分别获取每个所述图像区域的特征图，所述特征图包括亮度色度YUV模式图和Canny边缘特征图，或者所述特征图包括所述YUV模式图和梯度直方图，或者所述特征图包括所述YUV模式图、所述Canny边缘特征图和所述梯度直方图；

第二获取单元，用于根据每个所述图像区域的特征图，通过类haar模板获取每个所述图像区域的Haar_like特征。

可选地，所述第二获取单元用于：

以每个所述图像区域的每幅特征图的中心像素为原点，以预定像素数量为递增半径，在每幅所述特征图上作预定数量的同心圆；

分别计算每幅所述特征图上每个圆环内像素的均值，将每个所述均值和所述中心像素值构成每幅所述特征图对应的一维矢量；

将每个所述图像区域的所有所述特征图分别对应的一维矢量构成每个所述图像区域对应的特征矩阵，每个所述特征图对应的一维矢量为所述特征矩阵的行矩阵；

通过类haar模板在每个所述图像区域对应的所述特征矩阵上进行取样，得到每个所述图像区域的Haar_like特征。

可选地，所述提取模块包括：

第三获取单元，用于获取每个类别为车道线的所述图像区域的中心像素坐标；

拟合单元，用于采用Hough变换对获取的每个所述中心像素坐标进行曲线拟合，得到用于表示车道线的曲线方程；

绘制单元，用于按照所述曲线方程，在所述需提取图像上绘制拟合出的曲线，以显示提取出的车道线。

可选地，所述拟合单元还用于：

按照预定规则对所述曲线方程进行修正，所述预定规则包括去除超过预定位置范围内的车道线。

本发明实施例提供的技术方案带来的有益效果是：通过boosting训练算法训练预定尺寸的样本图像的Haar_like特征得到级联分类器；并以每个像素为中心像素，依次从需提取车道线的彩色图像上选取预定尺寸的图像区域；然后采用得到的分类器分别对每个图像区域的Haar_like特征进行分类，能够得到类别为车道线的图像区域；根据类别为车道线的图像区域，提取需提取车道线的彩色图像上的车道线；由于boosting训练算法训练得到的分类器是训练了大量的样本图像得到的，因此，该分类器能够区分各种路况、天气和光照下的需提取车道线的彩色图像中属于车道线的像素点，提高了车道线提取方式的稳定性和准确性。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的一种车道线的提取方法的流程图；

图2是本发明实施例提供的又一种车道线的提取方法的流程图；

图3是本发明实施例提供的一种车道线的提取装置的结构示意图；

图4是本发明实施例提供的又一种车道线的提取装置的结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。

图1显示了本发明实施例提供的一种车道线的提取方法，参见图1，该方法流程包括：

步骤101：获取需提取车道线的彩色图像。

步骤102：在该彩色图像上以预定间隔像素选取多个像素，并以选取的每个像素为中心像素，依次从彩色图像上选取预定尺寸的图像区域，预定尺寸小于彩色图像的尺寸。

步骤103：获取每个图像区域的哈尔小波Haar_like特征。

步骤104：采用预设的分类器分别对每个图像区域的Haar_like特征进行分类，得到类别为车道线的图像区域。

可选地，该预设的分类器为，通过boosting训练算法训练预定尺寸的样本图像的Haar_like特征得到的级联分类器。

步骤105：根据类别为车道线的图像区域，提取需提取车道线的彩色图像上的车道线。

本发明实施例通过boosting训练算法训练预定尺寸的样本图像的Haar_like特征得到级联分类器；并以每个像素为中心像素，依次从需提取车道线的彩色图像上选取预定尺寸的图像区域；然后采用得到的分类器分别对每个图像区域的Haar_like特征进行分类，能够得到类别为车道线的图像区域；根据类别为车道线的图像区域，提取需提取车道线的彩色图像上的车道线；由于boosting训练算法训练得到的分类器是训练了大量的样本图像得到的，因此，该分类器能够区分各种路况、天气和光照下的需提取车道线的彩色图像中属于车道线的像素点，提高了车道线提取方式的稳定性和准确性。

图2显示了本发明实施例提供的又一种车道线的提取方法。在本实施例中，该方法可以适用于车道线偏离报警的应用场景。例如，车辆上安装了车载记录仪等采集设备，该采集设备配置了车载摄像头，能够拍摄车辆行驶前方路面的视频图像。视频图像经过处理还原为一帧一帧的原始图像。通过该车道线的提取方法，能够将每帧原始图像上的车道线提取出来，从而可以获取车道线的走向、以及车辆相对于车道线的位置等信息。根据车辆相对于车道线的位置信息，判断车辆是否偏离了车道。当车辆偏离了车道时，报警设备开始报警，从而提醒驾驶员注意驾驶。容易知道，在其他实施例中，除了车道线偏离报警的应用场景，车道线的提取方法还可以适用于其他场景。

参见图2，该方法流程包括：

步骤201：获取需提取车道线的彩色图像。

可选地，需提取车道线的彩色图像可以是，对车载摄像头拍摄的车辆行驶前方路面的视频进行处理后，得到的视频数据中其中一帧彩色图像，每一帧彩色图像可以是红绿蓝RGB彩色模式的图像。其中，可以将每帧彩色图像标准化为一定尺寸的图像，例如240*320，以标准化需提取车道线的彩色图像。

步骤202：在该彩色图像上以预定间隔像素选取多个像素，并以选取的每个像素为中心像素，依次从彩色图像上选取预定尺寸的图像区域，预定尺寸小于彩色图像的尺寸。

其中，预定间隔像素可以是1-5个像素。预定尺寸的图像区域的数量等于彩色图像的总像素个数。可以采用预定尺寸的窗在需提取车道线的彩色图像上选取图像区域。窗可以按照预定间隔像素（例如2个像素）滑动，每滑动一下，确定一个图像区域。预定尺寸可以是128*128。

步骤203：分别获取每个图像区域的特征图，特征图包括亮度色度YUV模式图和Canny边缘特征图两种，或者该特征图包括YUV模式图和梯度直方图两种，或者该特征图包括YUV模式图、Canny特征边缘图和梯度直方图三种。

其中，YUV模式图包括YUV彩色模式图像下Y通道分量、U通道分量和V通道分量颜色特征图。可选地，分别获取每个图像区域的YUV模式图，包括：按照以下公式，分别将每个图像区域转换成YUV彩色模式图像下Y通道分量、U通道分量和V通道分量颜色特征图。

Y=0.299R+0.587G+0.114B

U=0.567(B-Y)

V=0.713(R-Y)

其中，Y、U和V分别指YUV彩色模式图像下Y通道分量、U通道分量和V通道分量颜色特征图。R、G和B分别指RGB彩色模式图像下红色通道分量、绿色通道分量和蓝色通道分量。

可选地，分别获取每个图像区域的Canny边缘特征图，包括：首先，分别获取每个图像区域的YUV彩色模式图像下Y通道分量颜色特征图；其次，采用Canny边缘检测算子计算Y分量颜色特征图的响应，并通过非极大值抑制处理减少边缘的多重响应，生成一幅Canny边缘特征图。

可选地，分别获取每个图像区域的梯度直方图，包括：首先，分别获取每个图像区域的YUV彩色模式图像下Y通道分量颜色特征图；其次，以20度的梯度间隔，将每个图像区域的0到180度的梯度区间分成9个子梯度区间，并对每个子梯度区间的梯度进行量化，得到量化后的角度；然后，采用罗伯特梯度算子计算梯度幅值；最后，将每个子梯度区间的量化后的角度分别与梯度幅值相乘，生成每个子梯度区间对应的梯度直方图（共九幅）。例如，假设G(x,y)为梯度幅值，θ_i为第i个子梯度区间的量化后的角度，1≤i≤9，则第i个子梯度区间对应的梯度直方图Q_i(x,y)的公式表示如下，

Q_i(x,y)=G(x,y)θ_i

步骤204：根据每个图像区域的特征图，通过类haar模板获取每个图像区域的Haar_like特征。

可选地，本步骤204包括：首先，以每个图像区域的每幅特征图的中心像素为原点，以预定像素数量为递增半径，在每幅特征图上作预定数量的同心圆。其次，分别计算每幅特征图上每个圆环内像素的均值，将每个均值和中心像素值构成每幅特征图对应的一维矢量。然后，将每个图像区域的所有特征图分别对应的一维矢量构成每个图像区域对应的特征矩阵，每个特征图对应的一维矢量为特征矩阵的行矩阵。最后，通过类haar模板在每个图像区域对应的特征矩阵上进行取样，得到每个图像区域的Haar_like特征。

例如，假设彩色图像上第m个图像区域有13幅特征图。对每幅特征图以中心像素为原点，递增半径为10个像素，做12个同心圆。分别计算每个圆环内像素的均值，连同中心像素值构成13维的一维矢量。第1幅特征图对应的13维的一维矢量分别为a_1,1、a_1,2、...a_1,12、a_1,13，第13幅特征图的13维的一维矢量分别a_13,1、a_13,2、...a_13,13，则第m个图像区域对应的特征矩阵f为一个13×13维的特征矩阵。特征矩阵f如下所示。

通过类haar模板在每个图像区域对应的特征矩阵上进行取样，得到每个图像区域的Haar_like特征，包括：首先，采用多个矩形窗口的类haar模板在每个图像区域的特征矩阵上滑动取样，得到每个滑动窗口采集的Haar_like特征；其次，将每个滑动窗口采集的Haar_like特征累加，得到每个图像区域的Haar_like特征。

可选地，类haar模板的窗口由黑白两个区域组成，每个窗口的Haar_like特征可以是，黑白两个区域的像素值和相减的差值。可以采用多个类haar模板在特征矩阵上做Z形滑动进行取样，例如8个正方形的类Haar模板。

需要说明的是，Haar_like特征用于刻画每个图像区域的局部的边缘与形状特性。

以上，通过步骤203和步骤204，实现了获取每个图像区域的Haar_like特征。

步骤205：采用预设的分类器分别对每个图像区域的Haar_like特征进行分类，得到类别为车道线的图像区域。

其中，该预设的分类器为，通过boosting训练算法训练预定尺寸的样本图像的Haar_like特征得到的级联分类器。该样本图像包括各种路况、天气和光照下的车道线彩色图像和车道线背景彩色图像。

例如，假设通过Adaboost训练算法得到预设的分类器H（x），x为Haar_like特征。当H（x）=1时，该Haar_like特征为车道线类别，当H（x）=-1时，该Haar_like特征为车道线背景类别。

可选地，可以通过以下步骤A-C预设分类器。

步骤A、采集预定尺寸的各种路况、天气和光照下的车道线彩色图像和车道线背景彩色图像。

可选地，利用车载摄像机或其他图像采集设备采集大量不同路况、天气和光照下的路面视频，视频图像尺寸需大于等于预定尺寸。将路面视频进行处理，得到大量的彩色图像，并从这些图像中选取W个（例如2000个）包含车道线和W个不包含车道线大小为预定尺寸的图像。其中，车道线图像的中心位置必须是车道线。

需要说明的是，这里的不同路况包括，不同类别的道路，例如高速路和城市道路；不同类别的车道线，例如黄色/白色连续车道线或非连续车道线。

步骤B、将车道线彩色图像和车道线背景彩色图像分别作为正和负样本图像，并获取每个正和负样本图像的Haar_like特征。

其中，获取每个正和负样本图像的Haar_like特征，可以参见步骤203，在此不再赘述。

步骤C、设定正和负样本图像的Haar_like特征分别为两个不同类别，通过Adaboost训练算法对每个正和负样本图像的Haar_like特征进行分类训练，得到级联分类器。

其中，通过Adaboost训练算法训练级联分类器的包括以下步骤a-g。

步骤a、构造训练数据集合。

可选地，分别将正和负样本图像的Haar_like特征标记为1和-1（样本图像的类别），假设样本图像的Haar_like特征为x，则构成的训练数据集合为{x_i,y_i=±1},1≤i≤W，y表示样本图像的类别。

步骤b、采用以下公式计算每轮学习的初始化样本权重。

D₁(x_i,y_i)=1/W

其中，D₁表示每轮学习的初始化样本权重，W表示正/负样本图像的数量。

步骤c、根据初始化样本权重D₁进行第一轮学习，得到训练出的子集和弱分类器h₁（x）。

步骤d、采用以下公式计算第一轮学习训练出的弱分类器的错误率。

${\mathrm{\ϵ}}_1=\underset{y_i\≠h_1\left(x_i\right)}{\mathrm{\Σ}}{D}_1(x_i,y_i)$

其中，ε₁表示第一轮学习训练出的弱分类器的错误率。若ε₁≥0.5，则放弃本轮学习训练出的弱分类器，执行步骤c；若ε_t<0.5，则执行步骤e。

步骤e、采用以下公式计算弱分类器h₁（x）的权值。

${\mathrm{\&alpha;}}_1=\frac{1}{2}\ln [(1-{\mathrm{\&epsiv;}}_1)/{\mathrm{\&epsiv;}}_1]$

其中，α₁表示弱分类器h₁（x）的权值。

步骤f、采用以下公式更新初始化样本权重，得到第二轮学习的样本权重。

$D_2(x_i,y_i)=\frac{D_1(x_i,y_i)e^{-{\mathrm{\&alpha;}}_1{y}_i{h}_1\left(x_i\right)}}{Z_1}$

其中，Z₁是归一化因子，

重复执行步骤c-步骤f，直到完成预定轮数（假设为T轮）的学习，得到多个弱分类器h_t（x），t=1,2，...，N，N小于等于T。

步骤g、根据每个弱分类器的权值，生成级联分类器H（x）。

$H\left(x\right)=\mathrm{sign}\left(\underset{t=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_t{h}_t\left(x\right)\right)$

其中，N为得到的弱分类器的数量，t=1,2，...，N。

步骤206：获取每个类别为车道线的图像区域的中心像素坐标。

步骤207：采用Hough变换对获取的每个中心像素坐标进行曲线拟合，得到用于表示车道线的曲线方程。

可选地，得到的曲线方程为，

L_i=p₂u²+p₁u+p₀

其中，L_i代表第i条车道线，u为像素的水平坐标，P₀、P₁和P₂为二次曲线的系数。一般地，高速公路路面有两条以上的车道线，因此，彩色图像上可能有两条以上的车道线。

可选地，本步骤207还包括：按照预定规则对该曲线方程进行修正，该预定规则包括去除超过预定位置范围内的车道线。预定位置范围内的车道线可以是当前车辆行驶两侧内的车道线。

步骤208：按照曲线方程，在需提取图像上绘制拟合出的曲线，以显示提取出的车道线。

可选地，步骤208包括：按照修正后的曲线方程，在需提取图像上绘制拟合出的曲线，以显示提取出的车道线。

以上，通过步骤206-208，实现了根据类别为车道线的图像区域，提取需提取车道线的彩色图像上的车道线。

本发明实施例通过boosting训练算法训练预定尺寸的样本图像的Haar_like特征得到级联分类器；并以每个像素为中心像素，依次从需提取车道线的彩色图像上选取预定尺寸的图像区域；然后采用得到的分类器分别对每个图像区域的Haar_like特征进行分类，能够得到类别为车道线的图像区域；根据类别为车道线的图像区域，提取需提取车道线的彩色图像上的车道线；由于boosting训练算法训练得到的分类器是训练了大量的样本图像得到的，因此，该分类器能够区分各种路况、天气和光照下的需提取车道线的彩色图像中属于车道线的像素点，提高了车道线提取方式的稳定性和准确性。

图3显示了本发明实施例提供的一种车道线的提取装置，参见图3，该装置包括：

第一获取模块301，用于获取需提取车道线的彩色图像。

选取模块302，用于在彩色图像上以预定间隔像素选取多个像素，并以选取的每个像素为中心像素，依次从彩色图像上选取预定尺寸的图像区域，预定尺寸小于彩色图像的尺寸。

第二获取模块303，用于获取每个图像区域的Haar_like特征。

分类模块304，用于采用预设的分类器分别对每个图像区域的Haar_like特征进行分类，得到类别为车道线的图像区域；预设的分类器为，通过boosting训练算法训练预定尺寸的样本图像的Haar_like特征得到的级联分类器。

提取模块305，用于根据类别为车道线的图像区域，提取需提取车道线的彩色图像上的车道线。

本发明实施例通过boosting训练算法训练预定尺寸的样本图像的Haar_like特征得到级联分类器；并以每个像素为中心像素，依次从需提取车道线的彩色图像上选取预定尺寸的图像区域；然后采用得到的分类器分别对每个图像区域的Haar_like特征进行分类，能够得到类别为车道线的图像区域；根据类别为车道线的图像区域，提取需提取车道线的彩色图像上的车道线；由于boosting训练算法训练得到的分类器是训练了大量的样本图像得到的，因此，该分类器能够区分各种路况、天气和光照下的需提取车道线的彩色图像中属于车道线的像素点，提高了车道线提取方式的稳定性和准确性。

图4显示了本发明实施例提供的又一种车道线的提取装置，参见图4，该装置包括：

第一获取模块401，用于获取需提取车道线的彩色图像。

选取模块402，用于在彩色图像上以预定间隔像素选取多个像素，并以选取的每个像素为中心像素，依次从彩色图像上选取预定尺寸的图像区域，预定尺寸小于彩色图像的尺寸。

第二获取模块403，用于获取每个图像区域的Haar_like特征。

可选地，第二获取模块403包括：

第一获取单元4031，用于分别获取每个图像区域的特征图，特征图包括YUV模式图和Canny边缘特征图，或者特征图包括YUV模式图和梯度直方图，或者该特征图包括YUV模式图、Canny边缘特征图和梯度直方图。

第二获取单元4032，用于根据每个图像区域的特征图，通过类haar模板获取每个图像区域的Haar_like特征。

可选地，第二获取单元4032用于，以每个图像区域的每幅特征图的中心像素为原点，以预定像素数量为递增半径，在每幅特征图上作预定数量的同心圆；分别计算每幅特征图上每个圆环内像素的均值，将每个均值和中心像素值构成每幅特征图对应的一维矢量；将每个图像区域的所有特征图分别对应的一维矢量构成每个图像区域对应的特征矩阵，每个特征图对应的一维矢量为特征矩阵的行矩阵；通过类haar模板在每个图像区域对应的特征矩阵上进行取样，得到每个图像区域的Haar_like特征。

分类模块404，用于采用预设的分类器分别对每个图像区域的Haar_like特征进行分类，得到类别为车道线的图像区域；预设的分类器为，通过boosting训练算法训练预定尺寸的样本图像的Haar_like特征得到的级联分类器。

提取模块405，用于根据类别为车道线的图像区域，提取需提取车道线的彩色图像上的车道线。

可选地，提取模块405包括：

第三获取单元4051，用于获取每个类别为车道线的图像区域的中心像素坐标。

拟合单元4052，用于采用Hough变换对获取的每个中心像素坐标进行曲线拟合，，得到用于表示车道线的曲线方程。

绘制单元4053，用于按照曲线方程，在需提取图像上绘制拟合出的曲线，以显示提取出的车道线。

可选地，绘制单元4053用于：按照预定规则对检测出的车道线进行修正，该预定规则包括去除超过预定位置范围内的车道线。

本发明实施例通过boosting训练算法训练预定尺寸的样本图像的Haar_like特征得到级联分类器；并以每个像素为中心像素，依次从需提取车道线的彩色图像上选取预定尺寸的图像区域；然后采用得到的分类器分别对每个图像区域的Haar_like特征进行分类，能够得到类别为车道线的图像区域；根据类别为车道线的图像区域，提取需提取车道线的彩色图像上的车道线；由于boosting训练算法训练得到的分类器是训练了大量的样本图像得到的，因此，该分类器能够区分各种路况、天气和光照下的需提取车道线的彩色图像中属于车道线的像素点，提高了车道线提取方式的稳定性和准确性。

需要说明的是：上述实施例提供的车道线的提取装置在提取车道线时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的车道线的提取装置与车道线的提取方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种车道线的提取方法，其特征在于，所述方法包括：

获取需提取车道线的彩色图像；

在所述彩色图像上以预定间隔像素选取多个像素，并以选取的每个所述像素为中心像素，依次从所述彩色图像上选取预定尺寸的图像区域，所述预定尺寸小于所述彩色图像的尺寸；

获取每个所述图像区域的哈尔小波Haar_like特征；

采用预设的分类器分别对每个所述图像区域的Haar_like特征进行分类，得到类别为车道线的所述图像区域；所述预设的分类器为，通过boosting训练算法训练所述预定尺寸的样本图像的Haar_like特征得到的级联分类器；

根据类别为车道线的所述图像区域，提取所述需提取车道线的彩色图像上的车道线。

2.根据权利要求1所述的方法，其特征在于，所述获取每个所述图像区域的Haar_like特征，包括：

分别获取每个所述图像区域的特征图，所述特征图包括亮度色度YUV模式图和Canny边缘特征图，或者所述特征图包括所述YUV模式图和梯度直方图，或者所述特征图包括所述YUV模式图、所述Canny边缘特征图和所述梯度直方图；

根据每个所述图像区域的特征图，通过类haar模板获取每个所述图像区域的Haar_like特征。

3.根据权利要求2所述的方法，其特征在于，所述根据每个所述图像区域的特征图，通过类haar模板获取每个所述图像区域的Haar_like特征，包括：

以每个所述图像区域的每幅特征图的中心像素为原点，以预定像素数量为递增半径，在每幅所述特征图上作预定数量的同心圆；

分别计算每幅所述特征图上每个圆环内像素的均值，将每个所述均值和所述中心像素值构成每幅所述特征图对应的一维矢量；

将每个所述图像区域的所有所述特征图分别对应的一维矢量构成每个所述图像区域对应的特征矩阵，每个所述特征图对应的一维矢量为所述特征矩阵的行矩阵；

通过类haar模板在每个所述图像区域对应的所述特征矩阵上进行取样，得到每个所述图像区域的Haar_like特征。

4.根据权利要求1-3任一项所述的方法，其特征在于，所述根据类别为车道线的所述图像区域，提取所述需提取车道线的彩色图像上的车道线，包括：

获取每个类别为车道线的所述图像区域的中心像素坐标；

采用Hough变换对获取的每个所述中心像素坐标进行曲线拟合，得到用于表示车道线的曲线方程；

按照所述曲线方程，在所述需提取图像上绘制拟合出的曲线，以显示提取出的车道线。

5.根据权利要求4所述的方法，其特征在于，在所述得到用于表示车道线的曲线方程之后，还包括：

按照预定规则对所述曲线方程进行修正，所述预定规则包括去除超过预定位置范围内的车道线。

6.一种车道线的提取装置，其特征在于，所述装置包括：

第一获取模块，用于获取需提取车道线的彩色图像；

选取模块，用于在所述彩色图像上以预定间隔像素选取多个像素，并以选取的每个所述像素为中心像素，依次从所述彩色图像上选取预定尺寸的图像区域，所述预定尺寸小于所述彩色图像的尺寸；

第二获取模块，用于获取每个所述图像区域的哈尔小波Haar_like特征；

分类模块，用于采用预设的分类器分别对每个所述图像区域的Haar_like特征进行分类，得到类别为车道线的所述图像区域；所述预设的分类器为，通过boosting训练算法训练所述预定尺寸的样本图像的Haar_like特征得到的级联分类器；

提取模块，用于根据类别为车道线的所述图像区域，提取所述需提取车道线的彩色图像上的车道线。

7.根据权利要求6所述的装置，其特征在于，所述第二获取模块包括：

第一获取单元，用于分别获取每个所述图像区域的特征图，所述特征图包括亮度色度YUV模式图和Canny边缘特征图，或者所述特征图包括所述YUV模式图和梯度直方图，或者所述特征图包括所述YUV模式图、所述Canny边缘特征图和所述梯度直方图；

第二获取单元，用于根据每个所述图像区域的特征图，通过类haar模板获取每个所述图像区域的Haar_like特征。

8.根据权利要求7所述的装置，其特征在于，所述第二获取单元用于：

以每个所述图像区域的每幅特征图的中心像素为原点，以预定像素数量为递增半径，在每幅所述特征图上作预定数量的同心圆；

分别计算每幅所述特征图上每个圆环内像素的均值，将每个所述均值和所述中心像素值构成每幅所述特征图对应的一维矢量；

将每个所述图像区域的所有所述特征图分别对应的一维矢量构成每个所述图像区域对应的特征矩阵，每个所述特征图对应的一维矢量为所述特征矩阵的行矩阵；

通过类haar模板在每个所述图像区域对应的所述特征矩阵上进行取样，得到每个所述图像区域的Haar_like特征。

9.根据权利要求6-8任一项所述的装置，其特征在于，所述提取模块包括：

第三获取单元，用于获取每个类别为车道线的所述图像区域的中心像素坐标；

拟合单元，用于采用Hough变换对获取的每个所述中心像素坐标进行曲线拟合，得到用于表示车道线的曲线方程；

绘制单元，用于按照所述曲线方程，在所述需提取图像上绘制拟合出的曲线，以显示提取出的车道线。

10.根据权利要求9所述的装置，其特征在于，所述拟合单元还用于：

按照预定规则对所述曲线方程进行修正，所述预定规则包括去除超过预定位置范围内的车道线。

Images