CN103996030A - 一种车道线检测方法 - Google Patents

Abstract

本发明涉及一种车道线检测方法，属于汽车主动安全领域，其步骤包括：步骤一、摄像头捕捉视频图像；步骤二、对采集的视频图像进行边缘增强处理；步骤三、对边缘增强处理过的图像采用自适应阀值选择方法计算二值化阀值，得到二值化图像；步骤四、对二值化图像进行车道线内侧边缘点提取；步骤五、对提取后的图像数据采用分区Hought变换拟合车道线。本方法采用自定义差分算法，使车道线边缘得到较好增强，解决了现有技术中汽车因车道偏离而发生交通事故的问题。

Description

一种车道线检测方法

技术领域

本发明属于汽车主动安全领域，具体涉及一种车道线检测方法。

背景技术

现代计算机技术的飞速发展，融合了多传感器技术以及通信控制理论等新技术，使得智能汽车辅助驾驶系统的普及应用成为可能，驾驶智能汽车将更加安全舒适。在行驶过中面临意外突发情况时，智能辅助驾驶系统可以立即提供辅助的驾驶决策，紧急制动或预警，从而最大限度的提高汽车驾驶的安全性，将社会经济损失减小到最低限度。智能辅助驾驶研究范围广泛，其中车道偏离预警(Lane Departure Warning,LDW)系统作为现代智能交通安全辅助驾驶(Safety Driving Assist,SDA)系统的一个重要主要组成部分，受到了人们的广泛关注。

车道偏离警示系统(Lane Departure Warning System，LDWS)，是一种通过报警的方式辅助驾驶员减少汽车因车道偏离而发生交通事故的系统。车道线检测分为车道线边缘增强，二值化、车道线拟合。车道线边缘增强方法有Sobel算法、LOG算法、Roberts算法、Prewitt算法、Canny算法。本文针对车道线具有的特殊特征，采用自定义差分算法，使车道线边缘得到较好增强。

发明内容

为了克服现有技术中汽车因车道偏离而发生交通事故的问题，本发明提供一种车道线检测方法，本方法采用自定义差分算法，使车道线边缘得到较好增强。

本发明的技术方案是：一种车道线检测方法，其步骤包括：

步骤一、摄像头捕捉视频图像；

步骤二、对采集的视频图像进行边缘增强处理；

步骤三、对边缘增强处理过的图像采用自适应阀值选择方法计算二值化阀值，得到二值化图像；

步骤四、对二值化图像进行车道线内侧边缘点提取；

步骤五、对提取后的图像数据采用分区Hought变换拟合车道线。

所述步骤二中自定义了两个差分算子。所述步骤三中的自适应阀值选择方法采用迭代阀值选取算法，其中：

1)取图像的最大灰度级的一半作为初始阀值，将边缘处理后的图像的像素分成前景和背景；

2)对前景和背景的像素代入公式 $T_{i+1}=\frac{1}{2}[\frac{\underset{k=0}{\overset{T_i}{\mathrm{\Σ}}}{h}_k\·k}{\underset{k=0}{\overset{T_i}{\mathrm{\Σ}}}{h}_k}+\frac{\underset{k=T_i+1}{\overset{L-1}{\mathrm{\Σ}}}{h}_k\·k}{\underset{k=T_i+1}{\overset{L-1}{\mathrm{\Σ}}}{h}_k}]$ 进行计算，将结果取平均值获得新阀值，其中，h_k为灰度为k的像素点个数。T_i为当前阈值，T_i+1为下次迭代阈值；

3)新阀值将图像分成前景和背景，重复步骤2)，反复迭代下去；

4)当迭代已经收敛于稳定阀值时，此稳定阀值为最终结果。

所述步骤四中得到二值化图像后，是从图像中间向左右两侧搜索。所述左车道线内侧边缘点提取方法为：1)从二值化图像中间向左侧搜索，搜索到第一个灰度值为255的像素；2)判断该灰度值为255的像素位置向左第二个像素位置对应的灰度值是否大于定阀值，定阀值的设定范围为50－100；3)如果大于定阀值，此行搜索停；否则向左搜索，此行搜索结束返回步骤2)；4)重复步骤1)至3)进行下行搜索。

所述右车道线内侧边缘点提取方法为：1)从二值化图像中间向右侧搜索，搜索到第一个灰度值为255的像素；2)判断该灰度值为255的像素位置向右第二个像素位置对应的灰度值是否大于定阀值，定阀值的设定范围为50－100；3)如果大于定阀值，此行搜索停止；否则向右搜索，此行搜索结束返回步骤2)；4)重复步骤1)至3)进行下行搜索。

所述步骤五中，将区域离散化为多个区域，每个区域自主进行参数提取。

本发明有如下积极效果：本发明中：1.采用自定义差分算法增强车道线边缘，提高了车道线边缘对比度，同时抑制与车道线特征不符的其他边缘影响。2.在二值化方面，采用自适应阈值选择算法，降低不同亮度环境对车道线识别影响，提高了系统的鲁棒性。3.采用分区域Hough算法，解决了全局Hough变换识别精度低的问题。使用本发明提供的方法可以使车道线检测精确度大幅度提高,可以在各种恶劣环境(晴天，雨天，阴天)准确检测车道线，受环境影响较小。

附图说明

图1是本发明的工作流程图；

图2是左卷积核图；

图3是右卷积核图；

具体实施方式

下面对照附图，通过对实施例的描述，本发明的具体实施方式如所涉及的各构件的形状、构造、各部分之间的相互位置及连接关系、各部分的作用及工作原理、制造工艺及操作使用方法等，作进一步详细的说明，以帮助本领域技术人员对本发明的发明构思、技术方案有更完整、准确和深入的理解。

如图1所示，一种车道线检测方法，其步骤包括：

步骤一、摄像头捕捉视频图像；

步骤二、对采集的视频图像进行边缘增强处理；

步骤三、对边缘增强处理过的图像采用自适应阀值选择方法计算二值化阀值，得到二值化图像；

步骤四、对二值化图像进行车道线内侧边缘点提取；

步骤五、对提取后的图像数据采用分区Hought变换拟合车道线。

其执行过程如下：

在步骤二的边缘增强处理中，本文自定义了两个差分算子，在设计差分算子的时候，充分考虑了车道线的位置特征，即左右车道线倾斜角度一般在45°和135°方向，因此本文提出的自定义差分算子在保持车道标志线结构的基础之上，又加强了车道标志线的边缘与周围区域像素点的对比度，左右卷积核分别如下图2和图3所示。采用自定义差分算法增强车道线边缘，提高了车道线边缘对比度，同时抑制与车道线特征不符的其他边缘影响，有利于增强车道线的边缘和车道线的区别度。

在步骤三的自适应阈值选择中：分割阈值选择直接影响后续图像二值化效果好坏。由于该系统需要全天候工作，白天和黑夜图像整体亮度变换较大，采用固定阈值不适合处理环境亮度经常变换场景。因此，需要采用自适应阈值选择方法。本文采用迭代阈值选取算法，先取一个初始阈值，取图像的最大灰度级的一半作为初始阀值，例如对于8位灰度图像，选择最大灰度级的一半(即128)作为初始阈值。将经过边缘增强算子处理后图像的全部像素分成前景和背景两大类，对前景和背景的像素代入公式 $T_{i+1}=\frac{1}{2}[\frac{\underset{k=0}{\overset{T_i}{\mathrm{\Σ}}}{h}_k\·k}{\underset{k=0}{\overset{T_i}{\mathrm{\Σ}}}{h}_k}+\frac{\underset{k=T_i+1}{\overset{L-1}{\mathrm{\Σ}}}{h}_k\·k}{\underset{k=T_i+1}{\overset{L-1}{\mathrm{\Σ}}}{h}_k}]$ 进行计算并将结果取平均以获得一个新阈值，将结果取平均值获得新阀值，然后再按此阈值将图像分成前景和背景，用同样的方法获得一个新阈值，如此反复迭代下去，当开关函数不再发生变化，即迭代已经收敛于某个稳定的阈值时，此刻的阈值即为最终的结果，即相邻两次迭代得到的阈值差的绝对值小于设定阈值(程序中阈值设定为5)，公式中，h_k为灰度为k的像素点个数。T_i为当前阈值，T_i+1为下次迭代阈值。

在步骤三的图像二值化处理中：根据步骤二计算，得到分割阈值T,依据分割阈值，可以将边缘增强后的图像分成前景和背景两部分。其中当图像灰度值大于阈值T时，将图像灰度值置255，否则置0。在二值化方面，采用自适应阈值选择算法，降低不同亮度环境对车道线识别影响，提高了系统的鲁棒性。

在步骤四的车道线内侧边缘点提取处理中：经步骤三得到二值化图像后，从图像中间向左右两侧搜索。

左车道线内侧边缘点提取如下：1)从二值化图像中间向左侧搜索，当搜索到第一个灰度值为255的像素时；

2)判断该像素位置向左第二个像素位置对应的原始灰度图像中的灰度值是否大于一定阈值(一般阈值设定在50-100之间)；

3)如果大于定阈值，判定此像素点为边缘点，将该像素点灰度值设定为255，此行搜索停止，如果小于等于定阀值，则向左搜索，此行搜索结束返回步骤2)继续判断该像素位置向左第二个像素位置对应的原始灰度图像中的灰度值是否大于一定阈值(一般阈值设定在50-100之间)；

4)重复步骤1)至3)按照同样规则进行下行搜索。

右车道线内侧边缘点提取方法和左车道线内侧边缘点提取方法相似，右车道线内侧边缘点提取如下：从二值化图像中间向右侧搜索，当搜索到第一个灰度值为255的像素时；判断该像素位置向右第二个像素位置对应的原始灰度图像中的灰度值是否大于一定阈值(一般阈值设定在50-100之间)；如果大于阈值，判定此像素点为边缘点，将该像素点灰度值设定为255，此行搜索停止，否则则向右搜索，此行搜索结束返回步骤继续判断该像素位置向左第二个像素位置对应的原始灰度图像中的灰度值是否大于一定阈值(一般阈值设定在50-100之间)；按照同样规则进行下行搜索，左右车道线内侧边缘点的提取使得车道线检测运行时间大大减短，同时车道线检测精确度大幅度提高。

在步骤五的车道线拟合处理中：采用分区域车道线拟合，将感兴趣区域离散化为若干个区域，每个区域自主进行参数提取，将局部噪声信息对整体的影响降低。本文将感兴趣区域分为1,2,3,4共四个区域，其中1,2为重要感兴趣区域，3,4为次重要感兴趣区域。设各区域通过Hough变换得到的极坐标半径和角度为(ρ₁、θ₁)，(ρ₂、θ₂)，(ρ₃、θ₃)和(ρ₄、θ₄)，设极半径和角度最大偏差阀值为5％和1％，偏差阈值过大，容易引入非车道线干扰，阈值过小车道线漏检率提升。若上下两区域的极半径ρ_L和角度θ_L同时存在，则按如下规则计算极半径和角度。如果|(ρ₁-ρ₃)/ρ₁|≤5％且|(θ₁-θ₃)/θ₁|≤1％，则ρ_L＝(ρ₁+ρ₃)/2，θ_L＝(θ₁+θ₃)/2，否则以重要区域1中参数作为左车道线参数。右车道参数计算和左车线相同，采用分区域Hough算法，解决了全局Hough变换识别精度低的问题。

上面结合附图对本发明进行了示例性描述，显然本发明具体实现并不受上述方式的限制，只要采用了本发明的方法构思和技术方案进行的各种非实质性的改进，或未经改进将本发明的构思和技术方案直接应用于其它场合的，均在本发明的保护范围之内。

Claims (7)

1.一种车道线检测方法，其特征在于，其步骤包括：

步骤一、摄像头捕捉视频图像；

步骤二、对采集的视频图像进行边缘增强处理；

步骤三、对边缘增强处理过的图像采用自适应阀值选择方法计算二值化阀值，得到二值化图像；

步骤四、对二值化图像进行车道线内侧边缘点提取；

步骤五、对提取后的图像数据采用分区Hought变换拟合车道线。

2.根据权利要求1所述的车道线检测方法，其特征在于，所述步骤二中自定义了两个差分算子。

3.根据权利要求1所述的车道线检测方法，其特征在于，所述步骤三中的自适应阀值选择方法采用迭代阀值选取算法，其中：

1)取图像的最大灰度级的一半作为初始阀值，将边缘处理后的图像的像素分成前景和背景；

2)对前景和背景的像素代入公式 $T_{i+1}=\frac{1}{2}[\frac{\underset{k=0}{\overset{T_i}{\mathrm{\Σ}}}{h}_k\·k}{\underset{k=0}{\overset{T_i}{\mathrm{\Σ}}}{h}_k}+\frac{\underset{k=T_i+1}{\overset{L-1}{\mathrm{\Σ}}}{h}_k\·k}{\underset{k=T_i+1}{\overset{L-1}{\mathrm{\Σ}}}{h}_k}]$ 进行计算，将结果取平均值获得新阀值，其中，h_k为灰度为k的像素点个数。T_i为当前阈值，T_i+1为下次迭代阈值；

3)新阀值将图像分成前景和背景，重复步骤2)，反复迭代下去；

4)当迭代已经收敛于稳定阀值时，此稳定阀值为最终结果。

4.根据权利要求1所述的车道线检测方法，其特征在于，所述步骤四中得到二值化图像后，是从图像中间向左右两侧搜索。

5.根据权利要求4所述的车道线检测方法，其特征在于，所述左车道线内侧边缘点提取方法为：

1)从二值化图像中间向左侧搜索，搜索到第一个灰度值为255的像素；

2)判断该灰度值为255的像素位置向左第二个像素位置对应的灰度值是否大于定阀值，定阀值的设定范围为50－100；

3)如果大于定阀值，此行搜索停；否则向左搜索，此行搜索结束返回步骤2)；

4)重复步骤1)至3)进行下行搜索。

6.根据权利要求4所述的车道线检测方法，其特征在于，所述右车道线内侧边缘点提取方法为：

1)从二值化图像中间向右侧搜索，搜索到第一个灰度值为255的像素；

2)判断该灰度值为255的像素位置向右第二个像素位置对应的灰度值是否大于定阀值，定阀值的设定范围为50－100；

3)如果大于定阀值，此行搜索停止；否则向右搜索，此行搜索结束返回步骤2)；

4)重复步骤1)至3)进行下行搜索。

7.根据权利要求1所述的车道线检测方法，其特征在于，所述步骤五中，将区域离散化为多个区域，每个区域自主进行参数提取。