CN103996031A - 一种自适应阈值分割的车道线检测系统及其方法 - Google Patents
一种自适应阈值分割的车道线检测系统及其方法 Download PDFInfo
- Publication number
- CN103996031A CN103996031A CN201410223353.8A CN201410223353A CN103996031A CN 103996031 A CN103996031 A CN 103996031A CN 201410223353 A CN201410223353 A CN 201410223353A CN 103996031 A CN103996031 A CN 103996031A
- Authority
- CN
- China
- Prior art keywords
- image
- lane line
- lane
- adaptive threshold
- interest
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000001514 detection method Methods 0.000 title claims abstract description 29
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 24
- 230000011218 segmentation Effects 0.000 title claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 15
- 230000009466 transformation Effects 0.000 claims abstract description 13
- 238000006243 chemical reaction Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 9
- 238000005728 strengthening Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000005192 partition Methods 0.000 abstract 2
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Abstract
一种自适应阈值分割的车道线检测系统及其方法，属于智能交通技术领域，其步骤包括：采集车道线视频图像；将采集到的彩色图像进行灰度变换；对灰度变换后的图像取时间平均Ie；在增强图像中选择图像的区域作为待处理的感兴趣区域；将步骤四中的感兴趣区域进行自适应阀值分割，处理为二值图像；对步骤五中的二值图像进行分区Hought变换拟合成候选直线；在步骤六的分区中采用高斯核函数对候选直线进行卷积处理；在步骤七的处理结果中寻找最终检测的车道线，并显示车道线。本发明解决了现有技术中由于路况的复杂性导致如今的车道检测系统性能不足的问题，本发明采用时间平均将断续的车道线进行了增强，提高了系统的检测性能。
Description
技术领域
本发明属于智能交通技术领域，具体涉及一种基于自适应阈值分割的车道线检测系统及其方法.
背景技术
随着汽车的普及和高速公路的兴建，汽车的主动安全性能受到人们越来越多的关注，安全辅助驾驶己成为国际智能交通系统研究的重要内容。车道偏离预警系统提醒长时间单调驾驶的驾驶员保持车辆在车道内行驶，防止其疲劳驾驶，是近年来汽车智能辅助驾驶系统中的核心问题。
基于视觉的车道偏离预警系统大都依赖于道路中的车道标识线或道路边界信息。如何才能快速并且准确地提取出道路中车道标识线或道路边界的信息是此类系统必须解决的关键问题。过去的十多年里，有些发达国家已经成功研制并开发了一些基于视觉的道路识别和跟踪系统。开发这些系统的主要目的是为在高速公路或其他结构化道路上的车辆自主导航提供基础。其中具有代表性的系统有GOLD(Generic Obstacle and Lane Detection)系统，LOIS(Likelihood of Image Shape)系统、RALPH(Rapidly AdaptingLateral Position Handler)系统、ALVINN(Autonomous Land Vehicle in aNeural Network)系统和SCARF系统等。
基于视觉的识别方法基本上分为两类：基于特征的识别方法和基于模型的识别方法。基于特征的识别方法主要是结合道路图像的一些特征(颜色特征、灰度梯度特征等)，从所获取的图像中识别出道路边界或车道标识线。基于道路模型的道路边界及车道标识线识别方法主要是基于不同的道路图像模型(2D或3D模型)采用不同的识别技术(霍夫变换、模板匹配技术等)来对道路边界及车道标识线进行识别。
现有路况变化非常复杂，这主要反映在三个方面：车道线的外观可变，如连续线和断续线，白色和黄色；道路的种类可以是高速路或城市道路，道线可能被车辆或行人遮挡；光照条件在一天中变化显著。这些变化使得现在方法的鲁棒性迅速下降，为此，我们综合利用基于图像特征与基于模型两类方法的优点，实现了一种鲁棒的车道线检测系统。
发明内容
为了克服现有技术中由于路况的复杂性导致如今的车道检测系统性能不足的问题，本发明提供一种自适应阀值分割的车道检测系统及其方法。
本发明的技术方案是：一种自适应阀值分割的车道线检测方法，其步骤包括：
步骤一、采集车道线视频图像；
步骤二、将采集到的彩色图像进行灰度变换；
步骤三、对灰度变换后的图像取时间平均,其中表示第n帧图像，N表示N帧图像；
步骤四、在增强图像中选择图像的区域作为待处理的感兴趣区域；
步骤五、将步骤四中的感兴趣区域进行自适应阀值分割，处理为二值图像；
步骤六、对步骤五中的二值图像进行分区Hought变换拟合成候选直线；
步骤七、在步骤六的分区中采用高斯核函数对候选直线进行卷积处理；
步骤八、在步骤七的处理结果中寻找最终检测的车道线，并显示车道线。
所述步骤五中的自适应阀值方法如下：设感兴趣区域的邻域的最小化范围为minrange，
1)感兴趣区域中待处理像素点的值为P，在围绕P的邻域中找出最大值max和最小值min，最大值与最小值之差为邻域的变化范围range；
2)若range>minrange,则分割阈值T＝(min+max)/2,否则分割阈值T＝max-minrange/2；
3)若P>T,则该像素被二值化为255，否则该像素被二值化为0。
所述步骤六中的Hought变换计算采用低解析度的参数空间。
所述步骤七的高斯核函数为k(x，x′)＝exp{-(x-x′)/2s}。
一种自适应阀值分割的车道线检测系统，该系统包括：
车载视频模块，用于采集车道线视频图像；图像增强模块，用于对车道线图像进行进行灰度增强处理，提高车道线的清晰度；边缘线处理模块，用于提高车道线边缘对比度；精度处理模块，用于分区处理图像，提高识别精度；显示模块，用于显示最终检测的车道线。
本发明有如下积极效果：1.采用时间平均将断续的车道线进行了增强，提高了系统的检测性能；2.采用自适应阈值处理增强了系统在各种光照和天气下的适应性，提高了车道线检测的鲁棒性；3.采用高斯核函数作为模板，减少了系统的虚警概率；4.本方法提供了一种可行车道线检测系统，视频模块、图像处理模块和显示模块的配合使用，使得检测系统便捷高效，省时而且鲁棒性能优越。
附图说明
图1是车道线检测方法的流程图；
图2是车道线检测方法中的感兴趣区域示意图；
图3是车道线检测系统的原理框图。
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，为车道线检测方法的流程图，一种自适应阀值分割的车道线检测方法，其步骤包括：
步骤一、采集车道线视频图像：利用车载视频或车载摄像机采集车道线的视频获取M′N大小清晰稳定的车道线，一般情况下图像格式为VGA彩色RGB格式。
步骤二、将采集到的彩色图像进行灰度变换：若采集到的图像为彩色图像，将之转换为灰度图像处理。对彩色图像进行灰度变换，利用的是图像的亮度信息和车道线的形状特性，同时彩色到灰度的转换得到了下一步的处理对象。彩色图像时，设r,g,b分别为图像红绿蓝三个分量，则灰度图像可以通过公式I＝(r+g+b)/3得到，其中I为灰度图像的像素值。
步骤三、时间平均：对采集的多帧图像取时间平均来增强车道线的清晰度，断续的车道线可以通过时间平均成连续直线，设第n帧图像表示为I[n]，则N帧图像的时间平均表示为Ie，,时间平均的采用将断续的车道线进行了增强，提高了系统的检测性能。
步骤四、采用多帧图像时间平均获得增强图像，原始图像是M×N，在增强图像中选择图像的区域作为待处理的感兴趣区域，可以减少其它物体的干扰，通常优选在增强图像Ie中选择图像的下半区域，大小为作为待处理的感兴趣区域，如图2所示。增强图像主要是对时间断续车道线进行拟合，使之成一条完整的曲线，图像增强是使图像变得符合下一步步骤五处理的需求。
步骤五、自适应阈值分割:将步骤四中的感兴趣区域进行自适应阀值分割，处理为二值图像；即是对感兴趣区域进行自适应阈值分割，处理为二值图像，设邻域的最小化范围为minrange，自适应阈值分割方法如下：
1)感兴趣区域中待处理像素点为P，其坐标为(x,y),在围绕P的l·l邻域中求最大值max和最小值min，最大值与最小值之差为邻域的变化范围range，其中那围绕P的l·l邻域，是指坐标x-l/2到x+l/2,y-l/2到y+l/2内的所有像素点。
2)若range>minrange,则分割阈值T＝(min+max)/2,否则分割阈值T＝max-minrange/2。
3)若P>T,则该像素被二值化为255，否则该像素被二值化为0。采用自适应阈值处理增强了系统在各种光照和天气下的适应性，提高了车道线检测的鲁棒性。
步骤六、Hough变换:对步骤五中的二值图像进行分区Hought变换拟合成候选直线；具体为将二值图像分成左右半区，分别采用Hough变换拟合成若干候选直线，在Hough变换的计算中采用低解析度的rq参数空间划分加快速度,即对于xy平面中的每个值为255的像素点的坐标(x，y)带入直线方程xcosq+ysinq＝r，q的变换步长为2.5；rq参数空间中，ρ表示幅值，θ：表示相角，低解析度主要是为了加快Hough变换的速度，分区Hought变换的使用提高了全局图像的识别精度。
步骤七、高斯核模板匹配:分别在左右半区中采用高斯核函数作为匹配滤波器对候选直线进行卷积处理，高斯核函数表示为：k(x，x′)＝exp{-(x-x′)/2s}，式中x表示Hough变换后得到可能是车道线中像素点的值，σ：是高斯函数的方差，它与车道线的宽度相匹配，高斯函数是一个常用的分布函数，它的形状根据方差的不同与图像中车道线的取值形式相一致，所以可以用它来判断可以的直线是不是车道线。
步骤八、在步骤七的结果中寻找最大输出响应的直线作为最终检测的车道线，并在测试图像中显示车道线。
如图3所示，是本车道检测方法提供的一种自适应阀值分割的车道线检测系统，该系统包括：车载视频模块可以是车载视频或车载摄像机，用于采集车道线视频图像；图像增强模块，用于对车道线图像进行进行灰度变换和时间平均等处理来提高车道线的清晰度，从而系统的检测性能；边缘线处理模块，主要是对图像进行兴趣区域选择，减少物体的干扰，确保图像数据的准确度，同时还要对肝兴趣区域进行自适应阀值分割处理，降低不同亮度环境对车道线识别的影响，用于提高车道线边缘对比度；精度处理模块，用于对图像进行分区变换处理和卷积处理，以提高识别精度，同时计算快捷方便省时；显示模块，用于显示最终检测的车道线，提醒驾驶员安全驾驶。
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 (5)
1.一种自适应阀值分割的车道线检测方法，其特征在于，其步骤包括：
步骤一、采集车道线视频图像；
步骤二、将采集到的彩色图像进行灰度变换；
步骤三、对灰度变换后的图像取时间平均,,其中表示第n帧图像，N表示N帧图像；
步骤四、在增强图像中选择图像的区域作为待处理的感兴趣区域；
步骤五、将步骤四中的感兴趣区域进行自适应阀值分割，处理为二值图像；
步骤六、对步骤五中的二值图像进行分区Hought变换拟合成候选直线；
步骤七、在步骤六的分区中采用高斯核函数对候选直线进行卷积处理；
步骤八、在步骤七的处理结果中寻找最终检测的车道线，并显示车道线。
2.根据权利要求1所述的车道线检测方法，其特征在于，所述步骤五中的自适应阀值方法如下：设感兴趣区域的邻域的最小化范围为minrange，
1)感兴趣区域中待处理像素点的值为P，在围绕P的邻域中找出最大值max和最小值min，最大值与最小值之差为邻域的变化范围range；
2)若range>minrange,则分割阈值T＝(min+max)/2,否则分割阈值T＝max-minrange/2；
3)若P>T,则该像素被二值化为255，否则该像素被二值化为0。
3.根据权利要求1所述的车道线检测方法，其特征在于，所述步骤六中的Hought变换计算采用低解析度的参数空间。
4.根据权利要求1所述的车道线检测方法，其特征在于，所述步骤七的高斯核函数为k(x，x′)＝exp{-(x-x′)/2s}。
5.一种自适应阀值分割的车道线检测系统，其特征在于，该系统包括：
车载视频模块，用于采集车道线视频图像；
图像增强模块，用于对车道线图像进行进行灰度增强处理，提高车道线的清晰度；
边缘线处理模块，用于提高车道线边缘对比度；
精度处理模块，用于分区处理图像，提高识别精度；
显示模块，用于显示最终检测的车道线。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410223353.8A CN103996031A (zh) | 2014-05-23 | 2014-05-23 | 一种自适应阈值分割的车道线检测系统及其方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410223353.8A CN103996031A (zh) | 2014-05-23 | 2014-05-23 | 一种自适应阈值分割的车道线检测系统及其方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN103996031A true CN103996031A (zh) | 2014-08-20 |
Family
ID=51310192
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410223353.8A Pending CN103996031A (zh) | 2014-05-23 | 2014-05-23 | 一种自适应阈值分割的车道线检测系统及其方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103996031A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104268859A (zh) * | 2014-09-16 | 2015-01-07 | 奇瑞汽车股份有限公司 | 一种用于夜间车道线检测的图像预处理方法 |
| CN106203267A (zh) * | 2016-06-28 | 2016-12-07 | 成都之达科技有限公司 | 基于机器视觉的车辆防碰撞方法 |
| CN107103321A (zh) * | 2016-02-23 | 2017-08-29 | 腾讯科技（深圳）有限公司 | 道路二值化图像的生成方法及生成系统 |
| CN108068817A (zh) * | 2017-12-06 | 2018-05-25 | 张家港天筑基业仪器设备有限公司 | 一种无人驾驶汽车自动变道装置及方法 |
| CN109711264A (zh) * | 2018-11-30 | 2019-05-03 | 武汉烽火众智智慧之星科技有限公司 | 一种公交车道占道检测方法及装置 |
| CN110188606A (zh) * | 2019-04-23 | 2019-08-30 | 合刃科技（深圳）有限公司 | 基于高光谱成像的车道识别方法、装置及电子设备 |
| CN110310239A (zh) * | 2019-06-20 | 2019-10-08 | 四川阿泰因机器人智能装备有限公司 | 一种基于特性值拟合消除光照影响的图像处理方法 |
| CN113610883A (zh) * | 2021-04-30 | 2021-11-05 | 新驱动重庆智能汽车有限公司 | 点云处理系统和方法、计算机设备和存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1283498B1 (en) * | 2001-08-06 | 2007-01-17 | Nissan Motor Company, Limited | White line detection apparatus and white line detection method |
| CN101326810A (zh) * | 2006-03-31 | 2008-12-17 | 索尼株式会社 | 图像处理设备、图像处理方法和计算机程序 |
| CN102446352A (zh) * | 2011-09-13 | 2012-05-09 | 深圳市万兴软件有限公司 | 视频图像处理方法及装置 |
| CN103020930A (zh) * | 2012-11-26 | 2013-04-03 | 天津大学 | 一种夜间监控视频增强方法 |
| CN103129555A (zh) * | 2011-12-02 | 2013-06-05 | 通用汽车环球科技运作有限责任公司 | 车道追踪系统 |
-
2014
- 2014-05-23 CN CN201410223353.8A patent/CN103996031A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1283498B1 (en) * | 2001-08-06 | 2007-01-17 | Nissan Motor Company, Limited | White line detection apparatus and white line detection method |
| CN101326810A (zh) * | 2006-03-31 | 2008-12-17 | 索尼株式会社 | 图像处理设备、图像处理方法和计算机程序 |
| CN102446352A (zh) * | 2011-09-13 | 2012-05-09 | 深圳市万兴软件有限公司 | 视频图像处理方法及装置 |
| CN103129555A (zh) * | 2011-12-02 | 2013-06-05 | 通用汽车环球科技运作有限责任公司 | 车道追踪系统 |
| CN103020930A (zh) * | 2012-11-26 | 2013-04-03 | 天津大学 | 一种夜间监控视频增强方法 |
Non-Patent Citations (1)
| Title |
|---|
| 介炫惠: ""道路交通标线的检测算法研究"", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104268859A (zh) * | 2014-09-16 | 2015-01-07 | 奇瑞汽车股份有限公司 | 一种用于夜间车道线检测的图像预处理方法 |
| CN107103321A (zh) * | 2016-02-23 | 2017-08-29 | 腾讯科技（深圳）有限公司 | 道路二值化图像的生成方法及生成系统 |
| CN107103321B (zh) * | 2016-02-23 | 2019-01-11 | 腾讯科技（深圳）有限公司 | 道路二值化图像的生成方法及生成系统 |
| CN106203267A (zh) * | 2016-06-28 | 2016-12-07 | 成都之达科技有限公司 | 基于机器视觉的车辆防碰撞方法 |
| CN108068817A (zh) * | 2017-12-06 | 2018-05-25 | 张家港天筑基业仪器设备有限公司 | 一种无人驾驶汽车自动变道装置及方法 |
| CN109711264A (zh) * | 2018-11-30 | 2019-05-03 | 武汉烽火众智智慧之星科技有限公司 | 一种公交车道占道检测方法及装置 |
| CN110188606A (zh) * | 2019-04-23 | 2019-08-30 | 合刃科技（深圳）有限公司 | 基于高光谱成像的车道识别方法、装置及电子设备 |
| CN110310239A (zh) * | 2019-06-20 | 2019-10-08 | 四川阿泰因机器人智能装备有限公司 | 一种基于特性值拟合消除光照影响的图像处理方法 |
| CN110310239B (zh) * | 2019-06-20 | 2023-05-05 | 四川阿泰因机器人智能装备有限公司 | 一种基于特性值拟合消除光照影响的图像处理方法 |
| CN113610883A (zh) * | 2021-04-30 | 2021-11-05 | 新驱动重庆智能汽车有限公司 | 点云处理系统和方法、计算机设备和存储介质 |
| CN113610883B (zh) * | 2021-04-30 | 2022-04-08 | 新驱动重庆智能汽车有限公司 | 点云处理系统和方法、计算机设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103996031A (zh) | 一种自适应阈值分割的车道线检测系统及其方法 | |
| Han et al. | Research on road environmental sense method of intelligent vehicle based on tracking check | |
| Yenikaya et al. | Keeping the vehicle on the road: A survey on on-road lane detection systems | |
| Son et al. | Real-time illumination invariant lane detection for lane departure warning system | |
| CN107767383B (zh) | 一种基于超像素的道路图像分割方法 | |
| CN103177246B (zh) | 基于动态区域划分的双模型车道线识别方法 | |
| WO2018133851A1 (zh) | 一种点云数据处理方法、装置及计算机存储介质 | |
| Borkar et al. | A layered approach to robust lane detection at night | |
| CN100545858C (zh) | 基于小波变换的复杂背景中的车牌提取方法 | |
| CN107389084B (zh) | 行车路径规划方法及存储介质 | |
| CN102682292B (zh) | 基于单目视觉的道路边缘检测及粗定位方法 | |
| CN101608924B (zh) | 一种基于灰度估计和级联霍夫变换的车道线检测方法 | |
| CN111563412B (zh) | 一种基于参数空间投票和贝塞尔拟合的快速车道线检测方法 | |
| CN105260699A (zh) | 一种车道线数据的处理方法及装置 | |
| Mammeri et al. | Design of lane keeping assist system for autonomous vehicles | |
| Wang et al. | A vision-based road edge detection algorithm | |
| US8718329B2 (en) | Top-down view classification in clear path detection | |
| CN105740782A (zh) | 一种基于单目视觉的驾驶员换道过程量化方法 | |
| Prakash et al. | Robust obstacle detection for advanced driver assistance systems using distortions of inverse perspective mapping of a monocular camera | |
| CN109190483B (zh) | 一种基于视觉的车道线检测方法 | |
| CN109446919A (zh) | 一种基于端到端学习的视觉车道保持方法 | |
| CN104700072A (zh) | 基于车道线历史帧的识别方法 | |
| CN202134079U (zh) | 一种无人驾驶车辆车道标志线识别与报警装置 | |
| CN103699899B (zh) | 基于等距曲线模型的车道线检测方法 | |
| Chan et al. | Lane mark and drivable area detection using a novel instance segmentation scheme |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20140820 |
|
| RJ01 | Rejection of invention patent application after publication |