CN104537342A - 一种结合山脊边界检测及霍夫变换的快速车道线检测方法 - Google Patents

一种结合山脊边界检测及霍夫变换的快速车道线检测方法 Download PDF

Info

Publication number
CN104537342A
CN104537342A CN201410812599.9A CN201410812599A CN104537342A CN 104537342 A CN104537342 A CN 104537342A CN 201410812599 A CN201410812599 A CN 201410812599A CN 104537342 A CN104537342 A CN 104537342A
Authority
CN
China
Prior art keywords
point
lane line
ridge
line
straight line
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.)
Granted
Application number
CN201410812599.9A
Other languages
English (en)
Other versions
CN104537342B (zh
Inventor
王卫星
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fuzhou University
Original Assignee
Fuzhou University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Fuzhou University filed Critical Fuzhou University
Priority to CN201410812599.9A priority Critical patent/CN104537342B/zh
Publication of CN104537342A publication Critical patent/CN104537342A/zh
Application granted granted Critical
Publication of CN104537342B publication Critical patent/CN104537342B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/753—Transform-based matching, e.g. Hough transform

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种结合山脊边界检测及霍夫变换的快速车道线检测方法。该方法从采集的车道线视频中截取单帧图像，首先进行缩小并灰度化，减少数据量，然后在车道线范围内应用基于方向的快速山脊检测方法，得到二值图像；然后对得到的二值图像应用快速的霍夫直线检测方法检测到两组车道线，再对其进行膨胀腐蚀得到两条粗的车道线，再对其进行细线化，最后在细线化图像上选取采样点，利用最小二乘法拟合出车道线。本发明方法的每一步都是依据车道线的方向、形态等特征改进的特殊方法，比传统的检测方法更高效。

Description

一种结合山脊边界检测及霍夫变换的快速车道线检测方法
技术领域
本发明涉及属于公路预警检测技术领域，涉及一种车道线检测方法，尤其是一种结合山脊边界检测及霍夫变换的快速车道线检测方法。
背景技术
随着经济发展、道路设施的完善,我国汽车保有量迅速增加。这导致公路交通事故的发生率居高不下,交通安全问题日趋严重。车辆安全辅助驾驶系统已成为当前世界交通领域的研究热点之一。而基于视觉的车道线检测技术是车辆安全辅助驾驶系统的主要研究内容之一。车道线的提取就是从车载摄像头获得的视频图像中,根据车道线的颜色,形状和纹理等特征,将车道线与背景进行分离,从而获得车道线的走向,车辆相对于车道线的位置等信息.从国内外研究现状来看,现有的车道线检测算法大体可分为车道线区域检测法,特征驱动法和模型驱动法。
车道线区域检测法的核心思想是将图像中的所有像素点标记为车道线点和非车道线点两类.可以作为分类依据的称为特征量.Bertozzi M通过对图像进行边缘提取和形态学的运算,利用车道线的宽度特征将可能的车道线边缘点构造成车道线;Kreucher C使用的本体匹配算法利用的则是频率特征,通过对似然概率的估计,得到最符合条件的车道线.模型驱动法是根据提取的特征对预先定义好的车道线模型进行匹配,就是将车道线的提取转化为车道线模型中参数的计算问题。同济大学的刘富强提出了路面的3D模型,将霍夫变换与分段曲线拟合方法结合,提取车道线轮廓;McCall C采用了平面上的抛物线模型,利用可操作的滤波器和自适应的车道线模板,对模型进行拟合，但是该算法的时耗性取决于所选滤波器的复杂程度;近年来，有人提出了基于回旋曲线的三维车道线模型，这是一个新兴的方向但是目前在该领域使用的单一的边缘检测方法使得该方法的鲁棒性还有待提高.
基于霍夫变换（霍夫）的车道检测是应用最为广泛的车道识别方法之一，是由 Paul 霍夫 于 1962 年以专利形式提出的，它实现一种从图像空间到参数空间的映射关系。其基本思想是点-线的对偶性，即图像空间共线的点对应在参数空间里相交的线；反过来，在参数空间中相交于同一个点的所有直线（曲线）在图像空间里都有共线的点与之对应。
发明内容
本发明的目的在于提供一种结合山脊边界检测及霍夫变换的快速车道线检测方法。
为实现上述目的，本发明的技术方案是：一种结合山脊边界检测及霍夫变换的快速车道线检测方法，包括以下步骤，
步骤S1：从采集的车道线视频中截取长宽为N*M的单帧图像，并对其进行基于局部最大值的缩小，然后对缩小后的图像进行灰度化，降低图像数据量，从而加快处理速度，其中，N、M为正整数；
步骤S2：选定车道线区域：由于摄像头位置以及车身左右移动而导致车道线的斜率和起点发生变化，根据统计，左车道线的斜率控制在(                                                ,)，左车道线的起点在左竖直边界控制在(0,1/2M)范围内，在水平边界控制在(0,1/4N)范围内；右车道线的斜率控制在(-,-)，右车道线的起点在右竖直边界控制在(0,1/2M)范围内，在水平边界控制在(3/4N,1N)范围内；其中，左车道线范围是以左边界1/2处为起点且斜率为的直线与以水平边界1/4处为起点且斜率为的直线之间，右车道线范围是以右边界1/2处为起点斜率为-的直线与以水平边界3/4处为起点斜率为-的直线之间；
步骤S3：车道线分为直线车道线和虚线车道线，对于虚线车道线的每一段都是一个矩形，故而采用valley算法在选定的车道线区域内检测车道线的边缘，得到车道线边缘二值图像；
步骤S4:对步骤S3得到的车道线边缘二值图像进行改进的快速随机霍夫线检测；
步骤S5：检测每条车道线的组成线条数，并将该些线条扩充为一条粗直线；具体即，首先对各车道线进行形态学膨胀将各线条之间的空隙填充，然后再对其进行形态学腐蚀，得到各条车道线的粗直线；
步骤S6：对步骤S5得到的图像进行细线化，考虑到细线化可能产生短枝，设定一个线条长度阈值t，若线条的长度小于t则认为是短枝，需去除掉；若线条长度大于t则认为是车道线的一部分，需保留；
步骤S7：选取采样点，对采样点进行最小二乘法拟合，得到最终车道线；其中，采样点的选取原则是在图像的中间3/5范围内选取，即去除掉上下的1/5部分，并以中轴线为中心将采样特征点分为左右两部分，分别拟合左右车道线。
在本发明实施例中，所述步骤S3中，采用的valley算法在选定的车道线区域内检测车道线的边缘的具体步骤如下，
步骤S31：将步骤S2选定的车道线区域平分为左中右三部分；
步骤S32：由于车道线是左右两条与水平方向夹角分别近似为45°和135°的相交直线组成，为了加快检测速度，左部分选择0°和135°方向的山脊检测方向差值公式进行检测，右部分选择0°和45°方向的山脊检测方向差值公式进行检测，中间部分采用0°、45°、90°、和135°全方向的山脊检测方向差值公式进行检测。
在本发明实施例中，在步骤S32中，所述0°、45°、90°、和135°的山脊检测方向差值公式分别如下：
0°：
45°：
90°：
135°：
其中，f(i,j)为像素(i，j)的灰度值，w1和w2为权重值，且w1和w2的选取满足w1+w2=1，T1、T2、T3、T4分别为四个方向的差值。
在本发明实施例中，所述步骤S3中，对每一个检测点，从其5×5邻域中判断其是否为一个山脊点，若为，则认定其为预选的山脊点；
所述山脊点的具体判断方式为，
A.对于车道线区域的左部分0°和135°方向的山脊点判断:
T=MAX(T1,T4)
若T=T1，则需判断，若满足的话，此点为山脊点，且f(i,j)=255；否则f(i,j)=0；
若T=T4，则需判断，若满足的话，此点为山脊点，且f(i,j)=255；否则f(i,j)=0；
B.对于车道线区域的右部分判断0°和45°方向的山脊点判断:
T=MAX(T1,T2)
若T=T1，则需判断，若满足的话，此点为山脊点，且f(i,j)=255；否则f(i,j)=0；
若T=T2，则需判断，若满足的话，此点为山脊点，且f(i,j)=255；否则f(i,j)=0；
C.对于车道线区域的中部分判断四个方向方向的山脊点判断:
T=MAX(T1,T2,T3,T4)
若T=T1，则需判断，若满足的话，此点为山脊点，且f(i,j)=255；否则f(i,j)=0；
若T=T2，则需判断，若满足的话，此点为山脊点，且f(i,j)=255；否则f(i,j)=0；
若T=T3，则需判断，若满足的话，此点为山脊点，且f(i,j)=255；否则f(i,j)=0；
若T=T4，则需判断，若满足的话，此点为山脊点，且f(i,j)=255；否则f(i,j)=0；
其中，T为最大差值，threshold为山脊检测的阈值。
在本发明实施例中，所述threshold取值为5。
在本发明实施例中，所述步骤S4中，对步骤S3得到的车道线边缘二值图像进行改进的快速随机霍夫线检测的具体步骤如下，
步骤S41：将步骤S3得到的车道线边缘二值图像上随机选取的特征点P(x,y)作为种子点；
步骤S42：以种子点P为中心，选取n*n的滑动窗口，设窗口内领域点族为，计算邻域内点Pi与种子点P构成的直线的参数和，直到窗口内所有的点都被计算到，其中，n为正整数；
步骤S43：根据车道线边缘二值图像的特征，设定参数和的变化范围为，统计参数落在范围内的直线数L，其中，L为为正整数；
步骤S44：根据步骤S43得到直线数L，得到参数落在范围内最大直线数Lmax，记该Lmax条直线为通过P点的初始直线，并且计算该Lmax条直线的平均，统计在邻域范围内以为直线参数且通过P点的直线数T，其中，T为正整数，；
步骤S45：设定阈值T1，若T＞T1，则认为存在直线通过点P，并转到步骤S46；若T＜T1,则认为不存在直线通过点P，将P点像素设为0，删除种子点P，并返回步骤S41重新选取种子点；
步骤S46：在整个图像范围内，根据逐个计算当时，通过P点和所有待检测点的参数，当，则检测到一条参数为且通过P点的直线，且通过P点的直线计数器加1；
步骤S47：设定阈值T2，若通过P点的直线计数器的计数值大于T2，则认为检测到的通过P点的直线有Lmax条直线；
步骤S48：删除点P，返回步骤S41，直到没有特征点可以选取为止。
相较于现有技术，本发明具有以下有益效果：本发明方法从采集的车道线视频中截取单帧图像，首先进行缩小并灰度化，减少数据量，然后在车道线范围内应用基于方向的快速山脊检测方法，得到二值图像；然后对得到的二值图像应用快速的霍夫直线检测方法检测到两组车道线，再对其进行膨胀腐蚀得到两条粗的车道线，再对其进行细线化，最后在细线化图像上选取采样点，利用最小二乘法拟合出车道线，其每一步都是依据车道线的方向、形态等特征改进的特殊方法，比传统的检测方法更高效、更精度。
附图说明
图1为车道线范围图。
图2山脊检测原理图。
图3基于车道线方向的山脊检测图。
图4 霍夫检测原理图。
图5单帧原图图像。
图6本发明各步骤检测处理图。
具体实施方式
下面结合附图，对本发明的技术方案进行具体说明。
本发明的结合山脊边界检测及霍夫变换的快速车道线检测原理如下：
传统的车道线检测是先对车道线进行边缘检测，然后再对二值边缘图像进行霍夫线检测，然而车道线分为直线车道线和虚线车道线，对于虚线车道线每一段都是一个矩形，离摄像头近处的车道线用传统的边缘检测方法检测会检测出一个个四边形，不利于后期车道线检测，本发明改进的方向的快速Valley检测方法依据车道线的方向及形态特征能够快速的得到车道线二值图像。而且传统的随机霍夫直线检测是利用参数和的范围判断其它点是否落在已知两点所决定的直线上，该算法选取特征点盲目，并且只依靠参数和的范围检测直线效率远达不到要求，本发明采取滑动窗口的方法选取特征点，然后统计特征点的参数和判定参数的范围，依据参数范围判断特征点是否在直线上。该方法极大的提高了检测效率及精度。
本发明的原理为从采集的车道线视频中截取单帧图像，首先进行缩小并灰度化，减少数据量，然后在车道线范围内应用基于方向的快速山脊检测方法，得到二值图像；然后对得到的二值图像应用快速的霍夫直线检测方法检测到两组车道线，再对其进行膨胀腐蚀得到两条粗的车道线，再对其进行细线化，最后在细线化图像上选取采样点，利用最小二乘法拟合出车道线。本发明方法的每一步都是依据车道线的方向、形态等特征改进的特殊方法，比传统的检测方法更高效，其具体步骤如下：
1) 从采集的某车道线视频中截取单帧长宽为N*M的图像，并对其进行基于局部最大值的缩小，然后对缩小后的图像进行灰度化，降低图像数据量，从而加快处理速度。
2) 选定车道线区域，由于摄像头位置以及车身左右移动而导致车道线的斜率和起点(车道线与图像边界的角度)发生变化,根据统计,左车道线的斜率大致可控制在(,)，左车道线的起点在左竖直边界可控制在(0,1/2M)范围内，在水平边界可控制在(0,1/4N)范围内；右车道线的斜率控制在(-,-)，右车道线的起点在右竖直边界可控制在(0,1/2M)范围内，在水平边界可控制在(3/4N,1N)范围内,因此左车道线范围是以左边界1/2 处为起点斜率为的直线与以水平边界1/4为起点斜率为的直线之间，右车道线范围是以右边界1/2 处为起点斜率为-的直线与以水平边界3/4为起点斜率为-的直线之间，如图1所示。
3) 车道线分为直线车道线和虚线车道线，对于虚线车道线每一段都是一个矩形，离摄像头近处的车道线用传统的边缘检测方法检测会检测出一个个四边形，不利于后期车道线检测，不利于后期车道线检测，本发明利用山脊边界扫描算法在选定的车道线区域内检测车道线竖的边缘，基本原理如图2，在某方向上投影其灰度值，车道线区域的灰度值投影会呈现山脊形状，根据车道线这一特性来对其进行基于方向的山脊快速边缘检测，其步骤为：
A. 如图3，将第二步选定的车道线区域平分为左中右三部分，不同的部分不同处理，加快检测速度。
B. 由于车道线是左右两条与水平方向夹角分别近似为45°和135°的相交直线组成，所以为了加快检测速度，左部分选择0°和135°方向的山脊检测方向差值公式进行检测，右部分选择0°和45°方向的山脊检测方向差值公式进行检测，中间部分较复杂，为了增加检测精度，需0°、45°、90°、和135°全部方向检测方向差值公式进行检测。其中，所述0°、45°、90°、和135°的山脊检测方向差值公式分别如下：
0°：
45°：
90°：
135°：
其中，f(i,j)为像素(i，j)的灰度值，w1和w2为权重值，且w1和w2的选取满足w1+w2=1，T1、T2、T3、T4分别为四个方向的差值。
进一步的，以上步骤3)中，对每一个检测点，从其5 ×5 邻域中判断其是否是一个山脊点，如果是，就认定其为预选的山脊点；
上述山脊点的具体判断方式为，
A.对于车道线区域的左部分0°和135°方向的山脊点判断:
T=MAX(T1,T4)
若T=T1，则需判断，若满足的话，此点为山脊点，且f(i,j)=255；否则f(i,j)=0；
若T=T4，则需判断，若满足的话，此点为山脊点，且f(i,j)=255；否则f(i,j)=0；
B.对于车道线区域的右部分判断0°和45°方向的山脊点判断:
T=MAX(T1,T2)
若T=T1，则需判断，若满足的话，此点为山脊点，且f(i,j)=255；否则f(i,j)=0；
若T=T2，则需判断，若满足的话，此点为山脊点，且f(i,j)=255；否则f(i,j)=0；
C.对于车道线区域的中部分判断四个方向方向的山脊点判断:
T=MAX(T1,T2,T3,T4)
若T=T1，则需判断，若满足的话，此点为山脊点，且f(i,j)=255；否则f(i,j)=0；
若T=T2，则需判断，若满足的话，此点为山脊点，且f(i,j)=255；否则f(i,j)=0；
若T=T3，则需判断，若满足的话，此点为山脊点，且f(i,j)=255；否则f(i,j)=0；
若T=T4，则需判断，若满足的话，此点为山脊点，且f(i,j)=255；否则f(i,j)=0；
其中，T为最大差值，threshold为山脊检测的阈值。
4) 对步骤3）得到的车道线边缘二值图像进行改进的快速随机和霍夫线检测。本发明采取一种更高效的霍夫变换。标准霍夫变换是一种“一对多”的算法，图像空间的一个特征点对就着参数空间的一条由很多个点组成的正弦曲线。本发明采取“多对一”的直线检测方法，这种算法实际上将图像空间的某些点以某些约束看做一个点，不需要“盲目”地将每一个特征点映射到累加矩阵的许多个单元中，提高了检测效率。
如图4 对于N*N的车道线边缘二值边缘图像空间内，任意一条直线可以用极坐标方程来表示：
其中(x,y)为直线上任意一点，是原点到直线的距离，决定了直线的方向，即原点到直线垂直线与X方向的夹角。
根据两点决定一条直线的几何原理，假定有两点，就可以决定过这两点的直线的参数方程的,假定在直线的两点的坐标为(x1,y1)和(x2,y2),两个参数可以用下面的方差计算：
利用参数和的范围可以判断其它点是否落在已知两点所决定的直线上，这是随机霍夫算法的原则，但是该算法选取特征点盲目，并且只依靠参数和的范围检测直线效率远达不到要求。针对以上问题本发明的霍夫线检测步骤如下：
A. 将步骤3）得到的的二值图像上随机的选取特征点P(x,y)作为种子点。
B. 以种子点P为中心，选取n*n的滑动窗口，设窗口内领域点族为,计算邻域内点Pi与种子点P构成的直线的参数和,直到窗口内所有的点都被计算到。
C. 设定参数的变化范围为，统计参数落在范围内的直线数L（L为正整数）。相应的选取的越小效率越高但是会降低精度，实际选取的时候要依据输入二值图像的特征来选取。
D. 根据C歩直线数L的计算，得到参数落在范围内最大直线数Lmax，记这Lmax条直线为通过P点的初始直线，并且计算这Lmax条直线的平均的，这样的选取有利于减少噪声，统计在邻域范围内以为通过P点的直线参数的直线数T,其中。
E. 设定阈值T1，如果T>T1则认为存在直线通过点P，转到步骤E，如果T<T1,则认为不存在直线通过点P，将P点像素设为0，删除种子点P,返回步骤A重新选取种子点。
F. 在整个图像范围内,根据逐个计算当通过P点和所有待检测点的参数，当，则检测到一条参数为的通过P点的直线，通过P点直线计数器加1。
G. 设定阈值T2，如果通过P点直线计数器大于T2，则认为检测到的直线为同过P点有Lmax条直线。
H. 删除点P,返回步骤A，直到没有特征点可以选取结束。
5) 检测出的每条车道线会是几条线的叠加，本发明把这几条线扩充为一条粗的直线，首先对其进行形态学膨胀将线之间的空隙填充，然后再对其进行形态学腐蚀，得到两条较粗的相交的直线。
6) 对步骤5）得到的图像进行细线化，细线化后有可能产生短枝，设定一个阈值t，如果线段的长度小于t则认为是短枝，需去除掉，大于t则认为是车道线的一部分，需保留。
7) 选取采样点，对采样点进行最小二乘法拟合，得到最终车道线。其中采样点的选取原则是在图像的中间3/5范围内选取，即去除掉上下的1/5部分。并把以中轴线为中心将采样特征点分为左右两部分，分别拟合左右车道线。
以下给出本发明的一个具体实施例，采取具体的实施步骤：
步骤一：从采集的车道线视频中截取单帧N*M图像，图5为单帧的原图图像，并对其进行基于局部最大值的缩小，然后对缩小后的图像进行灰度化，如图6（a）所示为处理后的图像，降低图像数据量，从而加快处理速度。
步骤二：选定车道线区域，由于摄像头位置以及车身左右移动而导致车道线的斜率和起点(车道线与图像边界的角度)发生变化,根据统计,左车道线的斜率大致可控制在(,)，左车道线的起点在左竖直边界可控制在(0,1/2M)范围内，在水平边界可控制在(0,1/4N)范围内；右车道线的斜率控制在(-,-)，右车道线的起点在右竖直边界可控制在(0,1/2M)范围内，在水平边界可控制在(3/4N,1N)范围内,因此左车道线范围是以左边界1/2 处为起点斜率为的直线与以水平边界1/4为起点斜率为的直线之间，右车道线范围是以右边界1/2 处为起点斜率为-的直线与以水平边界3/4为起点斜率为-的直线之间。
步骤三：车道线分为直线车道线和虚线车道线，对于虚线车道线每一段都是一个矩形，离摄像头近处的车道线用传统的边缘检测方法检测会检测出一个个四边形，不利于后期车道线检测，本发明利用valley算法在选定的车道线区域内检测车道线边缘。其步骤为：
A. 将第二步选定的车道线区域平分为左中右两部分。
B. 由于车道线是左右两条与水平方向夹角分别近似为45°和135°的相交直线组成，所以为了加快检测速度，左部分选择0°和135°方向的山脊检测，右部分选择0°和45°方向的山脊检测，中间部分较复杂，为了增加检测精度，需0°、45°、90°、和135°全部方向检测。其中山脊检测的阈值threshold=5，如图6（b）所示为山脊检测处理后的图像。
步骤四：对步骤3得到的车道线边缘二值图像进行改进的快速随机霍夫线检测，如图6（c）所示为霍夫线处理后的图像。
A. 在步骤3得到的N*N的车道线边缘二值图像上随机的选取点特征点P(x,y)作为种子点。
B. 以种子点P为中心，选取n*n的滑动窗口，设窗口内领域点族为,计算邻域内点Pi与种子点P构成的直线的参数和,直到窗口内所有的点都被计算到。
C. 设定参数的变化范围为，统计参数落在范围内的直线数L。相应的选取的越小效率越高但是会降低精度，实际选取的时候要依据输入二值图像的特征来选取。其中，。
D. 根据C歩直线数L的计算，得到参数落在范围内最大直线数Lmax，记这Lmax条直线为通过P点的初始直线，并且计算这Lmax条直线的平均的，这样的选取有利于减少噪声，统计在邻域范围内以为通过P点的直线参数的直线数T,其中。
E. 设定阈值T1=3，如果T>T1则认为存在直线通过点P，转到步骤E，如果T<T1,则认为不存在直线通过点P，将P点像素设为0，删除种子点P,返回步骤A重新选取种子点。
F. 在整个图像范围内,根据逐个计算当通过P点和所有待检测点的参数，当，则检测到一条参数为的通过P点的直线，通过P点直线计数器加1。
G. 如果通过P点直线计数器大于T2(T2=6)，则认为检测到的直线为同过P点有Lmax条初始直线。
H. 删除点P,返回步骤A，直到没有特征点可以选取结束。
步骤五：检测出的每条车道线会是几条线的叠加，本法明把这几条线扩充为一条粗的直线，首先对其进行形态学膨胀将线之间的空隙填充，然后再对其进行形态学腐蚀，得到两条较粗的相交的直线，图6（d）为处理后结果图。
步骤六：对步骤5得到的图像进行细线化，细线化后有可能产生短枝，设定一个阈值t=5，如果线段的长度小于t则认为是短枝，需去除掉，大于t则认为是车道线的一部分，需保留，图6（e）至图6（f）为细线化及短枝去除处理后结果图。
步骤七：选取采样点，对采样点进行最小二乘法拟合，得到最终车道线。其中采样点的选取原则是在图像的中间3/5范围内选取，即去除掉上下的1/5部分。并把以中轴线为中心将采样特征点分为左右两部分，分别拟合左右车道线，图6（g）为直线拟合结果图。
以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。

Claims (6)

1.一种结合山脊边界检测及霍夫变换的快速车道线检测方法，其特征在于：包括以下步骤，
步骤S1：从采集的车道线视频中截取长宽为N*M的单帧图像，并对其进行基于局部最大值的缩小，然后对缩小后的图像进行灰度化，降低图像数据量，从而加快处理速度，其中，N、M为正整数；
步骤S2：选定车道线区域：由于摄像头位置以及车身左右移动而导致车道线的斜率和起点发生变化，根据统计，左车道线的斜率控制在(                                                ,)，左车道线的起点在左竖直边界控制在(0,1/2M)范围内，在水平边界控制在(0,1/4N)范围内；右车道线的斜率控制在(-,-)，右车道线的起点在右竖直边界控制在(0,1/2M)范围内，在水平边界控制在(3/4N,1N)范围内；其中，左车道线范围是以左边界1/2处为起点且斜率为的直线与以水平边界1/4处为起点且斜率为的直线之间，右车道线范围是以右边界1/2处为起点斜率为-的直线与以水平边界3/4处为起点斜率为-的直线之间；
步骤S3：车道线分为直线车道线和虚线车道线，对于虚线车道线的每一段都是一个矩形，故而采用valley算法在选定的车道线区域内检测车道线的边缘，得到车道线边缘二值图像；
步骤S4：对步骤S3得到的车道线边缘二值图像进行改进的快速随机霍夫线检测；
步骤S5：检测每条车道线的组成线条数，并将该些线条扩充为一条粗直线；具体即，首先对各车道线进行形态学膨胀将各线条之间的空隙填充，然后再对其进行形态学腐蚀，得到各条车道线的粗直线；
步骤S6：对步骤S5得到的图像进行细线化，考虑到细线化可能产生短枝，设定一个线条长度阈值t，若线条的长度小于t则认为是短枝，需去除掉；若线条长度大于t则认为是车道线的一部分，需保留；
步骤S7：选取采样点，对采样点进行最小二乘法拟合，得到最终车道线；其中，采样点的选取原则是在图像的中间3/5范围内选取，即去除掉上下的1/5部分，并以中轴线为中心将采样特征点分为左右两部分，分别拟合左右车道线。
2.根据权利要求1所述的一种结合山脊边界检测及霍夫变换的快速车道线检测方法，其特征在于：所述步骤S3中，采用的valley算法在选定的车道线区域内检测车道线的边缘的具体步骤如下，
步骤S31：将步骤S2选定的车道线区域平分为左中右三部分；
步骤S32：由于车道线是左右两条与水平方向夹角分别近似为45°和135°的相交直线组成，为了加快检测速度，左部分选择0°和135°方向的山脊检测方向差值公式进行检测，右部分选择0°和45°方向的山脊检测方向差值公式进行检测，中间部分采用0°、45°、90°、和135°全方向的山脊检测方向差值公式进行检测。
3.根据权利要求2所述的一种结合山脊边界检测及霍夫变换的快速车道线检测方法，其特征在于：在步骤S32中，所述0°、45°、90°、和135°的山脊检测方向差值公式分别如下：
0°：
45°：
90°：
135°：
其中，f(i,j)为像素(i，j)的灰度值，w1和w2为权重值，且w1和w2的选取满足w1+w2=1，T1、T2、T3、T4分别为四个方向的差值。
4.根据权利要求3所述的一种结合山脊边界检测及霍夫变换的快速车道线检测方法，其特征在于：所述步骤S3中，对每一个检测点，从其5×5邻域中判断其是否为一个山脊点，若为，则认定其为预选的山脊点；
所述山脊点的具体判断方式为，
A.对于车道线区域的左部分0°和135°方向的山脊点判断:
T=MAX(T1,T4)
若T=T1，则需判断，若满足的话，此点为山脊点，且f(i,j)=255；否则f(i,j)=0；
若T=T4，则需判断，若满足的话，此点为山脊点，且f(i,j)=255；否则f(i,j)=0；
B.对于车道线区域的右部分判断0°和45°方向的山脊点判断:
T=MAX(T1,T2)
若T=T1，则需判断，若满足的话，此点为山脊点，且f(i,j)=255；否则f(i,j)=0；
若T=T2，则需判断，若满足的话，此点为山脊点，且f(i,j)=255；否则f(i,j)=0；
C.对于车道线区域的中部分判断四个方向方向的山脊点判断:
T=MAX(T1,T2,T3,T4)
若T=T1，则需判断，若满足的话，此点为山脊点，且f(i,j)=255；否则f(i,j)=0；
若T=T2，则需判断，若满足的话，此点为山脊点，且f(i,j)=255；否则f(i,j)=0；
若T=T3，则需判断，若满足的话，此点为山脊点，且f(i,j)=255；否则f(i,j)=0；
若T=T4，则需判断，若满足的话，此点为山脊点，且f(i,j)=255；否则f(i,j)=0；
其中，T为最大差值，threshold为山脊检测的阈值。
5.根据权利要求4所述的一种结合山脊边界检测及霍夫变换的快速车道线检测方法，其特征在于：所述threshold取值为5。
6.根据权利要求1所述的一种结合山脊边界检测及霍夫变换的快速车道线检测方法，其特征在于：所述步骤S4中，对步骤S3得到的车道线边缘二值图像进行改进的快速随机霍夫线检测的具体步骤如下，
步骤S41：将步骤S3得到的车道线边缘二值图像上随机选取的特征点P(x,y)作为种子点；
步骤S42：以种子点P为中心，选取n*n的滑动窗口，设窗口内领域点族为，计算邻域内点Pi与种子点P构成的直线的参数和，直到窗口内所有的点都被计算到，其中，n为为正整数；
步骤S43：根据车道线边缘二值图像的特征，设定参数和的变化范围为，统计参数落在范围内的直线数L，其中，L为为正整数；
步骤S44：根据步骤S43得到直线数L，得到参数落在范围内最大直线数Lmax，记该Lmax条直线为通过P点的初始直线，并且计算该Lmax条直线的平均，统计在邻域范围内以为直线参数且通过P点的直线数T，其中，T为正整数，；
步骤S45：设定阈值T1，若T＞T1，则认为存在直线通过点P，并转到步骤S46；若T＜T1,则认为不存在直线通过点P，将P点像素设为0，删除种子点P，并返回步骤S41重新选取种子点；
步骤S46：在整个图像范围内，根据逐个计算当时，通过P点和所有待检测点的参数，当，则检测到一条参数为且通过P点的直线，且通过P点的直线计数器加1；
步骤S47：设定阈值T2，若通过P点的直线计数器的计数值大于T2，则认为检测到的通过P点的直线有Lmax条直线；
步骤S48：删除点P，返回步骤S41，直到没有特征点可以选取为止。
CN201410812599.9A 2014-12-24 2014-12-24 一种结合山脊边界检测及霍夫变换的快速车道线检测方法 Expired - Fee Related CN104537342B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410812599.9A CN104537342B (zh) 2014-12-24 2014-12-24 一种结合山脊边界检测及霍夫变换的快速车道线检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410812599.9A CN104537342B (zh) 2014-12-24 2014-12-24 一种结合山脊边界检测及霍夫变换的快速车道线检测方法

Publications (2)

Publication Number Publication Date
CN104537342A true CN104537342A (zh) 2015-04-22
CN104537342B CN104537342B (zh) 2017-08-11

Family

ID=52852862

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410812599.9A Expired - Fee Related CN104537342B (zh) 2014-12-24 2014-12-24 一种结合山脊边界检测及霍夫变换的快速车道线检测方法

Country Status (1)

Country Link
CN (1) CN104537342B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105389561A (zh) * 2015-11-13 2016-03-09 深圳华中科技大学研究院 一种基于视频的公交车道检测方法
CN105956511A (zh) * 2016-04-18 2016-09-21 江苏大学 一种基于Hough变换的车道直线检测与合并的方法
CN107590438A (zh) * 2017-08-16 2018-01-16 中国地质大学（武汉） 一种智能辅助驾驶方法及系统
CN108282643A (zh) * 2018-02-12 2018-07-13 武汉斗鱼网络科技有限公司 图像处理方法、图像处理装置及电子设备
CN109766889A (zh) * 2018-11-19 2019-05-17 浙江众合科技股份有限公司 基于曲线拟合的轨道图像识别后处理方法
EP3525132A1 (en) * 2018-02-13 2019-08-14 KPIT Technologies Ltd. System and method for lane detection
CN113221861A (zh) * 2021-07-08 2021-08-06 中移(上海)信息通信科技有限公司 一种多车道线检测方法、装置及检测设备
CN113822218A (zh) * 2021-09-30 2021-12-21 厦门汇利伟业科技有限公司 车道线检测方法及计算机可读存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101620732A (zh) * 2009-07-17 2010-01-06 南京航空航天大学 道路行驶线的视觉检测方法
WO2013087026A1 (zh) * 2011-12-16 2013-06-20 北京天诚盛业科技有限公司 一种虹膜定位方法和定位装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101620732A (zh) * 2009-07-17 2010-01-06 南京航空航天大学 道路行驶线的视觉检测方法
WO2013087026A1 (zh) * 2011-12-16 2013-06-20 北京天诚盛业科技有限公司 一种虹膜定位方法和定位装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
亢伉: "一种改进快速Hough变换的车道线检测算法", 《宝鸡文理学院学报(自然科学版)》 *
王志伟等: "基于山脊边界特性的航空图像中公路检测算法", 《四川大学学报（工程科学版）》 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105389561A (zh) * 2015-11-13 2016-03-09 深圳华中科技大学研究院 一种基于视频的公交车道检测方法
CN105956511A (zh) * 2016-04-18 2016-09-21 江苏大学 一种基于Hough变换的车道直线检测与合并的方法
CN105956511B (zh) * 2016-04-18 2019-04-02 江苏大学 一种基于Hough变换的车道直线检测与合并的方法
CN107590438A (zh) * 2017-08-16 2018-01-16 中国地质大学（武汉） 一种智能辅助驾驶方法及系统
CN108282643A (zh) * 2018-02-12 2018-07-13 武汉斗鱼网络科技有限公司 图像处理方法、图像处理装置及电子设备
CN108282643B (zh) * 2018-02-12 2020-04-10 武汉斗鱼网络科技有限公司 图像处理方法、图像处理装置及电子设备
EP3525132A1 (en) * 2018-02-13 2019-08-14 KPIT Technologies Ltd. System and method for lane detection
CN109766889A (zh) * 2018-11-19 2019-05-17 浙江众合科技股份有限公司 基于曲线拟合的轨道图像识别后处理方法
CN113221861A (zh) * 2021-07-08 2021-08-06 中移(上海)信息通信科技有限公司 一种多车道线检测方法、装置及检测设备
CN113221861B (zh) * 2021-07-08 2021-11-09 中移(上海)信息通信科技有限公司 一种多车道线检测方法、装置及检测设备
CN113822218A (zh) * 2021-09-30 2021-12-21 厦门汇利伟业科技有限公司 车道线检测方法及计算机可读存储介质

Also Published As

Publication number Publication date
CN104537342B (zh) 2017-08-11

Similar Documents

Publication Publication Date Title
CN104537342A (zh) 一种结合山脊边界检测及霍夫变换的快速车道线检测方法
CN107045629B (zh) 一种多车道线检测方法
CN106951879B (zh) 基于摄像头与毫米波雷达的多特征融合车辆检测方法
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
US8923605B2 (en) Method and system for detecting object on a road
CN104217427B (zh) 一种交通监控视频中车道线定位方法
CN103390280B (zh) 基于灰度-梯度二维对称Tsallis交叉熵的快速阈值分割方法
CN107045634B (zh) 一种基于最大稳定极值区域与笔画宽度的文本定位方法
CN103065331B (zh) 基于空时域边缘和颜色特征关联的目标跟踪方法
CN106156752B (zh) 一种基于逆投影三视图的车型识别方法
CN106127137A (zh) 一种基于3d轨迹分析的目标检测识别算法
CN103810474A (zh) 一种基于多特征低秩矩阵表示的车牌检测方法
CN106815583B (zh) 一种基于mser和swt相结合的夜间车辆车牌定位方法
CN104636724B (zh) 一种基于目标一致性的车载相机快速行人车辆检测方法
CN103793708A (zh) 一种基于仿射校正的多尺度车牌精准定位方法
CN109886175B (zh) 一种直线与圆弧相结合的车道线检测方法
CN102096821A (zh) 基于复杂网络理论的强干扰环境下的车牌识别方法
CN111160291B (zh) 基于深度信息与cnn的人眼检测方法
CN109685827B (zh) 一种基于dsp的目标检测与跟踪方法
CN104408445A (zh) 实时人体自动检测方法
Kim et al. Autonomous vehicle detection system using visible and infrared camera
CN106355608A (zh) 基于可变权重代价计算与S‑census变换的立体匹配方法
CN108256385A (zh) 基于视觉的前方车辆检测方法
Sun et al. A robust lane detection method for autonomous car-like robot
CN106709952A (zh) 一种显示屏幕的自动标定方法

Legal Events

Date Code Title Description
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20170811

Termination date: 20191224