CN104573627B - 基于二值图像的车道线保留与检测方法 - Google Patents
基于二值图像的车道线保留与检测方法 Download PDFInfo
- Publication number
- CN104573627B CN104573627B CN201410662665.9A CN201410662665A CN104573627B CN 104573627 B CN104573627 B CN 104573627B CN 201410662665 A CN201410662665 A CN 201410662665A CN 104573627 B CN104573627 B CN 104573627B
- Authority
- CN
- China
- Prior art keywords
- profile
- lane line
- array
- area
- contours
- 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.)
- Active
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
Abstract
本发明涉及一种基于二值图像的车道线保留与检测算法,本算法首先通过对轮廓面积及其长宽比的约束去除最明显的噪声部分,然后通过对图像最下面1/4的部分进行轮廓的提取,记录轮廓中每行白色像素的个数到数组a[L‑4],并对轮廓左右边缘点进行直线拟合,保留数组a[L‑4]的方差小于阈值T并且轮廓左右两边斜率差在10%以内的轮廓。最后对这些轮廓“注水”,通过水流的方向确定寻找的路径,另外通过水流的势能冲破黑色像素的“阻挠”去寻找断裂或者没有识别出来的轨道线,使二值图像中只保存符合轨道线特征的轮廓组,最后保留车辆所在车道的左右车道线轮廓组,通过拟合轮廓组边缘点,标注车道线,旨在提高轨道线检测的准确性。
Description
技术领域
本发明涉及智能交通领域,尤其涉及一种二值图像中噪声的去除及车道线检测的方法。
背景技术
目前,智能交通受到普遍的关注,车道线的检测是智能交通的重要组成部分,它是道路保持系统、轨道偏离预警系统等多种系统做出判断的重要前提条件。
调查报告显示,目前,由于驾驶员无意识的偏离轨道而引发的交通事故,在交通事故中占了很大的一个比例,如果能在驾驶员将要偏离轨道前0.5秒给予及时的提醒,则事故的发生率将会有一个很大程度上的降低,所以急需一种能准确识别出轨道线,并且及时预警的方法,来缓解由于疲劳、无意识而发生的交通事故的发生,保护人们的生命和财产安全。
传统的车道线检测算法为霍夫变换。由于霍夫变换主要是拟合直线,所以对于弯道不能很好的识别。同时路边的栏杆与路肩可能会被认为成车道线,出现漏检的情况,所以该算法在在稳定性上存在一定的问题,需要新的轨道线识别算法来为轨道偏离预警系统的优化注入新的血液与活力。
发明内容
本发明的目的是提供一种二值图像部分车道线的筛选与噪声去除的方法,旨在解决现有轨道线识别实时性低、准确性不足的特性。
本发明的技术方案是提供一种基于二值图像的车道线保留与检测方法,其特征在于:包括如下步骤:
步骤1、从摄像头采集24位真彩图片,通过图像的灰度化及灰度化图像的阈值分割过程,转化为二值图像,在该二值图像中,将道路区域图像作为待处理区域;
步骤2、进行最初的去轮廓处理,即对于道路区域中分散的白色像素与轮廓特征畸形的区域,通过提取道路区域中的每个轮廓特征,去除轮廓面积小于阈值Tarea及轮廓的高宽比小于阈值TLW=1/5的轮廓;其中Tarea是根据道路区域中所有轮廓的个数决定的,即Tarea将道路区域的轮廓按面积划分成面积大小排在前1/4的轮廓,而TLW=1/5则是方法定义的一个阈值;在该步骤中:
步骤201:通过轮廓面积的约束去除部分噪声;
步骤202:再次通过提取道路区域下半部分作为下一步的图片处理区域,并定义道路区域的下半部分为搜寻区域;
步骤203:去除搜寻区域中,轮廓的高宽比小于阈值TLW=1/5的轮廓;
步骤3、对搜寻区域作轮廓的提取,记录轮廓中第3行至第L-2行每行白色像素的个数到数组a[L-4]中,其中L为轮廓的高度,并计算数组a[L-4]的方差σ2;
记录轮廓左右边缘点的坐标,分别对轮廓左右边缘点进行直线拟合,保留轮廓左右边缘的斜率K1和K2,剔除数组a[L-4]方差σ2>Tσ,且轮廓左右边缘的斜率K1和K2之间的差值超过10%的轮廓,即剔除的轮廓,其中Tσ为轮廓数组a[L-4]的方差从小到大排序,排在第9位的轮廓数组的方差;在该步骤中:
步骤301:记录轮廓的宽度值,即轮廓宽度方向上第3行至L-2行中每行白色像素的个数到数组a[L-4]中,其中L为轮廓的高度;
步骤302:由于视差导致的车道线宽度由近及远会逐渐变窄,求取数组a[L-4]首尾相加的平均值作为新的数组,求取新数组的方差σ2作为筛选轮廓的方差值,从而消除视差的影响;
步骤303:在搜寻区域的轮廓中,根据轮廓中点横坐标x与W/2的大小,若x小于W/2,则为左轮廓,若x大于W/2,则为右轮廓。,其中W为图片的宽度;
步骤304:对于左右轮廓的宽度方差,即数组a[L-4]的变形之后的新数组的方差,分别按从小到大的顺序排列,对于左右轮廓部分分别取排序靠前的四个轮廓作为预留轮廓,其它的则去除;
步骤305:通过对轮廓左右边缘斜率K1与K2数值差别的约束,去掉左右边缘斜率差别大于10%的轮廓,即时的轮廓;
步骤4、经过方差与斜率的约束,仍然保留下来的轮廓,则认为符合车道线特征的轮廓;在该步骤中:
步骤401:通过搜寻区域的轮廓在道路区域继续寻找符合车道线特征的轮廓,一条车道线上的轮廓在同一个方向上,所以可以通过轮廓边缘点的斜率继续在道路区域中寻找,这就要对轮廓的边缘点进行二次拟合,并且求得轮廓断裂部分边缘点的斜率,以便继续沿着轮廓断裂部分的斜率继续寻找。
步骤402:要确定接下来的寻找方向,必须要清楚轮廓的方向,轮廓的方向可以通过拟合得到的二次曲线来求取,即对轮廓纵向上边缘点求导得到;
对于求解得到的二次曲线求导得到,方程的导数为y′1=a1+2a2x与y'2=b1+2b2x,其中x为轮廓左右边缘点的横坐标,其中a1、a2、b1、b2分别为拟合得到的二次曲线的参数信息,y′1与y'2分别为车道线左右边缘的寻找方向;
步骤403:在寻找方向上对于搜寻到的轮廓,则认定为同一轮廓组。并对搜寻到的轮廓的左右边缘点分别添加储存到数组Points1与Points2中,当搜寻到的轮廓再次出现断线的时候,可以通过新数组Points1与Points2重复步骤401与402继续寻找,直到搜寻到图像的边界,记录下图像边界的横坐标Ws,再根据最终确定的寻找方向计算该组轮廓与图片底端交点的横坐标Wx,若该轮廓组的中点的横坐标在图片的左半边,则轮廓组为左车道线,若在图片的右半边,则为右车道线
步骤5、只保留车辆所在的行驶车道的轮廓组,其余车道线轮廓组则去除;该步骤中:
步骤501:对于保留下来的符合轨道线特征的轮廓,只保留离图像中垂线位置较近的两组轨道线,即车辆所在的行驶车道线。
步骤502:对于保留下来的符合轨道线特征的轮廓组,计算轮廓寻找方向与图片上端的交点Ws,图片左右两边满足交点Ws与图片中点横坐标的距离最小的轮廓组为左右车道线轮廓组,即min|Ws-W|,行驶车道线轮廓组,即只保留车辆所在的车道线轮廓组;
步骤6、对于保留下来的行驶车道轮廓组,为了判断车辆与车道线的位置关系,需要拟合出左右车道线,提取车道线与车辆的位置信息,为预警与否作准备。
步骤601:搜集车道线拟合需要采集的数组点到数组Points1与Points2中;
对保留下来的左右两组轮廓组进行曲线拟合,提取车道线与车辆的位置信息,将左边轮廓组内轮廓的右边缘点记录在数组Points1中,将右边轮廓组内的轮廓的左边缘记录在数组Points2中;
步骤602:对于数组Points1与数组Points2中的点,分别通过最小二乘法进行二次曲线拟合,得到曲线方程分别为y1=a0+a1x+a2x2和y2=b0+b1x+b2x2,其中a0、b0、a1、a2、b1、b2分别为拟合得到的二次曲线的参数信息;
步骤603:在摄像头采集的原始图片中用线条标注出车道线的具体位置,从而得到拟合效果图;
进一步地,步骤101:截取包括有完整的车道线的部分图片,并使得图中道路区域为原图面积的一半;
步骤102:调整截取的部分图片的大小,使其宽和高的像素个数分别为512,384,从而使得待处理的道路区域的宽和高的像素个数为512,192。
本发明的有益效果:
(1)通过轮廓的筛选,能够很快的锁定车道线轮廓的大致范围,缩短了车道线检测的时间消耗。
(2)车道线宽度方差与车道线轮廓左右边缘拟合直线这对约束进一步筛选符合车道线特征的轮廓,提高了方法的稳定性。
(3)保留离图像中线位置最近的左右车道线轮廓,使方法的稳定性得到了进一步的加强,很大程度的削减了路边栏杆与路肩对车道线检测方法的干扰。
附图说明
图1本发明实施例提供的车道线检测流程图;
图2本发明实施例提供图片道路与非道路区域示意图;
图3本发明实施例提供的二值图像示意图;
图4本发明实施例提供的第一步轮廓去噪示意图;
图5本发明实施例提供的左轮廓边缘点选取示意图;
图6本发明实施例提供的右轮廓左右边缘点选取示意图;
图7本发明实施例提供的搜寻区域去噪示意图;
图8本发明实施例提供的轨道线寻找方向确定示意图;
图9本发明实施例提供的二值图像最终结果示意图;
图10本发明实施例提供的车道线拟合示意图。
具体实施方式
以下将结合附图1-10对本发明所述的方法的流程进行详细说明。
如图1所示,本发明检测车道线的流程图,主要通过采集、去噪、搜索、拟合四个步骤提取车道线与车辆的位置信息。具体方法如下:
对从摄像头获取的24位真彩图像,通过图像的灰度化及灰度化图像的阈值分割得到二值图像,二值图像是指每个像素不是黑就是白,其灰度值没有中间过渡的图像。二值图像一般用来描述文字或者图形,其优点是占用空间少,缺点是,当表示人物,风景的图像时,二值图像只能描述其轮廓,不能描述细节。这时候要用更高的灰度级。二值图像经常出现在数字图像处理中作为图像掩码或者在图像分割、二值化和dithering的结果中出现。
本发明应用主要针对二值图像,本发明所述的一种基于视觉的轨道偏离预警二值图像去噪与轨道线保留方法
具体包括如下步骤:
步骤1、从摄像头采集到的24位真彩图片,通过图像的灰度化及灰度化图像的阈值分割过程,转化为二值图像,对于得到二值图像,将道路区域图像作为待处理区域。
摄像头安装在挡风玻璃的正中央,保证图片的中垂线为车辆行驶的正前方,然后摄像头的俯仰角调整到,视野中的道路区域占图片面积的1/2。
如图2所示,其中道路区域面积占整个二值图像面积的1/2,其他图像区域不作处理;
步骤101:截取包括有完整的车道线的部分图片,并使得图中道路区域为原图面积的一半;
为了兼顾车道线提取过程的鲁棒性与实时性,选择截取图片的一部分作为处理区域,提高实时性,同时,还要保证在图片的处理区域包含有完整的车道线,从另一方面保证方法的稳定性。摄像头采集的图片中的道路区域包含有完整的车道线信息,通过调整摄像头的外部参数,使得道路区域的大小为原图面积的一半,如图2所示。
步骤102:调整截取的部分图片的大小,使其宽和高的像素个数分别为512,384,从而使得待处理的道路区域的宽和高的像素个数为512,192;
由于各个摄像头的像素的不同,为了统一标准,通过程序重新调整从摄像头采集到的24位真彩图像的大小,使其宽和高的像素个数分别为(512,384),随之待处理的道路区域的大小为(512,192);
步骤2、进行最初的去轮廓处理,即对于道路区域中分散的白色像素与轮廓特征畸形的区域,通过提取道路区域中的每个轮廓特征,去除轮廓面积小于阈值Tarea及轮廓的高宽比小于阈值TLW的轮廓,如图2所示;
步骤201:通过轮廓面积的约束去除部分噪声;
车道线轮廓面积的大小在整个道路区域的轮廓中比较靠前,噪声中包含有很多零碎的轮廓,它们的普遍特征是轮廓面积小,形状不规则。如图3所示,所以首先可以通过轮廓面积的约束去除一部分噪声。
首先提取每个轮廓的面积Sarea,将轮廓面积按从大到小排序,同时记录轮廓的个数到变量count中,取排序在前1/4*count(取整)个轮廓作为候选轨道线轮廓;
步骤202:再次通过提取道路区域下半部分作为下一步的图片处理区域
对于通过面积约束保留下来的轮廓,视野由近及远的过程中,车道线轮廓越来越小,为了更加精确的提取出车道线,再次通过提取道路区域下半部分作为下一步的图片处理区域,数据处理时间得到进一步的缩减。定义道路区域的下半部分为搜寻区域(如图7所示),其中道路区域的宽高像素个数为(512,192),搜寻区域为(512,96)。
步骤203:去除搜寻区域高宽比畸形的轮廓
继续在搜寻区域中作后续的处理工作,规则的形状是车道线轮廓的另外一个特征,保留下来的包含在搜寻区域中的轮廓,对于高宽比小于1/5的畸形轮廓,再次去除。
提取搜寻区域的每个轮廓特征并计算每个轮廓的高宽比,直接删除高宽比小于Tarea=1/5的轮廓,同时保证保留下来的轮廓的高度L>8(如图7所示),其中L为轮廓高度方向的像素个数,通过最简单的方式去除明显的噪声部分;
步骤3、对搜寻区域作轮廓的提取,记录轮廓中第3行至第L-2行每行白色像素的个数到数组a[L-4]中,如图5所示,其中L为轮廓的高度,并计算数组a[L-4]的方差σ2。记录轮廓左右边缘点的坐标,分别对轮廓左右两边边缘点进行直线拟合,保留左右两边的斜率K1和K2,剔除数组a[L-4]方差σ2>Tσ且轮廓边缘斜率K1和K2之间的差值超过10%的轮廓,即的轮廓,其中Tσ为轮廓数组a[L-4]的方差从小到大排序,排在第9位的轮廓数组的方差;
步骤301:记录轮廓的宽度值,即轮廓宽度方向上每行白色像素的个数到数组a[L-4]中;
由于在阈值分割后,轮廓会伴随着首尾行与周边像素粘连的现象,即首尾行像素与其他行像素在宽度上存在明显的差别,会对数组a[]带来很大的影响,所以选择去除。在搜寻区域逐一提取区域中轮廓,通过对轮廓长度首尾各去除两行(即变量i=2;i<L-2;i++)之后,统计每行白色像素的个数,记录在数组a[L-4]中,如图5所示;
步骤302:由于视差导致的车道线宽度由近及远会逐渐变窄,通过求取数组a[L-4]首尾相加的平均值作为新的数组,从而消除视差的影响;
如图5所示,由于摄像头视野从近及远的缘故,轨道线的宽度会有一个渐变的过程,趋近于线性变化,所以求解方差时,将a[L-4]首尾相加的平均值作为求解方差的数组,即求解数组(a[0]+a[L-5])/2,(a[1]+a[L-6])/2……(a[L/2]+a[L/2+1])/2的方差σ2,轮廓宽度方差的求解公式为
步骤303:对于搜寻区域的轮廓,将剩余的轮廓划分为左轮廓与右轮廓。
左轮廓与右轮廓的判断是以轮廓宽度上中点的横坐标x=contour.x+contour.width/2,其中contour.x为能够包围整个轮廓最小的矩形的左上点的横坐标,contour.width为矩形的宽度)
与图片一半宽度值的大小关系为依据的,若x在图片的左半边,则为左轮廓,若x在图片的右半边,则为右轮廓。
步骤304:对于左右轮廓的方差分别按从小到大的顺序排列,对于左右轮廓部分分别取排序靠前的四个轮廓作为预留轮廓,其它的则去除。对于左右轮廓分开计算,避免预留的八个轮廓全部为左轮廓,或者全部为右轮廓。
步骤305:通过对轮廓左右边缘斜率K1与K2数值差别的约束,去掉左右边缘斜率差别大于10%的轮廓,即时的轮廓;
符合车道线特征的轮廓,区别于噪声的另外一个特征是,轮廓的左右边缘在一定程度上趋近于平行(如图5、6所示),而对于平行程度的验证方法,可以通过对轮廓左右边缘点进行直线拟合,通过对比左右边缘的斜率K1与K2的偏离程度来判断保留与否。
同样是只是处理轮廓L-4行的像素(如图6所示),对于每个轮廓,通过逐行扫描,将左右边缘的点分别存入矩阵points1和points2中,通过最小二乘法对每组点进行直线的拟合,输出每个轮廓的左右边缘的斜率,分别为K1和K2,然后通过比较K1和K2的偏离程度,如果偏离程度在10%以外,那么就去除。即时去除轮廓;
步骤4、经过方差与斜率的约束,仍然保留下来的轮廓,我们则认为符合车道线特征的轮廓。
通过对每个轮廓“注水”处理,利用水流的方向根据搜寻区域的轮廓的方向继续在道路区域寻找与搜寻区域保留下来的轮廓方向基本一致的轮廓,利用水流的势能来冲破黑色的像素部分,寻找视野较远处的车道线;
步骤401:通过搜寻区域的轮廓在道路区域继续寻找符合车道线特征的轮廓,一条车道线上的轮廓在同一个方向上,所以可以通过轮廓边缘点的斜率继续在道路区域中寻找,这就要对轮廓的边缘点进行二次拟合,并且求得轮廓断裂部分边缘点的斜率,以便继续沿着轮廓断裂部分的斜率继续寻找。对于保留下来的搜寻区域符合车道线特征的轮廓(如图7所示),通过最小二乘法分别对左右边缘点points1与points2(如图6所示)进行二次曲线拟合,得到曲线方程分别为y1=a0+a1x+a2x2和y2=b0+b1x+b2x2,其中a0、b0、a1、a2、b1、b2分别为拟合得到的二次曲线的参数信息;
步骤402:要确定接下来的寻找方向,必须要清楚轮廓的方向,轮廓的方向可以通过拟合得到的二次曲线来求取,即对轮廓纵向上边缘点求导得到。对于求解得到的二次曲线求导得到,方程的导数为y′1=a1+2a2x与y'2=b1+2b2x,其中x为轮廓左右边缘点的横坐标(如图8所示),其中y′1与y'2分别为车道线左右边缘的寻找方向;
步骤403:在寻找方向上对于搜寻到的轮廓,加入该轮廓组,并对搜寻到的轮廓的左右边缘点分别添加储存到points1与points2中,当搜寻到的轮廓再次出现断线的时候,可以通过新数组Points1与Points2重复步骤401与402继续寻找,直到搜寻到图像的边界,记录下图像边界的横坐标Ws(如图8所示),再根据最终确定的寻找方向计算该组轮廓与图片底端交点的横坐标Wx,(如图8所示),若该轮廓组的中点的横坐标在图片的左半边,则轮廓组为左车道线,若在图片的右半边,则为右车道线。xlun为轮廓的纵坐标为时的x的坐标,其中H为图片的高度。
步骤5、只保留车辆所在的行驶车道的轮廓组,其余车道线轮廓组则去除;
经过搜寻过程,现在保留下来的轮廓组为左右车道线组,但是可能左右两边存在多组车道线组,即有多个车道。在此我们仅需保留所在的行驶车道。所以保留图片左右两边离车辆最近的两条车道,其余的则去除;
步骤501:对于保留下来的符合轨道线一般特征的轮廓,只保留离图像中垂线位置较近的两组轨道线,即车辆所在的行驶车道线。
在搜寻过程中,在同一方向上寻找到的轮廓,定义为一组轮廓,左边的定义为left1、left2……leftn,右边的定义为right1,right2……rightn;
步骤502:对于保留下来的符合轨道线特征的轮廓组,计算轮廓寻找方向与图片上端的交点Ws,如图8所示,图片左右两边满足交点Ws与图片中点横坐标的距离最小的轮廓组为左右车道线轮廓组,即min|Ws-W|,行驶车道线轮廓组(如图9所示),即只保留车辆所在的车道线轮廓组;
步骤6、对于保留下来的行驶车道轮廓组,为了判断车辆与车道线的位置关系,需要拟合出左右车道线,提取车道线与车辆的位置信息,为预警与否作准备。对左轮廓组的右边缘点与右的左边缘点提取出来(如图5、6所示),并拟合二次曲线,提取车道线的信息,并标注车道线(如图10所示),其中图中的曲线是通过拟合左车道线右边缘点和有车道线轮廓组的左边缘点得到的;
步骤601:搜集车道线拟合需要采集的数组点到Points1与Points2中;
保留下来的左右车道线轮廓组,仍然无法判断车辆与车道线的位置关系,也就无法判断车辆是否偏离车道线,对此需要对保留下来的左右两组轮廓组进行曲线拟合,提取车道线与车辆的位置信息。将左边轮廓组内轮廓的右边缘点记录在Points1数组中,将右边轮廓组内的轮廓的左边缘记录在Points2中;
步骤602:对于Points1与Points2中的点,分别通过最小二乘法进行二次曲线拟合,得到曲线方程分别为y1=a0+a1x+a2x2和y2=b0+b1x+b2x2;
步骤603:在摄像头采集的原始图片中用线条标注出车道线的具体位置;
为了显示出车道线拟合效果,需要在图中标注出拟合的车道线,给人一种感官上的拟合效果图(如图10所示)。
以上所述仅为本方法较佳的实施例而已,并不用于限制本发明,凡在本发明的精神和原则以内所做的任何修改、等同替换或改进等,均应包含在本发明的保护范围内。
Claims (2)
1.一种基于二值图像的车道线保留与检测方法,其特征在于:包括如下步骤:
步骤1、从摄像头采集24位真彩图片,通过图像的灰度化及灰度化图像的阈值分割过程,转化为二值图像,在该二值图像中,将道路区域图像作为待处理区域;
步骤2、进行最初的去轮廓处理,即对于道路区域中分散的白色像素与轮廓特征畸形的区域,通过提取道路区域中的每个轮廓特征,去除轮廓面积小于阈值Tarea及轮廓的高宽比小于阈值TLW=1/5的轮廓;其中Tarea是根据道路区域中所有轮廓的个数决定的,即Tarea将道路区域的轮廓按面积划分成面积大小排在前1/4的轮廓,而TLW=1/5则是算法定义的一个阈值;在该步骤中:
步骤201:通过轮廓面积的约束去除部分噪声;
步骤202:再次通过提取道路区域下半部分作为下一步的图片处理区域,并定义道路区域的下半部分为搜寻区域;
步骤203:去除搜寻区域中,轮廓的高宽比小于阈值TLW=1/5的轮廓;
步骤3、对搜寻区域作轮廓的提取,每个轮廓由L行白色像素组成,记录轮廓中第3行至第L-2行每行白色像素的个数到数组a[L-4]中,其中L为轮廓的高度,即轮廓像素行数,并计算数组a[L-4]的方差σ2;
记录轮廓左右边缘点的坐标,分别对轮廓左右边缘点进行直线拟合,保留轮廓左右边缘的斜率K1和K2,剔除数组a[L-4]方差σ2>Tσ,且轮廓左右边缘的斜率K1和K2之间的差值超过10%的轮廓,即剔除的轮廓,其中Tσ为轮廓数组a[L-4]的方差从小到大排序,排在第9位的轮廓数组的方差;在该步骤中:
步骤301:记录轮廓的宽度值,即轮廓宽度方向上第3行至L-2行中每行白色像素的个数到数组a[L-4]中,其中L为轮廓的高度;
步骤302:由于视差导致的车道线宽度由近及远会逐渐变窄,求取数组a[L-4]首尾相加的平均值作为新的数组,求取新数组的方差σ2作为筛选轮廓的方差值,从而消除视差的影响;
步骤303:在搜寻区域的轮廓中,比较轮廓中点横坐标x与W/2的大小,若x小于W/2,则轮廓定义为左轮廓,若x大于W/2,则轮廓定义为右轮廓,其中W为图片的宽度,即宽度方向上像素的个数;
步骤304:对于左右轮廓的宽度方差,即数组a[L-4]的变形之后的新数组的方差,分别按从小到大的顺序排列,对于左右轮廓部分分别取排序靠前的四个轮廓作为预留轮廓,其它的则去除;
步骤305:通过对轮廓左右边缘斜率K1与K2数值差别的约束,去掉左右边缘斜率差别大于10%的轮廓,即时的轮廓;
步骤4、经过方差与斜率的约束,仍然保留下来的轮廓,则认为符合车道线特征的轮廓;在该步骤中:
步骤401:通过搜寻区域的轮廓在道路区域继续寻找符合车道线特征的轮廓,一条车道线上的轮廓在同一个方向上,所以可以通过轮廓边缘点的斜率继续在道路区域中寻找,这就要对轮廓的边缘点进行二次拟合,拟合得到的左右边缘曲线方程分别为y1=a0+a1x+a2x2和y2=b0+b1x+b2x2,并且求得轮廓断裂部分边缘点的斜率,以便继续沿着轮廓断裂部分的斜率继续寻找;
步骤402:通过拟合得到的二次曲线来求取轮廓的寻找方向,即对轮廓纵向上边缘点求导得到;
对于求解得到的二次曲线求导得到,方程的导数为y1'=a1+2a2x与y'2=b1+2b2x,其中x为轮廓左右边缘点的横坐标,其中a1、a2、b1、b2分别为拟合得到的二次曲线的参数信息,y1'与y'2分别为车道线左右边缘的寻找方向;
步骤403:在寻找方向上对于搜寻到的轮廓,则认定为同一轮廓组;并对搜寻到的轮廓的左右边缘点分别添加储存到数组Points1与Points2中,当搜寻到的轮廓再次出现断线的时候,可以通过新数组Points1与Points2重复步骤401与402继续寻找,直到搜寻到图像的边界,记录下图像边界的横坐标Ws,再根据最终确定的寻找方向计算该组轮廓与图片底端交点的横坐标Wx,若该轮廓组的中点的横坐标在图片的左半边,则轮廓组为左车道线,若在图片的右半边,则为右车道线;xlun为轮廓的纵坐标为时的x的坐标,其中H为图片的高度;步骤5、保留车辆所在的行驶车道的轮廓组,其余车道线轮廓组则去除;该步骤中:
步骤501:对于保留下来的符合轨道线特征的轮廓,只保留离图像中垂线位置较近的两组轨道线,即车辆所在的行驶车道线;
步骤502:对于保留下来的符合轨道线特征的轮廓组,计算轮廓寻找方向与图片上端的交点Ws,图片左右两边满足交点Ws与图片中点横坐标的距离最小的轮廓组为左右车道线轮廓组,即min|Ws-W|,行驶车道线轮廓组,即只保留车辆所在的车道线轮廓组;
步骤6、对于保留下来的行驶车道轮廓组,为了判断车辆与车道线的位置关系,需要拟合出左右车道线,提取车道线与车辆的位置信息,为预警与否作准备;
步骤601:搜集车道线拟合需要采集的数组点到数组Points1与Points2中;
对保留下来的左右两组轮廓组进行曲线拟合,提取车道线与车辆的位置信息,将左边轮廓组内轮廓的右边缘点记录在数组Points1中,将右边轮廓组内的轮廓的左边缘记录在数组Points2中;
步骤602:对于数组Points1与数组Points2中的点,分别通过最小二乘法进行二次曲线拟合,得到曲线方程分别为y1=a0+a1x+a2x2和y2=b0+b1x+b2x2,其中a0、b0、a1、a2、b1、b2分别为拟合得到的二次曲线的参数信息;
步骤603:在摄像头采集的原始图片中用线条标注出车道线的具体位置,从而得到拟合效果图。
2.根据权利要求1所述的基于二值图像的车道线保留与检测方法,其特征在于:其中步骤1通过以下方式实现:
步骤101:截取包括有完整的车道线的部分图片,并使得图中道路区域为原图面积的一半;
步骤102:调整截取的部分图片的大小,使其宽和高的像素个数分别为512,384,从而使得待处理的道路区域的宽和高的像素个数为512,192。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410662665.9A CN104573627B (zh) | 2014-11-19 | 2014-11-19 | 基于二值图像的车道线保留与检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410662665.9A CN104573627B (zh) | 2014-11-19 | 2014-11-19 | 基于二值图像的车道线保留与检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104573627A CN104573627A (zh) | 2015-04-29 |
CN104573627B true CN104573627B (zh) | 2017-12-29 |
Family
ID=53089650
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410662665.9A Active CN104573627B (zh) | 2014-11-19 | 2014-11-19 | 基于二值图像的车道线保留与检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104573627B (zh) |
Families Citing this family (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104992145B (zh) * | 2015-06-15 | 2018-01-16 | 山东大学 | 一种矩采样车道跟踪检测方法 |
KR101755870B1 (ko) * | 2015-10-28 | 2017-07-19 | 현대자동차주식회사 | 차선의 오인식 정보를 보정하는 방법 |
CN105975957B (zh) * | 2016-05-30 | 2019-02-05 | 大连理工大学 | 一种基于车道线边缘的道路平面检测方法 |
CN106529505A (zh) * | 2016-12-05 | 2017-03-22 | 惠州华阳通用电子有限公司 | 一种基于图像视觉的车道线检测方法 |
CN108242059B (zh) * | 2016-12-26 | 2021-03-12 | 深圳怡化电脑股份有限公司 | 图像边界查找方法和装置 |
CN108037503B (zh) * | 2017-12-22 | 2021-02-19 | 杭州视熵科技有限公司 | 一种面向家居板材上下料的基于激光雷达的平面多板材定位方法 |
CN108399360B (zh) * | 2018-01-22 | 2021-12-24 | 海信集团有限公司 | 一种连续型障碍物检测方法、装置及终端 |
CN108460113B (zh) * | 2018-02-09 | 2021-09-24 | 水利部交通运输部国家能源局南京水利科学研究院 | 可用于比较水文领域中理论计算曲线过拟合程度的方法 |
CN108171225B (zh) * | 2018-03-14 | 2020-12-18 | 海信集团有限公司 | 车道检测方法、装置、终端及存储介质 |
CN108629292B (zh) * | 2018-04-16 | 2022-02-18 | 海信集团有限公司 | 弯曲车道线检测方法、装置及终端 |
CN109435842A (zh) * | 2018-10-19 | 2019-03-08 | 四川长虹电器股份有限公司 | 基于汽车倒车影像的车位车道偏离检测和辅助提醒方法 |
CN109800641B (zh) * | 2018-12-14 | 2023-04-18 | 天津大学 | 基于阈值自适应二值化和连通域分析的车道线检测方法 |
CN111611862B (zh) * | 2020-04-22 | 2022-09-09 | 浙江众合科技股份有限公司 | 一种基于曲线拟合的地铁轨道半自动标注方法 |
CN112613523B (zh) * | 2020-12-15 | 2023-04-07 | 中冶赛迪信息技术(重庆)有限公司 | 一种转炉出钢口钢流识别方法、系统、介质及电子终端 |
CN113990052B (zh) * | 2021-10-29 | 2023-08-15 | 南京慧尔视防务科技有限公司 | 一种来车预警方法、装置、存储介质及道路防护车辆 |
CN114596269B (zh) * | 2022-03-01 | 2022-07-29 | 常州市新创智能科技有限公司 | 一种玻纤布面经纱少丝缠丝的检测方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8131067B2 (en) * | 2008-09-11 | 2012-03-06 | Seiko Epson Corporation | Image processing apparatus, image processing method, and computer-readable media for attaining image processing |
CN102496276A (zh) * | 2011-12-01 | 2012-06-13 | 青岛海信网络科技股份有限公司 | 一种高效车辆检测方法 |
CN103559482A (zh) * | 2013-11-05 | 2014-02-05 | 无锡慧眼电子科技有限公司 | 基于边缘对称性的行人检测方法 |
-
2014
- 2014-11-19 CN CN201410662665.9A patent/CN104573627B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8131067B2 (en) * | 2008-09-11 | 2012-03-06 | Seiko Epson Corporation | Image processing apparatus, image processing method, and computer-readable media for attaining image processing |
CN102496276A (zh) * | 2011-12-01 | 2012-06-13 | 青岛海信网络科技股份有限公司 | 一种高效车辆检测方法 |
CN103559482A (zh) * | 2013-11-05 | 2014-02-05 | 无锡慧眼电子科技有限公司 | 基于边缘对称性的行人检测方法 |
Non-Patent Citations (1)
Title |
---|
一种基于视觉的车道线检测与跟踪算法;刘富强等;《同济大学学报(自然科学版)》;20100228;第223-229页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104573627A (zh) | 2015-04-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104573627B (zh) | 基于二值图像的车道线保留与检测方法 | |
CN110862033B (zh) | 一种应用于煤矿斜井绞车的智能预警检测方法 | |
CN104008387B (zh) | 一种基于特征点分段线性拟合的车道线检测方法 | |
CN103797529B (zh) | 三维物体检测装置 | |
CN105005771B (zh) | 一种基于光流点轨迹统计的车道线实线的检测方法 | |
CN111079611B (zh) | 一种道路面及其标志线的自动提取方法 | |
CN100452110C (zh) | 一种车辆视频识别测速方法 | |
US20130266175A1 (en) | Road structure detection and tracking | |
CN110379168B (zh) | 一种基于Mask R-CNN的交通车辆信息获取方法 | |
CN103324930A (zh) | 一种基于灰度直方图二值化的车牌字符分割方法 | |
CN111597905B (zh) | 一种基于视频技术的公路隧道停车检测方法 | |
CN106652445A (zh) | 一种公路交通事故判别方法及装置 | |
CN105740809A (zh) | 一种基于机载摄像机的高速公路车道线检测方法 | |
CN109190483B (zh) | 一种基于视觉的车道线检测方法 | |
CN102708356A (zh) | 一种基于复杂背景下的车牌自动定位和识别方法 | |
DE102009050492A1 (de) | Detektion eines freien Pfads unter Verwendung eines segmentierungsbasierten Verfahrens | |
CN106887004A (zh) | 一种基于块匹配的车道线检测方法 | |
JP6226368B2 (ja) | 車両監視装置、および車両監視方法 | |
CN112001216A (zh) | 一种基于计算机的汽车行驶车道检测系统 | |
CN106803245B (zh) | 基于探地雷达周期性检测的铁路路基状态评估方法 | |
CN103593981A (zh) | 一种基于视频的车型识别方法 | |
CN109870458B (zh) | 一种基于三维激光传感器及包围盒的路面裂缝检测与分类方法 | |
CN111563463A (zh) | 路面车道线识别方法、装置、电子设备及存储介质 | |
CN114463715A (zh) | 一种车道线检测方法 | |
CN109677405B (zh) | 一种基于不完备车道线信息的车辆偏离预警方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
EE01 | Entry into force of recordation of patent licensing contract | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20150429 Assignee: HUNAN UNIVERSITY AISHENG AUTO TECHNOLOGY DEVELOPMENT Co.,Ltd. Assignor: HUNAN University Contract record no.: X2020980004846 Denomination of invention: Lane line preservation and detection method based on binary image Granted publication date: 20171229 License type: Common License Record date: 20200811 |