CN104657710A - 一种利用车载单帧图像进行道路检测的方法 - Google Patents

一种利用车载单帧图像进行道路检测的方法 Download PDF

Info

Publication number
CN104657710A
CN104657710A CN201510062670.0A CN201510062670A CN104657710A CN 104657710 A CN104657710 A CN 104657710A CN 201510062670 A CN201510062670 A CN 201510062670A CN 104657710 A CN104657710 A CN 104657710A
Authority
CN
China
Prior art keywords
steps
vehicle
image
lane line
road detection
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
Application number
CN201510062670.0A
Other languages
English (en)
Inventor
殷晓雪
赵博雅
王明江
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.)
Shenzhen Graduate School Harbin Institute of Technology
Original Assignee
Shenzhen Graduate School Harbin Institute of Technology
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 Shenzhen Graduate School Harbin Institute of Technology filed Critical Shenzhen Graduate School Harbin Institute of Technology
Priority to CN201510062670.0A priority Critical patent/CN104657710A/zh
Publication of CN104657710A publication Critical patent/CN104657710A/zh
Pending legal-status Critical Current

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
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]

Abstract

本发明涉及图像处理领域，尤其涉及一种利用车载单帧图像进行道路检测的方法。本发明提供一种利用车载单帧图像进行道路检测的方法，该方法包括以下步骤：步骤A1：对输入的单帧图像进行灰度化以及图像滤波，所述图像滤波采用均值滤波；步骤A2：将上一步骤所得的图像进行OTSU二值化，然后对图像利用Sobel模板进行垂直边缘检测；步骤A3：分别对划分感兴趣区域ROI进行霍夫变换，对所得数据进行校正，接着利用三阶B曲线拟合出车道线。本发明对车道线的识别度高，降低了算法的计算量，降低了图像的ROI区域，可以将车道拟合出曲线，更加接近于真实的车道，提高了识别车道的正确率。

Description

一种利用车载单帧图像进行道路检测的方法
技术领域
本发明涉及图像处理领域，尤其涉及一种利用车载单帧图像进行道路检测的方法。
背景技术
随着经济的快速发展，以及科技的不断革新，我国正在进入大众汽车消费时代。车辆的增加伴随着各种交通事故的发生，行车安全越发重要。与此同时，我国政府不断加大基建的投入，使我国道路建设的更加规范，道路维护更加及时。如果我们将汽车行驶前方的道路进行检测，并及时提示驾驶员车辆是否处于正确的车道、是否偏离了车道，以及对前方的路况进行提前预知，这样就可以避免和减少车辆因为偏离车道发生行车事故。同时也为无人驾驶技术提供帮助。
目前针对道路检测方法可分为四种：采用立体视觉技术方法、采用可变型的道路模板技术方法、采用基于BP神经网络的方法和采用双目视觉原理方法。采用立体视觉技术方法根据目前车道线的油漆颜色特征来定位车道线的位置，该技术面临图像匹配以及运行时间长等问题。可变型的道路模板技术，将道路的弯曲度和智能车辆在行驶过程中所处道路的位置问题转换成多维参数空间的最优化问题，通过得到的最优解来解决车道偏离预警，该技术误检率比较高。采用基于BP神经网络的方法，通过对不同天气状况下的车道线特征进行训练，来得到一个参数训练模型，从而根据训练得到的参数模型来预测不同天气状况下的车道线位置，该技术在实际性上有局限性。
目前普遍采用可变型的道路模板技术，利用双目视觉原理，在图像中设置的梯形窗口内，利用霍夫变换来估计车道线可能出现的ROI区域，然后反投影到真实的道路平面，得到车辆前方的车道位置，进行预警处理。。
发明内容
针对现有技术中存在的缺陷或不足，本发明所要解决的技术问题是：提供一种利用车载单帧图像进行道路检测的方法，该方法对车道线的识别度高，克服了前面所述方法的缺点，适用于道路检测，降低了图像的ROI区域，减少了计算量，但性能满足对车载单帧图像道路的检测。
为了实现上述目的，本发明采取的技术方案为提供一种利用车载单帧图像进行道路检测的方法，该方法包括以下步骤：
步骤A1：对输入的单帧图像进行灰度化以及图像滤波，所述图像滤波采用均值滤波；
步骤A2：将上一步骤所得的图像进行OTSU二值化，然后对图像利用Sobel模板进行垂直边缘检测；
步骤A3：分别对划分感兴趣区域ROI进行霍夫变换，对所得数据进行校正，接着利用三阶B曲线拟合出车道线。
作为本发明的进一步改进，所述步骤A3包括以下步骤：
步骤A31：划分感兴趣区域ROI，根据一般车辆上的车载单帧图像特征，将车道可能出现的区域换分为上中下三部分；
步骤A32：对感兴趣的区域ROI分别进行霍夫变换，中下部分获取左右车道线的坐标以及斜率；
步骤A33：将上部分霍夫变换所得数据与之前的数据进行拟合，得到处理后的车道线。
作为本发明的进一步改进，所述步骤A32中在判断斜率的同时要判断该直线所在的位置，并对分类的直线进行校正。
作为本发明的进一步改进，所述步骤A33包括上部分根据实际的车道拟合出曲线车道或者直线车道，得到正确的车道线。
本发明的有益效果是：本发明对车道线的识别度高，降低了算法的计算量，降低了图像的ROI区域，可以将车道拟合出曲线，更加接近于真实的车道，提高了识别车道的正确率。
附图说明
图1是本发明的流程图；
图2是划分感兴趣区域ROI的示意图。
具体实施方式
下面结合附图说明及具体实施方式对本发明进一步说明。
如图1所示，对于单帧图像，首先图像进行灰度化以及图像滤波，滤波采用均值滤波，这样可以减少算法的计算量；然后将处理后的图像进行OTSU二值化，接着对图像利用Sobel模板进行垂直边缘检测，这是因为它能很道德抑制噪声的特性；分别对划分感兴趣区域ROI进行霍夫变换，对所得数据进行校正，接着拟合出车道线，通过得到的最优解来解决车道偏离预警。
图2是划分感兴趣区域ROI的示意图。该算法根据一般车辆上的车载所得单帧图像，将需要进行霍夫变换的区域局限在三个有限的区域中。车载所得单帧图像的车道线只会出现在图像的下面部分，而这一部分又可以划分成3个部分，将这一部分划分感兴趣区域上中下3个部分，中下部分能得到车道线的准确位置以及斜率，一般情况下左侧车道线斜率小于零，右侧车道线斜率大于零，但在检测曲线的时候，远处部分的斜率有可能是相反的，故在判断斜率的同时要判断该直线所在位置，并对分类的直线进行校正，上部分可以根据实际的车道拟合出曲线车道或者是直线车道，这样就可以得到正确的车道线。这样可以降低算法的计算量，可以将车道拟合出曲线，更加接近于真实的车道，提高了识别车道的正确率。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (4)

1.一种利用车载单帧图像进行道路检测的方法，其特征在于：该方法包括以下步骤：
步骤A1：对输入的单帧图像进行灰度化以及图像滤波，所述图像滤波采用均值滤波；
步骤A2：将上一步骤所得的图像进行OTSU二值化，然后对图像利用Sobel模板进行垂直边缘检测；
步骤A3：分别对划分感兴趣区域ROI进行霍夫变换，对所得数据进行校正，接着利用三阶B曲线拟合出车道线。
2.根据权利要求1所述的利用车载单帧图像进行道路检测的方法，其特征在于：所述步骤A3包括以下步骤：
步骤A31：划分感兴趣区域ROI，根据一般车辆上的车载单帧图像特征，将车道可能出现的区域换分为上中下三部分；
步骤A32：对感兴趣的区域ROI分别进行霍夫变换，中下部分获取左右车道线的坐标以及斜率；
步骤A33：将上部分霍夫变换所得数据与之前的数据进行拟合，得到处理后的车道线。
3.根据权利要求2所述的利用车载单帧图像进行道路检测的方法，其特征在于：所述步骤A32中在判断斜率的同时要判断该直线所在的位置，并对分类的直线进行校正。
4.根据权利要求2所述的利用车载单帧图像进行道路检测的方法，其特征在于：所述步骤A33包括上部分根据实际的车道拟合出曲线车道或者直线车道，得到正确的车道线。
CN201510062670.0A 2015-02-06 2015-02-06 一种利用车载单帧图像进行道路检测的方法 Pending CN104657710A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510062670.0A CN104657710A (zh) 2015-02-06 2015-02-06 一种利用车载单帧图像进行道路检测的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510062670.0A CN104657710A (zh) 2015-02-06 2015-02-06 一种利用车载单帧图像进行道路检测的方法

Publications (1)

Publication Number Publication Date
CN104657710A true CN104657710A (zh) 2015-05-27

Family

ID=53248811

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510062670.0A Pending CN104657710A (zh) 2015-02-06 2015-02-06 一种利用车载单帧图像进行道路检测的方法

Country Status (1)

Country Link
CN (1) CN104657710A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106326810A (zh) * 2015-06-25 2017-01-11 株式会社理光 道路场景识别方法及设备
CN107977608A (zh) * 2017-11-20 2018-05-01 陕西土豆数据科技有限公司 一种应用于公路视频图像道路区域提取的方法
CN110084190A (zh) * 2019-04-25 2019-08-02 南开大学 一种基于 ann 的剧烈光照环境下实时非结构化道路检测方法
CN110110664A (zh) * 2019-05-08 2019-08-09 南京华弟安信息科技有限公司 一种基于图像处理的分车道车辆检测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2007121040A2 (en) * 2006-04-12 2007-10-25 Motorola, Inc. Method and system for improving image region of interest contrast for object recognition
CN102288121A (zh) * 2011-05-12 2011-12-21 电子科技大学 一种基于单目视觉的车道偏离距离测量及预警方法
EP2549408A1 (de) * 2011-07-20 2013-01-23 Delphi Technologies, Inc. Verfahren zur Detektion und Klassifikation von Objekten
CN103177246A (zh) * 2013-03-26 2013-06-26 北京理工大学 基于动态区域划分的双模型车道线识别方法
CN103488976A (zh) * 2013-09-17 2014-01-01 北京联合大学 一种基于智能驾驶中停止线实时检测以及距离测量的方法
CN104008645A (zh) * 2014-06-12 2014-08-27 湖南大学 一种适用于城市道路车道线预测及预警方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2007121040A2 (en) * 2006-04-12 2007-10-25 Motorola, Inc. Method and system for improving image region of interest contrast for object recognition
CN102288121A (zh) * 2011-05-12 2011-12-21 电子科技大学 一种基于单目视觉的车道偏离距离测量及预警方法
EP2549408A1 (de) * 2011-07-20 2013-01-23 Delphi Technologies, Inc. Verfahren zur Detektion und Klassifikation von Objekten
CN103177246A (zh) * 2013-03-26 2013-06-26 北京理工大学 基于动态区域划分的双模型车道线识别方法
CN103488976A (zh) * 2013-09-17 2014-01-01 北京联合大学 一种基于智能驾驶中停止线实时检测以及距离测量的方法
CN104008645A (zh) * 2014-06-12 2014-08-27 湖南大学 一种适用于城市道路车道线预测及预警方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王海涛: "车前障碍物检测及车道线识别研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106326810A (zh) * 2015-06-25 2017-01-11 株式会社理光 道路场景识别方法及设备
CN107977608A (zh) * 2017-11-20 2018-05-01 陕西土豆数据科技有限公司 一种应用于公路视频图像道路区域提取的方法
CN107977608B (zh) * 2017-11-20 2021-09-03 土豆数据科技集团有限公司 一种应用于公路视频图像道路区域提取的方法
CN110084190A (zh) * 2019-04-25 2019-08-02 南开大学 一种基于 ann 的剧烈光照环境下实时非结构化道路检测方法
CN110084190B (zh) * 2019-04-25 2024-02-06 南开大学 一种基于ann的剧烈光照环境下实时非结构化道路检测方法
CN110110664A (zh) * 2019-05-08 2019-08-09 南京华弟安信息科技有限公司 一种基于图像处理的分车道车辆检测方法

Similar Documents

Publication Publication Date Title
CN104008645B (zh) 一种适用于城市道路车道线预测及预警方法
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
CN102303609B (zh) 车道偏离预警系统及方法
CN103978978B (zh) 基于逆投影变换的车道保持方法
CN103177246B (zh) 基于动态区域划分的双模型车道线识别方法
CN104992145B (zh) 一种矩采样车道跟踪检测方法
CN104657727B (zh) 一种车道线的检测方法
CN104021378B (zh) 基于时空关联与先验知识的交通信号灯实时识别方法
CN103984950B (zh) 一种适应白天检测的运动车辆刹车灯状态识别方法
CN103522970B (zh) 基于机器视觉的车辆行驶安全检测方法和系统
CN109190523B (zh) 一种基于视觉的车辆检测跟踪预警方法
CN105206109B (zh) 一种基于红外ccd的车辆雾天识别预警系统及方法
CN103308056B (zh) 一种道路标线检测方法
CN105740782A (zh) 一种基于单目视觉的驾驶员换道过程量化方法
CN102298693B (zh) 基于计算机视觉的高速公路弯道检测方法
CN105260699A (zh) 一种车道线数据的处理方法及装置
CN103996053A (zh) 基于机器视觉的车道偏离报警方法
CN105654073A (zh) 一种基于视觉检测的速度自动控制方法
CN103345618A (zh) 一种基于视频技术的交通违章检测方法
CN108447305B (zh) 一种礼让行人预警方法及预警系统
CN104008377A (zh) 基于时空关联的地面交通标志实时检测识别方法
CN105005771A (zh) 一种基于光流点轨迹统计的车道线实线的检测方法
CN103593981B (zh) 一种基于视频的车型识别方法
Wei et al. Research on lane detection and tracking algorithm based on improved hough transform
CN104657710A (zh) 一种利用车载单帧图像进行道路检测的方法

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: 20150527

RJ01 Rejection of invention patent application after publication