CN104657727B - 一种车道线的检测方法 - Google Patents
一种车道线的检测方法 Download PDFInfo
- Publication number
- CN104657727B CN104657727B CN201510117857.6A CN201510117857A CN104657727B CN 104657727 B CN104657727 B CN 104657727B CN 201510117857 A CN201510117857 A CN 201510117857A CN 104657727 B CN104657727 B CN 104657727B
- Authority
- CN
- China
- Prior art keywords
- lane line
- line
- detection method
- lane
- marginal point
- 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
Abstract
本发明公开了一种车道线的检测方法，包括以下步骤：首先，通过摄像机获取车道线图像，并进行车道线宽度标定；其次，进行车道线建模，得出检测区域；然后，检测边缘点对，得到车道线边缘点对图；最后，对车道线边缘点对图中最大的两个连通域进行最小二乘法直线拟合，得到车道线。本发明可完成复杂背景下对车道线进行精准检测，抗干扰性强，计算过程简单，计算量小，算法快速，实时性强，具有较强的推广与应用价值。
Description
技术领域
本发明涉及图像处理技术及智能交通领域，具体涉及一种车道线的检测方法。
背景技术
随着经济的发展与科技的进步，人们的生活水平越来越高。当汽车作为不可或缺的消费品走进各家各户时，安全问题也随之而来。而在众多交通事故中,因为偏离车道而产生的事故是一个重要部分，因此，研究车道偏离预警系统，辅助驾驶员在单调驾驶环境中保持车辆在车道内行驶，已经成为国内外的研究重点。
车道偏离预警系统的其中一个重要部分是车道线检测，车道线检测的关键问题在于如何提取车道线的特征，以及使用何种模型来拟合出车道线。由于道路所处的环境受到天气、光照和道路情况等多种因素的影响，常规的复杂度低的检测算法难以找到适应环境变化的特征和精准地拟合车道线，为此，人们对检测算法进行了诸多改进，如中国公开专利：CN102592114A、CN104268860A和CN103473762A，改进后的检测算法抗干扰能力强，鲁棒性和识别精度高，能够较好拟合出车道线，但改进后的检测算法复杂，计算量大，计算时间长，检测效率慢，无法保证系统的实时性，难以应用于高速行驶的车辆。
发明内容
本发明目的在于为克服上述问题而提供一种算法简单、快速，能在复杂背景条件下准确检测出车道线，具有较高实时性的车道线的检测方法。
为实现上述目的，本发明采用的技术方案是：
一种车道线的检测方法，包括如下步骤：
（一）车道线建模，确定检测区域：
1.1：采集一幅摄像机图像ImageColor；
1.2：在图像ImageColor内部指定远处和近处的车道线宽度Lmin和Lmax；
1.3：根据Lmin和Lmax设置车道线的匹配模型，估算检测区域；
1.4：对检测区域范围内的图像，进行水平方向中值滤波；
（二）检测边缘点对：
2.1：在检测区域内，按行方向统计灰度值；
2.2：利用滤波器计算灰度的梯度，得到灰度梯度图；
2.3：对梯度图进行平滑处理；
2.4：利用车道线模型对平滑后的梯度图进行边缘调制，得出边缘点对；
2.5：逐行计算车道线的边缘点对，形成车道线边缘点对图；
（三）车道线拟合：
3.1：对上步提取到的车道线边缘点对图，进行灰度闭操作得到图像ImageClosing；
3.2：对图像ImageClosing进行连通域分析；
3.3：选择面积最大的两个连通域；
3.4：对提取到的两个连通区域进行最小二乘法直线拟合，得到车道线。
进一步的，所述步骤1.3中，匹配模型的车道线宽度W的计算公式为：W=（Lmin+Lmax）/A，其中A的取值范围为1.5～2.5，所述检测区域为匹配模型的车道线宽度W以及与车道线左右相邻宽度各为W的范围。
进一步的，所述检测区域内，车道线边缘出现在左边W和右边W的概率设置为B， 车道线边缘出现在中间W的概率设置为C，其中，B的取值范围为70%～95%， C的取值为1-B。
进一步的，所述步骤1.4中，中值滤波的窗口大小为1×N，N的取值范围为5～11。
进一步的，所述步骤2.2中，滤波器的模板为[-1，2，-1]。
进一步的，所述步骤2.3中，平滑窗口大小为1×M，M的取值范围为5～21。
进一步的，所述步骤2.4中，边缘调制就是用车道线模型中设定的概率对平滑后的梯度图进行乘法操作。
进一步的，所述步骤3.1中，灰度闭操作的半径为D，D的取值范围为5.5～11.5。
本发明与现有技术相比具有以下优点：
本发明通过根据实际拍摄场景对车道线的宽度进行标定，排除了摄像机角度差异对检测准确性的影响，适用性广；通过建立车道线匹配模型，确定检测区域，缩小检测范围，提高检测速度；通过车道线匹配模型对灰度梯度进行边缘调制，排开了道路标志、阴影等复杂背景的干扰，提高了检测精度及鲁棒性，最后通过连通域操作和最小二乘法直线拟合得出车道线，整个算法简单、快速，实时性高，适用于高速行驶车辆的车道偏离预警系统。
附图说明
图1为本发明实施例的处理流程图。
图2为本发明实施例的车道线宽度标定图。
图3为本发明实施例的车道线的匹配模型图。
图4为本发明实施例的逐行检测示意图。
图5为本发明实施例的灰度图。
图6为本发明实施例的灰度梯度图。
图7为本发明实施例的平滑后的灰度梯度图。
图8为本发明实施例的车道线的匹配模型的概率图。
图9为本发明实施例的灰度梯度的边缘调制图。
图10为本发明实施例的边缘点对图。
图11为本发明实施例的灰度闭操作示意图。
图12为本发明实施例的连通域操作示意图。
图13为本发明实施例的直线拟合后的车道线图。
具体实施方式
现结合附图和具体实施方式对本发明进一步说明。
如图1所示，一种车道线的检测方法，包括如下步骤：
（一）车道线建模，确定检测区域：
实际应用中，由于摄像机架设的角度可能存在差异或因车辆震动使摄像机角度发生变化，致使拍摄出来的车道线宽度发生改变，如果按照之前设定的模型进行检测，则会出现错误的结果，所以需要在使用前，根据摄像机的实际拍摄场景中车道线的宽度进行标定，具体方法：
首先，通过CCD摄像机或COMS摄像机采集一幅摄像机图像ImageColor；
然后，在图像ImageColor内部指定远处和近处的车道线宽度Lmin和Lmax，如图2所示。这里的Lmin和Lmax是由用户根据实际需要进行自行设定，也可由软件根据上次记忆设定。
车道线标定后，则进行车道线的匹配模型建立及检测区域确定，具体方法为：根据标定得到的车道线宽度Lmin和Lmax来设置车道线的匹配模型，匹配模型的车道线宽度W的计算公式为：W=（Lmin+Lmax）/A，其中A的取值范围为1.5～2.5，则检测区域为匹配模型的车道线宽度W以及与车道线左右相邻宽度各为W的范围，如图3所示，车道线边缘出现在左边W和右边W的概率设置为B， 车道线边缘出现在中间W的概率设置为C，其中，B的取值范围为70%～95%， C的取值为1-B。
检测区域确认后，对检测区域范围内的图像，进行水平方向中值滤波以去除图像噪声，减少干扰，滤波窗口大小为1×N，其中N的范围为5~11，中值滤波是一种非线性平滑技术，它将每一像素点的灰度值设置为该点某邻域窗口内的所有像素点灰度值的中值，属于图像处理领域的常用算法，于此不再具体说明。
（二）检测边缘点对：
2.1：在检测区域内，按行方向（即图4所示的箭头线方向）统计灰度值，得到灰度值图，如图5所示；
2.2：利用模板为[-1，2，-1]的滤波器计算灰度的梯度，得到灰度梯度图，如图6所示，利用滤波器对图像灰度的梯度进行计算是图像处理领域的常用算法，于此不再具体说明；
2.3：对灰度梯度图6进行平滑处理，平滑后如图7，平滑窗口大小为1×M，M的范围为5～21，利用平滑窗口平滑处理灰度梯度图是图像处理领域的常用算法，于此不再具体说明；
2.4：图7中竖直线的部分表示边缘位置，从图中可以看出道路中间的标记可能导致边缘误判。所以需要利用车道线匹配模型对平滑后的梯度图进行边缘调制，去除中间部分的干扰边缘，得出正确的边缘点对，具体方法：利用车道线的匹配模型设定的各个区域出现车道线的概率（图8）与图7对应位置的灰度梯度值进行乘法运算，运算后如图9所示，图中虚线为运算前的灰度梯度，粗实线为运算后的灰度梯度，从粗实线可以看出，中间部分的干扰边缘消失，只剩下正确的边缘位置；
2.5：按照上述的方法，逐行计算检测车道线的边缘点对，形成车道线边缘点对图，如图10所示。
（三）车道线拟合：
3.1：对上步提取到的车道线边缘点对图，进行半径为D的灰度闭操作得到图像ImageClosing，如图11所示，其中D的范围为5.5～11.5，灰度闭操作是图像处理领域的常用算法，于此不再具体说明；
3.2：对图像ImageClosing进行连通域操作，得到六个连通域，如图12所示，连通域操作是图像处理领域的常用算法，于此不再具体说明；
3.3：选择面积最大的两个连通域（110和111），进行最小二乘法直线拟合，得到车道边缘线，如图13所示，从图中可以看到，拟合出来的车道边缘线与实际车道边缘线重合，检测结果正确。
尽管结合优选实施方案具体展示和介绍了本发明，但所属领域的技术人员应该明白，在不脱离所附权利要求书所限定的本发明的精神和范围内，在形式上和细节上可以对本发明做出各种变化，均为本发明的保护范围。
Claims (6)
1.一种车道线的检测方法，其特征在于，包括如下步骤：
(一)车道线建模，确定检测区域：
1.1：采集一幅摄像机图像ImageColor；
1.2：在图像ImageColor内部指定远处和近处的车道线宽度Lmin和Lmax；
1.3：根据Lmin和Lmax设置车道线的匹配模型，估算检测区域；
1.4：对检测区域范围内的图像，进行水平方向中值滤波；
(二)检测边缘点对：
2.1：在检测区域内，按行方向统计灰度值；
2.2：利用滤波器计算灰度的梯度，得到灰度梯度图；
2.3：对梯度图进行平滑处理；
2.4：利用车道线模型对平滑后的梯度图进行边缘调制，具体为，用车道线模型中设定的概率对平滑后的梯度图进行乘法操作，得出边缘点对；
2.5：逐行计算车道线的边缘点对，形成车道线边缘点对图；
(三)车道线拟合：
3.1：对上步提取到的车道线边缘点对图，进行灰度闭操作得到图像ImageClosing；
3.2：对图像ImageClosing进行连通域分析；
3.3：选择面积最大的两个连通域；
3.4：对提取到的连通区域进行最小二乘法直线拟合，得到车道线。
2.根据权利要求1所述的一种车道线的检测方法，其特征在于，所述步骤1.3中，匹配模型的车道线宽度W的计算公式为：W＝(Lmin+Lmax)/A，其中A的取值范围为1.5～2.5，所述检测区域为匹配模型的车道线宽度W以及与车道线左右相邻宽度各为W的范围。
3.根据权利要求1所述的一种车道线的检测方法，其特征在于，所述步骤1.4中，中值滤波的窗口大小为1×N，N取值范围为5～11。
4.根据权利要求1所述的一种车道线的检测方法，其特征在于，所述步骤2.2中，滤波器的模板为[-1，2，-1]。
5.根据权利要求1所述的一种车道线的检测方法，其特征在于，所述步骤2.3中，平滑窗口大小为1×M，M的取值范围为5～21。
6.根据权利要求1所述的一种车道线的检测方法，其特征在于，所述步骤3.1中，灰度闭操作的半径为D，D的取值范围为5.5～11.5。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510117857.6A CN104657727B (zh) | 2015-03-18 | 2015-03-18 | 一种车道线的检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510117857.6A CN104657727B (zh) | 2015-03-18 | 2015-03-18 | 一种车道线的检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104657727A CN104657727A (zh) | 2015-05-27 |
| CN104657727B true CN104657727B (zh) | 2018-01-02 |
Family
ID=53248828
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510117857.6A Active CN104657727B (zh) | 2015-03-18 | 2015-03-18 | 一种车道线的检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104657727B (zh) |
Families Citing this family (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105046235B (zh) | 2015-08-03 | 2018-09-07 | 百度在线网络技术（北京）有限公司 | 车道线的识别建模方法和装置、识别方法和装置 |
| CN105260713B (zh) * | 2015-10-09 | 2019-06-28 | 东方网力科技股份有限公司 | 一种车道线检测方法和装置 |
| CN105426864B (zh) * | 2015-12-04 | 2018-09-04 | 华中科技大学 | 一种基于等距边缘点匹配的多车道线检测方法 |
| CN105740836B (zh) * | 2016-02-03 | 2019-04-26 | 安徽清新互联信息科技有限公司 | 一种违法占用应急车道的检测方法 |
| CN105740837B (zh) * | 2016-02-03 | 2019-04-30 | 安徽清新互联信息科技有限公司 | 一种基于无人机的违法占用应急车道检测方法 |
| JP6686760B2 (ja) * | 2016-07-21 | 2020-04-22 | いすゞ自動車株式会社 | 画像処理装置及び画像処理方法 |
| CN106462757B (zh) * | 2016-09-26 | 2019-09-06 | 深圳市锐明技术股份有限公司 | 一种成对车道线的快速检测方法和装置 |
| CN107590451A (zh) * | 2017-09-04 | 2018-01-16 | 中国科学院长春光学精密机械与物理研究所 | 一种车道线检测方法 |
| CN109509345A (zh) * | 2017-09-15 | 2019-03-22 | 富士通株式会社 | 车辆检测装置和方法 |
| CN108229386B (zh) * | 2017-12-29 | 2021-12-14 | 百度在线网络技术（北京）有限公司 | 用于检测车道线的方法、装置和介质 |
| CN108759670B (zh) * | 2018-05-31 | 2020-02-04 | 成都唐源电气股份有限公司 | 一种基于非接触式检测技术的接触线磨耗动态检测装置 |
| CN109190483B (zh) * | 2018-08-06 | 2021-04-02 | 武汉大学 | 一种基于视觉的车道线检测方法 |
| CN109214334B (zh) * | 2018-09-03 | 2020-12-29 | 百度在线网络技术（北京）有限公司 | 车道线处理方法和装置 |
| CN109766889B (zh) * | 2018-11-19 | 2021-04-09 | 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 |
| CN111209770B (zh) * | 2018-11-21 | 2024-04-23 | 北京三星通信技术研究有限公司 | 一种车道线识别方法及装置 |
| CN111460866B (zh) * | 2019-01-22 | 2023-12-22 | 北京市商汤科技开发有限公司 | 车道线检测及驾驶控制方法、装置和电子设备 |
| CN111160086B (zh) * | 2019-11-21 | 2023-10-13 | 芜湖迈驰智行科技有限公司 | 车道线识别方法、装置、设备和存储介质 |
| CN113428179B (zh) * | 2021-07-30 | 2022-06-28 | 广州文远知行科技有限公司 | 一种车道距离的检测方法、装置、计算机设备和存储介质 |
Citations (3)
| 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 |
| CN102629326A (zh) * | 2012-03-19 | 2012-08-08 | 天津工业大学 | 一种基于单目视觉的车道线检测方法 |
| CN104408460A (zh) * | 2014-09-17 | 2015-03-11 | 电子科技大学 | 一种车道线检测及跟踪检测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7151844B2 (en) * | 2001-12-06 | 2006-12-19 | General Motors Corporation | Image sensor method and apparatus having hardware implemented edge detection processing |
-
2015
- 2015-03-18 CN CN201510117857.6A patent/CN104657727B/zh active Active
Patent Citations (3)
| 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 |
| CN102629326A (zh) * | 2012-03-19 | 2012-08-08 | 天津工业大学 | 一种基于单目视觉的车道线检测方法 |
| CN104408460A (zh) * | 2014-09-17 | 2015-03-11 | 电子科技大学 | 一种车道线检测及跟踪检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104657727A (zh) | 2015-05-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104657727B (zh) | 一种车道线的检测方法 | |
| CN103177246B (zh) | 基于动态区域划分的双模型车道线识别方法 | |
| CN101750049B (zh) | 基于道路和车辆自身信息的单目视觉车距测量方法 | |
| CN104008645B (zh) | 一种适用于城市道路车道线预测及预警方法 | |
| CN103617412B (zh) | 实时车道线检测方法 | |
| 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 | |
| CN103593981B (zh) | 一种基于视频的车型识别方法 | |
| CN104008377A (zh) | 基于时空关联的地面交通标志实时检测识别方法 | |
| CN102737248B (zh) | 复杂路况下的车道线特征点提取方法与装置 | |
| CN104077756B (zh) | 一种基于车道线置信度的方向滤波方法 | |
| Li et al. | Nighttime lane markings recognition based on Canny detection and Hough transform | |
| CN107392103A (zh) | 路面车道线的检测方法及装置、电子设备 | |
| CN102982304B (zh) | 利用偏光图像检测车辆位置的方法和系统 | |
| CN105550665A (zh) | 一种基于双目视觉的无人驾驶汽车可通区域检测方法 | |
| CN105005771A (zh) | 一种基于光流点轨迹统计的车道线实线的检测方法 | |
| CN103927526A (zh) | 一种基于高斯差分多尺度边缘融合的车辆检测方法 | |
| KR101285106B1 (ko) | 영상 데이터 융합 기반의 장애물체 검출 방법 및 장치 | |
| CN103839264A (zh) | 一种车道线的检测方法 | |
| CN105654073A (zh) | 一种基于视觉检测的速度自动控制方法 | |
| CN107886034B (zh) | 行车提醒方法、装置及车辆 | |
| CN103914701B (zh) | 一种基于图像的夜间车辆检测方法 | |
| CN105224909A (zh) | 车道线检测系统中的车道线确认方法 | |
| CN106887004A (zh) | 一种基于块匹配的车道线检测方法 | |
| CN103413325B (zh) | 一种基于车身特征点定位的车速鉴定方法 | |
| CN104700072A (zh) | 基于车道线历史帧的识别方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A method of lane detection Effective date of registration: 20210701 Granted publication date: 20180102 Pledgee: Bank of China Limited Xiamen Kaiyuan sub branch Pledgor: XIAMEN MICROMATCH ELECTRONIC INFORMATION TECHNOLOGY Co.,Ltd. Registration number: Y2021980005613 |
|
| PC01 | Cancellation of the registration of the contract for pledge of patent right | ||
| PC01 | Cancellation of the registration of the contract for pledge of patent right |
Date of cancellation: 20230922 Granted publication date: 20180102 Pledgee: Bank of China Limited Xiamen Kaiyuan sub branch Pledgor: XIAMEN MICROMATCH ELECTRONIC INFORMATION TECHNOLOGY CO.,LTD. Registration number: Y2021980005613 |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A Method for Detecting Lane Lines Effective date of registration: 20230926 Granted publication date: 20180102 Pledgee: Bank of China Limited Xiamen Kaiyuan sub branch Pledgor: XIAMEN MICROMATCH ELECTRONIC INFORMATION TECHNOLOGY CO.,LTD. Registration number: Y2023980058907 |