CN104700072A - 基于车道线历史帧的识别方法 - Google Patents

Abstract

本发明公开了一种基于车道线历史帧的识别方法。它先对采集到的道路图像进行高斯滤波预处理，再对其进行逆投影变换为鸟瞰图；之后，先对鸟瞰图使用自适应阈值二值法进行二值化处理，再对其进行霍夫变换以提取直线；最后，基于每条直线L_X的线角度L_X.θ、线距离L_X.ρ、线票数L_X.V和线起始点距离L_X.S，其中的X＝1，2,……N，以及上一识别周期得到的车道线的间距和位置，确定出霍夫变换结果中的何直线为车道线。它结合车道线自身的特征及历史情况，有效地剔除了文字、干扰线多、阴影遮挡、车道线破损以及污迹覆盖等复杂路况的干扰，大大地提高了车道线的识别率和稳定性；可广泛应用于车辆安全辅助驾驶系统中，协助驾驶员在单调的驾驶环境中保持车辆于车道内行驶。

Description

基于车道线历史帧的识别方法

技术领域

本发明涉及一种车道线的识别方法，尤其是一种基于车道线历史帧的识别方法。

背景技术

随着国家经济的快速发展，我国各类公路里程的不断建设、完工，汽车的保有量也同步得到了不断的递增，从而使交通事故也呈现出了增加的态势。为降低交通事故，人们试图在汽车上安装各种安全装置，如中国发明专利CN102592114B于2013年7月31日公告的一种复杂路况的车道线特征提取、识别方法。该专利记载的方法首先将彩色道路图像转换为灰度图像并进行中值滤波处理；然后，对滤波后的图像进行感兴趣区域的划分，并应用对称局部阈值分割法在感兴趣区域内对道路图像进行二值化处理，从而提取车道线特征信息；最后，基于提取出的车道线特征点分布规律，采用去相关随机抽样一致性(RANSAC)法——先选取特征点集合，再用最小二乘法拟合直线对左、右车道线分别进行并行识别。此专利虽可快速、有效地检测出车道线，却也存在着欠缺之处，首先，由于相机成像原理的影响，车道线在图像中呈现出的是近宽远窄，而采用对称局部阈值分割法进行二值化处理时，其C值却是由正常情况下测定的完好车道线的像素宽度计算得来的，这与车辆在行驶过程中，车道线的像素宽度由其所在位置和方向是不断变化的实际不符，从而导致二值化的效果受c值的负面影响较大；其次，采用去相关RANSAC法正确识别车道线的前提是二值化处理后车道线特征点必须是最多，如果二值化后干扰线的特征点大于车道线的个数时，就会出现误识别，在车道线附近文字或者干扰线比较多的情况下就很难识别出正确的左右车道线；最后，未对车道线存在做任何限制，如果左或者右感兴趣区域内本来就没有车道线，但却存在一条干扰线，此时就会出现误识别。

发明内容

本发明要解决的技术问题为克服现有技术中的欠缺之处，提供一种具有较高识别率的基于车道线历史帧的识别方法。

为解决本发明的技术问题，所采用的技术方案为：基于车道线历史帧的识别方法包括道路图像的采集和预处理，以及直线的提取，特别是完成步骤如下：

步骤1，先对采集到的道路图像进行高斯滤波预处理，再对其进行逆投影变换为鸟瞰图；

步骤2，先对鸟瞰图使用自适应阈值二值法进行二值化处理，再对其进行霍夫变换以提取直线；

步骤3，基于每条直线L_x的线角度L_X.θ、线距离L_X.ρ、线票数L_X.V和线起始点距离L_X.S，其中的X＝1，2,……N，以及上一识别周期得到的车道线的间距和位置，确定霍夫变换结果中的何直线为车道线，具体过程为，

步骤3.1，先判断L_X.θ>设定角度或者L_X.θ<设定角度-120，若是则保留，否则删除，再对保留下来的直线进行L_X.S从小到大自左至右的排序，得到L_X.S排序表，接着，先查询L_X.S排序表中L_X.S-L_X-1.S的值，此时的X＝2，3,……N，若L_X.S-L_X-1.S<设定距离，则比较L_X.V和L_X-1.V，并保留V值大的直线，再以保留下来的直线为准向右查询，若L_X.S-L_X-1.S≥设定距离，则保留直线L_X-1，并继续从直线L_X开始向右查找，直至查到直线L_N结束，得到有效直线序列；

步骤3.2，先从有效直线序列的直线L₁开始依次向直线L_N进行循环查找配对，配对的条件为|L_1+X.θ-L₁.θ|<两条直线的θ角差值&&(L_1+X.S-L₁.S)×cos(L₁.θ)>两条直线的间距下限&&(L_1+X.S-L₁.S)×cos(L₁.θ)<两条直线的间距上限，若满足则保留此直线对为左直线L_1L和右直线L_1R,X的值加1再进行判断，X初始取值为1，当X取值为N时结束直线L₁的查找配对，再从有效直线序列的直线L₂开始依次向直线L_N进行循环查找配对，配对条件同上，直至直线L_N-1与直线L_N配对判断结束，得到由左直线L_XL和右直线L_XR构成的M对直线对序列，其中的X＝1，2,……M；

步骤3.3，先取出上一识别周期检测到的左车道直线L_HL和右车道直线L_HR，若上一识别周期未检测到，则取车辆位于车道正中间时测定的车道线数据为其上一识别周期检测到的车道直线对，再按照|L_XL.S-L_HL.S|<起始点距离对M对直线对中的左直线L_XL与左车道直线L_HL的起始点距离进行循环判断，或者按照|L_XR.S-L_HR.S|<起始点距离对M对直线对中的右直线L_XR与右车道直线L_HR的起始点距离进行循环判断，若满足则取其为当前车道的直线对，若不满足则删除该直线对，直至对M对直线对全部判断完，得到当前车道的直线对序列；

步骤3.4，先按照|(L_HR.S-L_HL.S)×cos(L_H.θ)-(L_XR.S-L_XL.S)×cos(L_X.θ)|从当前车道的直线对序列中查找出其直线对间距最接近上一识别周期直线对间距的直线对，再按照|(L_XL.S-L_HL.S)-(L_XR.S-L_HR.S)|<起始点变化值的差值来判断其左右边直线起始点变化规律是否一致，若是则确定其为当前车道直线对并结束本识别周期，否则删除该直线对，并判断下一个直线对间距最接近上一识别周期直线对间距的直线对是否满足|(L_XL.S-L_HL.S)-(L_XR.S-L_HR.S)|<起始点变化值的差值，直至完成对当前车道的直线对序列的判断；

步骤3.5，先按照|L_XR.S-L_HL.S|<间距从M对直线对序列中查找出左直线L_XL，得到左直线L_XL序列，再按照|(L_XR.S-L_XL.S)-(L_HR.S-L_HL.S)|从左直线L_XL序列中查找出最小的左直线L_XL后，由|L_XR.θ-L_HL.θ|<角度来确定其是否为当前车道的左直线L_L，若是则得到当前车道的左直线L_L并结束本识别周期，

否则，先按照|L_XL.S-L_HR.S|<间距从M对直线对序列中查找出右直线L_XR，得到右直线L_XR序列，再按照|(L_XR.S-L_XL.S)-(L_HR.S-L_HL.S)|从右直线L_XR序列中查找出最小的右直线L_XR后，由|L_XR.θ-L_HL.θ|<角度来确定其是否为当前车道的右直线L_R，若是则得到当前车道的右直线L_R并结束本识别周期，否则本识别周期未检测到车道线，结束本识别周期。

作为基于车道线历史帧的识别方法的进一步改进：

优选地，高斯滤波为3×3的高斯滤波。

优选地，鸟瞰图的转换过程为，先以车辆车头中心点正前方为原点(0，0)、X轴为车辆的横向距离、Y轴为车辆的前方距离、单位为dm，建立车辆的世界坐标系，再通过3×3的变换矩阵将像素坐标系下的像素坐标变换为世界坐标系下的坐标，最后将像素坐标系下的像素值赋值到车辆的世界坐标系对应的坐标位置。

优选地，车辆的世界坐标系为以车辆车头中心点正前方5m处为原点(0，0)、X轴的取值范围为±5m、Y轴的取值范围为35m。

优选地，对鸟瞰图使用自适应阈值二值法进行二值化处理的过程为，先对图像做模板为 $\left\{\begin{array}{ccccc}1& ,& 1& ,& 1\\ 1& ,& 1& ,& 1\\ 1& ,& 1& ,& 1\end{array}\right\}*\frac{1}{9}$ 的3×3卷积处理，再将卷积处理后的灰度值G_V与卷积处理前的灰度值G_t，以及卷积处理前的灰度值G_t与卷积处理前相同位置左右各移动3个像素点的灰度值G_t-3、G_t+3同时进行对比，如果G_t-G_V>7&&G_t-G_t-3>7&&G_t-G_t+3>7，则赋值这个像素点的值为255，否则为0。

优选地，进行霍夫变换提取直线的过程为，先定义(ρ，θ)为车辆的世界坐标系中的一条直线，其中的ρ为该直线到原点的距离、θ为原点到该直线的垂线与X轴的夹角，以及Hough感兴趣的区域为100×300、X轴从-50～50、Y轴从为0～300，θ的取值为0～180度，阈值T为50，再经Hough提取直线后得到每根直线的三个变量ρ、θ和V，其中的V为该直线hough累积的点数，最后通过ρ、θ这两个变量得到该直线与X轴的交点——起始点Sta的坐标(S，0)，其中的S＝ρ/cos(θ)。

优选地，步骤3.1中的设定角度为150度，设定距离为3dm。

优选地，步骤3.2中的两条线的θ角差值为4，两条线的间距上限为42dm、下限为28dm。

优选地，步骤3.3中的起始点距离为5dm。

优选地，步骤3.4中的起始点变化值的差值为5。

优选地，步骤3.5中的间距为5dm，角度为8度。

相对于现有技术的有益效果是：

其一，本发明首先将道路图像首先转换为鸟瞰图，大大地缩小了图像的尺寸，由原先的752×480像素转换为100×300像素，既减少后续的数据处理量，又使转换为鸟瞰图以后的车道线宽度信息可以更好的被利用，还不仅为使用自适应阈值二值化保留车道线信息奠定了良好的基础，也易于剔除干扰。

其二，本发明提取直线的方法为霍夫变换，其累计每条直线上特征点的个数，从而选择出符合一定点数的直线的方法，除避免了最小二乘法易受噪点影响的缺陷之外，还具有抗干扰能力强，提取直线精度较高的特点。

其三，本发明利用多种车道线特征——每根线的位置、角度、线间距、平行度及上一处理周期得到的车道线间距和位置来确定最终的车道线，有效地结合了车道线自身的特征及历史情况，更有效地剔除了文字、干扰线多、阴影遮挡、车道线破损以及污迹覆盖等复杂路况的干扰，大大地提高了车道线的识别率和稳定性。同时，本发明不仅利用识别结果进行跟踪，还使用跟踪再返回用于识别，进一步地去除了一些干扰，使得识别结果更为准确，极大地提高了车辆的道路识别率。尤为当成对车道线中的一条直线被污物遮挡时，本发明仍可由另一条直线做出正确的识别。

附图说明

图1是本发明的一种基本识别工作流程示意图。

图2是本发明实施例中相机采集到的灰度图。

图3是本发明车辆坐标系示意图。

图4是本发明将图2所示的灰度图转换成的鸟瞰图。

图5是本发明对图4所示的鸟瞰图进行二值化后得到的二值化结果图。

图6是本发明描述直线L参量ρ、θ、S的示意图。

图7是本发明对图6所示的二值化结果图进行hough变换提取直线后的结果示意图。

图8是本发明对图7所示直线进行提取有效线并排序后的结果示意图。

图9是本发明对车道线的识别结果示意图，即图中车辆两侧车道线上涂黑的直线。

具体实施方式

下面结合附图对本发明的优选方式作进一步详细的描述。

本发明的实施例基于的硬件架构主要由感光器和数字信号处理器串接组成。其中，感光器由型号为MT9V024的感光芯片构成，用于对外界图像进行采集，其输入的图像为灰度图格式、分辨率大小为752×480。数字信号处理器的型号为BF609，其利用视频接口(EPPI)接收图像原始数据后，依照本发明的方法对数据进行处理，得到车道线信息并输出。

本实施例以0.0667s为识别周期，按照以下具体步骤向硬件架构发出等采样周期识别指令，来实现对车道线的识别。

参见图1、图2、图3、图4、图5、图6、图7、图8和图9，基于车道线历史帧的识别方法的工作流程如下：

步骤1，先对采集到的如图2所示的道路图像进行高斯滤波预处理；其中，高斯滤波为3×3的高斯滤波。

再对其进行逆投影变换为鸟瞰图；其中，鸟瞰图的转换过程为，先以车辆车头中心点正前方5m处为原点(0，0)、X轴为车辆的横向距离，取值范围为±5m、Y轴为车辆的前方距离，取值范围为35m、单位为dm，建立如图3所示的车辆的世界坐标系，再通过3×3的变换矩阵将像素坐标系下的像素坐标变换为世界坐标系下的坐标，最后将像素坐标系下的像素值赋值到车辆的世界坐标系对应的坐标位置。

得到如图4所示的鸟瞰图。

步骤2，先对鸟瞰图使用自适应阈值二值法进行二值化处理；其过程为，先对图像做模板为 $\left\{\begin{array}{ccccc}1& ,& 1& ,& 1\\ 1& ,& 1& ,& 1\\ 1& ,& 1& ,& 1\end{array}\right\}*\frac{1}{9}$ 的3×3卷积处理，再将卷积处理后的灰度值G_V与卷积处理前的灰度值G_t，以及卷积处理前的灰度值G_t与卷积处理前相同位置左右各移动3个像素点的灰度值G_t-3、G_t+3同时进行对比，如果G_t-G_V>7&&G_t-G_t-3>7&&G_t-G_t+3>7，则赋值这个像素点的值为255，否则为0。

得到如图5所示的二值化结果图。

再对其进行霍夫变换以提取直线；其过程为，先定义(ρ，θ)为车辆的世界坐标系中的一条直线，其中的ρ为该直线到原点的距离、θ为原点到该直线的垂线与X轴的夹角，以及Hough感兴趣的区域为100×300、X轴从-50～50、Y轴从为0～300，θ的取值为0～180度，阈值T为50，再经Hough提取直线后得到每根直线的三个变量ρ、θ和V，其中的V为该直线hough累积的点数，如图6所示，最后通过ρ、θ这两个变量得到该直线与X轴的交点——起始点Sta的坐标(S，0)，其中的S＝ρ/cos(θ)。

得到如图7所示的9条直线。

步骤3，基于每条直线L_X的线角度L_X.θ、线距离L_X.ρ、线票数L_X.V和线

起始点距离L_X.S，其中的X＝1，2,……N，以及上一识别周期得到的车道线的间距和位置，确定霍夫变换结果中的何直线为车道线，具体过程为，

步骤3.1，先判断L_X.θ>设定角度或者L_X.θ<设定角度-120；其中，设定角度为150度，若是则保留，否则删除。

再对保留下来的直线进行L_X.S从小到大自左至右的排序，得到L_X.S排序表。

接着，先查询L_X.S排序表中L_X.S-L_X-1.S的值，此时的X＝2，3,……N，若L_X.S-L_X-1.S<设定距离，其中，设定距离为3dm，则比较L_X.V和L_X-1.V，并保留V值大的直线。

再以保留下来的直线为准向右查询，若L_X.S-L_X-1.S≥设定距离，则保留直线L_X-1，并继续从直线L_X开始向右查找，直至查到直线L_N结束，得到有效直线序列。如图8所示的5条直线序列。

步骤3.2，先从有效直线序列的直线L₁开始依次向直线L_N进行循环查找配对，配对的条件为|L_1+X.θ-L₁.θ|<两条直线的θ角差值&&(L_1+X.S-L₁.S)×cos(L₁.θ)>两条直线的间距下限&&(L_1+X.S-L₁.S)×cos(L₁.θ)<两条直线的间距上限；其中，两条线的θ角差值为4，两条线的间距上限为42dm、下限为28dm，若满足则保留此直线对为左直线L_1L和右直线L_1R,X的值加1再进行判断，X初始取值为1，当X取值为N时结束直线L₁的查找配对。

再从有效直线序列的直线L₂开始依次向直线L_N进行循环查找配对，配对条件同上，直至直线L_N-1与直线L_N配对判断结束，得到由左直线L_XL和右直线L_XR构成的M对直线对序列，其中的X＝1，2,……M。选出如图8所示的2对直线——直线②为左直线L_1L、直线④为右直线L_1R、直线③为左直线L_2L、直线⑤为右直线L_2R。

步骤3.3，先取出上一识别周期检测到的左车道直线L_HL和右车道直线L_HR，若上一识别周期未检测到，则取车辆位于车道正中间时测定的车道线数据为其上一识别周期检测到的车道直线对。

再按照|L_XL.S-L_HL.S|<起始点距离对M对直线对中的左直线L_XL与左车道直线L_HL的起始点距离进行循环判断，或者按照|L_XR.S-L_HR.S|<起始点距离对M对直线对中的右直线L_XR与右车道直线L_HR的起始点距离进行循环判断；其中，起始点距离为5dm，若满足则取其为当前车道的直线对，若不满足则删除该直线对，直至对M对直线对全部判断完，得到当前车道的直线对序列。

步骤3.4，先按照|(L_HR.S-L_HL.S)×cos(L_H.θ)-(L_XR.S-L_XL.S)×cos(L_X.θ)|从当前车道的直线对序列中查找出其直线对间距最接近上一识别周期直线对间距的直线对。

再按照|(L_XL.S-L_HL.S)-(L_XR.S-L_HR.S)|<起始点变化值的差值来判断其左右边直线起始点变化规律是否一致；其中，起始点变化值的差值为5，若是则确定其为当前车道直线对并结束本识别周期，否则删除该直线对，并判断下一个直线对间距最接近上一识别周期直线对间距的直线对是否满足|(L_XL.S-L_HL.S)-(L_XR.S-L_HR.S)|<起始点变化值的差值，直至完成对当前车道的直线对序列的判断。

得到直线②、直线④为当前车道的车道线，直线②、直线④对应的就是如图9所示涂黑的车道线。

步骤3.5，先按照|L_XR.S-L_HL.S|<间距从M对直线对序列中查找出左直线L_XL；其中，间距为5dm，得到左直线L_XL序列。

再按照|(L_XR.S-L_XL.S)-(L_HR.S-L_HL.S)|从左直线L_XL序列中查找出最小的左直线L_XL后，由|L_XR.θ-L_HL.θ|<角度来确定其是否为当前车道的左直线L_L；其中，角度为8度，若是则得到当前车道的左直线L_L并结束本识别周期。

否则，先按照|L_XL.S-L_HR.S|<间距从M对直线对序列中查找出右直线L_XR，得到右直线L_XR序列。

再按照|(L_XR.S-L_XL.S)-(L_HR.S-L_HL.S)|从右直线L_XR序列中查找出最小的右直线L_XR后，由|L_XR.θ-L_HL.θ|<角度来确定其是否为当前车道的右直线L_R，若是则得到当前车道的右直线L_R并结束本识别周期，否则本识别周期未检测到车道线，结束本识别周期。

显然，本领域的技术人员可以对本发明的基于车道线历史帧的识别方法进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若对本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种基于车道线历史帧的识别方法，包括道路图像的采集和预处理，以及直线的提取，其特征在于完成步骤如下：

步骤1，先对采集到的道路图像进行高斯滤波预处理，再对其进行逆投影变换为鸟瞰图；

步骤2，先对鸟瞰图使用自适应阈值二值法进行二值化处理，再对其进行霍夫变换以提取直线；

步骤3，基于每条直线L_X的线角度L_X.θ、线距离L_X.ρ、线票数L_X.V和线起始点距离L_X.S，其中的X＝1，2,……N，以及上一识别周期得到的车道线的间距和位置，确定霍夫变换结果中的何直线为车道线，具体过程为，

步骤3.1，先判断L_X.θ>设定角度或者L_X.θ<设定角度-120，若是则保留，否则删除，再对保留下来的直线进行L_X.S从小到大自左至右的排序，得到L_X.S排序表，接着，先查询L_X.S排序表中L_X.S-L_X-1.S的值，此时的X＝2，3,……N，若L_X.S-L_X-1.S<设定距离，则比较L_X.V和L_X-1.V，并保留V值大的直线，再以保留下来的直线为准向右查询，若L_X.S-L_X-1.S≥设定距离，则保留直线L_X-1，并继续从直线L_X开始向右查找，直至查到直线L_N结束，得到有效直线序列；

步骤3.2，先从有效直线序列的直线L₁开始依次向直线L_N进行循环查找配对，配对的条件为|L_1+X.θ-L₁.θ|<两条直线的θ角差值&&(L_1+X.S-L₁.S)×cos(L₁.θ)>两条直线的间距下限&&(L_1+X.S-L₁.S)×cos(L₁.θ)<两条直线的间距上限，若满足则保留此直线对为左直线L_1L和右直线L_1R,X的值加1再进行判断，X初始取值为1，当X取值为N时结束直线L₁的查找配对，再从有效直线序列的直线L₂开始依次向直线L_N进行循环查找配对，配对条件同上，直至直线L_N-1与直线L_N配对判断结束，得到由左直线L_XL和右直线L_XR构成的M对直线对序列，其中的X＝1，2,……M；

步骤3.3，先取出上一识别周期检测到的左车道直线L_HL和右车道直线L_HR，若上一识别周期未检测到，则取车辆位于车道正中间时测定的车道线数据为其上一识别周期检测到的车道直线对，再按照|L_XL.S-L_HL.S|<起始点距离对M对直线对中的左直线L_XL与左车道直线L_HL的起始点距离进行循环判断，或者按照|L_XR.S-L_HR.S|<起始点距离对M对直线对中的右直线L_XR与右车道直线L_HR的起始点距离进行循环判断，若满足则取其为当前车道的直线对，若不满足则删除该直线对，直至对M对直线对全部判断完，得到当前车道的直线对序列；

步骤3.4，先按照|(L_HR.S-L_HL.S)×cos(L_H.θ)-(L_XR.S-L_XL.S)×cos(L_X.θ)|从当前车道的直线对序列中查找出其直线对间距最接近上一识别周期直线对间距的直线对，再按照|(L_XL.S-L_HL.S)-(L_XR.S-L_HR.S)|<起始点变化值的差值来判断其左右边直线起始点变化规律是否一致，若是则确定其为当前车道直线对并结束本识别周期，否则删除该直线对，并判断下一个直线对间距最接近上一识别周期直线对间距的直线对是否满足|(L_XL.S-L_HL.S)-(L_XR.S-L_HR.S)|<起始点变化值的差值，直至完成对当前车道的直线对序列的判断；

步骤3.5，先按照|L_XR.S-L_HL.S|<间距从M对直线对序列中查找出左直线L_XL，得到左直线L_XL序列，再按照|(L_XR.S-L_XL.S)-(L_HR.S-L_HL.S)|从左直线L_XL序列中查找出最小的左直线L_XL后，由|L_XR.θ-L_HL.θ|<角度来确定其是否为当前车道的左直线L_L，若是则得到当前车道的左直线L_L并结束本识别周期，

否则，先按照|L_XL.S-L_HR.S|<间距从M对直线对序列中查找出右直线L_XR，得到右直线L_XR序列，再按照|(L_XR.S-L_XL.S)-(L_HR.S-L_HL.S)|从右直线L_XR序列中查找出最小的右直线L_XR后，由|L_XR.θ-L_HL.θ|<角度来确定其是否为当前车道的右直线L_R，若是则得到当前车道的右直线L_R并结束本识别周期，否则本识别周期未检测到车道线，结束本识别周期。

2.根据权利要求1所述的基于车道线历史帧的识别方法，其特征是高斯滤波为3×3的高斯滤波。

3.根据权利要求1所述的基于车道线历史帧的识别方法，其特征是鸟瞰图的转换过程为，先以车辆车头中心点正前方为原点(0，0)、X轴为车辆的横向距离、Y轴为车辆的前方距离、单位为dm，建立车辆的世界坐标系，再通过3×3的变换矩阵将像素坐标系下的像素坐标变换为世界坐标系下的坐标，最后将像素坐标系下的像素值赋值到车辆的世界坐标系对应的坐标位置。

4.根据权利要求1所述的基于车道线历史帧的识别方法，其特征是对鸟瞰图使用自适应阈值二值法进行二值化处理的过程为，先对图像做模板为 $\left\{\begin{array}{ccccc}1& ,& 1& ,& 1\\ 1& ,& 1& ,& 1\\ 1& ,& 1& ,& 1\end{array}\right\}*\frac{1}{9}$ 的3×3卷积处理，再将卷积处理后的灰度值G_V与卷积处理前的灰度值G_t，以及卷积处理前的灰度值G_t与卷积处理前相同位置左右各移动3个像素点的灰度值G_t-3、G_t+3同时进行对比，如果G_t-G_V>7&&G_t-G_t-3>7&&G_t-G_t+3>7，则赋值这个像素点的值为255，否则为0。

5.根据权利要求1所述的基于车道线历史帧的识别方法，其特征是进行霍夫变换提取直线的过程为，先定义(ρ，θ)为车辆的世界坐标系中的一条直线，其中的ρ为该直线到原点的距离、θ为原点到该直线的垂线与X轴的夹角，以及Hough感兴趣的区域为100×300、X轴从-50～50、Y轴从为0～300，θ的取值为0～180度，阈值T为50，再经Hough提取直线后得到每根直线的三个变量ρ、θ和V，其中的V为该直线hough累积的点数，最后通过ρ、θ这两个变量得到该直线与X轴的交点——起始点Sta的坐标(S，0)，其中的S＝ρ/cos(θ)。

6.根据权利要求1所述的基于车道线历史帧的识别方法，其特征是步骤3.1中的设定角度为150度，设定距离为3dm。

7.根据权利要求1所述的基于车道线历史帧的识别方法，其特征是步骤3.2中的两条线的θ角差值为4，两条线的间距上限为42dm、下限为28dm。

8.根据权利要求1所述的基于车道线历史帧的识别方法，其特征是步骤3.3中的起始点距离为5dm。

9.根据权利要求1所述的基于车道线历史帧的识别方法，其特征是步骤3.4中的起始点变化值的差值为5。

10.根据权利要求1所述的基于车道线历史帧的识别方法，其特征是步骤3.5中的间距为5dm，角度为8度。