CN104966050B - 一种基于asm的车道线检测方法 - Google Patents
一种基于asm的车道线检测方法 Download PDFInfo
- Publication number
- CN104966050B CN104966050B CN201510296517.4A CN201510296517A CN104966050B CN 104966050 B CN104966050 B CN 104966050B CN 201510296517 A CN201510296517 A CN 201510296517A CN 104966050 B CN104966050 B CN 104966050B
- Authority
- CN
- China
- Prior art keywords
- image
- asm
- vehicle front
- real
- lane lines
- 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.)
- Expired - Fee Related
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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于ASM的车道线检测方法，包括如下步骤：对采集的一幅车辆前方图像划分感兴趣区域；图像预处理：对划分感兴趣区域后的图像灰度化，再采用3×3的滑动窗口进行中值滤波，保留细节，去除干扰噪声；在预处理后的图像的两条车道线上标定特征点，建立一个由特征点分布模型组成的训练集；对步骤三建立的训练集进行归一化处理，获得一个对齐形状；通过主成分分析运算捕捉对齐形状的统计信息，建立ASM模型；实时采集车辆前方待检测图像，并根据步骤一和步骤二的方法对实时采集的车辆前方待检测图像划分感兴趣区域和图像预处理，最后利用建立的ASM模型在预处理后的实时采集的车辆前方待检测图像中搜索与ASM模型匹配信息，完成车道线检测。
Description
技术领域：
本发明涉及一种车道线分割、检测的方法，具体涉及一种基于ASM(Active ShapeModels，主动形状模型)的车道线检测方法。
背景技术：
车道线检测与跟踪是高速公路汽车辅助安全驾驶系统中重要任务之一，是实现车道保持辅助、车道偏离预警、碰撞警告的前提和基础。
目前，基于图像处理的车道线检测技术可分为基于特征和基于模型两大类。前者主要利用道路的纹理、边缘、颜色等特征来检测车道线。该方法易受光照条件、车道曲率、遮挡、积水、路面破损的影响。后者则是通过先建立道路的参数模型，再进行图像分析确定模型参数，最后得到完整的车道线。常用的车道线检测算法有：形态学滤波、边缘检测法、Hough变换、Kalman预测等。其中，形态学滤波方法常见的是利用“水阈”变换理论，根据图像中灰度的梯度值确定车道线位置；边缘检测方法主要是通过图像灰度阈值获得潜在的车道线边缘点，再通过对边缘点的组合和处理使其满足某种车道线模型，从而获得车道线信息；Hough是一种依据全局统计信息的直线提取方法——从图像空间点向参数空间对应位置投票累加并搜索参数空间峰值来获得直线方程，因此，使其在许多车道线检测系统中得到广泛的应用；kalman预测主要用于车道线跟踪，首先通过建立的动态方程和观测方程确定左、右车道线的感兴趣区域，再利用扫描线法搜索车道线边界点，以此达到跟踪的目的。
然而，上述方法都存在一定的局限性，无法快速、准确地实现车道线的识别与跟踪，不能满足高速公路上汽车辅助安全驾驶系统的实时性。
发明内容：
本发明的目的在于针对现有技术的不足，提供了一种基于ASM的车道线检测方法。
为达到上述目的，本发明采取如下的技术方案予以实现：
一种基于ASM的车道线检测方法，具体按下述步骤进行：
步骤一，对采集的一幅车辆前方图像划分感兴趣区域；
步骤二，图像预处理：对划分感兴趣区域后的图像灰度化，再采用3×3的滑动窗口进行中值滤波，保留细节，去除干扰噪声；
步骤三，在预处理后的图像的两条车道线上标定特征点，建立一个由特征点分布模型组成的训练集；
步骤四，对步骤三建立的训练集进行归一化处理，获得一个对齐形状；
步骤五，通过主成分分析运算捕捉对齐形状的统计信息，建立ASM模型；
步骤六，实时采集车辆前方待检测图像，并根据步骤一和步骤二的方法对实时采集的车辆前方待检测图像划分感兴趣区域和图像预处理，最后利用建立的ASM模型在预处理后的实时采集的车辆前方待检测图像中搜索与ASM模型匹配信息，完成车道线检测。
本发明进一步的改进在于，步骤一中，采用隔行水平均值投影的感兴趣区域划分方法，利用亮度特征动态寻找图像中路面与背景的分界线。
本发明进一步的改进在于，步骤四中，利用普鲁克分析方法对训练集进行归一化处理。
本发明进一步的改进在于，步骤六中，在预处理后的实时采集的车辆前方待检测图像中，定位和匹配ASM模型中车道线轮廓，建立局部灰度模型来搜索特征点中的最佳匹配位置，再调整参数模型，以实现对预处理后的实时采集的车辆前方待检测图像车道线的检测。
相对于现有技术，本发明具有如下的有益效果：
1、在图像预处理中采用中值滤波，可以很好的滤除孤立点噪声和洞孔噪声，保持图像的有用信息。
2、采取模板匹配的方法，可以去除由于相机抖动或路面不平等随机因素引起的影响，提高车道线检测的快速性和鲁棒性。另外，采取了归一化的处理功能，道路定位较为准确，可快速、准确地实现车道线的检测和跟踪。
3、进一步的，采用隔行水平均值投影的感兴趣区域划分方法，有效解决车道线识别中计算量大、背景干扰等问题，提高了车道线检测的快速性和有效性。
附图说明：
图1为本发明的方法流程图；
图2为ASM算法目标匹配流程图；
图3(a)和图3(b)为所选取的部分样本标记图；
图4为车道线检测结果图。
具体实施方式：
以下结合附图和实施例对本发明作进一步详细说明。
如图1所示，本发明一种基于ASM的车道线检测方法，概括描述如下：
首先通过手工方法在一组图像上标定特征点，从而建立一个特征点分布模型(Point Distribution Model，PDM)的训练集；然后对训练集进行归一化处理即对齐处理，常用的对齐方法是普鲁克分析(Procrustes analysis，PA)，通过对齐训练集获取一个真正的形状描述；再通过主成分分析(Principal Component Analysis，PCA)运算捕捉已对齐形状的统计信息，从而建立ASM模型；最后利用建立的ASM模型在新的图像中搜索与模型匹配信息。本发明能够灵活适应形状的变化，能在混乱和遮挡的环境中保持它所代表的目标的特异性，具有较好的鲁棒性，同时，该方法通过训练得到对象的统计知识，具有更高的定位精度。
实施例：
如图1和2所示，本发明一种基于ASM的车道线检测方法，具体按下述步骤进行：
1、样本标定
样本标定是对样本集中的各个样本进行特征点的标定。特征点集要求尽可能准确的描述目标的形状。特征点选取的依据为：目标轮廓上具有特殊应用意义的点或具备某些几何特性的点，如线段连接点、角度和曲率的极值点。
标定工作由人工完成并且每个形状上选择的特征点数目、顺序以及对应的位置必须相同。设对每个样本Xi取n个特征点，则该样本可表示为一个2n维的坐标向量：
Xi＝(xi1,xi2,...xin,yi1,yi2,...yin)T (1)
其中，(xik,yik)为样本Xi中第k个特征点的坐标。
若样本集Ω由N个形状组成，则表示为：
Ω＝(X1,X2,...XN) (2)
2、归一化处理
由于拍摄角度、距离、遮挡等外界因素的干扰，以及手工标定特征点存在一定误差，在所获得的训练集中的PDM模型可能会出现在不同的位置、具有不同的大小和旋转角度，因此手工标定点获取车道线PDM模型，包含了很多冗余信息，故必须对其进行归一化处理，即对齐。
本发明采取普鲁克分析方法(Procrustes Analysis，PA)，把一系列的特征点分布模型通过适当的平移、旋转、缩放变换，在不改变特征点分布模型的整体形状的基础之上对齐到同一个框架下。
对齐的过程需要对每个样本Xi计算的参数有四个：缩放变量si；旋转角度变量θi；X轴的平移分量Txi，Y轴的平移分量Tyi。对Xi做放大倍数为si和旋转角度为θi的旋转变换，用公式可表示为：
样本集Xi向Xi+1对齐的过程就是通过求si、θi、Txi、Tyi使得两者之间的普氏距离最小的过程。
其中W是关于训练集的一个权重矩阵，Zi＝Xi-M(si,θi)[Xi]-[Txi,Tyi,...,Txi,Tyi]T
3、形状统计分析与模型的建立
在统计分析阶段就是要分析这种形状间的变化，建立起包含形变模式的形状模型。此时，外形轮廓向量维数为2n，本发明采用主元分析法(Principal Componentanalysis,PCA)进行降维处理具体步骤为：
1)计算样本集中N个形状的平均形状
2)计算样本集的协方差矩阵Scov
3)求得Scov的前t个特征值λ和对应的特征向量P，记做λ＝[λ1,λ2,...λt]，P＝(P1,P2...Pt)。特征值的选择依据如下式所示：
4)所得到的PDM模型为
其中b＝(b1,b2,...,bt)T为前t个模态的权重矢量，取值范围为
P矩阵的列向量是正交的，并且有：
由此可知，PDM模型由两部分组成，第一部分是标记点组成的轮廓的平均值，即平均轮廓；第二部分是标记点变化的主要模态，表示标记点相对于平均轮廓的整体变化趋势。
4、轮廓匹配
建模结束后，便可利用生成的点分布模型在图像中定位和匹配目标轮廓。本发明采取基于轮廓灰度的匹配法调整改变轮廓形状，使之逐渐向待分割目标逼近。
搜索匹配的迭代过程如下：
1)将平均形状放置在新的图像附近进行初始化。
2)统计样本集中同一位置所有标记点Profile邻域的局部灰度向量集，计算马氏距离，选取马氏距离最小的点为当前位置的最佳备选点。
局部灰度向量集为：PDM中以所有特征点为中心提取的一部分像素灰度所组成的个向量集，记为q，一般假设q满足高斯分布。
Profile邻域的定义为：标记点处法线方向上以标记点为中心的一定长度范围。
马氏距离为:
3)利用公式(8)所求得的ASM模型向量，向上一步得到的最佳备选点组成的形状向量对齐。
检查新旧形状向量是否有显著的变化，若变化量符合事先设定的最小阈值，则我们可以宣布搜索提取特征点完成.否则以新的形状向量位置作为当前位置，重新设定有关参数，重复上述步骤。
Claims (4)
1.一种基于ASM的车道线检测方法，其特征在于，具体按下述步骤进行：
步骤一，对采集的一幅车辆前方图像划分感兴趣区域；
步骤二，图像预处理：对感兴趣区域进行图像灰度化，再采用3×3的滑动窗口进行中值滤波，保留细节，去除干扰噪声；
步骤三，在预处理后的图像的两条车道线上由人工标定特征点，建立一个由特征点分布模型组成的训练集；
步骤四，对步骤三建立的训练集进行归一化处理，获得一个对齐形状；
步骤五，通过主成分分析运算捕捉对齐形状的统计信息，建立ASM模型；
步骤六，实时采集车辆前方待检测图像，并根据步骤一和步骤二的方法对实时采集的车辆前方待检测图像划分感兴趣区域和图像预处理，最后利用建立的ASM模型在预处理后的实时采集的车辆前方待检测图像中搜索与ASM模型匹配信息，完成车道线检测。
2.根据权利要求1所述的一种基于ASM的车道线检测方法，其特征在于，步骤一中，采用隔行水平均值投影的感兴趣区域划分方法，利用亮度特征动态寻找图像中路面与背景的分界线。
3.根据权利要求1所述的一种基于ASM的车道线检测方法，其特征在于，步骤四中，利用普鲁克分析方法对训练集进行归一化处理。
4.根据权利要求1所述的一种基于ASM的车道线检测方法，其特征在于，步骤六中，在预处理后的实时采集的车辆前方待检测图像中，定位和匹配ASM模型中车道线轮廓，建立局部灰度模型来搜索特征点中的最佳匹配位置，再调整参数模型，以实现对预处理后的实时采集的车辆前方待检测图像车道线的检测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510296517.4A CN104966050B (zh) | 2015-06-02 | 2015-06-02 | 一种基于asm的车道线检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510296517.4A CN104966050B (zh) | 2015-06-02 | 2015-06-02 | 一种基于asm的车道线检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104966050A CN104966050A (zh) | 2015-10-07 |
| CN104966050B true CN104966050B (zh) | 2017-04-05 |
Family
ID=54220088
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510296517.4A Expired - Fee Related CN104966050B (zh) | 2015-06-02 | 2015-06-02 | 一种基于asm的车道线检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104966050B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI611961B (zh) * | 2016-06-01 | 2018-01-21 | 緯創資通股份有限公司 | 車道線影像分析方法、影像分析裝置及其電腦可讀取式媒體 |
| CN110660122A (zh) * | 2019-09-19 | 2020-01-07 | 西北工业大学 | 一种基于pca的体绘制多光源设计方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1731416A (zh) * | 2005-08-04 | 2006-02-08 | 上海交通大学 | 快速且精确的人脸特征点定位方法 |
| CN103383733B (zh) * | 2013-05-16 | 2016-09-14 | 浙江智尔信息技术有限公司 | 一种基于半机器学习的车道视频检测方法 |
| CN103605977B (zh) * | 2013-11-05 | 2017-01-18 | 奇瑞汽车股份有限公司 | 一种车道线的提取方法及装置 |
-
2015
- 2015-06-02 CN CN201510296517.4A patent/CN104966050B/zh not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| CN104966050A (zh) | 2015-10-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Sochor et al. | Traffic surveillance camera calibration by 3d model bounding box alignment for accurate vehicle speed measurement | |
| CN104318258B (zh) | 一种基于时域模糊和卡尔曼滤波器的车道线检测方法 | |
| CN101739551B (zh) | 运动目标识别方法及系统 | |
| CN110232389B (zh) | 一种基于绿色作物特征提取不变性的立体视觉导航方法 | |
| CN103077521B (zh) | 一种用于视频监控的感兴趣区域提取方法 | |
| CN103714541B (zh) | 一种利用山体轮廓区域约束识别定位建筑物的方法 | |
| CN110244322A (zh) | 基于多源传感器的路面施工机器人环境感知系统及方法 | |
| CN110569704A (zh) | 一种基于立体视觉的多策略自适应车道线检测方法 | |
| CN110647850A (zh) | 一种基于逆透视原理的车道偏移自动测量方法 | |
| CN105447490B (zh) | 基于梯度回归树的车辆关键点检测方法及装置 | |
| Beyeler et al. | Vision-based robust road lane detection in urban environments | |
| CN108052904B (zh) | 车道线的获取方法及装置 | |
| CN111145228A (zh) | 基于局部轮廓点与形状特征融合的异源图像配准方法 | |
| CN104778701A (zh) | 一种基于rgb-d传感器的局部图像描述方法 | |
| CN110379168A (zh) | 一种基于Mask R-CNN的交通车辆信息获取方法 | |
| CN105678287B (zh) | 一种基于脊度量的车道线检测方法 | |
| CN110021029B (zh) | 一种适用于rgbd-slam的实时动态配准方法及存储介质 | |
| CN112906583B (zh) | 一种车道线检测方法及装置 | |
| CN105260750A (zh) | 一种奶牛识别方法及系统 | |
| CN102903109A (zh) | 一种光学影像和sar影像一体化分割配准方法 | |
| CN113378659A (zh) | 一种占道经营识别方法 | |
| CN104966050B (zh) | 一种基于asm的车道线检测方法 | |
| Jin et al. | Road curvature estimation using a new lane detection method | |
| Gupta et al. | Robust lane detection using multiple features | |
| CN109815812B (zh) | 一种基于水平边缘信息累积的车辆下底边定位方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB03 | Change of inventor or designer information |
Inventor after: Zhang Shaoyang Inventor after: Wang Weixing Inventor after: Zhang Zizhuo Inventor after: Tian Hao Inventor after: Hou Xuyang Inventor after: Wang Haoyu Inventor after: Xie Guanxing Inventor before: Zhang Shaoyang Inventor before: Wang Weixing Inventor before: Tian Hao Inventor before: Hou Xuyang |
|
| COR | Change of bibliographic data | ||
| 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: 20170405 Termination date: 20180602 |