CN104992145B - 一种矩采样车道跟踪检测方法 - Google Patents
一种矩采样车道跟踪检测方法 Download PDFInfo
- Publication number
- CN104992145B CN104992145B CN201510330478.5A CN201510330478A CN104992145B CN 104992145 B CN104992145 B CN 104992145B CN 201510330478 A CN201510330478 A CN 201510330478A CN 104992145 B CN104992145 B CN 104992145B
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- image
- lane line
- line
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种矩采样车道跟踪检测方法，具体步骤包括：(1)通过安装在车辆中心线前方的相机获取前方道路影像；(2)在一帧图像中选取感兴趣区域；(3)利用自适应阈值法检测道路上的车道线；(4)通过图像分割提取车道线；(5)利用车道线区域的各阶几何矩计算出其中心线延伸方向，即车道延伸方向，从而确定车辆的行驶方向，判断车辆是否正在偏离行驶的车道。本发明利用车道线区域的各阶几何矩来计算车道线的中心线，从而确定车道延伸方向，简单又可靠，能够适应对检测算法的实时性要求。对于路况良好的道路能够快速可靠地检测车道延伸方向。本发明硬件设施成本低廉，易于实现大规模推广。
Description
技术领域
本发明涉及一种矩采样车道跟踪检测方法，属于数字图像处理技术和用于快速检测并跟踪车道的技术领域。
背景技术
作为工业时代最伟大的发明之一，汽车以它庞大的数量在人类交通史中占有极为重要的地位。2015年，仅我国汽车保有量就达到1.5亿，平均10人就有一辆汽车，而发达国家的数字还要远超我国。
庞大保有量和使用人数也使得汽车成为了夺取生命最多的交通工具。虽然我国汽车保有量不到全世界2％，但是交通事故伤亡人数却占到了全球伤亡人数的20％，每年超过10万人在交通事故中受伤或身亡。其中很大一部分原因是驾驶员安全意识淡薄，危险变道或者在疲劳驾驶。
另一方面，随着车辆的增多，互联网技术的发展以及更强大、更高效的硬件设备的出现，无人驾驶成为了当今热门的研究领域。
世界上汽车工业较为发达的国家都已经开始展开了对无人驾驶的研究。比如，美国谷歌公司研发的智能无人驾驶汽车，内华达州机动车辆管理局已正式向谷歌颁发首张无人驾驶车辆牌照，由谷歌研发的这种无人驾驶汽车今后可以驶上开放公路进行测试；德国“路克斯”可以在错综复杂的城市公路系统中实现无人驾驶，它还能识别各种交通标志，保证汽车在遵守交通规则的前提下安全行驶。但是，我国却在该方面还处在一个非常初级的阶段。
车道检测是无人驾驶体系中一项十分重要的技术，如果提供一种可靠性高、运算量小的车道检测方法用于判断车辆行驶时是否偏离车道，对我国无人驾驶技术发展将有较大意义。
发明内容
针对现有技术的不足，本发明公开了一种可用于实时系统的快速、可靠的矩采样车道跟踪检测方法；
本发明能够快速、可靠的检测并跟踪车道，并且在汽车偏离道路方向的情况下结合车辆辅助驾驶系统提醒驾驶员注意行车方向，避免交通事故的发生，保证汽车内外的人员安全，降低车祸的发生几率。
本发明的技术方案为：
一种矩采样车道跟踪检测方法，通过安装在沿车辆中心线的车辆前方的相机获取车辆前方道路影像，将前方道路影像分解成大量帧图像，w＝0，具体步骤包括：
(1)选取感兴趣区域并进行初始化处理：w加N，其中,FPS为所述相机拍摄的帧率，v表示车辆速度，Pm指车辆每行驶1米所需处理的图像帧数，在大量帧图像中第w帧图像中，选取车辆前方且靠近车辆的一段矩形道路区域作为感兴趣区域P；
在车辆行驶过程中，为了保证本发明提供方法的实时性，对于相机拍摄的影像，不需要处理每一帧的图像，可以通过每处理一帧，忽略接下来的N帧图像，N的具体数值可以根据车辆的行驶速度来动态改变；同时，由于选取的感兴趣区域较小，对于行驶的车辆，感兴趣区域的位置可以看作基本不变，又因为相近的帧之间车道线在感兴趣区域中的位置的变化量较小，只需要通过检测车道线在当前帧的位置即可预测下一帧中车道线的大概位置，通过微调感兴趣区域在帧图像中的位置来实现对车道线的追踪，从而避免重复选取感兴趣区域，在保证检测车道线可靠性的同时又加快了处理速度。
(2)利用自适应阈值法检测道路上的车道线：将步骤(1)得到的感兴趣区域P进行灰度化处理，得到灰度图像，采用自适应阈值法计算分割阈值，利用分割阈值对灰度图像进行二值化处理，得到二值化图像Ib，再对二值化图像Ib进行形态学上的闭操作，去除干扰点，形成一个完整的矩形车道线段，得到二值图像Ib′；
得到二值化图像Ib后，由于实际道路中车道线存在磨损，利用分割阈值对灰度图像进行二值化处理后，车道线中必然存在干扰点，为了去除干扰点，选取一个合适大小的矩形窗，对二值化图像Ib进行形态学的闭操作处理，去除干扰点，使之形成一个连通的整体，得到二值图像Ib′。
(3)通过图像分割提取车道线：对二值图像Ib′中的白色区域进行图像分割处理，将连通的白色区域标成同一标号，同一标号的像素点视作为一个超像素点，完成对白色连通区域的分割，设定规则去除白色干扰区域，如果感兴趣区域P中不存在完整的车道线，则进入步骤(1)；否则，感兴趣区域P中存在完整的车道线，获取完整的车道线；
(4)判断车辆是否正在偏离行驶的车道：计算出步骤(3)得到完整的车道线的中心线延伸方向，即车道延伸方向，图像平面坐标系的Y轴方向即车辆行驶方向，求取车道延伸方向与车辆行驶方向之间的夹角β，如果β≥10°，则车辆正在偏离行驶的车道，通过车载辅助驾驶系统对车辆驾驶员发出警告，否则，进入步骤(1)；其中，所述图像平面坐标系是指：以第w帧图像的左下角为原点、以第w帧图像下边缘为X轴、以第w帧图像左边缘为Y轴建立的坐标系。
根据本发明优选的，步骤(2)中，采用自适应阈值法计算分割阈值，利用分割阈值对灰度图像进行二值化处理，得到二值化图像Ib，具体步骤包括：
a、对步骤(1)所述灰度图像中的256种像素值进行统计，得到每一种像素值的像素点个数，形成横坐标为像素值、纵坐标为像素值对应的像素点个数的统计直方图；
b、以像素值为横坐标、像素值对应的像素点个数为纵坐标，得到拟合曲线L，取拟合曲线L上的两个极大值Max1和Max2，并取拟合曲线L上两个极大值Max1和Max2之间的最小值Min，最小值Min对应的横坐标值取整后即为分割阈值T，利用分割阈值T对步骤(2)所述灰度图像进行二值化处理，得到二值化图像Ib。
由于路面上的车道线一般为黄色或白色，而路面本身接近于灰黑色，白色或黄色车道线对应的灰度值较大，灰黑色路面对应的灰度值较小，而车道线占感兴趣区域P的面积较小，大部分为路面，因此，统计直方图中会得到两个极大值。
根据本发明优选的，步骤(3)中，通过图像分割提取车道线，具体步骤包括：
c、遍历步骤(2)得到的二值图像Ib′，对二值图像Ib′进行标号处理，即：将二值图像Ib′中相邻的白色像素点标注成同一个标号i，1≤i≤n且i为正整数，得到n个连通区域，即{S1......Si......Sn}；
d、对步骤c标号为1—n的数目分别进行统计，计算出连通区域{S1......Si......Sn}的面积分别为{A1......Ai......An}，设定面积阈值Ts，面积阈值Ts为{A1......Ai......An}中的第二大值，将{A1......Ai......An}任一值分别与面积阈值Ts进行比较，如果Ai＜Ts，连通区域Si不属于车道线，去除连通区域Si；否则，保留；最终得到剩余连通区域，即车道线，此时的二值图像为Ib”；
e、取步骤d最终得到的剩余连通区域在图像平面坐标系上横坐标的最大值Xi,max、纵坐标的最大值Yi,max、横坐标的最小值Xi,min、纵坐标的最小值Yi,min，计算车道线的横轴长度W＝Xi,max-Xi,min，计算车道线的纵轴长度H＝Yi,max-Yi,min，如果W大于H，则感兴趣区域P中不存在完整的车道线，则进入步骤(1)；否则，感兴趣区域P中存在完整的车道线，获取完整的车道线。
根据本发明优选的，步骤(4)中，计算出步骤(3)得到完整的车道线的中心线延伸方向，即车道延伸方向，具体步骤包括：
①遍历二值图像Ib″，得到同一个标号i的连通区域Si中每一个像素点的横坐标值及纵坐标值；
②计算得到连通区域Si的中心坐标(xi,s,yi,s)，计算公式如式(Ⅰ)、式(Ⅱ)所示：
式(Ⅰ)、式(Ⅱ)中，连通区域Si的矩ma,b(si)定义如式(Ⅲ)所示：
式(Ⅲ)中，a、b为非负数，a与b的和为区域Si的矩的阶数，x与y分别为属于连通区域Si的像素点的横坐标值与纵坐标值，通过步骤①得到；
③计算连通区域Si的主轴方向与图像平面坐标系中X轴正半轴的夹角θ的两倍正切值，计算公式如式(Ⅳ)所示：
式(Ⅳ)中，连通区域Si的中心矩μa,b(si)定义如式(Ⅴ)所示：
④通过式(Ⅳ)得到两个tan(θ(si))正切值，将其分别作为两条直线的斜率，结合连通区域Si的中心坐标(xi,s,yi,s)分别构建出这两条直线，通过对比这两条直线与连通区域Si的相交长度，相交长度较长的直线Lv1即车道线的主轴方向，采用同样的方法计算出另一条车道线的主轴方向Lv2；
⑤选取与图像平面坐标系X轴平行的两条直线Lh1和Lh2，直线Lv1、Lv2分别与直线Lh1相交于点Pa、Pb，直线Lv1、Lv2分别与直线Lh2相交于点Pc、Pd，点Pa与点Pb的中点为Pab，点Pc与Pd的中点为Pcd，连接点Pab与点Pcd，构成直线Lc，则直线Lc即完整的车道线的中心线。
本发明的有益效果为：
1、本发明通过自适应阈值法对所选感兴趣区域进行二值化处理，能够有效避免光照强度对检测车道线产生的影响。
2、本发明为了增加算法的处理速度，在通过跳帧的处理方式来减小计算量的同时，结合预测车道线在下一帧图像中的位置来避免重复确定感兴趣区域，进一步改进了算法的实时性。
3、本发明利用车道线区域的各阶几何矩来计算车道线的中心线，并由车道线的车道线的中心线延伸方向来确定车道延伸方向，是一种既简单又可靠的检测方法，能够适应对检测算法的实时性要求。对于路况良好的道路能够快速可靠地检测车道延伸方向。
5、本发明硬件设施成本低廉，易于实现大规模推广。
附图说明
图1为本发明车道跟踪检测法的流程图；
图2为基于日间虚线直车道的检测效果示意图；
图3为基于日间实线直车道的检测效果示意图；
图4为基于日间实线弯车道的检测效果示意图；
图5为基于日间虚线弯车道的检测效果示意图；
图6为基于夜间车道的检测效果示意图。
具体实施方式
下面结合说明书附图和具体实施例对本发明作进一步限定，但不限于此。
实施例1
一种矩采样车道跟踪检测方法，通过安装在沿车辆中心线的车辆前方的相机获取车辆前方道路影像，将前方道路影像分解成大量帧图像，w＝0，具体步骤包括：
(1)选取感兴趣区域并进行初始化处理：w加N，其中,FPS为所述相机拍摄的帧率，v表示车辆速度，Pm指车辆每行驶1米所需处理的图像帧数，在大量帧图像中第w帧图像中，选取车辆前方且靠近车辆的一段矩形道路区域作为感兴趣区域P；
在车辆行驶过程中，为了保证本发明提供方法的实时性，对于相机拍摄的影像，不需要处理每一帧的图像，可以通过每处理一帧，忽略接下来的N帧图像，N的具体数值可以根据车辆的行驶速度来动态改变；同时，由于选取的感兴趣区域较小，对于行驶的车辆，感兴趣区域的位置可以看作基本不变，又因为相近的帧之间车道线在感兴趣区域中的位置的变化量较小，只需要通过检测车道线在当前帧的位置即可预测下一帧中车道线的大概位置，通过微调感兴趣区域在帧图像中的位置来实现对车道线的追踪，从而避免重复选取感兴趣区域，在保证检测车道线可靠性的同时又加快了处理速度。
(2)利用自适应阈值法检测道路上的车道线：将步骤(1)得到的感兴趣区域P进行灰度化处理，得到灰度图像，采用自适应阈值法计算分割阈值，利用分割阈值对灰度图像进行二值化处理，得到二值化图像Ib，再对二值化图像Ib进行形态学上的闭操作，去除干扰点，形成一个完整的矩形车道线段，得到二值图像Ib′；
得到二值化图像Ib后，由于实际道路中车道线存在磨损，利用分割阈值对灰度图像进行二值化处理后，车道线中必然存在干扰点，为了去除干扰点，选取一个合适大小的矩形窗，对二值化图像Ib进行形态学的闭操作处理，去除干扰点，使之形成一个连通的整体，得到二值图像Ib′。
(3)通过图像分割提取车道线：对二值图像Ib′中的白色区域进行图像分割处理，将连通的白色区域标成同一标号，同一标号的像素点视作为一个超像素点，完成对白色连通区域的分割，设定规则去除白色干扰区域，如果感兴趣区域P中不存在完整的车道线，则进入步骤(1)；否则，感兴趣区域P中存在完整的车道线，获取完整的车道线；
(4)判断车辆是否正在偏离行驶的车道：计算出步骤(3)得到完整的车道线的中心线延伸方向，即车道延伸方向，图像平面坐标系的Y轴方向即车辆行驶方向，求取车道延伸方向与车辆行驶方向之间的夹角β，如果β≥10°，则车辆正在偏离行驶的车道，通过车载辅助驾驶系统对车辆驾驶员发出警告，否则，进入步骤(1)；其中，所述图像平面坐标系是指：以第w帧图像的左下角为原点、以第w帧图像下边缘为X轴、以第w帧图像左边缘为Y轴建立的坐标系。
实施例2
根据实施例1所述车道跟踪检测方法，其区别在于，步骤(2)中，采用自适应阈值法计算分割阈值，利用分割阈值对灰度图像进行二值化处理，得到二值化图像Ib，具体步骤包括：
a、对步骤(1)所述灰度图像中的256种像素值进行统计，得到每一种像素值的像素点个数，形成横坐标为像素值、纵坐标为像素值对应的像素点个数的统计直方图；
b、以像素值为横坐标、像素值对应的像素点个数为纵坐标，得到拟合曲线L，取拟合曲线L上的两个极大值Max1和Max2，并取拟合曲线L上两个极大值Max1和Max2之间的最小值Min，最小值Min对应的横坐标值取整后即为分割阈值T，利用分割阈值T对步骤(2)所述灰度图像进行二值化处理，得到二值化图像Ib。
由于路面上的车道线一般为黄色或白色，而路面本身接近于灰黑色，白色或黄色车道线对应的灰度值较大，灰黑色路面对应的灰度值较小，而车道线占感兴趣区域P的面积较小，大部分为路面，因此，统计直方图中会得到两个极大值。
实施例3
根据实施例1或2所述车道跟踪检测方法，其区别在于，步骤(3)中，通过图像分割提取车道线，具体步骤包括：
c、遍历步骤(2)得到的二值图像Ib′，对二值图像Ib′进行标号处理，即：将二值图像Ib′中相邻的白色像素点标注成同一个标号i，1≤i≤n且i为正整数，得到n个连通区域，即{S1......Si......Sn}；
d、对步骤c标号为1—n的数目分别进行统计，计算出连通区域{S1......Si......Sn}的面积分别为{A1......Ai......An}，设定面积阈值Ts，面积阈值Ts为{A1......Ai......An}中的第二大值，将{A1......Ai......An}任一值分别与面积阈值Ts进行比较，如果Ai＜Ts，连通区域Si不属于车道线，去除连通区域Si；否则，保留；最终得到剩余连通区域，即车道线，此时的二值图像为Ib”；
e、取步骤d最终得到的剩余连通区域在图像平面坐标系上横坐标的最大值Xi,max、纵坐标的最大值Yi,max、横坐标的最小值Xi,min、纵坐标的最小值Yi,min，计算车道线的横轴长度W＝Xi,max-Xi,min，计算车道线的纵轴长度H＝Yi,max-Yi,min，如果W大于H，则感兴趣区域P中不存在完整的车道线，则进入步骤(1)；否则，感兴趣区域P中存在完整的车道线，获取完整的车道线。
实施例4
根据实施例3所述车道跟踪检测方法，其区别在于，步骤(4)中，计算出步骤(3)得到完整的车道线的中心线延伸方向，即车道延伸方向，具体步骤包括：
①遍历二值图像Ib″，得到同一个标号i的连通区域Si中每一个像素点的横坐标值及纵坐标值；
②计算得到连通区域Si的中心坐标(xi,s,yi,s)，计算公式如式(Ⅰ)、式(Ⅱ)所示：
式(Ⅰ)、式(Ⅱ)中，连通区域Si的矩ma,b(si)定义如式(Ⅲ)所示：
式(Ⅲ)中，a、b为非负数，a与b的和为区域Si的矩的阶数，x与y分别为属于连通区域Si的像素点的横坐标值与纵坐标值，通过步骤①得到；
③计算连通区域Si的主轴方向与图像平面坐标系中X轴正半轴的夹角θ的两倍正切值，计算公式如式(Ⅳ)所示：
式(Ⅳ)中，连通区域Si的中心矩μa,b(si)定义如式(Ⅴ)所示：
④通过式(Ⅳ)得到两个tan(θ(si))正切值，将其分别作为两条直线的斜率，结合连通区域Si的中心坐标(xi,s,yi,s)分别构建出这两条直线，通过对比这两条直线与连通区域Si的相交长度，相交长度较长的直线Lv1即车道线的主轴方向，采用同样的方法计算出另一条车道线的主轴方向Lv2；
⑤选取与图像平面坐标系X轴平行的两条直线Lh1和Lh2，直线Lv1、Lv2分别与直线Lh1相交于点Pa、Pb，直线Lv1、Lv2分别与直线Lh2相交于点Pc、Pd，点Pa与点Pb的中点为Pab，点Pc与Pd的中点为Pcd，连接点Pab与点Pcd，构成直线Lc，则直线Lc即完整的车道线的中心线。
Claims (4)
1.一种矩采样车道跟踪检测方法，其特征在于，通过安装在沿车辆中心线的车辆前方的相机获取车辆前方道路影像，将前方道路影像分解成大量帧图像，w＝0，具体步骤包括：
(1)选取感兴趣区域并进行初始化处理：w加N，其中,FPS为所述相机拍摄的帧率，v表示车辆速度，Pm指车辆每行驶1米所需处理的图像帧数，在大量帧图像中第w帧图像中，选取车辆前方且靠近车辆的一段矩形道路区域作为感兴趣区域P；
(2)利用自适应阈值法检测道路上的车道线：将步骤(1)得到的感兴趣区域P进行灰度化处理，得到灰度图像，采用自适应阈值法计算分割阈值，利用分割阈值对灰度图像进行二值化处理，得到二值化图像Ib，再对二值化图像Ib进行形态学上的闭操作，去除干扰点，形成一个完整的矩形车道线段，得到二值图像I′b；
(3)通过图像分割提取车道线：对二值图像I′b中的白色区域进行图像分割处理，将连通的白色区域标成同一标号，同一标号的像素点视作为一个超像素点，完成对白色连通区域的分割，设定规则去除白色干扰区域，如果感兴趣区域P中不存在完整的车道线，则进入步骤(1)；否则，感兴趣区域P中存在完整的车道线，获取完整的车道线；
(4)判断车辆是否正在偏离行驶的车道：计算出步骤(3)得到完整的车道线的中心线延伸方向，即车道延伸方向，图像平面坐标系的Y轴方向即车辆行驶方向，求取车道延伸方向与车辆行驶方向之间的夹角β，如果β≥10°，则车辆正在偏离行驶的车道，通过车载辅助驾驶系统对车辆驾驶员发出警告，否则，进入步骤(1)；其中，所述图像平面坐标系是指：以第w帧图像的左下角为圆点、以第w帧图像下边缘为X轴、以第w帧图像左边缘为Y轴建立的坐标系。
2.根据权利要求1所述车道跟踪检测方法，其特征在于，步骤(2)中，采用自适应阈值法计算分割阈值，利用分割阈值对灰度图像进行二值化处理，得到二值化图像Ib，具体步骤包括：
a、对步骤(1)所述灰度图像中的256种像素值进行统计，得到每一种像素值的像素点个数，形成横坐标为像素值、纵坐标为像素值对应的像素点个数的统计直方图；
b、以像素值为横坐标、像素值对应的像素点个数为纵坐标，得到拟合曲线L，取拟合曲线L上的两个极大值Max1和Max2，并取拟合曲线L上两个极大值Max1和Max2之间的最小值Min，最小值Min对应的横坐标值取整后即为分割阈值T，利用分割阈值T对步骤(2)所述灰度图像进行二值化处理，得到二值化图像Ib。
3.根据权利要求1所述车道跟踪检测方法，其特征在于，步骤(3)中，通过图像分割提取车道线，具体步骤包括：
c、遍历步骤(2)得到的二值图像I′b，对二值图像I′b进行标号处理，即：将二值图像I′b中相邻的白色像素点标注成同一个标号i，1≤i≤n且i为正整数，得到n个连通区域，即{S1......Si......Sn}；
d、对步骤c标号为1—n的数目分别进行统计，计算出连通区域{S1......Si......Sn}的面积分别为{A1......Ai......An}，设定面积阈值Ts，面积阈值Ts为{A1......Ai......An}中的第二大值，将{A1......Ai......An}任一值分别与面积阈值Ts进行比较，如果Ai＜Ts，连通区域Si不属于车道线，去除连通区域Si；否则，保留；最终得到剩余连通区域，即车道线，此时的二值图像为Ib”；
e、取步骤d最终得到的剩余连通区域在图像平面坐标系上横坐标的最大值Xi,max、纵坐标的最大值Yi,max、横坐标的最小值Xi,min、纵坐标的最小值Yi,min，计算车道线的横轴长度W＝Xi,max-Xi,min，计算车道线的纵轴长度H＝Yi,max-Yi,min，如果W大于H，则感兴趣区域P中不存在完整的车道线，则进入步骤(1)；否则，感兴趣区域P中存在完整的车道线，获取完整的车道线。
4.根据权利要求3所述车道跟踪检测方法，其特征在于，步骤(4)中，计算出步骤(3)得到完整的车道线的中心线延伸方向，即车道延伸方向，具体步骤包括：
①遍历二值图像I″b，得到同一个标号i的连通区域Si中每一个像素点的横坐标值及纵坐标值；
②计算得到连通区域Si的中心坐标(xi,s,yi,s)，计算公式如式(Ⅰ)、式(Ⅱ)所示：
<mrow>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>s</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>m</mi>
<mrow>
<mn>1</mn>
<mo>,</mo>
<mn>0</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>s</mi>
<mo>)</mo>
</mrow>
</mrow>
<msub>
<mi>A</mi>
<mi>i</mi>
</msub>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mi>I</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>y</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>s</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>m</mi>
<mrow>
<mn>0</mn>
<mo>,</mo>
<mn>1</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>s</mi>
<mo>)</mo>
</mrow>
</mrow>
<msub>
<mi>A</mi>
<mi>i</mi>
</msub>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mi>I</mi>
<mi>I</mi>
<mo>)</mo>
</mrow>
</mrow>
式(Ⅰ)、式(Ⅱ)中，连通区域Si的矩ma，b(s)定义如式(III)所示：
<mrow>
<msub>
<mi>m</mi>
<mrow>
<mi>a</mi>
<mo>,</mo>
<mi>b</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>s</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
<mo>&Element;</mo>
<mi>s</mi>
</mrow>
</munder>
<msup>
<mi>x</mi>
<mi>a</mi>
</msup>
<msup>
<mi>y</mi>
<mi>b</mi>
</msup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mi>I</mi>
<mi>I</mi>
<mi>I</mi>
<mo>)</mo>
</mrow>
</mrow>
式(III)中，a、b为非负数，a与b的和为区域Si的矩的阶数，x与y分别为属于连通区域Si的像素点的横坐标值与纵坐标值，通过步骤①得到；
③计算连通区域Si的主轴方向与图像平面坐标系中X轴正半轴的夹角θ的两倍正切值，计算公式如式(Ⅳ)所示：
<mrow>
<mi>t</mi>
<mi>a</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>&CenterDot;</mo>
<mi>&theta;</mi>
<mo>(</mo>
<msub>
<mi>s</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mn>2</mn>
<msub>
<mi>&mu;</mi>
<mrow>
<mn>1</mn>
<mo>,</mo>
<mn>1</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>s</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>&mu;</mi>
<mrow>
<mn>2</mn>
<mo>,</mo>
<mn>0</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>s</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>&mu;</mi>
<mrow>
<mn>0</mn>
<mo>,</mo>
<mn>2</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>s</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mi>I</mi>
<mi>V</mi>
<mo>)</mo>
</mrow>
</mrow>
式(Ⅳ)中，连通区域Si的中心矩μa,b(si)定义如式(Ⅴ)所示：
<mrow>
<msub>
<mi>&mu;</mi>
<mrow>
<mi>a</mi>
<mo>,</mo>
<mi>b</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>s</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
<mo>&Element;</mo>
<msub>
<mi>s</mi>
<mi>i</mi>
</msub>
</mrow>
</munder>
<msup>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>-</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>s</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mi>a</mi>
</msup>
<msup>
<mrow>
<mo>(</mo>
<mi>y</mi>
<mo>-</mo>
<msub>
<mi>y</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>s</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mi>b</mi>
</msup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mi>V</mi>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
④通过式(Ⅳ)得到两个tan(θ(si))正切值，将其分别作为两条直线的斜率，结合连通区域Si的中心坐标(xi,s,yi,s)分别构建出这两条直线，通过对比这两条直线与连通区域Si的相交长度，相交长度较长的直线Lv1即车道线的主轴方向，采用同样的方法计算出另一条车道线的主轴方向Lv2；
⑤选取与图像平面坐标系X轴平行的两条直线Lh1和Lh2，直线Lv1、Lv2分别与直线Lh1相交于点Pa、Pb，直线Lv1、Lv2分别与直线Lh2相交于点Pc、Pd，点Pa与点Pb的中点为Pab，点Pc与Pd的中点为Pcd，连接点Pab与点Pcd，构成直线Lc，则直线Lc即完整的车道线的中心线。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510330478.5A CN104992145B (zh) | 2015-06-15 | 2015-06-15 | 一种矩采样车道跟踪检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510330478.5A CN104992145B (zh) | 2015-06-15 | 2015-06-15 | 一种矩采样车道跟踪检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104992145A CN104992145A (zh) | 2015-10-21 |
| CN104992145B true CN104992145B (zh) | 2018-01-16 |
Family
ID=54303958
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510330478.5A Active CN104992145B (zh) | 2015-06-15 | 2015-06-15 | 一种矩采样车道跟踪检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104992145B (zh) |
Families Citing this family (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105488484B (zh) * | 2015-12-07 | 2018-11-27 | 北京航空航天大学 | 一种基于无人机航拍图像的车辆轨迹提取方法 |
| CN106778779A (zh) * | 2016-12-12 | 2017-05-31 | 广东省智能制造研究所 | 一种电动注塑机模具检测方法 |
| CN108205671A (zh) * | 2016-12-16 | 2018-06-26 | 浙江宇视科技有限公司 | 图像处理方法及装置 |
| CN106778661A (zh) * | 2016-12-28 | 2017-05-31 | 深圳市美好幸福生活安全系统有限公司 | 一种基于形态学变换和自适应阈值的快速车道线检测方法 |
| CN108801273B (zh) * | 2017-04-28 | 2021-07-30 | 阿里巴巴（中国）有限公司 | 一种道路参考线的生成方法及装置 |
| CN107220632B (zh) * | 2017-06-12 | 2020-02-18 | 山东大学 | 一种基于法向特征的路面图像分割方法 |
| CN109229109B (zh) | 2017-07-04 | 2020-03-31 | 百度在线网络技术（北京）有限公司 | 判断车辆行驶方向的方法、装置、设备和计算机存储介质 |
| CN107563314B (zh) * | 2017-08-18 | 2020-01-14 | 电子科技大学 | 一种基于平行坐标系的车道线检测方法 |
| CN108387235A (zh) * | 2018-02-06 | 2018-08-10 | 新诺北斗航科信息技术（厦门）股份有限公司 | 一种航迹高效绘制方法 |
| CN108875589B (zh) * | 2018-05-25 | 2021-10-12 | 武汉东智科技股份有限公司 | 一种道路区域的视频检测方法 |
| CN109063540B (zh) * | 2018-06-08 | 2022-05-06 | 上海寰钛教育科技有限公司 | 一种图像处理方法和图像处理装置 |
| CN109034047B (zh) * | 2018-07-20 | 2021-01-22 | 京东方科技集团股份有限公司 | 一种车道线检测方法及装置 |
| CN109344704B (zh) * | 2018-08-24 | 2021-09-14 | 南京邮电大学 | 一种基于行车方向与车道线夹角的车辆变道行为检测方法 |
| 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 |
| CN109815836A (zh) * | 2018-12-29 | 2019-05-28 | 江苏集萃智能制造技术研究所有限公司 | 一种城市道路路面导向箭头检测识别方法 |
| CN110031015B (zh) * | 2019-03-30 | 2020-11-03 | 北京交通大学 | 一种用连续可导函数近似表示车道平面曲线的方法 |
| CN110196062B (zh) * | 2019-06-27 | 2022-03-25 | 成都圭目机器人有限公司 | 一种单相机跟踪车道线的导航方法 |
| CN110533925B (zh) * | 2019-09-04 | 2020-08-25 | 上海眼控科技股份有限公司 | 车辆违法视频的处理方法、装置、计算机设备及存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102163278A (zh) * | 2011-03-03 | 2011-08-24 | 苏州市慧视通讯科技有限公司 | 一种公交车道非法车辆闯入检测方法 |
| JP2013109657A (ja) * | 2011-11-22 | 2013-06-06 | Tottori Univ | 直線検出装置、直線検出方法、直線検出プログラム及び撮影システム |
| JP2013206067A (ja) * | 2012-03-28 | 2013-10-07 | Jvc Kenwood Corp | 直線検出装置、直線検出方法及び直線検出プログラム |
| CN104077756A (zh) * | 2014-07-16 | 2014-10-01 | 中电海康集团有限公司 | 一种基于车道线置信度的方向滤波方法 |
| CN104217427A (zh) * | 2014-08-22 | 2014-12-17 | 南京邮电大学 | 一种交通监控视频中车道线定位方法 |
| CN104573627A (zh) * | 2014-11-19 | 2015-04-29 | 湖南大学 | 基于二值图像的车道线保留与检测算法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8249387B2 (en) * | 2008-03-31 | 2012-08-21 | Sungkyunkwan University Foundation For Corporate Collaboration | Image processing method and apparatus for detecting lines of images and start and end points of lines |
-
2015
- 2015-06-15 CN CN201510330478.5A patent/CN104992145B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102163278A (zh) * | 2011-03-03 | 2011-08-24 | 苏州市慧视通讯科技有限公司 | 一种公交车道非法车辆闯入检测方法 |
| JP2013109657A (ja) * | 2011-11-22 | 2013-06-06 | Tottori Univ | 直線検出装置、直線検出方法、直線検出プログラム及び撮影システム |
| JP2013206067A (ja) * | 2012-03-28 | 2013-10-07 | Jvc Kenwood Corp | 直線検出装置、直線検出方法及び直線検出プログラム |
| CN104077756A (zh) * | 2014-07-16 | 2014-10-01 | 中电海康集团有限公司 | 一种基于车道线置信度的方向滤波方法 |
| CN104217427A (zh) * | 2014-08-22 | 2014-12-17 | 南京邮电大学 | 一种交通监控视频中车道线定位方法 |
| CN104573627A (zh) * | 2014-11-19 | 2015-04-29 | 湖南大学 | 基于二值图像的车道线保留与检测算法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于图像处理的车道线检测算法研究;徐静波;《中国优秀硕士学位论文全文数据库 工程科技II辑》;20150515;C034-246 * |
| 基于车道检测的车辆检测方法;宋慧敏;《中国优秀硕士学位论文全文数据库 信息科技辑》;20081015;I140-342 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104992145A (zh) | 2015-10-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104992145B (zh) | 一种矩采样车道跟踪检测方法 | |
| CN104008645B (zh) | 一种适用于城市道路车道线预测及预警方法 | |
| CN103177246B (zh) | 基于动态区域划分的双模型车道线识别方法 | |
| CN103996053B (zh) | 基于机器视觉的车道偏离报警方法 | |
| Li et al. | Nighttime lane markings recognition based on Canny detection and Hough transform | |
| CN105005771A (zh) | 一种基于光流点轨迹统计的车道线实线的检测方法 | |
| CN105260712A (zh) | 一种车辆前方行人检测方法及系统 | |
| CN103577809B (zh) | 一种基于智能驾驶的地面交通标志实时检测的方法 | |
| CN103593981B (zh) | 一种基于视频的车型识别方法 | |
| CN101968924A (zh) | 基于高分辨率图像的车流量实时检测方法 | |
| CN105426868A (zh) | 一种基于自适应感兴趣区域的车道检测方法 | |
| CN103839264A (zh) | 一种车道线的检测方法 | |
| CN104881661B (zh) | 基于结构相似度的车辆检测方法 | |
| Xu et al. | Real-time obstacle detection over rails using deep convolutional neural network | |
| CN106887004A (zh) | 一种基于块匹配的车道线检测方法 | |
| CN109446919A (zh) | 一种基于端到端学习的视觉车道保持方法 | |
| CN202134079U (zh) | 一种无人驾驶车辆车道标志线识别与报警装置 | |
| CN103440785B (zh) | 一种快速的车道偏移警示方法 | |
| CN103236158B (zh) | 一种基于视频的交通事故实时预警方法 | |
| CN111723697A (zh) | 一种基于Mask-RCNN改进的驾驶员背景分割方法 | |
| CN103699899B (zh) | 基于等距曲线模型的车道线检测方法 | |
| CN112613434A (zh) | 道路目标检测方法、装置及存储介质 | |
| CN115294767A (zh) | 一种高速公路车道线实时检测与交通安全预警方法及装置 | |
| Premachandra et al. | Image based automatic road surface crack detection for achieving smooth driving on deformed roads | |
| CN104268859A (zh) | 一种用于夜间车道线检测的图像预处理方法 |
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 |