CN105005771A - 一种基于光流点轨迹统计的车道线实线的检测方法 - Google Patents

Abstract

本发明公开了一种基于光流点轨迹统计的车道线实线的检测方法，步骤包括：步骤1：在单向道路中间上方安装摄像头；步骤2：对视频帧图像预处理；步骤3：获取运动车辆的光流点集合；步骤4：利用DBSCAN聚类算法分割每辆运动车辆的光流点集合，并对分割出的光流点集合用固定大小的矩形区域表示；步骤5：对每辆运动车辆的分割区域进行统计叠加，并对结果进行二值化处理；步骤6：对二值图像中符合条件的白色像素区域的轮廓点的中点集合进行直线拟合；步骤7：由中点集合拟合的直线确定出车道线实线。本发明的方法，不受光照、天气、车辆和路面情况的影响，车道线实线的检测精度高，鲁棒性强。

Description

一种基于光流点轨迹统计的车道线实线的检测方法

技术领域

本发明属于智能交通监控技术领域，涉及一种基于光流点轨迹统计的车道线实线的检测方法。

背景技术

城市交通道路的交通堵塞和交通事故频发已经严重地影响着经济的快速健康发展和人民的生命安全，导致事故发生的原因中就包括压实线及压实线变道行驶的问题，而基于计算机视觉的行驶车辆压实线及压实线变道行驶的交通违规行为的检测，必须首先检测出车道线实线。

常用的基于计算机视觉的车道线检测方法可分为两类，即基于特征的方法和基于模板的方法。前者主要是提取图像中道路的特征，利用图像中道路的边缘信息来检测车道线，这种方法要求车道上没有车辆且车道线清晰，因此易受到光照、天气、车辆和路面情况的影响，而且在夜间不能进行检测；而后者是对车道进行模型匹配，该方法对规则车道的车道线检测效果良好，但是对于非规则车道的车道线不能进行有效的检测。

发明内容

本发明的目的是提供一种基于光流点轨迹统计的车道线实线的检测方法，解决了现有基于计算机视觉的车道线检测方法易受路面、天气和光照的影响，因而车道线检测精度不高以及鲁棒性不强的问题。

本发明的技术方案是，一种基于光流点轨迹统计的车道线实线的检测方法，步骤包括：

步骤1：在单向道路中间上方安装摄像头；

步骤2：对视频帧图像预处理；

步骤3：获取运动车辆的光流点集合；

步骤4：利用DBSCAN聚类算法分割每辆运动车辆的光流点集合，并对分割出的光流点集合用固定大小的矩形区域表示；

步骤5：对每辆运动车辆的分割区域进行统计叠加，并对结果进行二值化处理；

步骤6：对二值图像中符合条件的白色像素区域的轮廓点的中点集合进行直线拟合；

步骤7：由中点集合拟合的直线确定出车道线实线。

本发明的有益效果是，从所拍摄的单向道路的视频帧图像的光流矢量中，提取运动车辆的光流点集合，分割出每辆运动车辆的光流点集合并以固定大小的矩形区域表示，对每辆运动车辆的矩形区域进行统计叠加，确定出车道内运动车辆的行驶轨迹区域，利用最小二乘法对行驶轨迹区域轮廓的中点集合进行直线拟合，根据中点集合所拟合的直线确定相邻车道间的车道线以及道路边缘的车道线，该方法不受光照、天气、车辆和路面情况的影响，车道线实线的检测精度高，鲁棒性强。

附图说明

图1是本发明方法的运动车辆光流矢量的角度范围以及驶离摄像头车辆的光流矢量集合检测示意图；

图2是本发明方法统计叠加后的运动车辆的行驶轨迹区域及其轮廓中点集合的拟合直线示意图；

图3是本发明方法根据中点集合所拟合的直线确定相邻车道间车道线以及道路边缘车道线示意图。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

本发明基于光流点轨迹统计的车道线实线的检测方法，步骤主要包括：

步骤1：在单向道路中间上方安装摄像头；

步骤2：对视频帧图像预处理；

步骤3：获取运动车辆的光流点集合；

步骤4：利用DBSCAN聚类算法分割每辆运动车辆的光流点集合，并对分割出的光流点集合用固定大小的矩形区域表示；

步骤5：对每辆运动车辆的分割区域进行统计叠加，并对结果进行二值化处理；

步骤6：对二值图像中符合条件的白色像素区域的轮廓点的中点集合进行直线拟合；

步骤7：由中点集合拟合的直线确定出车道线实线。

本发明基于光流点轨迹统计的车道线实线的检测方法，按照以下步骤具体实施：

步骤1：在单向道路中间上方安装摄像头

在交通道路中的实线道路区域，即需要检测车辆是否违规行驶的路段，如高架桥、交通路口以及隧道等路段，在单向道路中间上方安装高清摄像头(因为步骤3.2)中的光流矢量角度范围是根据摄像头安装在中间上方所确定出来的)，单个摄像头对应单向道路，摄像头所拍摄的视频帧图像在横向宽度上包含该方向上所有的车道，在纵向长度上所拍摄的最远端到摄像头的距离不大于100米，最近端到摄像头的距离不小于5米，且最远端与最近端间的间隔不小于70米；

步骤2：对视频帧图像预处理

将摄像头拍摄的视频帧图像转换为灰度图并进行中值滤波，对滤波后的图像进行直方图均衡化，得到视频帧图像I_n,n＝1,2,...,N，N为视频帧图像帧数，N＞18000，视频帧图像I_n的宽度为W、高度为H；

步骤3：获取运动车辆的光流点集合

3.1)获取视频帧图像的光流矢量集合

利用金字塔迭代Lucas-Kanade光流算法检测步骤2中的视频帧图像I_n和I_n+1间的光流矢量集合F_m,m＝1,2,...,N-1，金字塔迭代Lucas-Kanade光流算法中的强角点个数设置为1000个，可接受角点的最小质量因子设置为0.001，得到的角点最小距离设置为5，单位为像素，每个金字塔层的搜索窗口尺寸为10×10，单位为像素，最大金字塔层数设置为4，最大迭代次数设置为64，迭代精度设为0.01；

3.2)提取运动车辆的光流矢量集合

设运动车辆驶离摄像头时的光流矢量方向的角度范围为车辆驶近摄像头时的光流矢量方向的角度范围为视频帧图像的横轴x所指方向角度为零度，并设光流矢量的长度范围为[2,35]，单位为像素，

判断步骤3.1)中的矢量集合F_m中的光流矢量的角度是否在区间或范围内，并且长度是否在区间[2,35]范围内，所有同时满足角度在区间或范围内，并且长度在区间[2,35]范围内的光流矢量即为运动车辆的光流矢量，记为运动车辆的光流矢量集合FV_m，如图1所示；

3.3)获取运动车辆的光流点集合

对步骤3.2)中提取的运动车辆的光流矢量集合FV_m，记集合中光流矢量的起点坐标为终点坐标为则光流矢量的中点坐标的计算见公式(1)：

其中is＝1,2,...,NV_m,ie＝1,2,...,NV_m,im＝1,2,...,NV_m,NV_m≤1000， 光流矢量的中点集合即为运动车辆的光流点集合FVP_m；

步骤4：利用DBSCAN聚类算法分割每辆运动车辆的光流点集合，并对分割出的光流点集合采用固定大小的矩形区域进行表示

利用DBSCAN聚类算法对步骤3.3)中获取的运动车辆的光流点集合FVP_m进行聚类，分割出每辆运动车辆的光流点集合，设DBSCAN聚类空间中簇的半径为22个像素，簇中所包含光流点的数目不小于25个，记每辆运动车辆光流点集合的外接矩形的左上角坐标为右下角的坐标为外接矩形的几何中心点坐标的计算见公式(2)：

根据外接矩形的几何中心点坐标构建尺寸为10像素×10像素的矩形区域矩形区域左上角的坐标为矩形区域右下角的坐标为

其中jL＝1,2,...,CV_m,jR＝1,2,...,CV_m,jm＝1,2,...,CV_m,jv＝1,2,...,CV_m，CV_m为分割出的运动车辆的个数，矩形区域的中点的横纵坐标范围为矩形区域表示分割出的每辆运动车辆的分割区域；

步骤5：对每辆运动车辆的分割区域进行统计叠加，并对结果进行二值化处理

创建二维数组S，S的列数为W，行数为H(步骤2中已经设置视频帧图像I_n的宽度为W、高度为H，此处S的列数即为步骤2中视频帧图像的宽度W，S的行数即为步骤2中视频帧图像的高度H)，置二维数组S中所有元素的初值为0，在二维数组S中找到步骤4中获取的矩形区域的左上角坐标和右下角坐标把左上角坐标和右下角坐标在二维数组S中构成的矩形区域内所包含的所有元素的值加1，

构建二维图像数组SImg，高度为H，宽度为W(同样，即SImg的高度为步骤2中视频帧图像的高度H，SImg的宽度为步骤2中视频帧图像的宽度W，)，在统计叠加完成后的二维数组S中寻找所有元素S(i,j),i＝1,2,...,W,j＝1,2,...,H中的最大值maxV，设二值化分割阈值为maxV/5，则二维图像数组SImg中的像素SImg(i,j),i＝1,2,...,W,j＝1,2,...,H的取值由公式(3)获得：

则二维图像数组SImg为二值图像SImg，当像素SImg(i,j)的值为255时，像素为白色，相邻的白色像素构成了白色像素区域，当像素SImg(i,j)的值为0时，像素为黑色；

步骤6：对二值图像中符合条件的白色像素区域的轮廓点的中点集合进行直线拟合

在步骤5中获取的二值图像SImg中找到所有的白色像素区域，计算每个白色像素区域内的像素个数，自左向右搜索所有像素个数大于H×W/1200个的白色像素区域，这些白色像素区域即是车道内运动车辆的行驶轨迹区域，设表示像素个数大于H×W/1200的白色像素区域的轮廓点的集合，记的起点为纵坐标最小的轮廓点，其中ia＝1,2,...,NA,num＝1,2,...,NN，NA为像素个数大于H×W/1200的白色像素区域的个数，NN为白色像素区域的轮廓点的个数，

计算第ia个白色像素区域上的轮廓点和之间的中点的坐标，的坐标为 的坐标为 的横、纵坐标由公式(4)计算得到：

当NN为偶数时，iap＝ic＝1,2,...,NN/2，

当NN为奇数时，iap＝ic＝1,2,...,(NN-1)/2，

将中点的集合利用最小二乘法进行直线拟合，记拟合后的中点集合的直线为L^ia，L^ia＝1表示左侧的直线，L^ia＝NA表示右侧的直线，如图2所示；

步骤7：由中点集合拟合的直线确定出车道线实线

7.1)确定相邻车道间的车道线

记步骤6中获取的直线L^ia与纵坐标为零的直线的交点为其坐标为与纵坐标为H的直线的交点为其坐标为直线L^ia+1与纵坐标为零的直线的交点为其坐标为与纵坐标为H的直线的交点为其坐标为交点与交点的中点的坐标交点与交点的中点的坐标的计算公式为下式(5)：

设相邻车道间的车道线集合为LA^iL,iL＝1,2,...,NA-1，LA^iL的两点式直线方程为下式(6)：

其中自变量x^iL,0＜x^iL＜W和因变量y^iL,0＜y^iL＜H是相邻车道间的车道线LA^iL上点的横坐标和纵坐标，LA^iL＝1是相邻车道间的车道线集合中的左侧车道线，LA^iL＝NA-1是相邻车道间的车道线集合中的右侧车道线；

7.2)确定道路边缘的车道线

7.2.1)确定道路左侧边缘的车道线

记步骤6中获取的左侧的直线L^ia＝1与纵坐标为零的直线的交点为其坐标为与纵坐标为H的直线的交点为其坐标为

记步骤7.1)中获取的左侧车道线LA^iL＝1与纵坐标为零的直线的交点为其坐标为与纵坐标为H的直线的交点为其坐标为

记交点和交点之间的距离为 计算公式为下式(7)：

在纵坐标为零的直线上，寻找交点左侧的点LALE_tP，其坐标为(LALEP_t.x,LALEP_t.y)，使得点LALEP_t到交点的距离为

记交点和交点之间的距离为 计算公式为下式(8)：

在纵坐标为H的直线上，寻找交点左侧的点LALEP_b，其坐标为(LALEP_b.x,LALEP_b.y)，使得点LALEP_b到交点的距离为

记道路左侧边缘的车道线为LAE^left，LAE^left的两点式直线方程为下式(9)：

其中自变量x^left,0＜x^left＜W和因变量y^left,0＜y^left＜H是道路左侧边缘的车道线LAE^left上点的横坐标和纵坐标；

7.2.2)确定道路右侧边缘的车道线

记步骤6中获取的右侧的直线L^ia＝NA与纵坐标为零的直线的交点为其坐标为与纵坐标为H的直线的交点为其坐标为

记步骤7.1)中获取的右侧车道线LA^iL＝NA-1与纵坐标为零的直线的交点为其坐标为与纵坐标为H的直线的交点为其坐标为

记交点和交点之间的距离为 计算公式为下式(10)：

在纵坐标为零的直线上，寻找交点右侧的点LAREP_t，其坐标为(LAREP_t.x,LAREP_t.y)，使得点LAREP_t到交点的距离为

记交点和交点之间的距离为 计算公式为下式(11)：

在纵坐标为H的直线上，寻找交点右侧的点LAREP_b，其坐标为(LAREP_b.x,LAREP_b.y)，使得点LAREP_b到交点的距离为

记道路右侧边缘的车道线为LAE^right，LAE^right的两点式直线方程为下式(12)：

其中自变量x^right,0＜x^right＜W和因变量y^right,0＜y^right＜H是道路右侧边缘的车道线LAE^right上点的横坐标和纵坐标，

则公式(6)、公式(9)和公式(12)确定出了高清摄像头所拍摄的视频帧图像内的车道线实线，即成，最终结果如图3所示。

Claims (8)

1.一种基于光流点轨迹统计的车道线实线的检测方法，其特征在于，步骤包括：

步骤1：在单向道路中间上方安装摄像头；

步骤2：对视频帧图像预处理；

步骤3：获取运动车辆的光流点集合；

步骤4：利用DBSCAN聚类算法分割每辆运动车辆的光流点集合，并对分割出的光流点集合用固定大小的矩形区域表示；

步骤5：对每辆运动车辆的分割区域进行统计叠加，并对结果进行二值化处理；

步骤6：对二值图像中符合条件的白色像素区域的轮廓点的中点集合进行直线拟合；

步骤7：由中点集合拟合的直线确定出车道线实线。

2.根据权利要求1所述的基于光流点轨迹统计的车道线实线的检测方法，其特征在于，所述的步骤1中，具体步骤是：

在交通道路中的实线道路区域，即需要检测车辆是否违规行驶的路段，在单向道路中间上方安装高清摄像头，单个摄像头对应单向道路，摄像头所拍摄的视频帧图像在横向宽度上包含该方向上所有的车道，在纵向长度上所拍摄的最远端到摄像头的距离不大于100米，最近端到摄像头的距离不小于5米，且最远端与最近端间的间隔不小于70米。

3.根据权利要求2所述的基于光流点轨迹统计的车道线实线的检测方法，其特征在于，所述的步骤2中，具体步骤是：

将摄像头拍摄的视频帧图像转换为灰度图并进行中值滤波，对滤波后的图像进行直方图均衡化，得到视频帧图像I_n,n＝1,2,...,N，N为视频帧图像帧数，N＞18000，视频帧图像I_n的宽度为W、高度为H。

4.根据权利要求3所述的基于光流点轨迹统计的车道线实线的检测方法，其特征在于，所述的步骤3中，具体步骤是：

3.1)获取视频帧图像的光流矢量集合

利用金字塔迭代Lucas-Kanade光流算法检测步骤2中的视频帧图像I_n和I_n+1间的光流矢量集合F_m,m＝1,2,...,N-1，金字塔迭代Lucas-Kanade光流算法中的强角点个数设置为1000个，可接受角点的最小质量因子设置为0.001，得到的角点最小距离设置为5，单位为像素，每个金字塔层的搜索窗口尺寸为10×10，单位为像素，最大金字塔层数设置为4，最大迭代次数设置为64，迭代精度设为0.01；

3.2)提取运动车辆的光流矢量集合

设运动车辆驶离摄像头时的光流矢量方向的角度范围为车辆驶近摄像头时的光流矢量方向的角度范围为视频帧图像的横轴x所指方向角度为零度，并设光流矢量的长度范围为[2,35]，单位为像素，

判断步骤3.1)中的矢量集合F_m中的光流矢量的角度是否在区间或范围内，并且长度是否在区间[2,35]范围内，所有同时满足角度在区间或范围内，并且长度在区间[2,35]范围内的光流矢量即为运动车辆的光流矢量，记为运动车辆的光流矢量集合FV_m；

3.3)获取运动车辆的光流点集合

对步骤3.2)中提取的运动车辆的光流矢量集合FV_m，记集合中光流矢量的起点坐标为终点坐标为则光流矢量的中点坐标的计算见公式(1)：

$\{\begin{array}{c}{x}_{im}^m=(x_{is}^m+x_{ie}^m)/2\\ y_{im}^m=(y_{is}^m+y_{ie}^m)/2\end{array},---\left(1\right)$

其中is＝1,2,...,NV_m,ie＝1,2,...,NV_m,im＝1,2,...,NV_m,NV_m≤1000， $0<x_{is}^m<W,0<x_{ie}^m<W,0<x_{im}^m<W,0<y_{is}^m<H,0<y_{ie}^m<H,0<y_{im}^m<H,$ 光流矢量的中点集合即为运动车辆的光流点集合FVP_m。

5.根据权利要求4所述的基于光流点轨迹统计的车道线实线的检测方法，其特征在于，所述的步骤4中，具体步骤是：

利用DBSCAN聚类算法对步骤3.3)中获取的运动车辆的光流点集合FVP_m进行聚类，分割出每辆运动车辆的光流点集合，设DBSCAN聚类空间中簇的半径为22个像素，簇中所包含光流点的数目不小于25个，记每辆运动车辆光流点集合的外接矩形的左上角坐标为右下角的坐标为外接矩形的几何中心点坐标的计算见公式(2)：

$\left\{\begin{array}{c}{x}_{jm}^m=(x_{jL}^m+x_{jR}^m)/2\\ y_{jm}^m=(y_{jL}^m+y_{jR}^m)/2\end{array}\right.,---\left(2\right)$

根据外接矩形的几何中心点坐标构建尺寸为10像素×10像素的矩形区域矩形区域左上角的坐标为矩形区域右下角的坐标为

其中jL＝1,2,...,CV_m,jR＝1,2,...,CV_m,jm＝1,2,...,CV_m,jv＝1,2,...,CV_m，CV_m为分割出的运动车辆的个数，矩形区域的中点的横纵坐标范围为矩形区域表示分割出的每辆运动车辆的分割区域。

6.根据权利要求5所述的基于光流点轨迹统计的车道线实线的检测方法，其特征在于，所述的步骤5中，具体步骤是：

创建二维数组S，S的列数为W，S的行数为H，置二维数组S中所有元素的初值为0，在二维数组S中找到步骤4中获取的矩形区域的左上角坐标和右下角坐标把左上角坐标和右下角坐标在二维数组S中构成的矩形区域内所包含的所有元素的值加1，

构建二维图像数组SImg，SImg的高度为H，SImg的宽度为W，在统计叠加完成后的二维数组S中寻找所有元素S(i,j),i＝1,2,...,W,j＝1,2,...,H中的最大值maxV，设二值化分割阈值为maxV/5，则二维图像数组SImg中的像素SImg(i,j),i＝1,2,...,W,j＝1,2,...,H的取值由公式(3)获得：

则二维图像数组SImg为二值图像SImg，当像素SImg(i,j)的值为255时，像素为白色，相邻的白色像素构成了白色像素区域，当像素SImg(i,j)的值为0时，像素为黑色。

7.根据权利要求6所述的基于光流点轨迹统计的车道线实线的检测方法，其特征在于，所述的步骤6中，具体步骤是：

在步骤5中获取的二值图像SImg中找到所有的白色像素区域，计算每个白色像素区域内的像素个数，自左向右搜索所有像素个数大于H×W/1200个的白色像素区域，这些白色像素区域即是车道内运动车辆的行驶轨迹区域，设表示像素个数大于H×W/1200的白色像素区域的轮廓点的集合，记的起点为纵坐标最小的轮廓点，其中ia＝1,2,...,NA,num＝1,2,...,NN，NA为像素个数大于H×W/1200的白色像素区域的个数，NN为白色像素区域的轮廓点的个数，

计算第ia个白色像素区域上的轮廓点和之间的中点的坐标，的坐标为 的坐标为 的横、纵坐标由公式(4)计算得到：

$\{\begin{array}{c}{\mathrm{APM}}_{ic}^{ia}.x=({\mathrm{AP}}_{num=iap}^{ia}.x+{\mathrm{AP}}_{num=NN+1-iap}^{ia}.x)/2\\ {\mathrm{APM}}_{ic}^{ia}.y=({\mathrm{AP}}_{num=iap}^{ia}.y+{\mathrm{AP}}_{num=NN+1-iap}^{ia}.y)/2\end{array},---\left(4\right)$

当NN为偶数时，iap＝ic＝1,2,...,NN/2，

当NN为奇数时，iap＝ic＝1,2,...,(NN-1)/2，

将中点的集合利用最小二乘法进行直线拟合，记拟合后的中点集合的直线为L^ia，L^ia＝1表示左侧的直线，L^ia＝NA表示右侧的直线。

8.根据权利要求7所述的基于光流点轨迹统计的车道线实线的检测方法，其特征在于，所述的步骤7中，具体步骤是：

7.1)确定相邻车道间的车道线

记步骤6中获取的直线L^ia与纵坐标为零的直线的交点为其坐标为与纵坐标为H的直线的交点为其坐标为直线L^ia+1与纵坐标为零的直线的交点为其坐标为与纵坐标为H的直线的交点为其坐标为交点与交点的中点的坐标交点与交点的中点的坐标的计算公式为下式(5)：

$\left\{\begin{array}{c}{P}_t^{ia}.x=({\mathrm{LP}}_t^{ia}.x+{\mathrm{LP}}_t^{ia+1}.x)/2\\ P_t^{ia}.y=0\\ P_b^{ia}.x=({\mathrm{LP}}_b^{ia}.x+{\mathrm{LP}}_b^{ia+1}.x)/2\\ P_b^{ia}.y=H\end{array}\right.,---\left(5\right)$

设相邻车道间的车道线集合为LA^iL,iL＝1,2,...,NA-1，LA^iL的两点式直线方程为下式(6)：

$\frac{y^{iL}-P_t^{ia}.y}{P_b^{ia}.y-P_t^{ia}.y}=\frac{x^{iL}-P_t^{ia}.x}{P_b^{ia}.x-P_t^{ia}.x},---\left(6\right)$

其中自变量x^iL,0＜x^iL＜W和因变量y^iL,0＜y^iL＜H是相邻车道间的车道线LA^iL上点的横坐标和纵坐标，LA^iL＝1是相邻车道间的车道线集合中的左侧车道线，LA^iL＝NA-1是相邻车道间的车道线集合中的右侧车道线；

7.2)确定道路边缘的车道线

7.2.1)确定道路左侧边缘的车道线

记步骤6中获取的左侧的直线L^ia＝1与纵坐标为零的直线的交点为其坐标为与纵坐标为H的直线的交点为其坐标为 $({\mathrm{LP}}_b^{ia=1}.x,{\mathrm{LP}}_b^{ia=1}.y);$

记步骤7.1)中获取的左侧车道线LA^iL＝1与纵坐标为零的直线的交点为其坐标为与纵坐标为H的直线的交点为其坐标为 $({\mathrm{LAP}}_b^{iL=1}.x,{\mathrm{LAP}}_b^{iL=1}.y),$

记交点和交点之间的距离为计算公式为下式(7)：

$D_t^{left}={\mathrm{LAP}}_t^{iL=1}.x-{\mathrm{LP}}_t^{ia=1}.x,---\left(7\right)$

在纵坐标为零的直线上，寻找交点左侧的点LALE_tP，其坐标为(LALEP_t.x,LALEP_t.y)，使得点LALEP_t到交点的距离为

记交点和交点之间的距离为计算公式为下式(8)：

$D_b^{left}={\mathrm{LAP}}_b^{iL=1}.x-{\mathrm{LP}}_b^{ia=1}.x,---\left(8\right)$

在纵坐标为H的直线上，寻找交点左侧的点LALEP_b，其坐标为(LALEP_b.x,LALEP_b.y)，使得点LALEP_b到交点的距离为

记道路左侧边缘的车道线为LAE^left，LAE^left的两点式直线方程为下式(9)：

$\frac{y^{left}-{\mathrm{LALEP}}_t.y}{{\mathrm{LALEP}}_b.y-{\mathrm{LALEP}}_t.y}=\frac{x^{left}-{\mathrm{LALEP}}_t.x}{{\mathrm{LALEP}}_b.x-{\mathrm{LALEP}}_t.x},---\left(9\right)$

其中自变量x^left,0＜x^left＜W和因变量y^left,0＜y^left＜H是道路左侧边缘的车道线LAE^left上点的横坐标和纵坐标；

7.2.2)确定道路右侧边缘的车道线

记步骤6中获取的右侧的直线L^ia＝NA与纵坐标为零的直线的交点为其坐标为与纵坐标为H的直线的交点为其坐标为 $({\mathrm{LP}}_b^{ia=NA}.x,{\mathrm{LP}}_b^{ia=NA}.y);$

记步骤7.1)中获取的右侧车道线LA^iL＝NA-1与纵坐标为零的直线的交点为其坐标为与纵坐标为H的直线的交点为其坐标为

记交点和交点之间的距离为计算公式为下式(10)：

$D_t^{right}={\mathrm{LP}}_t^{ia=NA}.x-{\mathrm{LAP}}_t^{iL=NA-1}.x,---\left(10\right)$

在纵坐标为零的直线上，寻找交点右侧的点LAREP_t，其坐标为(LAREP_t.x,LAREP_t.y)，使得点LAREP_t到交点的距离为

记交点和交点之间的距离为计算公式为下式(11)：

$D_b^{right}={\mathrm{LP}}_b^{ia=NA}.x-{\mathrm{LAP}}_b^{iL=NA-1}.x,---\left(11\right)$

在纵坐标为H的直线上，寻找交点右侧的点LAREP_b，其坐标为(LAREP_b.x,LAREP_b.y)，使得点LAREP_b到交点的距离为

记道路右侧边缘的车道线为LAE^right，LAE^right的两点式直线方程为下式(12)：

$\frac{y^{right}-{\mathrm{LAREP}}_t.y}{{\mathrm{LAREP}}_b\&CenterDot;y-{\mathrm{LAREP}}_t.y}=\frac{x^{right}-{\mathrm{LAREP}}_t.x}{{\mathrm{LAREP}}_b.x-{\mathrm{LAREP}}_t.x},---\left(12\right)$

其中自变量x^right,0＜x^right＜W和因变量y^right,0＜y^right＜H是道路右侧边缘的车道线LAE^right上点的横坐标和纵坐标，

则公式(6)、公式(9)和公式(12)确定出了高清摄像头所拍摄的视频帧图像内的车道线实线，即成。