CN105354553A - 一种鲁棒的车道线特征检测方法和装置 - Google Patents

Abstract

本发明公开了一种鲁棒的车道线特征检测方法和装置。该车道线特征检测方法包括以下步骤:S1：采集道路图像；S2：对图像进行各向异性高斯滤波处理；S3：获得经各向异性高斯滤波处理后的灰度图像；S4：对灰度图像进行边缘检测处理；S5：获取车道线特征。该车道线特征检测装置包括图像采集模块、灰度模块、滤波去噪模块、边缘检测处理模块、特征获取模块。本发明利用各向异性滤波技术有效去噪，保留完整边缘信息，结合结构张量及向量场散度区分边缘、边角等边缘特征，从而检测出鲁棒的道路线特征具有图像旋转平移不变性和单调灰度变换不变性,能够更加有效地抑制噪声干扰，抵抗阴影、照度的影响，适用于不同相机、镜头、车辆和照明环境。

Description

一种鲁棒的车道线特征检测方法和装置

技术领域

本发明涉及图像处理和计算机视觉技术领域，特别涉及一种鲁棒的车道线特征检测方法和装置。

背景技术

近年来，随着城市化进程的不断推进和汽车的不断普及，人为造成的交通事故频繁发生，交通问题已成为人类社会亟待解决的重大问题。人们不但要求汽车具有优良的行驶性能，而且期望更加安全的汽车驾驶系统，这使得车道偏离预警系统有了很广阔的市场前景。

基于单目视觉的车道偏离预警技术相对于采用雷达、超声波、激光、红外线等技术具体以下特点：(1)图像信息含量极为丰富；(2)无需破坏路面或对现有道路进行大规模的改造；(3)可进行多车道检测，信息获取面积大，可同时实现道路检测和障碍物识别；(4)系统成本低,能提供实时录像，供以后使用；(5)缺点在于受天气、光照等影响较大、图像处理的数据量过大。

在基于单目视觉的车道偏离预警系统中，首先要感知车道线信息。目前，检测车道线特征的方法主要有：(1)检测图像的边缘或梯度特征，利用该特征去检测或拟合道路线；(2)检测图像的山脊特征，即检测图像上灰度值由减少到增加或由增加到减少的变化转折线，利用山脊特征去判别车道线。

图像边缘或梯度特征由于受到阴影、道路磨损、柏油路、路面汽车和隧道低照度条件下的干扰，梯度大小的变化很大。为了获取边缘信息，经常需要使用双门限阈值进行二值化，因此也带来了局部自适应的问题，如专利申请号201410223353.8“一种自适应阈值分割的车道线检测系统及其方法”，道路线特征的检测方法比较粗糙，鲁棒性较差；而一般的山脊特征具有抗阴影的特点，但是在山脊特征点缺乏方向一致性和连续性。如专利申请号201410812599.9“一种结合山脊边界检测及霍夫变换的快速车道线检测方法”，检测的山脊特征缺乏方向性和连续性，需要人为加以判断方向，并且需要设定阈值保留不连续的山脊特征，精确度较低。

发明内容

本发明旨在提供一种鲁棒的车道线特征检测方法和装置，精确度高，稳定可靠。利用各向异性滤波技术有效去噪，保留完整边缘信息，结合结构张量及向量场散度区分边缘、边角等边缘特征，从而检测出鲁棒的道路线特征。一种鲁棒的车道线特征检测方法和装置，具有图像旋转平移不变性和单调灰度变换不变性。能够更加有效地抑制噪声干扰，抵抗阴影、照度的影响，适用于不同相机、镜头、车辆和照明环境。

具体方案如下：一种鲁棒的车道线特征检测方法,包括以下步骤:

S1：采集道路图像；

S2：对所采集图像灰度化处理,获得道路图像所对应灰度图像；

S3：对灰度图像采用各向异性高斯滤波进行滤波去噪；

S4：对灰度图像进行边缘检测处理；

S5：获取车道线特征。

进一步地，步骤S3中对灰度图像采用各向异性高斯滤波进行滤波去噪的具体步骤为：

S31：计算各向异性高斯滤波后的灰度图像

$L_{{\mathrm{\σ}}_d}\left(p\right)=G_{{\mathrm{\σ}}_d}\left(p\right)*L\left(p\right)$

p:＝(x,y)为图像坐标，为在x轴和y轴方向上选取不同尺度的二维高斯函数，σ_d:＝(σ_dx,σ_dy)为高斯函数的标准差，σ_dx和σ_dy为x轴和y轴上的尺度，*表示卷积操作，L(p)为原灰度图像。

进一步地，步骤S4中对灰度图像进行边缘检测处理步骤是：

S41：计算滤波后的图像梯度向量场

$w_{{\mathrm{\σ}}_d}\left(p\right)={\left({\∂}_x\right(L_{{\mathrm{\σ}}_d}\left(p\right)),{\∂}_y(L_{{\mathrm{\σ}}_d}\left(p\right)\left)\right)}^T$

式中，(·)^T是矩阵的转置，和表示图像在x轴和y轴方向上的梯度；

S42：计算图像结构张量场

$S_{{\mathrm{\σ}}_d,{\mathrm{\σ}}_i}\left(p\right)=G_{{\mathrm{\σ}}_i}\left(p\right)*(w_{{\mathrm{\σ}}_d}\left(p\right)\·w_{{\mathrm{\σ}}_d}^T\left(p\right))$

式中，是标准差为σ_i的二维高斯函数；

S43：计算投影向量场

首先求出每个p对应的2×2矩阵的最大特征值所对应的特征向量包含了图像主梯度方向信息，再计算图像的投影向量场

${\tilde{w}}_{{\mathrm{\σ}}_d,{\mathrm{\σ}}_i}\left(p\right)=sign(w^{\′}{{}_{{\mathrm{\σ}}_d,{\mathrm{\σ}}_i}}^T\left(p\right)\·w_{{\mathrm{\σ}}_d}\left(p\right)){w^{\′}}_{{\mathrm{\σ}}_d,{\mathrm{\σ}}_i}\left(p\right)$

式中，sign(·)为符号函数；

S44：计算投影向量场的散度

${\mathrm{\κ}}_{{\mathrm{\σ}}_d,{\mathrm{\σ}}_i}\left(x\right)=-div\left({\tilde{w}}_{{\mathrm{\σ}}_d,{\mathrm{\σ}}_i}\left(p\right)\right)$

div(·)为散度算子。

进一步地，步骤S5中获取车道线特征的具体步骤为：

S51：设定散度阀值T,当步骤S44中所述的时,则判定为边缘结构,视为车道线特征，当时,则判定为非边缘结构,不视为车道线特征。

一种鲁棒的车道线特征检测装置,包括:

图像采集模块，用于采集道路图像，

灰度模块，用于对所采集图像灰度化处理,获得道路图像所对应灰度图像，

滤波去噪模块，用于对灰度图像采用各向异性高斯滤波进行滤波去噪，

边缘检测处理模块，用于对灰度图像进行边缘检测处理，

特征获取模块，用于获取车道线特征。

进一步地，所述的滤波去噪模块包括：滤波计算模块，用于计算各向异性高斯滤波后的灰度图像

$L_{{\mathrm{\σ}}_d}\left(p\right)=G_{{\mathrm{\σ}}_d}\left(p\right)*L\left(p\right)$

p:＝(x,y)为图像坐标，为在x轴和y轴方向上选取不同尺度的二维高斯函数，σ_d:＝(σ_dx,σ_dy)为高斯函数的标准差，σ_dx和σ_dy为x轴和y轴上的尺度，*表示卷积操作，L(p)为原灰度图像。。

进一步地，所述的边缘检测处理模块包括：

图像梯度向量场计算模块，用于计算滤波后的图像梯度向量场

$w_{{\mathrm{\σ}}_d}\left(p\right)={({\∂}_x{L}_{{\mathrm{\σ}}_d}\left(p\right),{\∂}_y{L}_{{\mathrm{\σ}}_d}\left(p\right))}^T$

式中，(·)^T是矩阵的转置，和表示图像在x轴和y轴方向上的梯度；

图像结构张量场计算模块，用于计算图像结构张量场

$S_{{\mathrm{\σ}}_d,{\mathrm{\σ}}_i}\left(p\right)=G_{{\mathrm{\σ}}_i}\left(p\right)*(w_{{\mathrm{\σ}}_d}\left(p\right)\·w_{{\mathrm{\σ}}_d}^T\left(p\right))$

式中，是标准差为σ_i的二维高斯函数；

投影向量场计算模块，用于计算投影向量场首先求出每个p对应的2×2矩阵的最大特征值所对应的特征向量包含了图像主梯度方向信息，再计算图像的投影向量场

${\tilde{w}}_{{\mathrm{\σ}}_d,{\mathrm{\σ}}_i}\left(p\right)=sign(w^{\′}{{}_{{\mathrm{\σ}}_d,{\mathrm{\σ}}_i}}^T\left(p\right)\·w_{{\mathrm{\σ}}_d}\left(p\right)){w^{\′}}_{{\mathrm{\σ}}_d,{\mathrm{\σ}}_i}\left(p\right)$

式中，sign(·)为符号函数；

投影向量场的散度计算模块，用于计算投影向量场的散度：

${\mathrm{\κ}}_{{\mathrm{\σ}}_d,{\mathrm{\σ}}_i}\left(x\right)=-div\left({\tilde{w}}_{{\mathrm{\σ}}_d,{\mathrm{\σ}}_i}\left(p\right)\right)$

式中，div(·)为散度算子。

进一步地，所述的特征获取模块包括车道线特征判断模块，用于设定散度阀值T，当从投影向量场的散度计算模块中所得到的时，则判定为边缘结构,并视为车道线特征，当时，则判定为非边缘结构，视为非车道线特征。

本发明所述的一种鲁棒的车道线特征检测方法和装置，具有图像旋转平移不变性和单调灰度变换不变性。能够更加有效地抑制噪声干扰，抵抗阴影、照度的影响，适用于不同相机、镜头、车辆和照明环境。

附图说明

图1为一实施例的硬件构成图；

图2为一实施例的主流程图；

图3为一实施例中图像处理装置对灰度图像进行边缘检测处理的子流程图；

图4是一实施例的装置的各模块的示意图。

具体实施方式

为进一步说明各实施例，本发明提供有附图。这些附图为本发明揭露内容的一部分，其主要用以说明实施例，并可配合说明书的相关描述来解释实施例的运作原理。配合参考这些内容，本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点。

现结合附图和具体实施方式对本发明进一步说明。

图1示出包括了本实施例的鲁棒的车道线特征检测方法的一种车道偏离预警系统的硬件模块组成示意图，包括：

可用于采集道路图像的车载摄像头100，用于获得在当前车道中的位置参数的图像处理装置200，用于实时收集车辆数据和驾驶员的操作状态的传感器300，用于发出警报信号的控制器400。车载摄像头100通常安装在车前挡风玻璃下,以时刻采集行驶车道的标识线，控制器400根据图像处理装置200检测到汽车偏离车道的情况和传感器300实时收集到的车辆数据和驾驶员的操作状态的情况进行综合判断，并适时发出警报信号。从而利用该车道偏离预警系统通过报警的方式辅助驾驶员减少汽车因车道偏离而发生交通事故。其中所述的图像处理装置200内置有本实施例的鲁棒的车道线特征检测方法的执行程序，具体包括：灰度模块，用于对所采集图像灰度化处理,获得道路图像所对应灰度图像；滤波去噪模块，用于对灰度图像采用各向异性高斯滤波进行滤波去噪；边缘检测处理模块，用于对灰度图像进行边缘检测处理。

本领域技术人员应该知道，上述图1的一种车道偏离预警系统的硬件仅是包含有本发明的鲁棒的车道线特征检测方法的一种硬件系统举例，本领域技术人员可以根据实际应用情况的不同，对车道偏离预警系统的硬件系统作出一些改变和选择。

图2示出本实施例的工作流程图,包括以下步骤：

S1：通过车载摄像头100进行采集道路图像；

S2：通过图像处理装置200对所采集图像灰度化处理,获得道路图像所对应灰度图像，

S3：通过图像处理装置200对灰度图像采用各向异性高斯滤波进行滤波去噪；

S4：通过图像处理装置200对灰度图像进行边缘检测处理；

S5：通过图像处理装置200获取车道线位置，并判断汽车是否偏离车道；

S6：当汽车偏离车道时，通过传感器300实时收集车辆数据和驾驶员的操作状态；

S7：控制器400根据图像处理装置200和传感器300综合判断后，适时发出警报信号。

其中步骤S3中获得灰度图像具体步骤为：计算各向异性高斯滤波后的灰度图像

$L_{{\mathrm{\σ}}_d}\left(p\right)=G_{{\mathrm{\σ}}_d}\left(p\right)*L\left(p\right)$

p:＝(x,y)为图像坐标，为在x轴和y轴方向上选取不同尺度的二维高斯函数，σ_d:＝(σ_dx,σ_dy)为高斯函数的标准差，σ_dx和σ_dy为x轴和y轴上的尺度，*表示卷积操作。

图3示出本实施例中图像处理装置对灰度图像进行边缘检测处理的具体流程图，包括以下步骤:

S41：计算滤波后的图像梯度向量场

$w_{{\mathrm{\σ}}_d}\left(p\right)={({\∂}_x{L}_{{\mathrm{\σ}}_d}\left(p\right),{\∂}_y{L}_{{\mathrm{\σ}}_d}\left(p\right))}^T$

式中，(·)^T是矩阵的转置，和表示图像在x轴和y轴方向上的梯度；

S42：计算图像结构张量场

$S_{{\mathrm{\σ}}_d,{\mathrm{\σ}}_i}\left(p\right)=G_{{\mathrm{\σ}}_i}\left(p\right)*(w_{{\mathrm{\σ}}_d}\left(p\right)\·w_{{\mathrm{\σ}}_d}^T\left(p\right))$

式中，是标准差为σ_i的二维高斯函数；

S43：计算投影向量场

首先求出每个p对应的2×2矩阵的最大特征值所对应的特征向量包含了图像主梯度方向信息，再计算图像的投影向量场

${\tilde{w}}_{{\mathrm{\σ}}_d,{\mathrm{\σ}}_i}\left(p\right)=sign(w^{\′}{{}_{{\mathrm{\σ}}_d,{\mathrm{\σ}}_i}}^T\left(p\right)\·w_{{\mathrm{\σ}}_d}\left(p\right)){w^{\′}}_{{\mathrm{\σ}}_d,{\mathrm{\σ}}_i}\left(p\right)$

式中，sign(·)为符号函数；

S44：计算投影向量场的散度

${\mathrm{\κ}}_{{\mathrm{\σ}}_d,{\mathrm{\σ}}_i}\left(x\right)=-div\left({\tilde{w}}_{{\mathrm{\σ}}_d,{\mathrm{\σ}}_i}\left(p\right)\right)$

式中，div(·)为散度算子。

基于上述的鲁棒的车道线特征检测方法，本发明还提出一种鲁棒的车道线特征检测方法的装置，该实施例的模块构成如图4所示，包括：包括:

图像采集模块，用于采集道路图像，

灰度模块，用于对所采集图像灰度化处理,获得道路图像所对应灰度图像，

滤波去噪模块，用于对灰度图像采用各向异性高斯滤波进行滤波去噪，

边缘检测处理模块，用于对灰度图像进行边缘检测处理，

特征获取模块，用于获取车道线特征。

其中，所述的滤波去噪模块包括：滤波计算模块，用于计算各向异性高斯滤波后的灰度图像

$L_{{\mathrm{\σ}}_d}\left(p\right)=G_{{\mathrm{\σ}}_d}\left(p\right)*L\left(p\right)$

p:＝(x,y)为图像坐标，为在x轴和y轴方向上选取不同尺度的二维高斯函数，σ_d:＝(σ_dx,σ_dy)为高斯函数的标准差，σ_dx和σ_dy为x轴和y轴上的尺度，*表示卷积操作，L(p)为原灰度图像。。

所述的边缘检测处理模块包括：

图像梯度向量场计算模块，用于计算滤波后的图像梯度向量场

$w_{{\mathrm{\σ}}_d}\left(p\right)={({\∂}_x{L}_{{\mathrm{\σ}}_d}\left(p\right),{\∂}_y{L}_{{\mathrm{\σ}}_d}\left(p\right))}^T$

式中，(·)^T是矩阵的转置，和表示图像在x轴和y轴方向上的梯度；

图像结构张量场计算模块，用于计算图像结构张量场

$S_{{\mathrm{\σ}}_d,{\mathrm{\σ}}_i}\left(p\right)=G_{{\mathrm{\σ}}_i}\left(p\right)*(w_{{\mathrm{\σ}}_d}\left(p\right)\·w_{{\mathrm{\σ}}_d}^T\left(p\right))$

式中，是标准差为σ_i的二维高斯函数；

投影向量场计算模块，用于计算投影向量场首先求出每个p对应的2×2矩阵的最大特征值所对应的特征向量包含了图像主梯度方向信息，再计算图像的投影向量场

${\tilde{w}}_{{\mathrm{\σ}}_d,{\mathrm{\σ}}_i}\left(p\right)=sign(w^{\′}{{}_{{\mathrm{\σ}}_d,{\mathrm{\σ}}_i}}^T\left(p\right)\·w_{{\mathrm{\σ}}_d}\left(p\right)){w^{\′}}_{{\mathrm{\σ}}_d,{\mathrm{\σ}}_i}\left(p\right)$

式中，sign(·)为符号函数；

投影向量场的散度计算模块，用于计算投影向量场的散度：

${\mathrm{\κ}}_{{\mathrm{\σ}}_d,{\mathrm{\σ}}_i}\left(x\right)=-div\left({\tilde{w}}_{{\mathrm{\σ}}_d,{\mathrm{\σ}}_i}\left(p\right)\right)$

式中，div(·)为散度算子。

其中，所述的特征获取模块包括车道线特征判断模块，用于设定散度阀值T，当从投影向量场的散度计算模块中所得到的时，则判定为边缘结构,并视为车道线特征，当时，则判定为非边缘结构，视为非车道线特征。

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 (8)

1.一种鲁棒的车道线特征检测方法,包括以下步骤:

S1：采集道路图像；

S2：对所采集图像灰度化处理,获得道路图像所对应灰度图像；

S3：对灰度图像采用各向异性高斯滤波进行滤波去噪；

S4：对灰度图像进行边缘检测处理；

S5：获取车道线特征。

2.根据权利要求1所述的一种鲁棒的车道线特征检测方法，其特征在于：步骤S3中对灰度图像采用各向异性高斯滤波进行滤波去噪的具体步骤为：

S31：计算各向异性高斯滤波后的灰度图像

$L_{{\mathrm{\σ}}_d}\left(p\right)=G_{{\mathrm{\σ}}_d}\left(p\right)*L\left(p\right)$

p:＝(x,y)为图像坐标，为在x轴和y轴方向上选取不同尺度的二维高斯函数，σ_d:＝(σ_dx,σ_dy)为高斯函数的标准差，σ_dx和σ_dy为x轴和y轴上的尺度，*表示卷积操作，L(p)为原灰度图像。

3.根据权利要求1所述的一种鲁棒的车道线特征检测方法，其特征在于：步骤S4中对灰度图像进行边缘检测处理步骤是：

S41：计算滤波后的图像梯度向量场

$w_{{\mathrm{\σ}}_d}\left(p\right)={\left({\∂}_x\right(L_{{\mathrm{\σ}}_d}\left(p\right)),{\∂}_y(L_{{\mathrm{\σ}}_d}\left(p\right)\left)\right)}^T$

式中，(·)^T是矩阵的转置，和表示图像在x轴和y轴方向上的梯度；

S42：计算图像结构张量场

$S_{{\mathrm{\σ}}_d,{\mathrm{\σ}}_i}\left(p\right)=G_{{\mathrm{\σ}}_i}\left(p\right)*\left(w_{{\mathrm{\σ}}_d}\right(p)\·w_{{\mathrm{\σ}}_d}^T(p\left)\right)$

式中，是标准差为σ_i的二维高斯函数；

S43：计算投影向量场

首先求出每个p对应的2×2矩阵的最大特征值所对应的特征向量包含了图像主梯度方向信息，再计算图像的投影向量场

${\tilde{w}}_{{\mathrm{\σ}}_d,{\mathrm{\σ}}_i}\left(p\right)=sign\left(w^{\′}{{}_{{\mathrm{\σ}}_d,{\mathrm{\σ}}_i}}^T\right(p)\·w_{{\mathrm{\σ}}_d}(p\left)\right){w^{\′}}_{{\mathrm{\σ}}_d,{\mathrm{\σ}}_i}\left(p\right)$

式中，sign(·)为符号函数；

S44：计算投影向量场的散度

${\mathrm{\κ}}_{{\mathrm{\σ}}_d,{\mathrm{\σ}}_i}\left(x\right)=-div\left({\tilde{w}}_{{\mathrm{\σ}}_d,{\mathrm{\σ}}_i}\right(p\left)\right)$

div(·)为散度算子。

4.根据权利要求1所述的一种鲁棒的车道线特征检测方法，其特征在于：步骤S5中获取车道线特征的具体步骤为：

S51：设定散度阀值T,当步骤S44中所述的时,则判定为边缘结构,视为车道线特征，当时,则判定为非边缘结构,不视为车道线特征。

5.一种鲁棒的车道线特征检测装置,包括:

图像采集模块，用于采集道路图像，

灰度模块，用于对所采集图像灰度化处理,获得道路图像所对应灰度图像，

滤波去噪模块，用于对灰度图像采用各向异性高斯滤波进行滤波去噪，

边缘检测处理模块，用于对灰度图像进行边缘检测处理，

特征获取模块，用于获取车道线特征。

6.根据权利要求5所述的一种鲁棒的车道线特征检测的装置，其特征在于：所述的滤波去噪模块包括：滤波计算模块，用于计算各向异性高斯滤波后的灰度图像

$L_{{\mathrm{\σ}}_d}\left(p\right)=G_{{\mathrm{\σ}}_d}\left(p\right)*L\left(p\right)$

p:＝(x,y)为图像坐标，为在x轴和y轴方向上选取不同尺度的二维高斯函数，σ_d:＝(σ_dx,σ_dy)为高斯函数的标准差，σ_dx和σ_dy为x轴和y轴上的尺度，*表示卷积操作，L(p)为原灰度图像。。

7.根据权利要求5所述的一种鲁棒的车道线特征检测的装置，其特征在于：所述的边缘检测处理模块包括：

图像梯度向量场计算模块，用于计算滤波后的图像梯度向量场

$w_{{\mathrm{\σ}}_d}\left(p\right)={\left({\∂}_x{L}_{{\mathrm{\σ}}_d}\right(p),{\∂}_y{L}_{{\mathrm{\σ}}_d}(p\left)\right)}^T$

式中，(·)^T是矩阵的转置，和表示图像在x轴和y轴方向上的梯度；

图像结构张量场计算模块，用于计算图像结构张量场

$S_{{\mathrm{\σ}}_d,{\mathrm{\σ}}_i}\left(p\right)=G_{{\mathrm{\σ}}_i}\left(p\right)*\left(w_{{\mathrm{\σ}}_d}\right(p)\·w_{{\mathrm{\σ}}_d}^T(p\left)\right)$

式中，是标准差为σ_i的二维高斯函数；

投影向量场计算模块，用于计算投影向量场首先求出每个p对应的2×2矩阵的最大特征值所对应的特征向量包含了图像主梯度方向信息，再计算图像的投影向量场

${\tilde{w}}_{{\mathrm{\σ}}_d,{\mathrm{\σ}}_i}\left(p\right)=sign\left(w^{\′}{{}_{{\mathrm{\σ}}_d,{\mathrm{\σ}}_i}}^T\right(p)\·w_{{\mathrm{\σ}}_d}(p\left)\right){w^{\′}}_{{\mathrm{\σ}}_d,{\mathrm{\σ}}_i}\left(p\right)$

式中，sign(·)为符号函数；

投影向量场的散度计算模块，用于计算投影向量场的散度：

${\mathrm{\κ}}_{{\mathrm{\σ}}_d,{\mathrm{\σ}}_i}\left(x\right)=-div\left({\tilde{w}}_{{\mathrm{\σ}}_d,{\mathrm{\σ}}_i}\right(p\left)\right)$

式中，div(·)为散度算子。

8.根据权利要求5所述的一种鲁棒的车道线特征检测的装置，其特征在于：所述的特征获取模块包括车道线特征判断模块，用于设定散度阀值T，当从投影向量场的散度计算模块中所得到的时，则判定为边缘结构,并视为车道线特征，当时，则判定为非边缘结构，视为非车道线特征。