CN105447892A - 车辆偏航角的确定方法及装置 - Google Patents

Abstract

本发明公开了一种车辆偏航角的确定方法及装置，属于智能车领域。所述方法包括：确定灰度图像中的参考车道线的基准线，所述灰度图像是由摄像头采集的初始图像处理得到的，所述参考车道线为左右车道线中的一条；在所述基准线上确定近点和远点，所述近点到车辆的距离小于所述远点到所述车辆的距离；根据所述近点、所述远点及车辆中轴线，确定所述车辆在车体世界坐标系中的车辆偏航角。本发明解决了车辆偏航角误差较大的问题，实现了减了车辆偏航角的误差的有益效果。本发明用于车辆偏航角的确定。

Description

车辆偏航角的确定方法及装置

技术领域

本发明涉及智能车领域，特别涉及一种车辆偏航角的确定方法及装置。

背景技术

随着科技的发展，智能车的使用也越来越普遍。智能车可以实现不同的功能。其中换道超车功能作为智能车的一种常用功能，可用于紧急状态避撞和自动换道超车。

相关技术中，在执行换道超车功能时，在超车起始时刻，需要计算车辆相对车道的偏航角，用以辅助超车换道轨迹的生成。目前，可以采用车道线夹角方法来确定车辆偏航角，即根据摄像头采集的图像中两条车道线产生的角度偏差来计算车辆偏航角。

但是，由于车辆在行驶中运动产生晃动等原因，导致对图像中两个车道线的确定存在误差，因此，采用车道线夹角方法计算得到的车辆偏航角误差较大。

发明内容

为了解决现有技术的问题，本发明实施例提供了一种车辆偏航角的确定方法及装置。所述技术方案如下：

一方面，提供了一种车辆偏航角的确定方法，所述方法包括：

确定灰度图像中的参考车道线的基准线，所述灰度图像是由摄像头采集的初始图像处理得到的，所述参考车道线为左右车道线中的一条；

在所述基准线上确定近点和远点，所述近点到车辆的距离小于所述远点到所述车辆的距离；

根据所述近点、所述远点及车辆中轴线，确定所述车辆在车体世界坐标系中的车辆偏航角。

可选的，所述根据所述近点、所述远点及车辆中轴线，确定所述车辆在车体世界坐标系中的车辆偏航角，包括：

根据图像坐标系和车体世界坐标系对应关系，将所述灰度图像中的坐标系转化为车体世界坐标系；

确定所述灰度图像中，过所述近点B的所述车辆中轴线的垂线与所述车辆中轴线的近点交点F；

确定所述灰度图像中，过所述远点A的所述车辆中轴线的垂线与所述车辆中轴线的远点交点E；

确定所述灰度图像中，所述基准线的近点B与车辆中轴线的距离x；

确定所述灰度图像中，所述基准线的远点A与所述车辆中轴线的距离y；

确定所述灰度图像中，线段BF与线段AE的距离z；

根据所述基准线的近点B与车辆中轴线的距离x、所述基准线的远点A与所述车辆中轴线的距离y、所述线段BF与线段AE的距离z以及偏航角公式，确定所述车辆在车体世界坐标系中的车辆偏航角T，所述偏航角公式为：

T＝arctan((x-y)/z)。

可选的，所述确定灰度图像中的参考车道线的基准线，包括：

获取摄像头采集的初始图像；

将所述初始图像转化为灰度图像；

对所述灰度图像进行车道线内边缘点提取得到车道线内边缘；

对所述车道线内边缘进行拟合得到车道线内边缘坐标位置；

根据所述车道线内边缘坐标位置，确定所述基准线。

可选的，所述对所述灰度图像进行车道线内边缘点提取得到车道线内边缘，包括：

将所述灰度图像的下半部分图像确定为待处理图像；

根据所述待处理图像中每行像素的灰度分割阈值对所述待处理图像进行过滤处理得到过滤图像；

对所述待处理图像进行边缘增强处理和二值化处理得到二值化图像；

保留所述二值化图像中与所述过滤图像的位置相同的像素得到过滤后的二值化图像；

根据所述过滤后的二值化图像确定所述灰度图像的车道线内边缘。

可选的，所述根据所述待处理图像中每行像素的灰度分割阈值对所述待处理图像进行过滤处理得到过滤图像，包括：

将所述待处理图像划分为左右两个图像；

确定所述左右两个图像中每个图像的每行像素的灰度分割阈值；

根据所述每个图像的每行像素的灰度分割阈值对所述待处理图像进行过滤处理得到所述过滤图像；

其中，所述左右两个图像中任一图像的处理过程包括：

确定所述任一图像中每行像素的灰度分割阈值；

依次确定所述任一图像的像素的灰度值；

比较每个所述灰度值与对应像素所在行的灰度分割阈值的大小；

删除所述任一图像的目标像素得到过滤后的所述任一图像，所述目标像素的灰度值小于相应的灰度分割阈值。

可选的，所述根据所述过滤后的二值化图像确定所述灰度图像的车道线内边缘，包括：

依次扫描所述过滤后的二值化图像中的像素；

当从起始像素开始，第N次检测到连续个数的灰度值为预设最大灰度值的像素后出现连续个数的灰度值为预设最小灰度值的像素，检测所述灰度值为预设最小灰度值的像素的个数是否大于预设个数阈值，所述N为偶数，所述起始像素为首次扫描到的像素值为的像素；

当所述灰度值为预设最小灰度值的像素的个数大于预设个数阈值时，确定车道线内边缘的位置。

可选的，所述根据所述车道线内边缘坐标位置，确定所述基准线，包括：

确定所述灰度图像中的任一车道线的消失点位置，所述消失点为车道线远离所述车辆的一端的端点；

根据所述车道线内边缘坐标位置、预设车道线宽度和所述任一车道线的消失点位置，确定所述灰度图像中有效内边缘的个数；

当所述有效内边缘的个数为1时，将所述有效内边缘确定为所述参考车道线的基准线；

当所述有效内边缘的个数为2时，将所述有效内边缘中属于所述左右车道线中预设车道线的内边缘确定为所述参考车道线的基准线。

可选的，所述根据所述车道线内边缘坐标位置、预设车道线宽度和所述任一车道线的消失点位置，确定所述灰度图像中有效内边缘的个数，包括：

在灰度图像中，根据所述任一车道线的车道线内边缘坐标位置，将所述车道线内边缘坐标位置指示的内边缘向外平移所述预设车道线宽度得到外边缘；

检测所述灰度图像中，所述内边缘与所述外边缘之间的区域是否存在边缘线；

当所述内边缘与所述外边缘之间的区域存在边缘线时，确定所述边缘线与所述消失点位置所在行的交点的列坐标位置；

判断所述交点的列坐标位置是否在预设列范围内；

当所述交点的列坐标位置在预设列范围内，确定所述任一车道线存在有效内边缘；

统计有效内边缘的个数。

另一方面，提供一种车辆偏航角的确定装置，所述装置包括：

第一确定模块，用于确定灰度图像中的参考车道线的基准线，所述灰度图像是由摄像头采集的初始图像处理得到的，所述参考车道线为左右车道线中的一条；

第二确定模块，用于在所述基准线上确定近点和远点，所述近点到车辆的距离小于所述远点到所述车辆的距离；

第三确定模块，用于根据所述近点、所述远点及车辆中轴线，确定所述车辆在车体世界坐标系中的车辆偏航角。

可选的，所述第三确定模块，用于：

根据图像坐标系和车体世界坐标系对应关系，将所述灰度图像中的坐标系转化为车体世界坐标系；

确定所述灰度图像中，过所述近点B的所述车辆中轴线的垂线与所述车辆中轴线的近点交点F；

确定所述灰度图像中，过所述远点A的所述车辆中轴线的垂线与所述车辆中轴线的远点交点E；

确定所述灰度图像中，所述基准线的近点B与车辆中轴线的距离x；

确定所述灰度图像中，所述基准线的远点A与所述车辆中轴线的距离y；

确定所述灰度图像中，线段BF与线段AE的距离z；

根据所述基准线的近点B与车辆中轴线的距离x、所述基准线的远点A与所述车辆中轴线的距离y、所述线段BF与线段AE的距离z以及偏航角公式，确定所述车辆在车体世界坐标系中的车辆偏航角T，所述偏航角公式为：

T＝arctan((x-y)/z)。

可选的，所述第一确定模块，包括：

获取子模块，用于获取摄像头采集的初始图像；

转化子模块，用于将所述初始图像转化为灰度图像；

提取子模块，用于对所述灰度图像进行车道线内边缘点提取得到车道线内边缘；

拟合子模块，用于对所述车道线内边缘进行拟合得到车道线内边缘坐标位置；

第一确定子模块，用于根据所述车道线内边缘坐标位置，确定所述基准线。

可选的，提取子模块，包括：

第二确定子模块，用于将所述灰度图像的下半部分图像确定为待处理图像；

过滤子模块，用于根据所述待处理图像中每行像素的灰度分割阈值对所述待处理图像进行过滤处理得到过滤图像；

处理子模块，用于对所述待处理图像进行边缘增强处理和二值化处理得到二值化图像；

保留子模块，用于保留所述二值化图像中与所述过滤图像的位置相同的像素得到过滤后的二值化图像；

第三确定子模块，用于根据所述过滤后的二值化图像确定所述灰度图像的车道线内边缘。

可选的，所述过滤子模块，用于：

将所述待处理图像划分为左右两个图像；

确定所述左右两个图像中每个图像的每行像素的灰度分割阈值；

根据所述每个图像的每行像素的灰度分割阈值对所述待处理图像进行过滤处理得到所述过滤图像；

其中，所述左右两个图像中任一图像的处理过程包括：

确定所述任一图像中每行像素的灰度分割阈值；

依次确定所述任一图像的像素的灰度值；

比较每个所述灰度值与对应像素所在行的灰度分割阈值的大小；

删除所述任一图像的目标像素得到过滤后的所述任一图像，所述目标像素的灰度值小于相应的灰度分割阈值。

可选的，第三确定子模块，用于：

依次扫描所述过滤后的二值化图像中的像素；

当从起始像素开始，第N次检测到连续个数的灰度值为预设最大灰度值的像素后出现连续个数的灰度值为预设最小灰度值的像素，检测所述灰度值为预设最小灰度值的像素的个数是否大于预设个数阈值，所述N为偶数，所述起始像素为首次扫描到的像素值为的像素；

当所述灰度值为预设最小灰度值的像素的个数大于预设个数阈值时，根据所述过滤后的二值化图像确定所述灰度图像的车道线内边缘。

可选的，第一确定子模块，包括：

第四确定子模块，用于确定所述灰度图像中的任一车道线的消失点位置，所述消失点为车道线远离所述车辆的一端的端点；

第五确定子模块，用于根据所述车道线内边缘坐标位置、预设车道线宽度和所述任一车道线的消失点位置，确定所述灰度图像中有效内边缘的个数；

第六确定子模块，用于当所述有效内边缘的个数为1时，将所述有效内边缘确定为所述参考车道线的基准线；

第七确定子模块，用于当所述有效内边缘的个数为2时，将所述有效内边缘中属于所述左右车道线中预设车道线的内边缘确定为所述参考车道线的基准线。

可选的，所述第五确定子模块，用于：

在灰度图像中，根据所述任一车道线的车道线内边缘坐标位置，将所述车道线内边缘坐标位置指示的内边缘向外平移所述预设车道线宽度得到外边缘；

检测所述灰度图像中，所述内边缘与所述外边缘之间的区域是否存在边缘线；

当所述内边缘与所述外边缘之间的区域存在边缘线时，确定所述边缘线与所述消失点位置所在行的交点的列坐标位置；

判断所述交点的列坐标位置是否在预设列范围内；

当所述交点的列坐标位置在预设列范围内，确定所述任一车道线存在有效内边缘；

统计有效内边缘的个数。

本发明实施例提供的技术方案带来的有益效果是：

本发明实施例提供的车辆偏航角的确定方法及装置，由于根据来自一条基准线的近点、远点及车辆中轴线来确定车辆偏航角，而不是通过两条车道线产生的角度偏差来计算车辆偏航角，避免了两条车道线确定误差的叠加，因此减少了车辆偏航角的误差。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的一种车辆偏航角的确定方法流程图；

图2-1是本发明实施例提供的另一种车辆偏航角的确定方法流程图；

图2-2是本发明实施例提供的一种对灰度图像进行车道线内边缘点提取得到车道线内边缘的方法流程图；

图2-3是本发明实施例提供的一种灰度图像的示意图；

图2-4是本发明实施例提供的一种灰度图像下半部分的示意图；

图2-5是本发明实施例提供的一种行像素示意图；

图2-6是本发明实施例提供的一种确定灰度图像中的参考车道线的基准线的方法流程图；

图2-7是本发明实施例提供的一种将有效内边缘中属于左右车道线中预设车道线的内边缘确定为参考车道线的基准线的方法示意图；

图2-8是本发明实施例提供的一种基准线上确定近点和远点的方法示意图；

图2-9是本发明实施例提供的一种根据图像坐标系和车体世界坐标系对应关系，将灰度图像中的坐标系转化为车体世界坐标系的方法示意图；

图3是本发明实施例提供的一种车辆偏航角的确定装置的结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。

本发明实施例提供一种车辆偏航角的确定方法，如图1所示，该方法可以由车辆执行，方法包括：

步骤101、确定灰度图像中的参考车道线的基准线，该灰度图像是由摄像头采集的初始图像处理得到的。

该参考车道线为左右车道线中的一条。

步骤102、在基准线上确定近点和远点，其中，近点到车辆的距离小于远点到车辆的距离。

步骤103、根据近点、远点及车辆中轴线，确定车辆在车体世界坐标系中的车辆偏航角。

综上所述，本发明实施例提供的车辆偏航角的确定方法，由于根据来自一条基准线的近点、远点及车辆中轴线来确定车辆偏航角，而不是通过两条车道线产生的角度偏差来计算车辆偏航角，避免了两条车道线确定误差的叠加，因此减少了车辆偏航角的误差。

本发明实施例提供一种车辆偏航角的确定方法，该方法可以由车辆执行，通常是由车辆中的处理模块来执行，如图2-1所示，包括：

步骤201、获取摄像头采集的初始图像。

本发明实施例中，摄像头可以有一个或多个，当摄像头有一个时，该摄像头可以设置在车辆的车头处，如挡风玻璃上方，用于采集车辆前方的图像；当摄像头有多个时，可以分别均匀设置在车辆的车头处，如以车辆的中轴线所在轴截面为对称面，对称设置在挡风玻璃上，或者分别设置在挡风玻璃和车前盖、前车牌上方等等，本发明实施例对此不做限定，初始图像可以是根据一个摄像头连续采集的图像处理得到的，也可以是根据多个摄像头采集的图像拟合得到的，本发明对此不做限定。

示例的，本发明实施例假设采用摄像头能够采集分辨率为1280*960的彩色图像，用于支持智能车的车道线检测、行人检测、车辆检测或交通标志检测等等。因此，本发明实施例中摄像头采集的初始图像为分辨率为1280*960的彩色图像。

步骤202、将初始图像转化为灰度图像。

实际应用中，彩色图像可以分解成红(R)、绿(G)、蓝(B)三个单色图像，任何一种颜色都可以由这三种颜色混合构成。在图像处理中，彩色图像的处理通常是通过对其三个单色图像分别处理而得到的。将初始图像转化为灰度图像的方法可以有多种，本发明实施例采用加权平均算法，根据重要性或其他指标给R、G、B赋予不同的权值，并使R、G、B的值加权平均得到灰度图像中的灰度值，即灰度值Vgray＝(WrR+WgG+WbB)/3，其中Wr、Wg、Wb分别是R、G、B的权值。通常由于人眼对绿色的敏感度很高，对红色次之，对蓝色最低，因此，在加权平均值法中，可以取灰度值Vgray＝0.30R+0.59G+0.11B。本发明实施例采用加权平均值法将初始图像转化为灰度图像。

步骤203、对灰度图像进行车道线内边缘点提取得到车道线内边缘。

在本发明实施例中，如图2-2所示，对灰度图像进行车道线内边缘点提取得到车道线内边缘的过程，可以包括：

步骤2031、将灰度图像的下半部分图像确定为待处理图像。

本发明实施例中，灰度图像的下半部分可以是根据摄像头的设置位置预先确定的，例如，灰度图像的下半部分可以是位于灰度图像下方的二分之一或三分之二的图像，该灰度图像的下半部分也可以是根据摄像头的设置位置，采用预设的分割算法计算确定的，本发明实施例对此不做限定。

步骤2032、根据待处理图像中每行像素的灰度分割阈值对待处理图像进行过滤处理得到过滤图像。

为了保证待处理图像的准确性，需要对待处理图像进行过滤，因此根据待处理图像中每行像素的灰度分割阈值对待处理图像进行过滤处理得到过滤图像，可以包括：

步骤X1)、将待处理图像划分为左右两个图像。

示例的，假设灰度图像如图2-3所示，其下半部分30如图2-4所示，将该灰度图像的下半部分30划分为左右两个图像，其中左图像为图像301，右图像为图像302，实际应用中，左右两个图像是以灰度图像的中线t划分的，两者面积相等。

步骤X2)、确定左右两个图像中每个图像的每行像素的灰度分割阈值。

示例的，左右两个图像中任一图像的每行像素的灰度分割阈值的确定过程可以包括：首先，可以计算该任一图像中每行像素的灰度均值；然后，可以计算该任一图像中每行像素的灰度最大值，上述灰度均值和灰度最大值的算法可以参考现有技术，本发明实施例对此不做赘述；最后，可以根据每行像素的灰度均值和灰度最大值采用预设阈值算法计算出每行像素的灰度分割阈值。示例的，该预设阈值算法可以为基于图像直方图确定阈值的算法。

示例的，假设灰度图像共960行像素，该灰度图像的下半部分共480行像素，以左图像为例，即图2-4中的图像301，在图像301中，确定了480行像素中每行像素的灰度均值和灰度最大值，然后采用基于图像直方图确定阈值的算法可以算出图像301的480行中每行像素的灰度分割阈值。

由于灰度图像的下半部分划分为左右两个图像，因此，左右两个图像中任一图像的每行像素其实是灰度图像中的半行像素，通过计算，左右两个图像分别有相应的每行像素的灰度均值、每行像素的灰度最大值以及每行像素的灰度分割阈值。可以建立一组数组来存储这些行像素的值。

步骤X3)、根据每个图像的每行像素的灰度分割阈值对待处理图像进行过滤处理得到过滤图像。

其中，根据左右两个图像中任一图像的每行像素的灰度分割阈值对任一图像进行过滤处理得到滤后的任一图像的过程，可以包括：

确定该任一图像中每行像素的灰度分割阈值；依次确定该任一图像的像素的灰度值；比较每个灰度值与对应像素所在行的灰度分割阈值的大小；删除该任一图像的目标像素得到过滤后的该任一图像，该目标像素的灰度值小于相应的灰度分割阈值。由于灰度图像是由分辨率为1280*960的彩色图像转化而来，且左右两个图像中任一图像是将该灰度图像的下半部分均分得到，因此，该任一图像的一行为640个像素，示例的，假设图2-5为左图像中的任一行的像素，依次确定该行的640个像素的灰度值，并比较每个灰度值与该行的灰度分割阈值的大小，例如，该任一行的灰度分割阈值为220，对于任一像素e，比较该e的灰度值与220的大小，若该e的灰度值大于或等于220，确定该像素e为非目标像素，保留该像素e，若该e的灰度值小于220，确定该像素e为目标像素，删除该像素e。右图像的处理过程可以参考左图像的处理过程，本发明实施例对此不做赘述。

步骤2033、对待处理图像进行边缘增强处理和二值化处理得到二值化图像。

在本发明实施例中，可以对待处理图像进行边缘增强处理(也称图像边缘增强处理)，边缘增强处理的目的在于将图像中的边缘细节部分凸显出来，如车道线的上升沿和下降沿。这样可以保证后续步骤中能够有效检测出车道线的边缘，减少检测误差。

实际应用中，边缘增强方法有许多，主要有基于一阶微分的边缘检测方法、基于二阶微分的边缘检测方法、基于小波变换和小波包的边缘检测法、基于数学形态学、模糊理论和神经网络的边缘检测法等。其中，基于二阶微分的边缘检测方法最常用的是Canny(坎尼)算子方法，Canny算子方法需要完成滤波、增强和检测的多阶段的处理。由于基于一阶微分的边缘检测方法运算量小，可以满足实时处理要求，本发明实施例中采用基于一阶微分的边缘检测方法中的sobel(索贝尔)算法来进行图像边缘增强处理，其具体过程可以参考相关技术，本发明实施例对此不再赘述。

对进行了图像边缘增强处理的待处理图像可以再进行二值化处理得到二值化图像。

二值化处理指的是，将灰度值与二值化阈值进行比较，将高于该二值化阈值的像素的灰度值设置为预设最大灰度值，即255，将低于该二值化阈值的像素的灰度值设置为预设最小灰度值，即0。二值化处理的核心在于如何选择出合理的二值化阈值。二值化阈值的大小决定图像二值化的好坏。在车道线二值化算法中，一般采用自适应二值化方法。一般常用的自适应二值化选择方法为图像灰度均值法、最大熵法。本发明实施例可以采用一种基于图像直方图确定阈值的方法确定二值化阈值。

在本发明实施例中，对于待处理图像中任一像素，将该任一像素的灰度值与该二值化阈值进行比较，在该任一像素的灰度值大于该二值化阈值时，将该任一像素的灰度值设置为255，在该任一像素的灰度值小于该二值化阈值时，将该任一像素的灰度值设置为0。

步骤2034、保留二值化图像中与过滤图像的位置相同的像素得到过滤后的二值化图像。

首先可以求二值化图像与过滤图像中各个像素的位置交集，该过程可以根据“与算法”求取，然后，保留二值化图像中处于该交集中位置的像素，二值化图像中其他像素删除，通过二值化图像中与该过滤图像的比较，可以滤除二值化图像中一些干扰像素，为后续车道线内边缘的提取做好准备。

步骤2035、根据所述过滤后的二值化图像确定所述灰度图像的车道线内边缘。

示例的，根据所述过滤后的二值化图像确定所述灰度图像的车道线内边缘可以包括：

依次扫描过滤后的二值化图像中的像素，确定过滤后的二值化图像中是否存在排布符合预设规律的像素集合。

当从起始像素开始，依次出现连续个数的灰度值为预设最大灰度值的像素，连续个数的灰度值为预设最小灰度值的像素，连续个数的灰度值为预设最大灰度值的像素，则确定过滤后的二值化图像中存在排布符合预设规律的像素集合，说明该过滤后的二值化图像中存在车道线的内外边缘，起始像素为首次扫描到的像素值为预设最大灰度值的像素。在本发明实施例中预设最大灰度值为255，预设最小灰度值为0，示例的，在过滤后的二值化图像中第一次扫描到某像素的灰度值为255，将此点的坐标设为起始像素的坐标，后续持续判断该行后续点的变化规律，如果从起始像素开始先持续一定长度的像素的灰度值为255，然后持续一定长度的像素的灰度值为0，然后持续一定长度的像素的灰度值为255则说明该过滤后的二值化图像中存在车道线的内外边缘，则相应的原始图像中存在车道线的内外边缘；如果当从起始像素开始不存在符合预设规律的像素集合，则说明该过滤后的二值化图像中不存在车道线的内外边缘，该过滤后的二值化图像中没有稳定的符合规律的像素，可能获取的初始图像或者处理过程中出现错误，导致过滤后的二值化图像无法获取有效的车道线，则相应的原始图像中不存在车道线的内外边缘，因此可以重新执行步骤201来获取新的初始图像，以保证车道线获取的准确性。

实际应用中，道路上的黄线可以分为4中情况：中心黄色双实线、中心黄色虚实线、双向两车道路面中心线和实心单黄线，本发明实施例中的车道线内边缘通常指实心单黄线的内边缘，由于中心黄色双实线是由两条实线组成，需要剔除该中心黄色双实线的干扰，因此，在确定过滤后的二值化图像中存在排布符合预设规律的像素集合之后，需要剔除中心黄色双实线的干扰，其过程包括：

在第N次检测到连续个数的灰度值为预设最大灰度值的像素后出现连续个数的灰度值为预设最小灰度值的像素时，检测灰度值为预设最小灰度值的像素的个数是否大于预设个数阈值，N为偶数；当灰度值为预设最小灰度值的像素的个数大于预设个数阈值时，说明此处不是中心黄色双实线，则根据所述过滤后的二值化图像确定所述灰度图像的车道线内边缘。

例如，在检测到从起始像素开始先持续一定长度的像素的灰度值为255，然后持续一定长度的像素的灰度值为0，然后持续一定长度的像素的灰度值为255后，再次检测到像素的灰度值从255变为0时，统计灰度值为0的像素的个数(也可以成为长度)是否大于预设个数阈值。如果灰度值为0的像素的个数大于预设个数阈值，则该车道线为实心单黄线的内侧实线，可以对灰度图像进行内边缘的检测，否则该车道线不为实心单黄线的内侧实线，无法对灰度图像进行内边缘检测。

由于过滤后的二值化图像中各个像素的位置和灰度图像中的位置是对应的，因此，可以根据过滤后的二值化图像中确定的车道线内边缘的位置，在灰度图像中进行车道线内边缘点提取得到车道线内边缘，由于相关技术中记载有灰度图像的车道线内边缘的位置的确定方法，因此，确定车道线内边缘的位置可以参考相关技术，本发明实施例对此不做限定。

需要说明的是，在上述步骤2032中，也可以不对待处理图像进行划分，直接确定待处理图像的每行像素的灰度分割阈值，根据待处理图像的每行像素的灰度分割阈值对待处理图像进行过滤处理得到过滤图像，其过程可以参考步骤2032，示例的，假设灰度图像共960行像素，该灰度图像的下半部分共480行像素，待处理图像可以为图2-4中的图像30，则图像30中，确定了480行像素中每行像素的灰度均值和灰度最大值，然后采用基于图像直方图确定阈值的算法可以算出图像30的480行中每行像素的灰度分割阈值。可以建立一组数组来存储这些行像素的值，然后采用步骤X3的方法获取过滤图像。

在上述步骤2032中，也可以不对待处理图像进行划分，直接确定待处理图像整体的灰度分割阈值，然后根据整体的灰度分割阈值对待处理图像进行过滤处理得到过滤图像，本发明实施例对此不做赘述。

步骤204、对车道线内边缘进行拟合得到车道线内边缘坐标位置。

本发明实施例采用hough(霍夫)变换对车道线内边缘进行直线拟合。采用经典hough变换在技术上存在问题是hough变换中需要开辟较大的二维数组用于存储中间累加变量，计算比较耗时。本发明实施例采用两级hough变换对车道线内边缘进行拟合得到车道线内边缘坐标位置，具体包括：

采用一级hough变换对车道线内边缘进行拟合得到粗定位车道线极坐标位置；采用二级hough变换对粗定位车道线极坐标位置进行拟合得到车道线内边缘坐标位置。

由于两级hough变换的核心思想即首先采用第一级hough变换粗定位车道线极坐标位置，然后采用第二级hough精定位技术精确定位车道线极坐标信息。因此可以极大降低hough变换过程中计算量和对处理系统的存储空间的占用。

步骤205、根据车道线内边缘坐标位置，确定基准线。

示例的，如图2-6所示，确定灰度图像中的参考车道线的基准线的过程，可以包括：

步骤2051、确定灰度图像中的任一车道线的消失点位置，该消失点为车道线远离车辆的一端的端点。

消失点可以为两条车道线在灰度图像中的相交点，在真实场景中为平坦道路最远点。示例的，假设灰度图像如图2-3所示，图2-3中有左右两条车道线，以左车道线401为例，其远离车辆一端的端点Q为消失点。在图2-3所示的灰度图像中，左右车道线的消失点为两者的交点，实际应用中，左右车道线的消失点也可以不是交点，左右车道线拥有各自的消失点。

步骤2052、根据车道线内边缘坐标位置、预设车道线宽度和任一车道线的消失点位置，确定灰度图像中有效内边缘的个数。

示例的，根据车道线内边缘坐标位置、预设车道线宽度和任一车道线的消失点位置，确定灰度图像中有效内边缘的个数，包括：

步骤Y1)、在灰度图像中，根据任一车道线的车道线内边缘坐标位置，将车道线内边缘坐标位置指示的内边缘向外平移预设车道线宽度得到外边缘。

中国车道线宽度一般为15cm(厘米)，则上述预设车道线宽度可以为15cm。示例的，以图2-3的左车道线为例，假设左车道线的内边缘为图2-7所示的直线k，则将内边缘k向外平移(即向左平移)15cm得到外边缘，即图2-7中所示的f。

步骤Y2)、检测灰度图像中，内边缘与外边缘之间的区域是否存在边缘线。

示例的，检测图2-7中内边缘k与外边缘f之间的区域W中是否存在边缘线。

步骤Y3)、当内边缘与外边缘之间的区域存在边缘线时，确定边缘线与消失点位置所在行的交点的列坐标位置。

示例的，图2-7中内边缘k与外边缘f之间的区域W存在边缘线r，则确定该边缘线r与消失点所在行m的交点的列坐标位置。

步骤Y4)、判断交点的列坐标位置是否在预设列范围内。

步骤Y5)、当交点的列坐标位置在预设列范围内，确定该任一车道线存在有效内边缘。

步骤Y6)、统计有效内边缘的个数。

步骤2053、当有效内边缘的个数为1时，将有效内边缘确定为参考车道线的基准线。

步骤2054、当有效内边缘的个数为2时，将有效内边缘中属于左右车道线中预设车道线的内边缘确定为参考车道线的基准线。

需要说明的是，当有效内边缘的个数为2时，说明左右车道线应该都存在，但为了排除虚假车道线的干扰，可以将两个有效内边缘之间的距离与预设车道宽度进行比较，当两个有效内边缘之间的距离(此处可视为两个车道线的距离)小于或等于预设车道宽度时，则说明两个有效内边缘分别属于左右车道线，将有效内边缘中属于左右车道线中预设车道线的内边缘确定为参考车道线的基准线；当两个有效内边缘之间的距离大于预设车道宽度时，则说明两个有效内边缘属于虚假车道线，可以重新执行步骤201。

实际应用中，在中国，车道宽度(即两个车道线之间的距离)一般为3.75m(米)，则预设车道宽度可以为3.75m，如图2-7所示，假设灰度图像中存在2个有效内边缘k和g，则可以将k和g之间的距离与3.75m进行比较，当k和g之间的距离小于或等于3.75m，说明两个有效内边缘分别属于左右车道线；当k和g之间的距离大于3.75m，说明两个有效内边缘属于虚假车道线。

本发明实施例中，上述左右车道线中预设车道线可以为左车道线。

步骤206、在基准线上确定近点和远点，近点到车辆的距离小于远点到车辆的距离。

示例的，假设如图2-8所示，若基准线为左车道线内边缘u，则该基准线的近点可以为点B，远点可以为点A；若基准线为右车道线内边缘v，则该基准线的近点可以为点D，远点可以为点C，车辆的中轴线通常对应灰度图像的中线t。

步骤207、根据近点、远点及车辆中轴线，确定车辆在车体世界坐标系中的车辆偏航角。

示例的，根据近点、远点及车辆中轴线，确定车辆在车体世界坐标系中的车辆偏航角的过程，包括：

步骤Z1、根据图像坐标系和车体世界坐标系对应关系，将灰度图像中的坐标系转化为车体世界坐标系。

首先可以对摄像头的内外参数进行标定，计算摄像头的内部参数(如焦距、径向畸变、中心点位置等)和摄像头的外部参数(摄像头安装高度、俯仰角度、侧倾角度、摄像头偏航角)。根据上述参数信息，采用三线标定法计算出图像坐标系和车体世界坐标系对应关系，根据该对应关系将灰度图像中的坐标系转化为车体世界坐标系，假设转化前的灰度图像为图2-8，其坐标系原点为该灰度图像的左上角的点O，转化后的图像为图2-9所示，该转化后的图像中的坐标系为车体世界坐标系，若基准线为左车道线内边缘u，则该基准线的近点可以为点B，远点可以为点A；若基准线为右车道线内边缘v，则该基准线的近点可以为点D，远点可以为点C，车辆的中轴线t转化为图2-9所示的斜线t。

步骤Z2、确定灰度图像中，过近点B的车辆中轴线的垂线与车辆中轴线的近点交点F。

步骤Z2中的灰度图像，指的是转化后的灰度图像，如图2-9所示，以基准线为左车道线内边缘u为例，过近点B的车辆中轴线t的垂线与车辆中轴线的近点交点为F。

步骤Z3、确定灰度图像中，过远点A的车辆中轴线的垂线与车辆中轴线的远点交点E。

步骤Z3中的灰度图像，指的是转化后的灰度图像，如图2-9所示，以基准线为左车道线内边缘u为例，过远点A的车辆中轴线的垂线t与车辆中轴线的近点交点为F。

步骤Z4、确定灰度图像中，基准线的近点B与车辆中轴线的距离x。

该基准线的近点B与车辆中轴线t的距离x可以为图2-9中的BF的长度。

步骤Z5、确定灰度图像中，基准线的远点A与车辆中轴线的距离y。

该基准线的远点A与车辆中轴线t的距离y可以为图2-9中的AE的长度。

步骤Z6、确定灰度图像中，线段BF与线段AE的距离z。

线段BF与线段AE的距离z可以为图2-9中的EG的长度。

步骤Z7、根据基准线的近点B与车辆中轴线的距离x、基准线的远点A与车辆中轴线的距离y、线段BF与线段AE的距离z以及偏航角公式，确定车辆在车体世界坐标系中的车辆偏航角T，偏航角公式为：

T＝arctan((x-y)/z)。

其中，arctan()表示求括号中数值的反正切。示例的，对于图像大小为1280*960大小的彩色图像，处理后得到的灰度图像为1280*960大小的灰度图像，假设灰度图像中第560行与车道线的交点为A、C，与车辆中轴线t的交点为E。车体世界坐标系中，灰度图像中第800行与车道线的交点为B、D，与中轴线的交点为F。车道线的两个近点的距离为BD，两个远点的距离为AC。根据图2-9中的，其的偏航角即为T。其中偏航角T＝arctan((BF-AE)/EG)。

需要说明的是，在经过步骤204后，得到相对有效的车道线，但并不能完全排除非车道线干扰。可以通过车道线跟踪的方法来排除非车道线的干扰，示例的，可以通过连续统计相邻N帧图像的车道线信息(如：N＝5)，然后根据车道线的极坐标半径和角度变换幅度，选择性的提取出相对稳定帧进行跟踪。如果检测到连续五帧图像的中某一帧图像的车道线参数和其他帧图像的差异非常大，则判定此帧图像的检测到的车道线无效，将此帧去除，采用其他帧图像的统计信息计算车道线的极坐标角度和半径。如果探测到连续多帧车道线参数变换都较大，判定这种场景为换道，退出车道线跟踪模式。当重新检测到稳定连续的车道线时，再进入跟踪模式，执行上述判定过程，这样可以有效保障车辆偏航角确定的准确性。

可选的，上述实施例中参考车道线的基准线还可以为车道线中线(即车道线内边缘与车道线外边缘之间区域的中线)，也可以为车道线外边缘，本发明实施例只是以车道线内边缘举例说明。

综上所述，本发明实施例提供的车辆偏航角的确定方法，由于根据来自一条基准线的近点、远点及车辆中轴线来确定车辆偏航角，而不是通过两条车道线产生的角度偏差来计算车辆偏航角，避免了两条车道线确定误差的叠加，因此减少了车辆偏航角的误差。

本发明实施例提供一种车辆偏航角的确定装置30，如图3所示，装置包括：

第一确定模块301，用于确定灰度图像中的参考车道线的基准线，灰度图像是由摄像头采集的初始图像处理得到的，参考车道线为左右车道线中的一条；

第二确定模块302，用于在基准线上确定近点和远点，近点到车辆的距离小于远点到车辆的距离；

第三确定模块303，用于根据近点、远点及车辆中轴线，确定车辆在车体世界坐标系中的车辆偏航角。

综上所述，本发明实施例提供的车辆偏航角的确定装置，第三确定模块由于根据来自一条基准线的近点、远点及车辆中轴线来确定车辆偏航角，而不是通过两条车道线产生的角度偏差来计算车辆偏航角，避免了两条车道线确定误差的叠加，因此减少了车辆偏航角的误差。

可选的，第三确定模块303，用于：

根据图像坐标系和车体世界坐标系对应关系，将灰度图像中的坐标系转化为车体世界坐标系；

确定灰度图像中，过近点B的车辆中轴线的垂线与车辆中轴线的近点交点F；

确定灰度图像中，过远点A的车辆中轴线的垂线与车辆中轴线的远点交点E；

确定灰度图像中，基准线的近点B与车辆中轴线的距离x；

确定灰度图像中，基准线的远点A与车辆中轴线的距离y；

确定灰度图像中，线段BF与线段AE的距离z；

根据基准线的近点B与车辆中轴线的距离x、基准线的远点A与车辆中轴线的距离y、线段BF与线段AE的距离z以及偏航角公式，确定车辆在车体世界坐标系中的车辆偏航角T，偏航角公式为：

T＝arctan((x-y)/z)。

可选的，第一确定模块301，包括：

获取子模块，用于获取摄像头采集的初始图像；

转化子模块，用于将初始图像转化为灰度图像；

提取子模块，用于对灰度图像进行车道线内边缘点提取得到车道线内边缘；

拟合子模块，用于对车道线内边缘进行拟合得到车道线内边缘坐标位置；

第一确定子模块，用于根据车道线内边缘坐标位置，确定基准线。

可选的，提取子模块，包括：

第二确定子模块，用于将灰度图像的下半部分图像确定为待处理图像；

过滤子模块，用于根据待处理图像中每行像素的灰度分割阈值对待处理图像进行过滤处理得到过滤图像；

处理子模块，用于对待处理图像进行边缘增强处理和二值化处理得到二值化图像；

保留子模块，用于保留二值化图像中与过滤图像的位置相同的像素得到过滤后的二值化图像；

第三确定子模块，用于根据所述过滤后的二值化图像确定所述灰度图像的车道线内边缘。

可选的，过滤子模块，用于：

将待处理图像划分为左右两个图像；

确定左右两个图像中每个图像的每行像素的灰度分割阈值；

根据每个图像的每行像素的灰度分割阈值对待处理图像进行过滤处理得到过滤图像；

其中，左右两个图像中任一图像的处理过程包括：

确定任一图像中每行像素的灰度分割阈值；

依次确定任一图像的像素的灰度值；

比较每个灰度值与对应像素所在行的灰度分割阈值的大小；

删除任一图像的目标像素得到过滤后的任一图像，目标像素的灰度值小于相应的灰度分割阈值。

可选的，第三确定子模块，用于：

依次扫描过滤后的二值化图像中的像素；

当从起始像素开始，第N次检测到连续个数的灰度值为预设最大灰度值的像素后出现连续个数的灰度值为预设最小灰度值的像素，检测灰度值为预设最小灰度值的像素的个数是否大于预设个数阈值，N为偶数，起始像素为首次扫描到的像素值为的像素；

当灰度值为预设最小灰度值的像素的个数大于预设个数阈值时，根据所述过滤后的二值化图像确定所述灰度图像的车道线内边缘。

可选的，第一确定子模块，包括：

第四确定子模块，用于确定灰度图像中的任一车道线的消失点位置，消失点为车道线远离车辆的一端的端点；

第五确定子模块，用于根据车道线内边缘坐标位置、预设车道线宽度和任一车道线的消失点位置，确定灰度图像中有效内边缘的个数；

第六确定子模块，用于当有效内边缘的个数为1时，将有效内边缘确定为参考车道线的基准线；

第七确定子模块，用于当有效内边缘的个数为2时，将有效内边缘中属于左右车道线中预设车道线的内边缘确定为参考车道线的基准线。

可选的，第五确定子模块，用于：

在灰度图像中，根据任一车道线的车道线内边缘坐标位置，将车道线内边缘坐标位置指示的内边缘向外平移预设车道线宽度得到外边缘；

检测灰度图像中，内边缘与外边缘之间的区域是否存在边缘线；

当内边缘与外边缘之间的区域存在边缘线时，确定边缘线与消失点位置所在行的交点的列坐标位置；

判断交点的列坐标位置是否在预设列范围内；

当交点的列坐标位置在预设列范围内，确定任一车道线存在有效内边缘；

统计有效内边缘的个数。

综上所述，本发明实施例提供的车辆偏航角的确定装置，第三确定模块由于根据来自一条基准线的近点、远点及车辆中轴线来确定车辆偏航角，而不是通过两条车道线产生的角度偏差来计算车辆偏航角，避免了两条车道线确定误差的叠加，因此减少了车辆偏航角的误差。

本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (16)

1.一种车辆偏航角的确定方法，其特征在于，所述方法包括：

确定灰度图像中的参考车道线的基准线，所述灰度图像是由摄像头采集的初始图像处理得到的，所述参考车道线为左右车道线中的一条；

在所述基准线上确定近点和远点，所述近点到车辆的距离小于所述远点到所述车辆的距离；

根据所述近点、所述远点及车辆中轴线，确定所述车辆在车体世界坐标系中的车辆偏航角。

2.根据权利要求1所述的方法，其特征在于，

所述根据所述近点、所述远点及车辆中轴线，确定所述车辆在车体世界坐标系中的车辆偏航角，包括：

根据图像坐标系和车体世界坐标系对应关系，将所述灰度图像中的坐标系转化为车体世界坐标系；

确定所述灰度图像中，过所述近点B的所述车辆中轴线的垂线与所述车辆中轴线的近点交点F；

确定所述灰度图像中，过所述远点A的所述车辆中轴线的垂线与所述车辆中轴线的远点交点E；

确定所述灰度图像中，所述基准线的近点B与车辆中轴线的距离x；

确定所述灰度图像中，所述基准线的远点A与所述车辆中轴线的距离y；

确定所述灰度图像中，线段BF与线段AE的距离z；

根据所述基准线的近点B与车辆中轴线的距离x、所述基准线的远点A与所述车辆中轴线的距离y、所述线段BF与线段AE的距离z以及偏航角公式，确定所述车辆在车体世界坐标系中的车辆偏航角T，所述偏航角公式为：

T＝arctan((x-y)/z)。

3.根据权利要求1所述的方法，其特征在于，所述确定灰度图像中的参考车道线的基准线，包括：

获取摄像头采集的初始图像；

将所述初始图像转化为灰度图像；

对所述灰度图像进行车道线内边缘点提取得到车道线内边缘；

对所述车道线内边缘进行拟合得到车道线内边缘坐标位置；

根据所述车道线内边缘坐标位置，确定所述基准线。

4.根据权利要求3所述的方法，其特征在于，所述对所述灰度图像进行车道线内边缘点提取得到车道线内边缘，包括：

将所述灰度图像的下半部分图像确定为待处理图像；

根据所述待处理图像中每行像素的灰度分割阈值对所述待处理图像进行过滤处理得到过滤图像；

对所述待处理图像进行边缘增强处理和二值化处理得到二值化图像；

保留所述二值化图像中与所述过滤图像的位置相同的像素得到过滤后的二值化图像；

根据所述过滤后的二值化图像确定所述灰度图像的车道线内边缘。

5.根据权利要求4所述的方法，其特征在于，所述根据所述待处理图像中每行像素的灰度分割阈值对所述待处理图像进行过滤处理得到过滤图像，包括：

将所述待处理图像划分为左右两个图像；

确定所述左右两个图像中每个图像的每行像素的灰度分割阈值；

根据所述每个图像的每行像素的灰度分割阈值对所述待处理图像进行过滤处理得到所述过滤图像；

其中，所述左右两个图像中任一图像的处理过程包括：

确定所述任一图像中每行像素的灰度分割阈值；

依次确定所述任一图像的像素的灰度值；

比较每个所述灰度值与对应像素所在行的灰度分割阈值的大小；

删除所述任一图像的目标像素得到过滤后的所述任一图像，所述目标像素的灰度值小于相应的灰度分割阈值。

6.根据权利要求4所述的方法，其特征在于，所述根据所述过滤后的二值化图像确定所述灰度图像的车道线内边缘，包括：

依次扫描所述过滤后的二值化图像中的像素；

当从起始像素开始，第N次检测到连续个数的灰度值为预设最大灰度值的像素后出现连续个数的灰度值为预设最小灰度值的像素，检测所述灰度值为预设最小灰度值的像素的个数是否大于预设个数阈值，所述N为偶数，所述起始像素为首次扫描到的像素值为的像素；

当所述灰度值为预设最小灰度值的像素的个数大于预设个数阈值时，根据所述过滤后的二值化图像确定所述灰度图像的车道线内边缘。

7.根据权利要求3至6任一所述的方法，其特征在于，所述根据所述车道线内边缘坐标位置，确定所述基准线，包括：

确定所述灰度图像中的任一车道线的消失点位置，所述消失点为车道线远离所述车辆的一端的端点；

根据所述车道线内边缘坐标位置、预设车道线宽度和所述任一车道线的消失点位置，确定所述灰度图像中有效内边缘的个数；

当所述有效内边缘的个数为1时，将所述有效内边缘确定为所述参考车道线的基准线；

当所述有效内边缘的个数为2时，将所述有效内边缘中属于所述左右车道线中预设车道线的内边缘确定为所述参考车道线的基准线。

8.根据权利要求7所述的方法，其特征在于，

所述根据所述车道线内边缘坐标位置、预设车道线宽度和所述任一车道线的消失点位置，确定所述灰度图像中有效内边缘的个数，包括：

在灰度图像中，根据所述任一车道线的车道线内边缘坐标位置，将所述车道线内边缘坐标位置指示的内边缘向外平移所述预设车道线宽度得到外边缘；

检测所述灰度图像中，所述内边缘与所述外边缘之间的区域是否存在边缘线；

当所述内边缘与所述外边缘之间的区域存在边缘线时，确定所述边缘线与所述消失点位置所在行的交点的列坐标位置；

判断所述交点的列坐标位置是否在预设列范围内；

当所述交点的列坐标位置在预设列范围内，确定所述任一车道线存在有效内边缘；

统计有效内边缘的个数。

9.一种车辆偏航角的确定装置，其特征在于，所述装置包括：

第一确定模块，用于确定灰度图像中的参考车道线的基准线，所述灰度图像是由摄像头采集的初始图像处理得到的，所述参考车道线为左右车道线中的一条；

第二确定模块，用于在所述基准线上确定近点和远点，所述近点到车辆的距离小于所述远点到所述车辆的距离；

第三确定模块，用于根据所述近点、所述远点及车辆中轴线，确定所述车辆在车体世界坐标系中的车辆偏航角。

10.根据权利要求9所述的装置，其特征在于，

所述第三确定模块，用于：

根据图像坐标系和车体世界坐标系对应关系，将所述灰度图像中的坐标系转化为车体世界坐标系；

确定所述灰度图像中，过所述近点B的所述车辆中轴线的垂线与所述车辆中轴线的近点交点F；

确定所述灰度图像中，过所述远点A的所述车辆中轴线的垂线与所述车辆中轴线的远点交点E；

确定所述灰度图像中，所述基准线的近点B与车辆中轴线的距离x；

确定所述灰度图像中，所述基准线的远点A与所述车辆中轴线的距离y；

确定所述灰度图像中，线段BF与线段AE的距离z；

根据所述基准线的近点B与车辆中轴线的距离x、所述基准线的远点A与所述车辆中轴线的距离y、所述线段BF与线段AE的距离z以及偏航角公式，确定所述车辆在车体世界坐标系中的车辆偏航角T，所述偏航角公式为：

T＝arctan((x-y)/z)。

11.根据权利要求9所述的装置，其特征在于，所述第一确定模块，包括：

获取子模块，用于获取摄像头采集的初始图像；

转化子模块，用于将所述初始图像转化为灰度图像；

提取子模块，用于对所述灰度图像进行车道线内边缘点提取得到车道线内边缘；

拟合子模块，用于对所述车道线内边缘进行拟合得到车道线内边缘坐标位置；

第一确定子模块，用于根据所述车道线内边缘坐标位置，确定所述基准线。

12.根据权利要求11所述的装置，其特征在于，提取子模块，包括：

第二确定子模块，用于将所述灰度图像的下半部分图像确定为待处理图像；

过滤子模块，用于根据所述待处理图像中每行像素的灰度分割阈值对所述待处理图像进行过滤处理得到过滤图像；

处理子模块，用于对所述待处理图像进行边缘增强处理和二值化处理得到二值化图像；

保留子模块，用于保留所述二值化图像中与所述过滤图像的位置相同的像素得到过滤后的二值化图像；

第三确定子模块，用于根据所述过滤后的二值化图像确定所述灰度图像的车道线内边缘。

13.根据权利要求12所述的装置，其特征在于，所述过滤子模块，用于：

将所述待处理图像划分为左右两个图像；

确定所述左右两个图像中每个图像的每行像素的灰度分割阈值；

根据所述每个图像的每行像素的灰度分割阈值对所述待处理图像进行过滤处理得到所述过滤图像；

其中，所述左右两个图像中任一图像的处理过程包括：

确定所述任一图像中每行像素的灰度分割阈值；

依次确定所述任一图像的像素的灰度值；

比较每个所述灰度值与对应像素所在行的灰度分割阈值的大小；

删除所述任一图像的目标像素得到过滤后的所述任一图像，所述目标像素的灰度值小于相应的灰度分割阈值。

14.根据权利要求12所述的装置，其特征在于，第三确定子模块，用于：

依次扫描所述过滤后的二值化图像中的像素；

当从起始像素开始，第N次检测到连续个数的灰度值为预设最大灰度值的像素后出现连续个数的灰度值为预设最小灰度值的像素，检测所述灰度值为预设最小灰度值的像素的个数是否大于预设个数阈值，所述N为偶数，所述起始像素为首次扫描到的像素值为的像素；

当所述灰度值为预设最小灰度值的像素的个数大于预设个数阈值时，根据所述过滤后的二值化图像确定所述灰度图像的车道线内边缘。

15.根据权利要求11至14任一所述的装置，其特征在于，第一确定子模块，包括：

第四确定子模块，用于确定所述灰度图像中的任一车道线的消失点位置，所述消失点为车道线远离所述车辆的一端的端点；

第五确定子模块，用于根据所述车道线内边缘坐标位置、预设车道线宽度和所述任一车道线的消失点位置，确定所述灰度图像中有效内边缘的个数；

第六确定子模块，用于当所述有效内边缘的个数为1时，将所述有效内边缘确定为所述参考车道线的基准线；

第七确定子模块，用于当所述有效内边缘的个数为2时，将所述有效内边缘中属于所述左右车道线中预设车道线的内边缘确定为所述参考车道线的基准线。

16.根据权利要求15所述的装置，其特征在于，所述第五确定子模块，用于：

在灰度图像中，根据所述任一车道线的车道线内边缘坐标位置，将所述车道线内边缘坐标位置指示的内边缘向外平移所述预设车道线宽度得到外边缘；

检测所述灰度图像中，所述内边缘与所述外边缘之间的区域是否存在边缘线；

当所述内边缘与所述外边缘之间的区域存在边缘线时，确定所述边缘线与所述消失点位置所在行的交点的列坐标位置；

判断所述交点的列坐标位置是否在预设列范围内；

当所述交点的列坐标位置在预设列范围内，确定所述任一车道线存在有效内边缘；

统计有效内边缘的个数。