CN105678791A - 一种基于参数不唯一的车道线检测与跟踪方法 - Google Patents

Abstract

本发明公开了一种基于参数不唯一的车道线检测与跟踪方法，基于Hough变换，通过车道线参数的不唯一性，将Hough变换中，角度自变量从360度减少到以一定步长代替1度，将360度的计算量减少为360除以步长，如果按照不优化的Hough变换，假设二值图像中像素数为N，需要进行N*360次ρ＝x？cosθ+y？sinθ计算，但是运用本方法，步长为θ₀，则角度检测个数为N_θ＝360/θ₀，初步估测车道线时计算量为N*(N_θ+θ₀*2)次ρ＝x？cosθ+y？sinθ，因为还有车道线的精确定位环节，所以需要加上N*θ₀*2次，每条车道线需要θ₀度计算，大大减少了计算量。

Description

一种基于参数不唯一的车道线检测与跟踪方法

【技术领域】

本发明属于数字图像处理领域，特别涉及一种基于参数不唯一的车道线检测与跟踪方法。

【背景技术】

车道线是非常重要的道路信息，道路信息检测是安全辅助驾驶系统的重要组成部分。Hough变换是经典的车道线检测算法，1962年PaulHough提出了Hough变换，其核心是一个空间和另一个空间的对应关系，后来Hough变换被应用于车道线检测，取得了极好的效果，算法的效率决定了车道线检测与跟踪系统的性能。车道线检测与跟踪算法主要运用在车载视频设备上，而且需要对前方道路信息进行实时的检测，因此，车道线检测必须有很好的实时性。

车道线检测可以分为基于特征的车道线检测和基于模版的车道线检测。

基于特征的车道线检测主要是根据车道线和图中其他部分特征的不同(例如gradient-basedmethod(梯度)，texturebasedapproach(纹理)等)通过区域分割等方式检测车道线，算法简单，易于实现，但是当图中车道线或者车道边缘不明显时容易受到影响；基于模版的车道线检测用参数代表车道线(例如Hough变换，双曲线模型等)，车道线可以被看成是直线也可以被看成是曲线，检测车道线的过程就被看成是求取直线或者曲线参数的问题。

Hough变换的基本思想是：一个空间和另外一个空间的转换。用在车道线检测时，就是图像二维空间和直线极坐标空间的转换。

Hough变换的基本原理可以用下式表示：

ρ＝xcosθ+ysinθ(1)

其中x,y代表的是直线上像素点在图像中的二维坐标，ρ，θ代表的是直线到坐标原点的垂直距离和垂线的夹角。

车道线的检测问题，经过Hough变换，变成了直线参数ρ，θ的求取过程，在后面的章节中，以极径和角度代称。角度范围是[0,360]，极径范围的确定根据极径的最大值确定。

极径最大值由下式确定：

${\mathrm{\ρ}}_{max}=\sqrt{w^2+h^2}---\left(2\right)$

其中w表示图像的宽度，h表示图像高度。因此，极径检测范围为[0,ρ_max]。

图像中基于Hough变换检测车道线基本的算法步骤为：

1)对输入图像进行边缘提取，得到边缘二值化图像；

2)对边缘二值化图像中每一个非零像素，以其二维坐标(x,y)为参数，以角度为自变量，在360度角范围内，计算在每一度角的极径参数值，保存在参数矩阵中；

3)在参数矩阵中，选择最大的两个参数，得到两条车道线的参数(ρ₁，θ₁)和(ρ₂，θ₂)；

4)对图像的每一个像素进行验证，验证过程为：对每一个像素的二维坐标值(x,y)，如果满足等式ρ₁＝xcosθ₁+ysinθ₁或者ρ₂＝xcosθ₂+ysinθ₂，则该像素是车道线上的点。

由角度的范围和极径的范围可以看出基于Hough变换的车道线检测计算消耗大，效率低。

针对基于Hough变换的车道线检测算法的效率，很多研究学者都进行过改进。其中ROI(感兴趣区域)以及极角约束和动态ROI是两个非常重要的改进。其中ROI减少了单幅图像的车道线检测消耗，极角约束和动态ROI适合于视频流的处理。

车道线的ROI(HLin，SKo，WShi，YKim，HKim.LanedepartureidentificationonHighwaywithsearchingtheregionofinterestonHoughspace.Control,AutomationandSystems.2007:1088-1091)一般是在马路图像的下半部分，因为马路上图像的内容较为复杂，图像的上半部分内容通常会包括路灯，房屋，树木，天空等和车道线检测无关的信息，而且这些复杂而且繁多的信息会影响车道线的检测。经过先验知识得到车道线的感兴趣区域，然后在感兴趣区域内进行车道线检测与跟踪能够极大减少计算消耗，不仅如此还可以增强算法的鲁棒性。

极角约束和动态ROI(杨喜宁,段建民,高德芝,郑榜贵.基于改进Hough变换的车道线检测技术.计算机测量与控制,2010,18(2))利用的是视频流帧与帧之间的相关性。极角约束指的是根据先验知识将车道线的参数约束在一定区域内，区域指得是根据前一帧车道线参数检测结果进行区间约束得到的感兴趣区域。

计算量一直是基于Hough变换检测车道线的瓶颈，虽然感兴趣区域和动态感兴趣区域等方法已经改进了算法，感兴趣区域的确定依然需要改进，外部决定的先验知识并不能运用到实时的移动终端上。

如果能够在确定感兴趣区域方面减少计算量，将会很有意义。

【发明内容】

本发明的目的在于解决上述问题，提供一种基于参数不唯一的车道线检测与跟踪方法，该方法能够克服基于Hough变换的车道线检测计算量大的问题，在一定程度上优化了基于Hough变换的车道线检测。

为了实现上述目的，本发明采用以下技术方案予以实现：

一种基于参数不唯一的车道线检测与跟踪方法，包括以下步骤：

1)首先进行边缘信息的提取；

2)在边缘图像中，利用车道线参数的不唯一性，限定检测角度步长，进行Hough变换，初步估测车道线的位置；

3)对参数进行区间约束得到感兴趣区域；

4)在感兴趣区域内再次进行Hough变换，精确定位车道线；

5)利用视频帧之间的相关性，对参数进行区间约束，跟踪车道线。

本发明进一步的改进在于：

所述步骤1)中，采用Canny边缘提取算法，得到边缘图像，具体方法如下：

1-1)对灰度图像进行高斯滤波进行平滑处理，滤除噪声；

1-2)对平滑后的图像通过一阶偏导，计算图像梯度矢量的模和方向

$M\[i,j\]=\sqrt{G_i{(i,j)}^2+G_j{(i,j)}^2}---\left(3\right)$

θ[i,j]＝arctan(G_i(i,j)/G_j(i,j))(4)

式中：G_i(i,j)为行方向一阶偏导，G_j(i,j)为列方向一阶偏导，M[i,j]为像素点处梯度矢量的模，θ[i,j]为像素点处梯度矢量方向；

1-3)边缘是梯度极大的点，需要进行非极大值抑制，通过梯度角度将梯度离散为四个扇区：

第一个扇区包括：[0,22.5],[157.5,202.5],[337.5,360]；扇区内像素梯度与左右像素梯度相比，若为极大值则保留该点；

第二个扇区包括：[22.5,67.5],[202.5,247.5]；扇区内像素梯度与右上和坐下像素梯度相比，若为极大值则保留该点；

第三个扇区包括：[67.5,112.5],[247.5,292.5]；扇区内像素梯度与上下像素梯度相比，若为极大值则保留该点；

第四个扇区包括：[112.5,157.5],[292.5,337.5]；扇区内像素梯度与左上和右下像素梯度相比，若为极大值则保留该点；

1-4)对非极大值抑制图像使用两个阈值thr1和thr2得到low和high两幅图，其中thr2>thr1；得到高阈值图像和低阈值图像，其中，高阈值图像滤除了大部分噪声但是同时滤除了边缘信息，低阈值图像保留了所有边缘信息但是同时保留了部分噪声；

1-5)利用低阈值图像补充高阈值图像滤除掉的边缘信息，具体方法是：

浏览低阈值图像的非零像素，对高阈值图像的相同位置进行八邻域扫描如果在包含该像素在内有非零点则标记为边缘点，直到浏览完所有像素，完成Canny边缘提取。

所述步骤2)中，初步估测车道线位置的方法为：

2-1)选定角度步长变为θ₀，角度范围为[0,360],极径检测范围为[0,ρ_max]；

2-2)通过Hough变换公式

ρ＝xcosθ+ysinθ

得到参数矩阵中，各个参数条件即直线参数下边缘点的个数；

2-3)选出边缘点个数最多的两条直线，(ρ₁,θ₁)和(ρ₂,θ₂)，即为初步估测的两条车道线；

得到两条车道线的参数(ρ₁,θ₁)和(ρ₂,θ₂)后，通过Hough变换公式对二维图像的像素位置进行验证，符合：

ρ₁＝xcosθ₁+ysinθ₁或者ρ₂＝xcosθ₂+ysinθ₂

则为车道线。

所述步骤3)中，对参数进行区间约束得到感兴趣区域的具体方法为：

3-1)第一条车道线感兴趣区域参数为：

$\[{\mathrm{\θ}}_1-{\mathrm{\θ}}_0/2,{\mathrm{\θ}}_1+{\mathrm{\θ}}_0/2\],\[{\mathrm{\ρ}}_1-\▿\mathrm{\ρ},{\mathrm{\ρ}}_1+\▿\mathrm{\ρ}\]$

在感兴趣区域内进行Hough变换，得到参数矩阵；

3-2)选出参数矩阵中最大参数即为第一条车道线；

3-3)第二条车道线感兴趣区域参数为：

$\[{\mathrm{\θ}}_2-{\mathrm{\θ}}_0/2,{\mathrm{\θ}}_2+{\mathrm{\θ}}_0/2\],\[{\mathrm{\ρ}}_2-\▿\mathrm{\ρ},{\mathrm{\ρ}}_2+\▿\mathrm{\ρ}\]$

重复第一条车道线检测步骤得到第二条车道线。

所述步骤4)中，精确定位车道线的具体方法如下：

4-1)以θ₀为步长，通过Hough变换初步估测车道线位置，得到车道线参数为ρ和θ；

4-2)在该位置对极径、角度进行约束，得到感兴趣区域，角度约束在[θ-θ₀/2,θ+θ₀/2]；

4-3)通过Hough变换精确定位得到车道线。

所述步骤5)将视频的帧与帧之间存在的相关性，应用到车道线跟踪的具体方法为：

5-1)前一帧图形的车道线参数为(ρ_1，i-1，θ_1,i-1)和(ρ_2,i-1，θ_2,i-1)，对前一帧参数进行约束得到新的感兴趣区域；

极径约束范围：和

角度约束范围：和

5-2)利用前一帧的感兴趣区域进行Hough变换得到目前帧的车道线参数(ρ_1，i，θ_1,i)和(ρ_2,i，θ_2,i)，得到当前帧的参数之后可以确定下一帧图像的感兴趣区域；

极径约束范围：和

角度约束范围：和

5-3)在此感兴趣区域内进行Hough变换得到车道线参数，重复5-1)和5-2)，得到视频流的车道线检测与跟踪。

与现有技术相比，本发明具有以下有益的技术效果：

本发明提供的基于参数不唯一的车道线检测与跟踪方法，基于Hough变换，通过车道线参数的不唯一性，将Hough变换中，角度自变量从360度减少到以一定步长代替1度，将360度的计算量减少为360除以步长，如果按照不优化的Hough变换，假设二值图像中像素数为N，需要进行N*360次ρ＝xcosθ+ysinθ计算，但是运用本方法，步长为θ₀，则角度检测个数为N_θ＝360/θ₀，初步估测车道线时计算量为N*(N_θ+θ₀*2)次ρ＝xcosθ+ysinθ，因为还有车道线的精确定位环节，所以需要加上N*θ₀*2次，每条车道线需要θ₀度计算，大大减少了计算量。

同时，结合视频流中帧与帧之间的相关性，可以对每一帧图，可以利用前一帧图形的参数信息，形成目前帧的感兴趣区域，大大减少了计算量，假设目前帧的边缘像素数为N，角度约束区间为θ₀度则计算量为N*θ₀*2，在视频流处理中，达到了很客观的速度，可以保持实时处理。

【附图说明】

图1是单幅图像检测车道线实验图像；

图2是单幅图像检测车道线时边缘图像；

图3是单幅图像检测车道线时车道线结果图像；

图4是单幅图像改进Hough变换基本原理说明图；

图5是基于参数不唯一的车道线检测与跟踪方法流程图。

【具体实施方式】

下面结合具体的实施例对本发明做进一步的详细说明，所述是对本发明的解释而不是限定。

基于参数不唯一的车道线检测与跟踪方法，包括以下步骤：

1)首先进行边缘信息的提取；

采用Canny边缘提取算法，得到边缘图像，具体方法如下：

1-1)对灰度图像进行高斯滤波进行平滑处理，滤除噪声；

1-2)对平滑后的图像通过一阶偏导，计算图像梯度矢量的模和方向

$M\[i,j\]=\sqrt{G_i{(i,j)}^2+G_j{(i,j)}^2}---\left(3\right)$

θ[i,j]＝arctan(G_i(i,j)/G_j(i,j))(4)

式中：G_i(i,j)为行方向一阶偏导，G_j(i,j)为列方向一阶偏导，M[i,j]为像素点处梯度矢量的模，θ[i,j]为像素点处梯度矢量方向；

1-3)边缘是梯度极大的点，需要进行非极大值抑制，通过梯度角度将梯度离散为四个扇区：

第一个扇区包括：[0,22.5],[157.5,202.5],[337.5,360]；扇区内像素梯度与左右像素梯度相比，若为极大值则保留该点；

第二个扇区包括：[22.5,67.5],[202.5,247.5]；扇区内像素梯度与右上和坐下像素梯度相比，若为极大值则保留该点；

第三个扇区包括：[67.5,112.5],[247.5,292.5]；扇区内像素梯度与上下像素梯度相比，若为极大值则保留该点；

第四个扇区包括：[112.5,157.5],[292.5,337.5]；扇区内像素梯度与左上和右下像素梯度相比，若为极大值则保留该点；

1-4)双阈值算法。该算法是为了增强Canny边缘提取算法的抗噪性，对非极大值抑制图像使用两个阈值thr1和thr2得到low和high两幅图，其中thr2>thr1；得到高阈值图像和低阈值图像，其中，高阈值图像滤除了大部分噪声但是同时滤除了边缘信息，低阈值图像保留了所有边缘信息但是同时保留了部分噪声；

1-5)利用低阈值图像补充高阈值图像滤除掉的边缘信息，具体方法是：

浏览低阈值图像的非零像素，对高阈值图像的相同位置进行八邻域扫描如果在包含该像素在内有非零点则标记为边缘点，直到浏览完所有像素，完成Canny边缘提取。

2)在边缘图像中，利用车道线参数的不唯一性，限定检测角度步长，进行Hough变换，初步估测车道线的位置；

车道线参数不唯一为是指：

边缘提取后的车道线边缘并不是一条笔直的直线，即极径和角度并不唯一，而是极径和角度比较集中于一定区域的线集合，选取车道线时选取的是车道线边缘上点最多的直线，但是与该直线相近的某些直线也是车道线的一部分，只是像素点数稍少一些。通过一定角度步长检测车道线，检测到的不一定是像素点数最多的直线，但是一定是车道线边缘上的直线，本方法的目的在于，通过一定步长检测，检测到车道线边缘位置，约束范围精确检测到像素点数最多的直线，即车道线。

初步估测车道线位置的方法为：

2-1)选定角度步长变为θ₀，角度范围为[0,360],极径检测范围为[0,ρ_max]；

2-2)通过Hough变换公式

ρ＝xcosθ+ysinθ

得到参数矩阵中，各个参数条件即直线参数下边缘点的个数；

2-3)选出边缘点个数最多的两条直线，(ρ₁,θ₁)和(ρ₂,θ₂)，即为初步估测的两条车道线；

得到两条车道线的参数(ρ₁,θ₁)和(ρ₂,θ₂)后，通过Hough变换公式对二维图像的像素位置进行验证，符合：

ρ₁＝xcosθ₁+ysinθ₁或者ρ₂＝xcosθ₂+ysinθ₂

则为车道线。

3)对参数进行区间约束得到感兴趣区域，具体方法为：

3-1)第一条车道线感兴趣区域参数为：

$\[{\mathrm{\θ}}_1-{\mathrm{\θ}}_0/2,{\mathrm{\θ}}_1+{\mathrm{\θ}}_0/2\],\[{\mathrm{\ρ}}_1-\▿\mathrm{\ρ},{\mathrm{\ρ}}_1+\▿\mathrm{\ρ}\]$

在感兴趣区域内进行Hough变换，得到参数矩阵；

3-2)选出参数矩阵中最大参数即为第一条车道线；

3-3)第二条车道线感兴趣区域参数为：

$\[{\mathrm{\θ}}_2-{\mathrm{\θ}}_0/2,{\mathrm{\θ}}_2+{\mathrm{\θ}}_0/2\],\[{\mathrm{\ρ}}_2-\▿\mathrm{\ρ},{\mathrm{\ρ}}_2+\▿\mathrm{\ρ}\]$

重复第一条车道线检测步骤得到第二条车道线。

4)在感兴趣区域内再次进行Hough变换，精确定位车道线，具体方法如下：

4-1)以θ₀为步长，通过Hough变换初步估测车道线位置，得到车道线参数为ρ和θ；

4-2)在该位置对极径、角度进行约束，得到感兴趣区域，角度约束在[θ-θ₀/2,θ+θ₀/2]；

4-3)通过Hough变换精确定位得到车道线。

5)利用视频帧之间的相关性，对参数进行区间约束，跟踪车道线，具体方法为：

5-1)前一帧图形的车道线参数为(ρ_1，i-1，θ_1,i-1)和(ρ_2,i-1，θ_2,i-1)，对前一帧参数进行约束得到新的感兴趣区域；

极径约束范围：和

角度约束范围：和

5-2)利用前一帧的感兴趣区域进行Hough变换得到目前帧的车道线参数(ρ_1，i，θ_1,i)和(ρ_2,i，θ_2,i)，得到当前帧的参数之后可以确定下一帧图像的感兴趣区域；

极径约束范围：和

角度约束范围：和

5-3)在此感兴趣区域内进行Hough变换得到车道线参数，重复5-1)和5-2)，得到视频流的车道线检测与跟踪。

下面从所进行的车道线检测与跟踪实验结果和操作步骤进行说明。

1、实验所用视频流信息。

对检测的视频流进行说明，视频为mp4格式，视频码率为4536kbps,视频帧率为30fps,视频分辨率为640*480，大小为6.15M，时长11s。视频截图如图1。

2、实验平台。

实验通过OpenCV函数库，减少算法的计算量。因为OpenCV包装的函数库，可以实现高斯滤波、边缘检测等基本图像处理，而且非常适合图像和视频处理。

3、边缘提取。

按照Canny边缘检测算法原理，将算法实现，深入了解了算法的原理，详细学习了算法的流程，但是算法的计算量较大，OpenCV函数库中的边缘提取函数有Canny算法的函数，可以使用，减少了计算消耗。图2为边缘处理的结果。

4、车道线位置的初步估测

对第一帧图像分别以1度，3度，5度，10度为步长进行车道线的初步估测，并对比结果，两条车道线分别命名为车道线1和车道线2。

5、约束车道线的参数区间，角度分别以10度和20度为区间长度，极径的区间长度为30。

6、在约束区间内，再次进行Hough变换，得到精确的车道线。

具体的表1是1度步长下车道线检测数据统计表。

具体的表2是3度步长下车道线检测数据统计表。

具体的表3是5度步长下车道线检测数据统计表。

具体的表4是10度步长下车道线检测数据统计表。

为了减少运算时间，三角函数值的计算，本方法用了两种，一种是三角函数值的计算，第二种是将三角函数值保存在数组内，三角函数值的计算变成了数组的查询。从各个步长的计算结果中不同计算方法的时间消耗，可以看出数组查询的方式比三角函数计算的方式时间消耗减少了一倍。

经实验，当检测步长较小，为1度和3度时，实验所用视频图像，像素最多的两个参数均在车道线1附近，并不能检测到车道线2，车道线参数车道线2的像素点数小于车道线1处伪车道线的像素点数。结果如表2,在总体大小来看，像素点最多的两组参数均在车道线1附近，是相近的两条线，分别为：极径值279，角度值57和极径值276，角度值60。而且精确定位后得到的车道线是同一条。这一点也证明了车道线参数的不唯一性。这种情况下，在两个车道线的角度区间内选取最大值，两个区间内分别选取最大值，得到两条车道线的参数。对比结果如表2所示。

1度步长情况下，检测结果就是最终的车道线参数，不需要再进行车道线的精确定位，检测数据如表2。3度步长情况下，角度检测数量为120，精确车道线时区间有10度和20度两种，从表1结果来看，区间为10度和20度时，计算量有稍许差别，但是时间消耗差别不是很大。

表11度步长下车道线检测数据统计表

表23度步长下车道线检测数据统计表

表35度步长下车道线检测数据统计表

表410度步长下车道线检测数据统计表

从表2，表3，表4的结果来看，车道线1的精确参数为：极径279，角度57。车道线2的精确参数为：极径7，角度311。

7、利用视频帧之间的相关性，跟踪车道线。

得到第一帧图像的车道线参数后，检测下一帧图像时，根据视频帧与帧之间的相关性，对检测区间进行约束。

极径约束范围：[ρ_1，i-15,ρ_1，i+15]和[ρ_2，i-15,ρ_2，i+15]。

约束区间长度为20度时，角度约束范围：[θ_1，i-10,θ_1，i+10]和[θ_2，i-10,θ_2，i+10]。

约束区间长度为10度时，角度约束范围：[θ_1，i-5,θ_1，i+5]和[θ_2，i-5,θ_2，i+5]。

具体的表5是区间长度为10度时视频流处理时间消耗。

具体的表6是区间长度为20度时视频流处理时间消耗。

从时间消耗来看，处理视频流时，区间长度为10度和20度时间并没有差别，即计算机的计算速度可以忽略这10度差距的计算消耗。所以采用20度区间长度，覆盖更多角度，以防止漏检。

表5区间长度为10度时视频流处理时间消耗

表6区间长度为20度时视频流处理时间消耗

Claims (6)

1.一种基于参数不唯一的车道线检测与跟踪方法，其特征在于，包括以下步骤：

1)首先进行边缘信息的提取；

2)在边缘图像中，利用车道线参数的不唯一性，限定检测角度步长，进行Hough变换，初步估测车道线的位置；

3)对参数进行区间约束得到感兴趣区域；

4)在感兴趣区域内再次进行Hough变换，精确定位车道线；

5)利用视频帧之间的相关性，对参数进行区间约束，跟踪车道线。

2.如权利要求1所述的基于参数不唯一的车道线检测与跟踪方法，其特征在于，所述步骤1)中，采用Canny边缘提取算法，得到边缘图像，具体方法如下：

1-1)对灰度图像进行高斯滤波进行平滑处理，滤除噪声；

1-2)对平滑后的图像通过一阶偏导，计算图像梯度矢量的模和方向

$M\[i,j\]=\sqrt{G_i{(i,j)}^2+G_j{(i,j)}^2}---\left(3\right)$

θ[i,j]＝arctan(G_i(i,j)/G_j(i,j))(4)

式中：G_i(i,j)为行方向一阶偏导，G_j(i,j)为列方向一阶偏导，M[i,j]为像素点处梯度矢量的模，θ[i,j]为像素点处梯度矢量方向；

1-3)边缘是梯度极大的点，需要进行非极大值抑制，通过梯度角度将梯度离散为四个扇区：

第一个扇区包括：[0,22.5],[157.5,202.5],[337.5,360]；扇区内像素梯度与左右像素梯度相比，若为极大值则保留该点；

第二个扇区包括：[22.5,67.5],[202.5,247.5]；扇区内像素梯度与右上和坐下像素梯度相比，若为极大值则保留该点；

第三个扇区包括：[67.5,112.5],[247.5,292.5]；扇区内像素梯度与上下像素梯度相比，若为极大值则保留该点；

第四个扇区包括：[112.5,157.5],[292.5,337.5]；扇区内像素梯度与左上和右下像素梯度相比，若为极大值则保留该点；

1-4)对非极大值抑制图像使用两个阈值thr1和thr2得到low和high两幅图，其中thr2>thr1；得到高阈值图像和低阈值图像，其中，高阈值图像滤除了大部分噪声但是同时滤除了边缘信息，低阈值图像保留了所有边缘信息但是同时保留了部分噪声；

1-5)利用低阈值图像补充高阈值图像滤除掉的边缘信息，具体方法是：

浏览低阈值图像的非零像素，对高阈值图像的相同位置进行八邻域扫描如果在包含该像素在内有非零点则标记为边缘点，直到浏览完所有像素，完成Canny边缘提取。

3.如权利要求1所述的基于参数不唯一的车道线检测与跟踪方法，其特征在于，所述步骤2)中，初步估测车道线位置的方法为：

2-1)选定角度步长变为θ₀，角度范围为[0,360],极径检测范围为[0,ρ_max]；

2-2)通过Hough变换公式

ρ＝xcosθ+ysinθ

得到参数矩阵中，各个参数条件即直线参数下边缘点的个数；

2-3)选出边缘点个数最多的两条直线，(ρ₁,θ₁)和(ρ₂,θ₂)，即为初步估测的两条车道线；

得到两条车道线的参数(ρ₁,θ₁)和(ρ₂,θ₂)后，通过Hough变换公式对二维图像的像素位置进行验证，符合：

ρ₁＝xcosθ₁+ysinθ₁或者ρ₂＝xcosθ₂+ysinθ₂

则为车道线。

4.如权利要求1所述的基于参数不唯一的车道线检测与跟踪方法，其特征在于，所述步骤3)中，对参数进行区间约束得到感兴趣区域的具体方法为：

3-1)第一条车道线感兴趣区域参数为：

[θ₁-θ₀/2,θ₁+θ₀/2]，[ρ₁-▽ρ,ρ₁+▽ρ]

在感兴趣区域内进行Hough变换，得到参数矩阵；

3-2)选出参数矩阵中最大参数即为第一条车道线；

3-3)第二条车道线感兴趣区域参数为：

[θ₂-θ₀/2,θ₂+θ₀/2]，[ρ₂-▽ρ,ρ₂+▽ρ]

重复第一条车道线检测步骤得到第二条车道线。

5.如权利要求1所述的基于参数不唯一的车道线检测与跟踪方法，其特征在于，所述步骤4)中，精确定位车道线的具体方法如下：

4-1)以θ₀为步长，通过Hough变换初步估测车道线位置，得到车道线参数为ρ和θ；

4-2)在该位置对极径、角度进行约束，得到感兴趣区域，角度约束在[θ-θ₀/2,θ+θ₀/2]；

4-3)通过Hough变换精确定位得到车道线。

6.如权利要求1所述的基于参数不唯一的车道线检测与跟踪方法，其特征在于，所述步骤5)将视频的帧与帧之间存在的相关性，应用到车道线跟踪的具体方法为：

5-1)前一帧图形的车道线参数为(ρ_1，i-1，θ_1,i-1)和(ρ_2,i-1，θ_2,i-1)，对前一帧参数进行约束得到新的感兴趣区域；

极径约束范围：[ρ_1，i-1-▽ρ,ρ_1，i-1+▽ρ]和[ρ_2，i-1-▽ρ,ρ_2，i-1+▽ρ]

角度约束范围：[θ_1，i-1-▽θ,θ_1，i-1+▽θ]和[θ_2，i-1-▽θ,θ_2，i-1+▽θ]

5-2)利用前一帧的感兴趣区域进行Hough变换得到目前帧的车道线参数(ρ_1，i，θ_1,i)和(ρ_2,i，θ_2,i)，得到当前帧的参数之后可以确定下一帧图像的感兴趣区域；

极径约束范围：[ρ_1，i-▽ρ,ρ_1，i+▽ρ]和[ρ_2，i-▽ρ,ρ_2，i+▽ρ]

角度约束范围：[θ_1，i-▽θ,θ_1，i+▽θ]和[θ_2，i-▽θ,θ_2，i+▽θ]

5-3)在此感兴趣区域内进行Hough变换得到车道线参数，重复5-1)和5-2)，得到视频流的车道线检测与跟踪。