CN105930800B - 一种车道线检测方法及装置 - Google Patents
一种车道线检测方法及装置 Download PDFInfo
- Publication number
- CN105930800B CN105930800B CN201610252133.7A CN201610252133A CN105930800B CN 105930800 B CN105930800 B CN 105930800B CN 201610252133 A CN201610252133 A CN 201610252133A CN 105930800 B CN105930800 B CN 105930800B
- Authority
- CN
- China
- Prior art keywords
- candidate
- lane line
- image
- module
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种车道线检测方法,该方法包括:采集现实中的场景图像;对场景图像进行逆透视变换,获取鸟瞰图像;计算鸟瞰图像在水平方向上的梯度;进行梯度宽度滤波,获取候选线段离散点;用聚类算法对候选线段离散点进行聚类;对每一个聚类上的离散点进行特征点筛选,获取特征点;用最小二乘法拟合特征点获取候选车道线;对候选车道线进行筛选并输出车道线。本发明能较好地检测复杂场景下的车道线。
Description
技术领域
本发明涉及图像处理、视频监控以及行车安全,特别涉及车道线检测方法及装置。
背景技术
随着交通及车辆产业的逐渐发展,车辆保有量日益增加,同时也每年的交通事故也急剧增加。据统计,道路交通事故的直接或间接原因包括人、车、路及各种环境因素,而所有致命的交通事故中44%是跟车道偏离有关。
公开号为CN103383733A的中国发明专利申请公开了一种基于半机器学习的车道视频检测方法,建立背景图像,采用中值滤波和边缘检测进行处理,利用改进的Hough变换检测直线,采用半机器学习的K-means算法实现聚类,利用聚类中心的直线作为边界,划分出最终的车道。公开号为CN103593649A的中国发明专利申请公开了一种用于车道偏离预警的车道线检测方法,该方法采用Sobel梯度算子根据角度大小进行方向梯度滤波,通过Hough变换检测车道线。然而,上述方法在复杂场景中,车道线检测率较低。
综上所述,目前迫切需要提出一种鲁棒性和实用性较强地检测车道线的方法及装置。
发明内容
有鉴于此,本发明的主要目的在于实现地车道线的有效检测,且鲁棒性和实用性较强。
为达到上述目的,按照本发明的第一个方面,提供了一种车道线检测方法,该方法包括:
第一步骤,采集现实中的场景图像;
第二步骤,对场景图像进行逆透视变换,获取鸟瞰图像;
第三步骤,计算鸟瞰图像在水平方向上的梯度;
第四步骤,进行梯度宽度滤波,获取候选线段离散点;
第五步骤,用聚类算法对候选线段离散点进行聚类;
第六步骤,对每一个聚类上的离散点进行特征点筛选,获取特征点;
第七步骤,用最小二乘法拟合特征点获取候选车道线;
第八步骤,对候选车道线进行筛选并输出车道线。
所述第二步骤进一步包括:
变换矩阵获取步骤,获取场景图像与鸟瞰图像间的投影变换关系矩阵H;
鸟瞰图像获取步骤,根据投影变换关系矩阵H,将场景图像转换为鸟瞰图像。
所述第三步骤中计算鸟瞰图像在水平方向上的梯度的公式为:HGrad(x,y)=I(x+1,y)-I(x,y),I(x,y)表示像素点(x,y)的亮度值。
所述第四步骤进一步包括:
梯度突变点获取步骤,若HGrad(x,y)>Th_HGrad,则认为该像素点(x,y)为梯度突变点;
候选线段获取步骤,以每一行任意两个梯度突变点构建线段,计算该构建线段的长度SLen,若SLen∈[SLenmin,SLenmax],则判定该线段为候选线段;
候选线段离散点获取步骤,滤除所有非候选线段上的离散点。
所述第六步骤进一步包括:
统计第i个聚类上离散点的纵坐标的最大值Ymax(i)和最小值Ymin(i),并统计属于该聚类的离散点的个数DPNum(i),i=1,2,L,CNum,CNum为聚类的个数;
计算第i个聚类的密度
若CDen(i)≤Th_CDen,则滤除第i个聚类上所有的离散点;
将剩余的聚类离散点作为特征点输出。
所述第八步骤进一步包括:
分类器训练步骤,选取一系列训练图像,对训练图像进行超像素分割,并从分割的超像素块中选取有车道线的超像素块为正样本,没有车道线的超像素块为负样本,根据正样本和负样本对分类器进行训练,得到训练好的分类器;
超像素分割步骤,对场景图像进行超像素分割,获取一系列带有标签的超像素块,利用训练好的分类器,获取场景图像中有车道线的超像素块;
候选车道线转换步骤,根据投影变换关系矩阵H,将鸟瞰图像中的候选车道线yj=fj(x)转换为场景图像中的候选车道线vj=fj(u),j=1,2,L,CLNum;
车道线获取步骤,统计场景图像中候选车道线vj=fj(u)上有车道线的超像素块的个数SPBNumj,若SPBNumj>Th_SPBNum,则认为vj=fj(u)为车道线并输出。
按照本发明的另一个方面,提供了一种车道线检测装置,该装置包括:
场景图像采集模块,用于采集现实中的场景图像;
逆透视变换模块,用于对场景图像进行逆透视变换,获取鸟瞰图像;
梯度计算模块,用于计算鸟瞰图像在水平方向上的梯度;
候选线段离散点获取模块,用于进行梯度宽度滤波,获取候选线段离散点;
离散点聚类模块,用于用聚类算法对候选线段离散点进行聚类;
聚类特征点筛选模块,用于对每一个聚类上的离散点进行特征点筛选,获取特征点;
候选车道线拟合模块,用于用最小二乘法拟合特征点获取候选车道线;
候选车道线筛选模块,用于对候选车道线进行筛选并输出车道线。
所述逆透视变换模块进一步包括:
变换矩阵获取模块,用于获取场景图像与鸟瞰图像间的投影变换关系矩阵H;
鸟瞰图像获取模块,用于根据投影变换关系矩阵H,将场景图像转换为鸟瞰图像。
所述梯度计算模块中计算鸟瞰图像在水平方向上的梯度的公式为:HGrad(x,y)=I(x+1,y)-I(x,y),I(x,y)表示像素点(x,y)的亮度值。
所述候选线段离散点获取模块进一步包括:
梯度突变点获取模块,用于若HGrad(x,y)>Th_HGrad,则认为该像素点(x,y)为梯度突变点;
候选线段获取模块,用于以每一行任意两个梯度突变点构建线段,计算该构建线段的长度SLen,若SLen∈[SLenmin,SLenmax],则判定该线段为候选线段;
候选线段离散点获取模块,滤除所有非候选线段上的离散点。
所述聚类特征点筛选模块进一步包括:
聚类离散点统计模块,用于统计第i个聚类上离散点的纵坐标的最大值Ymax(i)和最小值Ymin(i),并统计属于该聚类的离散点的个数DPNum(i),i=1,2,L,CNum,CNum为聚类的个数;
聚类密度计算模块,用于计算第i个聚类的密度
离散点滤除模块,用于若CDen(i)≤Th_CDen,则滤除第i个聚类上所有的离散点;
聚类特征点输出模块,用于将剩余的聚类离散点作为特征点输出。
所述候选车道线筛选模块进一步包括:
分类器训练模块,用于选取一系列训练图像,对训练图像进行超像素分割,并从分割的超像素块中选取有车道线的超像素块为正样本,没有车道线的超像素块为负样本,根据正样本和负样本对分类器进行训练,得到训练好的分类器;
超像素分割模块,用于对场景图像进行超像素分割,获取一系列带有标签的超像素块,利用训练好的分类器,获取场景图像中有车道线的超像素块;
候选车道线转换模块,用于根据投影变换关系矩阵H,将鸟瞰图像中的候选车道线yj=fj(x)转换为场景图像中的候选车道线vj=fj(u),j=1,2,L,CLNum;
车道线获取模块,用于统计场景图像中候选车道线vj=fj(u)上有车道线的超像素块的个数SPBNumj,若SPBNumj>Th_SPBNum,则认为vj=fj(u)为车道线并输出。
与现有的车道线检测技术相比,本发明的车道线检测方法及装置可以检测出复杂场景中的车道线,且鲁棒性和实用性较强。
附图说明
图1示出了按照本发明的车道线检测方法的流程图。
图2示出了按照本发明的车道线检测装置的框架图。
具体实施方式
为使贵审查员能进一步了解本发明的结构、特征及其他目的,现结合所附较佳实施例详细说明如下,所说明的较佳实施例仅用于说明本发明的技术方案,并非限定本发明。
图1给出了按照本发明的车道线检测方法的流程图。如图1所示,按照本发明的车道线检测方法包括:
第一步骤S1,采集现实中的场景图像;
第二步骤S2,对场景图像进行逆透视变换,获取鸟瞰图像;
第三步骤S3,计算鸟瞰图像在水平方向上的梯度;
第四步骤S4,进行梯度宽度滤波,获取候选线段离散点;
第五步骤S5,用聚类算法对候选线段离散点进行聚类;
第六步骤S6,对每一个聚类上的离散点进行特征点筛选,获取特征点;
第七步骤S7,用最小二乘法拟合特征点获取候选车道线;
第八步骤S8,对候选车道线进行筛选并输出车道线。
所述第二步骤S2进一步包括:
变换矩阵获取步骤S21,获取场景图像与鸟瞰图像间的投影变换关系矩阵H;
鸟瞰图像获取步骤S22,根据投影变换关系矩阵H,将场景图像转换为鸟瞰图像。
所述变换矩阵获取步骤S21进一步包括:
在场景图像中选取4个顶点(u0,v0)、(u0,vSHeight-1)、(uSWidth-1,v0)、(uSWidth-1,vSHeight-1),SWidth和SHeight分别为场景图像的宽度和高度,找到鸟瞰图像中对应这4个顶点的坐标值(x0,y0)、(x1,y1)、(x2,y2)、(x3,y3),利用场景图像中像素点(u,v)和鸟瞰图像中像素点(x,y)的转换公式:
和其中a33=1,计算得到a11、a12、a13、a21、a22、a23、a31、a32,从而得到投影变换关系矩阵
所述鸟瞰图像获取步骤S22根据投影变换关系矩阵H,利用场景图像中像素点(u,v)和鸟瞰图像中像素点(x,y)的转换公式:和将场景图像(u,v)转换为鸟瞰图像(x,y)。
所述第三步骤S3中计算鸟瞰图像在水平方向上的梯度的公式为:HGrad(x,y)=I(x+1,y)-I(x,y),I(x,y)表示像素点(x,y)的亮度值。
所述第四步骤S4进一步包括:
梯度突变点获取步骤S41,若HGrad(x,y)>Th_HGrad,则认为该像素点(x,y)为梯度突变点;
候选线段获取步骤S42,以每一行任意两个梯度突变点构建线段,计算该构建线段的长度SLen,若SLen∈[SLenmin,SLenmax],则判定该线段为候选线段;
候选线段离散点获取步骤S43,滤除所有非候选线段上的离散点。
其中,所述Th_HGrad∈[25,35],SLenmin∈[4,9],SLenmax∈[10,20]。
所述第五步骤S5中的聚类算法可以是现有的聚类算法,例如K-means算法、K-MEDOIDS算法、CLARANS算法、BIRCH算法、CURE算法、CHAMELEON算法、DBSCAN算法、OPTICS算法、DENCLUE算法、STING算法、CLIQUE算法、WAVE-CLUSTER算法等。优选地,聚类算法为K-means算法。
所述第六步骤S6进一步包括:
步骤S61,统计第i个聚类上离散点的纵坐标的最大值Ymax(i)和最小值Ymin(i),并统计属于该聚类的离散点的个数DPNum(i),i=1,2,L,CNum,CNum为聚类的个数;
步骤S62,计算第i个聚类的密度
步骤S63,若CDen(i)≤Th_CDen,则滤除第i个聚类上所有的离散点;
步骤S64,将剩余的聚类离散点作为特征点输出。
所述Th_CDen∈[0.4,0.6]。优选地,Th_CDen设为0.5。
所述第七步骤S7进一步包括:采用最小二乘法将每一个聚类上的特征点拟合成直线,从而获得一系列直线yj=fj(x),j=1,2,L,CLNum,j表示第j条直线,CLNum为直线的个数,这些直线即为候选车道线。最小二乘法可以通过现有技术实现。
所述第八步骤S8进一步包括:
分类器训练步骤S81,选取一系列训练图像,对训练图像进行超像素分割,并从分割的超像素块中选取有车道线的超像素块为正样本,没有车道线的超像素块为负样本,根据正样本和负样本对分类器进行训练,得到训练好的分类器;
超像素分割步骤S82,对场景图像进行超像素分割,获取一系列带有标签的超像素块,利用训练好的分类器,获取场景图像中有车道线的超像素块;
候选车道线转换步骤S83,根据投影变换关系矩阵H,将鸟瞰图像中的候选车道线yj=fj(x)转换为场景图像中的候选车道线vj=fj(u),j=1,2,L,CLNum;
车道线获取步骤S84,统计场景图像中候选车道线vj=fj(u)上有车道线的超像素块的个数SPBNumj,若SPBNumj>Th_SPBNum,则认为vj=fj(u)为车道线并输出。
进一步地,所述分类器为SVM分类器。
所述Th_SPBNum∈[4,10]。优选地,Th_SPBNum设为5。
图2给出了按照本发明的一种车道线检测装置的框架图。如图2所示,按照本发明的一种车道线检测装置包括:
场景图像采集模块1,用于采集现实中的场景图像;
逆透视变换模块2,用于对场景图像进行逆透视变换,获取鸟瞰图像;
梯度计算模块3,用于计算鸟瞰图像在水平方向上的梯度;
候选线段离散点获取模块4,用于进行梯度宽度滤波,获取候选线段离散点;
离散点聚类模块5,用于用聚类算法对候选线段离散点进行聚类;
聚类特征点筛选模块6,用于对每一个聚类上的离散点进行特征点筛选,获取特征点;
候选车道线拟合模块7,用于用最小二乘法拟合特征点获取候选车道线;
候选车道线筛选模块8,用于对候选车道线进行筛选并输出车道线。
所述逆透视变换模块2进一步包括:
变换矩阵获取模块21,用于获取场景图像与鸟瞰图像间的投影变换关系矩阵H;
鸟瞰图像获取模块22,用于根据投影变换关系矩阵H,将场景图像转换为鸟瞰图像。
所述变换矩阵获取模块21进一步包括:
在场景图像中选取4个顶点(u0,v0)、(u0,vSHeight-1)、(uSWidth-1,v0)、(uSWidth-1,vSHeight-1),SWidth和SHeight分别为场景图像的宽度和高度,找到鸟瞰图像中对应这4个顶点的坐标值(x0,y0)、(x1,y1)、(x2,y2)、(x3,y3),利用场景图像中像素点(u,v)和鸟瞰图像中像素点(x,y)的转换公式:
和其中a33=1,计算得到a11、a12、a13、a21、a22、a23、a31、a32,从而得到投影变换关系矩阵
所述鸟瞰图像获取模块22根据投影变换关系矩阵H,利用场景图像中像素点(u,v)和鸟瞰图像中像素点(x,y)的转换公式:和将场景图像(u,v)转换为鸟瞰图像(x,y)。
所述梯度计算模块3中计算鸟瞰图像在水平方向上的梯度的公式为:HGrad(x,y)=I(x+1,y)-I(x,y),I(x,y)表示像素点(x,y)的亮度值。
所述候选线段离散点获取模块4进一步包括:
梯度突变点获取模块41,用于若HGrad(x,y)>Th_HGrad,则认为该像素点(x,y)为梯度突变点;
候选线段获取模块42,用于以每一行任意两个梯度突变点构建线段,计算该构建线段的长度SLen,若SLen∈[SLenmin,SLenmax],则判定该线段为候选线段;
候选线段离散点获取模块43,滤除所有非候选线段上的离散点。
其中,所述Th_HGrad∈[25,35],SLenmin∈[4,9],SLenmax∈[10,20]。
所述第五步骤S5中的聚类算法可以是现有的聚类算法,例如K-means算法、K-MEDOIDS算法、CLARANS算法、BIRCH算法、CURE算法、CHAMELEON算法、DBSCAN算法、OPTICS算法、DENCLUE算法、STING算法、CLIQUE算法、WAVE-CLUSTER算法等。优选地,聚类算法为K-means算法。
所述聚类特征点筛选模块6进一步包括:
聚类离散点统计模块61,用于统计第i个聚类上离散点的纵坐标的最大值Ymax(i)和最小值Ymin(i),并统计属于该聚类的离散点的个数DPNum(i),i=1,2,L,CNum,CNum为聚类的个数;
聚类密度计算模块62,用于计算第i个聚类的密度
离散点滤除模块63,用于若CDen(i)≤Th_CDen,则滤除第i个聚类上所有的离散点;
聚类特征点输出模块64,用于将剩余的聚类离散点作为特征点输出。
所述Th_CDen∈[0.4,0.6]。优选地,Th_CDen设为0.5。
所述候选车道线拟合模块7进一步包括:采用最小二乘法将每一个聚类上的特征点拟合成直线,从而获得一系列直线yj=fj(x),j=1,2,L,CLNum,j表示第j条直线,CLNum为直线的个数,这些直线即为候选车道线。最小二乘法可以通过现有技术实现。
所述候选车道线筛选模块8进一步包括:
分类器训练模块81,用于选取一系列训练图像,对训练图像进行超像素分割,并从分割的超像素块中选取有车道线的超像素块为正样本,没有车道线的超像素块为负样本,根据正样本和负样本对分类器进行训练,得到训练好的分类器;
超像素分割模块82,用于对场景图像进行超像素分割,获取一系列带有标签的超像素块,利用训练好的分类器,获取场景图像中有车道线的超像素块;
候选车道线转换模块83,用于根据投影变换关系矩阵H,将鸟瞰图像中的候选车道线yj=fj(x)转换为场景图像中的候选车道线vj=fj(u),j=1,2,L,CLNum;
车道线获取模块84,用于统计场景图像中候选车道线vj=fj(u)上有车道线的超像素块的个数SPBNumj,若SPBNumj>Th_SPBNum,则认为vj=fj(u)为车道线并输出。
进一步地,所述分类器为SVM分类器。
所述Th_SPBNum∈[4,10]。优选地,Th_SPBNum设为5。
与现有的车道线检测技术相比,本发明的车道线检测方法及装置可以检测出复杂场景中的车道线,且鲁棒性和实用性较强。
以上所述,仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围,应当理解,本发明并不限于这里所描述的实现方案,这些实现方案描述的目的在于帮助本领域中的技术人员实践本发明。任何本领域中的技术人员很容易在不脱离本发明精神和范围的情况下进行进一步的改进和完善,因此本发明只受到本发明权利要求的内容和范围的限制,其意图涵盖所有包括在由所附权利要求所限定的本发明精神和范围内的备选方案和等同方案。
Claims (12)
1.一种车道线检测方法,其特征在于,该方法包括:
第一步骤,采集现实中的场景图像;
第二步骤,对场景图像进行逆透视变换,获取鸟瞰图像;
第三步骤,计算鸟瞰图像在水平方向上的梯度;
第四步骤,进行梯度宽度滤波,获取候选线段离散点;
第五步骤,用聚类算法对候选线段离散点进行聚类;
第六步骤,对每一个聚类上的离散点进行特征点筛选,获取特征点;
第七步骤,用最小二乘法拟合特征点获取候选车道线;
第八步骤,对候选车道线进行筛选并输出车道线;
其中,所述第六步骤进一步包括:
统计第i个聚类上离散点的纵坐标的最大值Ymax(i)和最小值Ymin(i),并统计属于该聚类的离散点的个数DPNum(i),i=1,2,…,CNum,CNum为聚类的个数;
计算第i个聚类的密度
若CDen(i)≤Th_CDen,则滤除第i个聚类上所有的离散点;
将剩余的聚类离散点作为特征点输出;
其中,Th_CDen∈[0.4,0.6]。
2.如权利要求1所述的方法,所述第二步骤进一步包括:
变换矩阵获取步骤,获取场景图像与鸟瞰图像间的投影变换关系矩阵H;
鸟瞰图像获取步骤,根据投影变换关系矩阵H,将场景图像转换为鸟瞰图像;其中,变换矩阵获取步骤进一步包括:在场景图像中选取4个顶点(u0,v0)、(u0,vSHeight-1)、(uSWidth-1,v0)、(uSWidth-1,vSHeight-1),SWidth和SHeight分别为场景图像的宽度和高度,找到鸟瞰图像中对应这4个顶点的坐标值(x0,y0)、(x1,y1)、(x2,y2)、(x3,y3),利用场景图像中像素点(u,v)和鸟瞰图像中像素点(x,y)的转换公式:和其中a33=1,计算得到a11、a12、a13、a21、a22、a23、a31、a32,从而得到投影变换关系矩阵
3.如权利要求1所述的方法,所述第三步骤中计算鸟瞰图像在水平方向上的梯度的公式为:HGrad(x,y)=I(x+1,y)-I(x,y),I(x,y)表示像素点(x,y)的亮度值。
4.如权利要求3所述的方法,其特征在于,所述第四步骤进一步包括:
梯度突变点获取步骤,若HGrad(x,y)>Th_HGrad,则认为像素点(x,y)为梯度突变点;
候选线段获取步骤,以每一行任意两个梯度突变点构建线段,计算该构建线段的长度SLen,若SLen∈[SLenmin,SLenmax],则判定该线段为候选线段;
候选线段离散点获取步骤,滤除所有非候选线段上的离散点;
其中,Th_HGrad∈[25,35],SLenmin∈[4,9],SLenmax∈[10,20]。
5.如权利要求1所述的方法,其特征在于,所述第八步骤进一步包括:
分类器训练步骤,选取一系列训练图像,对训练图像进行超像素分割,并从分割的超像素块中选取有车道线的超像素块为正样本,没有车道线的超像素块为负样本,根据正样本和负样本对分类器进行训练,得到训练好的分类器;
超像素分割步骤,对场景图像进行超像素分割,获取一系列带有标签的超像素块,利用训练好的分类器,获取场景图像中有车道线的超像素块;候选车道线转换步骤,根据投影变换关系矩阵H,将鸟瞰图像中的候选车道线yj=fj(x)转换为场景图像中的候选车道线vj=fj(u),j=1,2,…,CLNum,j表示第j条候选车道线,CLNum为候选车道线的个数;
车道线获取步骤,统计场景图像中候选车道线vj=fj(u)上有车道线的超像素块的个数SPBNumj,若SPBNumj>Th_SPBNum,则认为vj=fj(u)为车道线并输出;
其中,Th_SPBNum∈[4,10]。
6.如权利要求5所述的方法,所述分类器为SVM分类器。
7.一种车道线检测装置,其特征在于,该装置包括:
场景图像采集模块,用于采集现实中的场景图像;
逆透视变换模块,用于对场景图像进行逆透视变换,获取鸟瞰图像;
梯度计算模块,用于计算鸟瞰图像在水平方向上的梯度;
候选线段离散点获取模块,用于进行梯度宽度滤波,获取候选线段离散点;
离散点聚类模块,用于用聚类算法对候选线段离散点进行聚类;
聚类特征点筛选模块,用于对每一个聚类上的离散点进行特征点筛选,获取特征点;
候选车道线拟合模块,用于用最小二乘法拟合特征点获取候选车道线;
候选车道线筛选模块,用于对候选车道线进行筛选并输出车道线;
其中,所述聚类特征点筛选模块进一步包括:
聚类离散点统计模块,用于统计第i个聚类上离散点的纵坐标的最大值Ymax(i)和最小值Ymin(i),并统计属于该聚类的离散点的个数DPNum(i),i=1,2,…,CNum,CNum为聚类的个数;
聚类密度计算模块,用于计算第i个聚类的密度
离散点滤除模块,用于若CDen(i)≤Th_CDen,则滤除第i个聚类上所有的离散点;
聚类特征点输出模块,用于将剩余的聚类离散点作为特征点输出;
其中,Th_CDen∈[0.4,0.6]。
8.如权利要求7所述的装置,所述逆透视变换模块进一步包括:
变换矩阵获取模块,用于获取场景图像与鸟瞰图像间的投影变换关系矩阵H;
鸟瞰图像获取模块,用于根据投影变换关系矩阵H,将场景图像转换为鸟瞰图像;
其中,所述变换矩阵获取模块进一步包括:在场景图像中选取4个顶点(u0,v0)、(u0,vSHeight-1)、(uSWidth-1,v0)、(uSWidth-1,vSHeight-1),SWidth和SHeight分别为场景图像的宽度和高度,找到鸟瞰图像中对应这4个顶点的坐标值(x0,y0)、(x1,y1)、(x2,y2)、(x3,y3),利用场景图像中像素点(u,v)和鸟瞰图像中像素点(x,y)的转换公式:和其中a33=1,计算得到a11、a12、a13、a21、a22、a23、a31、a32,从而得到投影变换关系矩阵
9.如权利要求7所述的装置,所述梯度计算模块中计算鸟瞰图像在水平方向上的梯度的公式为:HGrad(x,y)=I(x+1,y)-I(x,y),I(x,y)表示像素点(x,y)的亮度值。
10.如权利要求9所述的装置,其特征在于,所述候选线段离散点获取模块进一步包括:
梯度突变点获取模块,用于若HGrad(x,y)>Th_HGrad,则认为像素点(x,y)为梯度突变点;
候选线段获取模块,用于以每一行任意两个梯度突变点构建线段,计算该构建线段的长度SLen,若SLen∈[SLenmin,SLenmax],则判定该线段为候选线段;
候选线段离散点获取模块,滤除所有非候选线段上的离散点;
其中,Th_HGrad∈[25,35],SLenmin∈[4,9],SLenmax∈[10,20]。
11.如权利要求7所述的装置,所述候选车道线筛选模块进一步包括:
分类器训练模块,用于选取一系列训练图像,对训练图像进行超像素分割,并从分割的超像素块中选取有车道线的超像素块为正样本,没有车道线的超像素块为负样本,根据正样本和负样本对分类器进行训练,得到训练好的分类器;
超像素分割模块,用于对场景图像进行超像素分割,获取一系列带有标签的超像素块,利用训练好的分类器,获取场景图像中有车道线的超像素块;
候选车道线转换模块,用于根据投影变换关系矩阵H,将鸟瞰图像中的候选车道线yj=fj(x)转换为场景图像中的候选车道线vj=fj(u),j=1,2,…,CLNum,j表示第j条候选车道线,CLNum为候选车道线的个数;
车道线获取模块,用于统计场景图像中候选车道线vj=fj(u)上有车道线的超像素块的个数SPBNumj,若SPBNumj>Th_SPBNum,则认为vj=fj(u)为车道线并输出;
其中,Th_SPBNum∈[4,10]。
12.如权利要求11所述的装置,所述分类器为SVM分类器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610252133.7A CN105930800B (zh) | 2016-04-21 | 2016-04-21 | 一种车道线检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610252133.7A CN105930800B (zh) | 2016-04-21 | 2016-04-21 | 一种车道线检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105930800A CN105930800A (zh) | 2016-09-07 |
CN105930800B true CN105930800B (zh) | 2019-02-01 |
Family
ID=56838880
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610252133.7A Active CN105930800B (zh) | 2016-04-21 | 2016-04-21 | 一种车道线检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105930800B (zh) |
Families Citing this family (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108090401B (zh) * | 2016-11-23 | 2021-12-14 | 株式会社理光 | 线检测方法和线检测设备 |
KR102697448B1 (ko) * | 2016-11-30 | 2024-08-21 | 삼성전자주식회사 | 자율 주행 경로 생성 방법 및 그 장치 |
CN106971400B (zh) * | 2017-03-10 | 2020-11-10 | 中国航空工业集团公司洛阳电光设备研究所 | 一种图像分割线的修补方法及其装置 |
CN110348273B (zh) * | 2018-04-04 | 2022-05-24 | 北京四维图新科技股份有限公司 | 神经网络模型训练方法、系统及车道线识别方法、系统 |
CN108860016B (zh) * | 2018-07-04 | 2020-05-05 | 广东奎创科技股份有限公司 | 一种机器人智能教练辅助驾驶系统 |
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 |
CN109308468B (zh) * | 2018-09-21 | 2021-09-24 | 电子科技大学 | 一种车道线检测方法 |
CN111626078A (zh) * | 2019-02-27 | 2020-09-04 | 湖南湘江地平线人工智能研发有限公司 | 识别车道线的方法及装置 |
CN110008851B (zh) * | 2019-03-15 | 2021-11-19 | 深兰科技(上海)有限公司 | 一种车道线检测的方法及设备 |
CN110321878A (zh) * | 2019-08-02 | 2019-10-11 | 苏州天瞳威视电子科技有限公司 | 一种车道线曲线拟合方法 |
CN111047615B (zh) * | 2019-12-09 | 2024-02-02 | Oppo广东移动通信有限公司 | 基于图像的直线检测方法、装置以及电子设备 |
CN110954002A (zh) * | 2019-12-19 | 2020-04-03 | 株洲菲斯罗克光电技术有限公司 | 一种光纤直径测量方法 |
CN111341103B (zh) * | 2020-03-03 | 2021-04-27 | 鹏城实验室 | 车道信息提取方法、装置、设备及存储介质 |
CN111797766B (zh) * | 2020-07-06 | 2022-01-11 | 三一专用汽车有限责任公司 | 识别方法、识别装置、计算机可读存储介质和车辆 |
CN112381034A (zh) * | 2020-11-25 | 2021-02-19 | 上海眼控科技股份有限公司 | 一种车道线检测方法、装置、设备及存储介质 |
CN114511832B (zh) * | 2022-04-21 | 2022-07-12 | 深圳比特微电子科技有限公司 | 车道线分析方法、装置、电子设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6819779B1 (en) * | 2000-11-22 | 2004-11-16 | Cognex Corporation | Lane detection system and apparatus |
CN102629326A (zh) * | 2012-03-19 | 2012-08-08 | 天津工业大学 | 一种基于单目视觉的车道线检测方法 |
CN102663744A (zh) * | 2012-03-22 | 2012-09-12 | 杭州电子科技大学 | 梯度点对约束下的复杂道路检测方法 |
CN103473762A (zh) * | 2013-08-29 | 2013-12-25 | 奇瑞汽车股份有限公司 | 一种车道线检测方法和装置 |
CN103978978A (zh) * | 2014-05-26 | 2014-08-13 | 武汉理工大学 | 基于逆投影变换的车道保持方法 |
CN105426864A (zh) * | 2015-12-04 | 2016-03-23 | 华中科技大学 | 一种基于等距边缘点匹配的多车道线检测方法 |
-
2016
- 2016-04-21 CN CN201610252133.7A patent/CN105930800B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6819779B1 (en) * | 2000-11-22 | 2004-11-16 | Cognex Corporation | Lane detection system and apparatus |
CN102629326A (zh) * | 2012-03-19 | 2012-08-08 | 天津工业大学 | 一种基于单目视觉的车道线检测方法 |
CN102663744A (zh) * | 2012-03-22 | 2012-09-12 | 杭州电子科技大学 | 梯度点对约束下的复杂道路检测方法 |
CN103473762A (zh) * | 2013-08-29 | 2013-12-25 | 奇瑞汽车股份有限公司 | 一种车道线检测方法和装置 |
CN103978978A (zh) * | 2014-05-26 | 2014-08-13 | 武汉理工大学 | 基于逆投影变换的车道保持方法 |
CN105426864A (zh) * | 2015-12-04 | 2016-03-23 | 华中科技大学 | 一种基于等距边缘点匹配的多车道线检测方法 |
Non-Patent Citations (5)
Title |
---|
A robust lane boundaries detection algorithm based on gradient distribution features;Yanjun Fan 等;《2011 Eighth International Conference on Fuzzy Systems and Knowledge Discovery (FSKD)》;20110728;1714-1718 |
基于DM6446的车道线快速检测算法;王云建 等;《杭州电子科技大学学报》;20130430;第33卷(第2期);37-40 |
基于梯度增强和逆透视验证的车道线检测;王超 等;《哈尔滨工程大学学报》;20140930;第35卷(第9期);1156-1163 |
基于边缘分布及特征聚类的车道标记线检测;易世春 等;《汽车工程》;20141231;第36卷(第10期);1210-1215,1179 |
梯度点对约束的结构化车道检测;王永忠等;《中国图象图形学报》;20120630;第17卷(第6期);第1.1节 |
Also Published As
Publication number | Publication date |
---|---|
CN105930800A (zh) | 2016-09-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105930800B (zh) | 一种车道线检测方法及装置 | |
CN103605977B (zh) | 一种车道线的提取方法及装置 | |
WO2017190574A1 (zh) | 一种基于聚合通道特征的快速行人检测方法 | |
CN109918971B (zh) | 监控视频中人数检测方法及装置 | |
CN109635758B (zh) | 智慧工地基于视频的高空作业人员安全带穿戴检测方法 | |
DE112013001858B4 (de) | Mehrfachhinweis-Objekterkennung und -Analyse | |
CN107392968B (zh) | 融合颜色对比图和颜色空间分布图的图像显著性检测方法 | |
CN107886507B (zh) | 一种基于图像背景和空间位置的显著区域检测方法 | |
CN105184271A (zh) | 一种基于深度学习的车辆自动检测方法 | |
CN102163284A (zh) | 面向中文环境的复杂场景文本定位方法 | |
CN108564814A (zh) | 一种基于图像的停车场车位检测方法及装置 | |
CN104715244A (zh) | 一种基于肤色分割和机器学习的多视角人脸检测方法 | |
CN106886778B (zh) | 一种监控场景下车牌字符分割与识别方法 | |
CN103824081A (zh) | 一种室外恶劣光照条件下的快速鲁棒交通标志检测方法 | |
CN105760858A (zh) | 一种基于类Haar中间层滤波特征的行人检测方法及装置 | |
CN107704853A (zh) | 一种基于多分类器的交通信号灯的识别方法 | |
CN112101260B (zh) | 一种作业人员安全带识别方法、装置、设备和存储介质 | |
CN104966285A (zh) | 一种显著性区域的检测方法 | |
CN103034843A (zh) | 一种基于单目视觉的夜间车辆检测方法 | |
CN104217206A (zh) | 基于高清视频的实时上座率统计方法 | |
Hossain et al. | Automatic detection and recognition of traffic signs | |
CN104318266A (zh) | 一种图像智能分析处理预警方法 | |
CN105893960A (zh) | 基于相位对称性的道路交通标志检测方法 | |
CN105844337A (zh) | 一种智能垃圾分类装置 | |
DE102012220619A1 (de) | Farberfassungsvorrichtung für ein Fahrzeug |
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 |