CN106887004A - 一种基于块匹配的车道线检测方法 - Google Patents

Abstract

本发明公开了一种基于块匹配的车道线检测方法，首先利用车辆前视摄像头对道路采集原始视频图像，通过对原始图像进行一系列的图像预处理，主要包括图像灰度化、图像滤波增强、边缘检测等步骤，然后对图像进行霍夫变换检测到图像中的直线，在这个基础上对检测到的直线进行灰度块匹配从而得到正确的左右车道线。在以往的车道线检测的基础上加入灰度块匹配步骤，使得车道线检测的正确率明显提高，由于灰度块匹配步骤的计算简单，运行效率高，实时性好，能够在实际运用中取得较好的效果。

Description

一种基于块匹配的车道线检测方法

技术领域

本发明属于车辆主动安全系统技术领域，更为具体地讲，涉及一种基于块匹配的车道线检测方法。

背景技术

据不完全统计，在所有事故原因中，约有44％的汽车事故与车辆偏离正常车道行驶有关，其主要原因是驾驶员心神烦乱、注意力不集中或者疲劳驾驶，造成车辆的无意识偏离。若车辆在行驶过程中发生无意识侧向偏离时，有一驾驶辅助装置发出告警以提醒驾驶员谨慎驾驶，此类交通事故将大大减少。因此，车道偏离报警系统的研究与开发在国内外得到了高度重视。其中，道路边界及车道标识线检测与跟踪是实现车道偏离预警系统的基础。

车道线检测技术是指利用图像传感等手段检测出道路车道虚实标线的技术，它是汽车主动安全领域的关键技术之一。在基于视觉的车道保持系统中，车道线的检测和跟踪是一个基本的、必要的功能，它能防止汽车偏离车道，同时也可以给包括碰撞预警等其它主动安全系统提供重要的道路环境信息。

目前，道路边界及车道标识线识别方法基本上可归结为两大类方法，一类为基于特征的识别方法，另一类为基于模型的识别方法。基于特征的检测方法是结合图像中道路边界的一些特征检测出车道或道路边界，这些特征包括形状、灰度、纹理、颜色、对比度和不连续性等。算法大致分两步:特征提取和特征描述。先进行图像预处理，找到易于识别道路的特征，接着提取特征；然后根据这些道路特征，用数学方式把车道直观的描述出来。其中，道路的特征主要有颜色特征和边缘特征等，尤以基于边缘特征的方法应用较多。基于模型的方法主要有直线模型、曲线模型。与基于特征的方法相比，基于模型的方法能有效克服路面污渍、光照变化、阴影等环境因素的影响，但当道路状况发生突变时，如转弯、上坡等等，模型就会失效。一般为了提高其鲁棒性，通常使用更通用的道路模型，如B样条曲线模型，若模型太复杂，参数太多，又会降低其实时性。

基于图像处理的车道偏离预警系统大都依赖于道路中的车道标识线或道路边界信息。如何快速、准确地提取出道路中车道标识线或道路边界信息是该类系统必须解决的关键问题。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于块匹配的车道线检测方法，通过灰度块匹配来识别车道线，具有识别速度快、检测效果好、准确度高的特点。

为实现上述发明目的，本发明一种基于块匹配的车道线检测方法，其特征在于，包括以下步骤：

(1)、采集原始视频图像

利用车辆前视摄像头连续采集车辆前方的视频图像，再以帧为单位，将每一帧图像处理成大小相等；

(2)、设置感兴趣区域

选取每帧图像中主要包含车道线的区域，并设置为车道检测的感兴趣区域，命名为ROI图像；

(3)、图像预处理

利用加权平均法将ROI图像转换为灰度图像，再使用中值滤波对灰度图像进行图像去噪，最后采用直方图均衡化算法对去噪后的灰度图像进行对比度增强，得到标准灰度图像；

(4)、边缘检测

使用Canny边缘检测算子对标准灰度图像进行边缘检测，得到边缘检测图像；

(5)、霍夫变换Hough检测直线

对边缘检测图像进行Hough变换，获取边缘检测图像中的直线，分别命名为L_i，i表示第i直线；

对每一条检测到的直线，获取该直线两端的端点坐标(i1，j1)、(i2，j2)，再求得该直线的中点坐标(0.5*(i1+i2)、0.5*(j1+j2))；

判断该直线位于边缘检测图像的区域：若(0.5*(i1+i2)小于等于边缘检测图像的半宽，则该直线位于边缘检测图像的左边区域；若(0.5*(i1+i2)大于边缘检测图像的半宽，则该直线在边缘检测图像的右边区域；

以边缘检测图像的中心像素线为界，将边缘检测图像左边的直线集命名为Left-L，将边缘检测图像的右边的直线集命名为Right-L；

(6)、角度筛选

在Left-L直线集中，保留视角角度在45°～90°之间的直线；在Right-L直线集中，保留视角角度在90°～135°之间的直线；其他不符合此角度条件的直线全部删除；

(7)、灰度块匹配

(7.1)、在边缘检测图像的中间选取一m*m灰度小方块，小方块中心位于边缘检测图像的中心点，再检测灰度小方块中的m*m个像素点的灰度值g₁～g_m*m；

(7.2)、遍历角度筛选后保留的所有直线上的像素点，以当前检测的直线上的像素点为中心，取m*m邻域并依次获取该邻域的m*m个像素点的灰度值f₁～f_m*m，再通过下式求出一个灰度判断值gray1：

(7.3)、从边缘检测图像的底端开始，利用栅格扫描的方式对边缘检测图像进行逐行向上搜索，获取扫描线与检测到的直线的交点的灰度值gray，并与灰度判断值gray1进行比较，若该交点的灰度值gray>gray1，则认为该交点是车道线上的点，并将该点保存到点集Point，若该交点的灰度值gray≤gray1，则认为该交点不是车道线上的点并将该点舍弃；直至处理到边缘检测图像的上限边界，完成整幅边缘检测图像的遍历，最后统计出每条直线上保留的像素点的个数Num-i；

(7.4)、遍历Left-L直线集中的所有直线，比较每条直线上保存在点集Point中的车道线点的数量，将车道线点最多的一条直线保留，作为左边的车道线L_Lane；

(7.5)、遍历Right-L直线集中的所有直线，比较每条直线上保存在点集Point中的车道线点的数量，将车道线点最多的一条直线保留，作为右边的车道线R_Lane；

(8)、检测车道线

根据步骤(7)选出的车道线L_Lane或R_Lane，利用cvLine函数画出在原始视频图像中。

本发明的发明目的是这样实现的：

本发明一种基于块匹配的车道线检测方法，首先利用车辆前视摄像头对道路采集原始视频图像，通过对原始图像进行一系列的图像预处理，主要包括图像灰度化、图像滤波增强、边缘检测等步骤，然后对图像进行霍夫变换检测到图像中的直线，在这个基础上对检测到的直线进行灰度块匹配从而得到正确的左右车道线。在以往的车道线检测的基础上加入灰度块匹配步骤，使得车道线检测的正确率明显提高，由于灰度块匹配步骤的计算简单，运行效率高，实时性好，能够在实际运用中取得较好的效果。

同时，本发明一种基于块匹配的车道线检测方法还具有以下有益效果：

(1)、通过基于块匹配的车道线检测方法可以实时快速的检测出当前车道中的车道线，正确率高，检测效果好；

(2)、良好的车道线检测是车道偏离预警系统的基础，使用灰度块匹配的车道线检测方法相比其他车道线检测方法，对于车道线的检测率更高，识别速度更快，可以为车道偏离预警系统提供更好的车道线检测结果，使得车道偏离预警系统的准确率和实时性都有所提高。

附图说明

图1是本发明基于块匹配的车道线检测方法流程图；

图2是夜间车道线原始图；

图3是夜间车道线灰度图；

图4是夜间车道线边缘检测图；

图5是夜间车道线直线检测图；

图6是采用本发明所述方法的夜间车道线检测结果图；

图7是白天车道线原始图；

图8是白天车道线灰度图；

图9是白天车道线边缘检测图；

图10是白天车道线直线检测图；

图11是采用本发明所述方法的白天车道线检测结果图；

图12是不采用本发明所述方法的白天车道线检测结果图。

具体实施方式

下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。

实施例

图1是本发明基于块匹配的车道线检测方法流程图。

在本实施例中，如图1所示，本发明一种基于块匹配的车道线检测方法，包括以下步骤：

S1、采集原始视频图像

利用安装在车辆前方的前视鱼眼摄像头连续采集车辆前方视图影像，再以帧为单位，将每一帧图像处理成大小相等；

由于鱼眼摄像头的广角特性，采集到的图像会产生图形畸变，经过大量实验验证此畸变不会影响到车道线检测的后续处理，故此处不再对图像做形变校正处理；

在本实施例中，将图2所示的夜间车道线原始图处理成大小为550*302的图像，将图7所示的白天间车道线原始图处理成大小为704*576的图像。

S2、设置感兴趣区域

选取每帧图像中主要包含车道线的区域，并设置为车道检测的感兴趣区域，命名为ROI图像；

车道线主要位于图像的下半部分，上半部分主要为远景和天空图像。因为图2中基本都是天空，不影响后续处理步骤，此处未做ROI选择。而图7中可以看出车道线主要位于图像的下半部分，上半部分主要为远景和天空图像，影响因素较多，所以此处选择车辆前方视图影像的下半部分为ROI区域，ROI区域的具体尺寸为原始图像高度的二分之一，大小为704*288。

S3、图像预处理

利用加权平均法将ROI图像转换为灰度图像，再使用中值滤波对灰度图像进行图像去噪，最后采用直方图均衡化算法对去噪后的灰度图像进行对比度增强，得到标准灰度图像，其中，如图3、图8所示的灰度图像分别对应图2和图7的预处理结果；

此处选取加权平均法对图像进行灰度处理，采用Gray＝0.3R+0.59G+0.11B将彩色图像ROI转化为灰度图像，同时还可以采用均值滤波去噪、高斯去噪和双边滤波去噪等算法进行图像去噪。

S4、边缘检测

使用Canny边缘检测算子对标准灰度图像进行边缘检测，得到边缘检测图像；

在本实施例中，采用Canny算子由于采用了最优边缘检测原则，使提取的边缘十分完整，细节表现明晰，边缘的连续性也很好，效果优于其它算子，如图4、图9所示，分别对应图3和图8的边缘检测结果。

除了Canny算子，本实施例还可以采用Roberts Cross算子、Prewitt算子、Sobel算子和LoG算子进行边缘检测。

S5、霍夫变换Hough检测直线

对边缘检测图像进行Hough变换，获取边缘检测图像中的直线，分别命名为L_i，i表示第i直线；

在本实施例中，图4中共检测到5条直线，如图5所示，图9共检测到6条直线，如图10所示；

对每一条检测到的直线，获取该直线两端的端点坐标(i1，j1)、(i2，j2)，再求得该直线的中点坐标(0.5*(i1+i2)、0.5*(j1+j2))；

判断该直线位于边缘检测图像的区域：若(0.5*(i1+i2)小于等于边缘检测图像的半宽，即(0.5*(i1+i2)≤0.5*width，则该直线位于边缘检测图像的左边区域；若(0.5*(i1+i2)大于边缘检测图像的半宽，即(0.5*(i1+i2)＞0.5*width，则该直线在边缘检测图像的右边区域；

以边缘检测图像的中心像素线为界，即以边缘检测图像中间像素0.5*width为界，将边缘检测图像左边的直线集命名为Left-L，将边缘检测图像的右边的直线集命名为Right-L；

S6、角度筛选

进行Hough变换后得到的直线很多，其中包含很多非车道线的直线，由于车辆前方视图影像中车道线的角度具有明显特征，对得到的直线进行角度筛选，删除角度明显有误的直线，保留符合角度条件的直线，角度筛选的具体范围在45°～135°之间；

在Left-L直线集中，保留视角角度在45°～90°之间的直线；在Right-L直线集中，保留视角角度在90°～135°之间的直线；其他不符合此角度条件的直线全部删除；

S7、灰度块匹配

S7.1、在边缘检测图像的中间选取一3*3灰度小方块，小方块中心位于边缘检测图像的中心点，即width*0.5，height*0.5，再检测灰度小方块中的3*3个像素点的灰度值g₁～g₉；

由于图像中间道路面积很大，灰度小方块的大小可以稍作选择，本实施例给出的灰度小方块的大小设置范围为1*1～7*7，在这个范围内的灰度小方块对于车道线匹配效果都很好，不建议将灰度小方块的大小设置为大于7*7，在本实施例中，选取3*3灰度小方块；

S7.2、遍历角度筛选后保留的所有直线上的像素点，以当前检测的直线上的像素点为中心，取3*3邻域并依次获取该邻域的3*3个像素点的灰度值f₁～f₉，再通过下式求出一个灰度判断值gray1：

S7.3、从边缘检测图像的底端开始，利用栅格扫描的方式对边缘检测图像进行逐行向上搜索，获取扫描线与检测到的直线的交点的灰度值gray，并与灰度判断值gray1进行比较，因为道路的颜色和车道线的颜色不同，所以道路的灰度值和车道线的灰度值有明显差别，若该交点的灰度值gray>gray1，则认为该交点是车道线上的点，并将该点保存到点集Point，若该交点的灰度值gray≤gray1，则认为该交点不是车道线上的点并将该点舍弃；直至处理到边缘检测图像的上限边界，完成整幅边缘检测图像的遍历，最后统计出每条直线上保留的像素点的个数Num-i；

S7.4、遍历Left-L直线集中的所有直线，比较每条直线上保存在点集Point中的车道线点的数量，将车道线点最多的一条直线保留，作为左边的车道线L_Lane；

S7.5、遍历Right-L直线集中的所有直线，比较每条直线上保存在点集Point中的车道线点的数量，将车道线点最多的一条直线保留，作为右边的车道线R_Lane；

S8、检测车道线

根据步骤S7选出的车道线L_Lane或R_Lane，利用cvLine函数画出在原始视频图像中。

最后，将本发明所提供的一种基于块匹配的车道线检测方法与普通的不经过块匹配步骤的车道线检测方法进行对比，本发明所提供的车道线检测方法对于实时图像的车道线检测结果如图6和图11所示，其中，如图6所示为夜间车道线检测的检测结果图，图11为白天车道线检测的检测结果图，从两幅检测结果图中可以看出本方法可以有效的检测出车辆当前行驶车道的左右车道线，尽管车道线可能出现模糊的情况也可以正确的检测出来，而不会错误检测出旁边车道的车道线或者漏检当前车道的车道线；而普通的不经过块匹配步骤的车道线检测方法的车道线检测结果如图12所示，从图中看出该方法只检测到比较明显的左边车道线，而较为靠边的右边车道线并没有检测出来，可以看出普通的车道线检测方法在实际应用时会出现不能完全检测出车道线的情况。经过对比，可以看出本发明提供的一种基于块匹配的车道线检测方法检测率明显高于普通的不经过块匹配步骤的车道线检测方法的检测率，这说明本发明提供的一种基于块匹配的车道线检测方法确实优于普通的车道线检测方法。

尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

Claims (5)

1.一种基于块匹配的车道线检测方法，其特征在于，包括以下步骤：

(1)、采集原始视频图像

利用车辆前视摄像头连续采集车辆前方的视频图像，再以帧为单位，将每一帧图像处理成大小相等；

(2)、设置感兴趣区域

选取每帧图像中主要包含车道线的区域，并设置为车道检测的感兴趣区域，命名为ROI图像；

(3)、图像预处理

利用加权平均法将ROI图像转换为灰度图像，再使用中值滤波对灰度图像进行图像去噪，最后采用直方图均衡化算法对去噪后的灰度图像进行对比度增强，得到标准灰度图像；

(4)、边缘检测

使用Canny边缘检测算子对标准灰度图像进行边缘检测，得到边缘检测图像；

(5)、霍夫变换Hough检测直线

对边缘检测图像进行Hough变换，获取边缘检测图像中的直线，分别命名为L_i，i表示第i直线；

对每一条检测到的直线，获取该直线两端的端点坐标(i1，j1)、(i2，j2)，再求得该直线的中点坐标(0.5*(i1+i2)、0.5*(j1+j2))；

判断该直线位于边缘检测图像的区域：若(0.5*(i1+i2)小于等于边缘检测图像的半宽，则该直线位于边缘检测图像的左边区域；若(0.5*(i1+i2)大于边缘检测图像的半宽，则该直线在边缘检测图像的右边区域；

以边缘检测图像的中心像素线为界，将边缘检测图像左边的直线集命名为Left-L，将边缘检测图像的右边的直线集命名为Right-L；

(6)、角度筛选

在Left-L直线集中，保留视角角度在45°～90°之间的直线；在Right-L直线集中，保留视角角度在90°～135°之间的直线；其他不符合此角度条件的直线全部删除；

(7)、灰度块匹配

(7.1)、在边缘检测图像的中间选取一m*m灰度小方块，小方块中心位于边缘检测图像的中心点，再检测灰度小方块中的m*m个像素点的灰度值g₁～g_m*m；

(7.2)、遍历角度筛选后保留的所有直线上的像素点，以当前检测的直线上的像素点为中心，取m*m邻域并依次获取该邻域的m*m个像素点的灰度值f₁～f_m*m，再通过下式求出一个灰度判断值gray1：

$gray1=\sqrt{\left(\underset{k-1}{\overset{m*m}{\Σ}}{\left(f_k-g_k\right)}^2\right)/m*m}$

(7.3)、从边缘检测图像的底端开始，利用栅格扫描的方式对边缘检测图像进行逐行向上搜索，获取扫描线与检测到的直线的交点的灰度值gray，并与灰度判断值gray1进行比较，若该交点的灰度值gray>gray，则认为该交点是车道线上的点，并将该点保存到点集Point，若该交点的灰度值gray≤gray1，则认为该交点不是车道线上的点并将该点舍弃；直至处理到边缘检测图像的上限边界，完成整幅边缘检测图像的遍历，最后统计出每条直线上保留的像素点的个数Num-i；

(7.4)、遍历Left-L直线集中的所有直线，比较每条直线上保存在点集Point中的车道线点的数量，将车道线点最多的一条直线保留，作为左边的车道线L_Lane；

(7.5)、遍历Right-L直线集中的所有直线，比较每条直线上保存在点集Point中的车道线点的数量，将车道线点最多的一条直线保留，作为右边的车道线R_Lane；

(8)、检测车道线

根据步骤(7)选出的车道线L_Lane或R_Lane，利用cvLine函数画出在原始视频图像中。

2.根据权利要求1所述的一种基于块匹配的车道线检测方法，其特征在于，所述的RI图像的具体尺寸为原始视频图像高度的二分之一。

3.根据权利要求1所述的一种基于块匹配的车道线检测方法，其特征在于，所述的步骤(3)中，图像去噪的算法还包括均值滤波去噪、高斯去噪和双边滤波去噪等。

4.根据权利要求1所述的一种基于块匹配的车道线检测方法，其特征在于，所述的步骤(3)中，边缘检测算法还包括Roberts Cross算子、Prewitt算子、Sobel算子和LoG算子。

5.根据权利要求1所述的一种基于块匹配的车道线检测方法，其特征在于，所述的角度筛选的具体范围在45°～135°之间。