CN107194342A - 基于逆透视变换的车道线检测方法 - Google Patents
基于逆透视变换的车道线检测方法 Download PDFInfo
- Publication number
- CN107194342A CN107194342A CN201710342465.9A CN201710342465A CN107194342A CN 107194342 A CN107194342 A CN 107194342A CN 201710342465 A CN201710342465 A CN 201710342465A CN 107194342 A CN107194342 A CN 107194342A
- Authority
- CN
- China
- Prior art keywords
- image
- gray level
- inverse perspective
- road area
- perspective mapping
- 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.)
- Pending
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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种基于逆透视变换的车道线检测方法,将照度不变变换与逆透视变换相结合进行车道线检测,可以有效解决复杂状况下车道线的快速检测;由于采用了逆透视变换,使得方法具有更高的准确率和更强的鲁棒性,在一些极端情况下,如路面中有大量阴影以及曝光过度的情况下,可以达到更好的效果。
Description
技术领域
本发明属计算机视觉、图形处理技术领域,具体涉及一种通过照度不变及逆透视变换进行车道线快速鲁棒检测的方法。
背景技术
车道线检测作为自动驾驶技术的第一个环节,能够有效感知车辆周围世界,并获取可行驶区域,是实现车道偏离预警、前车防碰撞等功能的前提和保证。针对车道线检测,Jiang R等在文献“Jiang R,Reinhard K,Tobi V,et al.Lane detection and trackingusing a new lane model and distance transform[J].Machine Vision&Applications,2011,22(4):721-737.”中提出通过对车道建立三角约束,建立车道线模型,在经过距离变换的图像中,通过粒子滤波进行对车道线的生长。这种方法只能处理两边道路同时有车道线时的情况,并且对阴影、噪声等敏感性高。
针对阴影、噪声等问题,Son J等在文献“Son J,Yoo H,Kim S,et al.Real-timeillumination invariant lane detection for lane departure warning system[J].Expert Systems with Applications,2014,42(4):1816-1824.”中提出使用基于色彩转换不变性来对不同光照条件下、不用路面情况进行处理的方法,但是其处理方式较为单一,不能很好的处理强阴影及高噪声情况。并且该方法对于颜色转换不变性只考虑了白色线与黄色线,对于可能出现的其他情况,例如由于照明条件不好导致车道线颜色与平时差距大等情况并没有很好的鲁棒性。
已有方法由于对现实世界的建模过于简单,不能很好的实现快速鲁棒实时检测车道线,具有局限性。
发明内容
为了克服现有车道线检测方法对实际场景适应性不好、局限性高的问题,本发明提出了一种基于照度不变变换与逆透视变换的快速车道线检测方法,在可能出现单一车道线及路面上具有大量阴影噪声干扰的情况下,可以更好地进行车道线检测,满足车道线检测中对速度要求高以及对各种环境鲁棒的要求。
一种基于逆透视变换的车道线检测方法,其特征在于包括以下步骤:
步骤1:假设输入图像为IRGB=(IR,IG,IB),IR,IG,IB分别指输入图像的R、G、B通道,对输入图像按照如下公式进行变换,得到变换后的颜色空间r和b:
r=log(IR/IG) (1)
b=log(IB/IG) (2)
步骤2:令照度独立角度lθ从0度至90度逐度连续变化,按照对每一个lθ计算得到一个灰度图像Igray,并按确定最优的照度独立角度其中,L为灰度图像Igray的最大灰度级,Hθ(i)为图像中第i个灰度级对应的像素个数;再按照计算得到最终的照度不变变换后的灰度图像
步骤3:按照事先定义好的道路位置在步骤2得到的灰度图像中提取标本小块图像,并计算其直方图;计算灰度图像中的任一大小与标本小块相同的小块图像的直方图,并计算其与标本小块图像直方图的协方差;将协方差最小的30%的小块归为道路区域;
步骤4:使用泛洪填充算法对步骤3得到的道路区域进行优化,再利用形态学算法进行边缘检测,得到道路区域的边界,则边界内图像为道路区域图像;
步骤5:对步骤4得到的道路区域图像进行逆透视变换,再进行边缘检测,得到二值图像;
步骤6:利用Hough变换对二值图像进行计算,得到二值图像中直线可能存在的位置及其出现次数,选择出现次数最多的n个位置的直线为车道线,对二值图像中这些直线附近的点进行三次曲线拟合,得到n条曲线,即为检测出的车道线;一般取n为2,即检测左右两条车道线;所述的附近是指距离不超过3个像素。
本发明的有益效果是:由于将照度不变变换与逆透视变换相结合,可以有效解决复杂状况下车道线的快速检测;由于采用了逆透视变换,使得本发明方法具有更高的准确率和更强的鲁棒性。在一些极端情况下,如路面中有大量阴影以及曝光过度的情况下,可以达到更好的效果。
附图说明
图1是本发明的一种基于逆透视变换的车道线检测方法流程图
图2是利用本发明方法进行车道线检测的结果图
具体实施方式
下面结合附图和实施例对本发明进一步说明,本发明包括但不仅限于下述实施例。
如图1所示,本发明的一种基于逆透视变换的车道线检测方法,其实现步骤如下:
步骤1:假设输入图像为IRGB=(IR,IG,IB),IR,IG,IB分别指输入图像的R、G、B通道。对输入图像按照如下公式进行变换,得到变换后的颜色空间r和b:
r=log(IR/IG) (3)
b=log(IB/IG) (4)
步骤2:对上一步得到的颜色空间r、b进行如下变换得到灰度图像:
其中,lθ为照度独立角度,令lθ从0度至90度连续变化,则每一个lθ可以得到一个灰度图像Igray。设L为灰度图像Igray的最大灰度级,Hθ(i)为第i个灰度级对应的像素个数。利用如下公式确定最优照度独立角度
再将代入公式(5)得到最终的灰度图像。
步骤3:在上一步得到的最终的灰度图像中固定位置(即事先定义好的道路位置)提取标本小块图像,并计算其直方图;然后,对灰度图像中任一个小块(与标本小块大小相同),同样计算直方图,并计算其直方图与标本小块图像直方图的协方差。
步骤4:对所有图像小块对应的协方差,通过设定阈值的方式判断每个图像小块属于道路区域与否。阈值设定方法为下位百分比法,即取所有图像小块中与标本小块最相似的,即协方差最小的百分之三十作为道路区域。
步骤5:使用泛洪填充算法对得到的道路区域图像进行优化,再利用形态学算法中的边缘检测方法进行检测,得到道路区域的边界,则边界内图像为道路区域图像。
步骤6:对道路区域图像进行逆透视变换,得到俯视角度下的灰度图像。
首先,利用已经标定好的摄像机参数,生成参数矩阵。假设摄像机俯仰角为α,摄像机偏航角为β,焦距分别为fu、fv,cu、cv分别为图像分辨率的一半,摄像机高度为h,则参数矩阵可写为:
然后,对图像中的每一个点(x,y),构造向量P=[x,y,1,1T],则变换后的坐标为Pnew=T·P,再将变换前与变换后的坐标的颜色对应起来即得到逆透视变换后的图像,即俯视角度下的灰度图像。
步骤7:对逆透视变换后的图像进行边缘检测,得到二值图像。
步骤8:利用Hough变换对二值图像进行计算,得到二值图像中直线可能存在的位置及其出现次数。
步骤9:选出出现次数最多的n个位置直线,这n个位置直线就对应着n条车道线。在二值图像中,对这n个位置直线附近的点(距离不超过3个像素)分别进行三次曲线拟合(即三阶曲线拟合),得到n条曲线,即检测出的车道线。一般取n=2,即左右两条车道线。
本实施例在中央处理器为i5-3470 3.2GHz CPU、内存16G、WINDOWS 10操作系统上,运用MATLAB软件进行仿真。仿真中使用的数据为自主采集的路面图片。图2是用本发明方法进行车道线检测的结果图,可以看出,本发明方法具有较好的检测效果,车道线定位的精度也很高。通过MATLAB仿真运行,检测速度超过了30帧每秒。总的来说,本发明方法具有检测鲁棒、速度好的特点。
Claims (1)
1.一种基于逆透视变换的车道线检测方法,其特征在于包括以下步骤:
步骤1:假设输入图像为IRGB=(IR,IG,IB),IR,IG,IB分别指输入图像的R、G、B通道,对输入图像按照如下公式进行变换,得到变换后的颜色空间r和b:
r=log(IR/IG) (1)
b=log(IB/IG) (2)
步骤2:令照度独立角度lθ从0度至90度逐度连续变化,按照对每一个lθ计算得到一个灰度图像Igray;
按确定最优的照度独立角度其中,L为灰度图像Igray的最大灰度级,Hθ(i)为图像中第i个灰度级对应的像素个数;
再按照计算得到最终的照度不变变换后的灰度图像
步骤3:按照事先定义好的道路位置在步骤2得到的灰度图像中提取标本小块图像,并计算其直方图;计算灰度图像中的任一大小与标本小块相同的小块图像的直方图,并计算其与标本小块图像直方图的协方差;将协方差最小的30%的小块归为道路区域;
步骤4:使用泛洪填充算法对步骤3得到的道路区域进行优化,再利用形态学算法进行边缘检测,得到道路区域的边界,则边界内图像为道路区域图像;
步骤5:对步骤4得到的道路区域图像进行逆透视变换,再进行边缘检测,得到二值图像;
步骤6:利用Hough变换对二值图像进行计算,得到二值图像中直线可能存在的位置及其出现次数,选择出现次数最多的n个位置的直线为车道线,对二值图像中这些直线附近的点进行三次曲线拟合,得到n条曲线,即为检测出的车道线;一般取n为2,即检测左右两条车道线;所述的附近是指距离不超过3个像素。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710342465.9A CN107194342A (zh) | 2017-05-16 | 2017-05-16 | 基于逆透视变换的车道线检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710342465.9A CN107194342A (zh) | 2017-05-16 | 2017-05-16 | 基于逆透视变换的车道线检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107194342A true CN107194342A (zh) | 2017-09-22 |
Family
ID=59873241
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710342465.9A Pending CN107194342A (zh) | 2017-05-16 | 2017-05-16 | 基于逆透视变换的车道线检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107194342A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105868469A (zh) * | 2016-03-28 | 2016-08-17 | 湖南大学 | 一种基于透视图像的车道偏离预警方法及预警模型构建方法 |
CN108573242A (zh) * | 2018-04-26 | 2018-09-25 | 南京行车宝智能科技有限公司 | 一种车道线检测方法和装置 |
CN110097025A (zh) * | 2019-05-13 | 2019-08-06 | 奇瑞汽车股份有限公司 | 车道线的检测方法、装置及存储介质 |
CN115116019A (zh) * | 2022-07-13 | 2022-09-27 | 阿波罗智能技术(北京)有限公司 | 车道线处理方法、装置、设备以及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102208019A (zh) * | 2011-06-03 | 2011-10-05 | 东南大学 | 基于车载摄像机的车辆变道检测方法 |
CN102298693A (zh) * | 2011-05-18 | 2011-12-28 | 浙江大学 | 基于计算机视觉的高速公路弯道检测方法 |
CN103473763A (zh) * | 2013-08-31 | 2013-12-25 | 哈尔滨理工大学 | 基于启发式概率Hough变换的道路边缘检测方法 |
CN104252710A (zh) * | 2014-09-02 | 2014-12-31 | 江苏大学 | 基于动态阈值的Susan算子彩色图像边缘检测方法 |
-
2017
- 2017-05-16 CN CN201710342465.9A patent/CN107194342A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102298693A (zh) * | 2011-05-18 | 2011-12-28 | 浙江大学 | 基于计算机视觉的高速公路弯道检测方法 |
CN102208019A (zh) * | 2011-06-03 | 2011-10-05 | 东南大学 | 基于车载摄像机的车辆变道检测方法 |
CN103473763A (zh) * | 2013-08-31 | 2013-12-25 | 哈尔滨理工大学 | 基于启发式概率Hough变换的道路边缘检测方法 |
CN104252710A (zh) * | 2014-09-02 | 2014-12-31 | 江苏大学 | 基于动态阈值的Susan算子彩色图像边缘检测方法 |
Non-Patent Citations (3)
Title |
---|
JOSÉ M. ÁLVAREZ ALVAREZ ET.AL: "Road Detection Based on Illuminant Invariance", 《IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS》 * |
张云港 等: "基于反透视变换和Hough变换的车道线检测", 《云南大学学报(自然科学版)》 * |
蔡兵: "基于机器视觉的雾天环境下车道线识别技术研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105868469A (zh) * | 2016-03-28 | 2016-08-17 | 湖南大学 | 一种基于透视图像的车道偏离预警方法及预警模型构建方法 |
CN108573242A (zh) * | 2018-04-26 | 2018-09-25 | 南京行车宝智能科技有限公司 | 一种车道线检测方法和装置 |
CN110097025A (zh) * | 2019-05-13 | 2019-08-06 | 奇瑞汽车股份有限公司 | 车道线的检测方法、装置及存储介质 |
CN110097025B (zh) * | 2019-05-13 | 2023-08-04 | 奇瑞汽车股份有限公司 | 车道线的检测方法、装置及存储介质 |
CN115116019A (zh) * | 2022-07-13 | 2022-09-27 | 阿波罗智能技术(北京)有限公司 | 车道线处理方法、装置、设备以及存储介质 |
CN115116019B (zh) * | 2022-07-13 | 2023-08-01 | 阿波罗智能技术(北京)有限公司 | 车道线处理方法、装置、设备以及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109784333B (zh) | 基于点云带权通道特征的三维目标检测方法及系统 | |
CN107330376B (zh) | 一种车道线识别方法及系统 | |
CN102314602B (zh) | 使用最优定向线性轴线去除由基于车辆的相机捕获的图像中的阴影 | |
CN109657632B (zh) | 一种车道线检测识别方法 | |
CN102314601B (zh) | 使用非线性光照恒定核去除由基于车辆的相机捕获的图像中的阴影 | |
WO2018023916A1 (zh) | 一种彩色图像去阴影方法和应用 | |
CN106530246A (zh) | 基于暗通道与非局部先验的图像去雾方法及系统 | |
CN107194342A (zh) | 基于逆透视变换的车道线检测方法 | |
CN103714538B (zh) | 道路边缘检测方法、装置及车辆 | |
CN103902985B (zh) | 一种基于roi的强鲁棒性实时车道侦测算法 | |
CN103034983B (zh) | 一种基于各向异性滤波的去雾方法 | |
CN105913390B (zh) | 一种图像去雾方法及系统 | |
CN110516550A (zh) | 一种基于fpga的车道线实时检测方法 | |
KR101483742B1 (ko) | 지능형 차량의 차선 검출방법 | |
CN202134079U (zh) | 一种无人驾驶车辆车道标志线识别与报警装置 | |
CN111179220B (zh) | 车道标识线质量检测方法、系统及存储介质 | |
CN109886935A (zh) | 一种基于深度学习的道面异物检测方法 | |
CN106407951A (zh) | 一种基于单目视觉的夜间前方车辆检测方法 | |
CN112926365B (zh) | 一种车道线检测方法及其系统 | |
CN115578366A (zh) | 农机无人驾驶摄像头脏污检测方法、系统、介质及设备 | |
CN106326850A (zh) | 快速车道线检测方法 | |
US11354794B2 (en) | Deposit detection device and deposit detection method | |
CN117710918A (zh) | 一种车道线检测方法和系统 | |
CN115984806A (zh) | 道路标线破损动态检测系统 | |
CN103839232B (zh) | 一种基于团块模型的行人阴影抑制方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170922 |
|
RJ01 | Rejection of invention patent application after publication |