CN107330376B - 一种车道线识别方法及系统 - Google Patents
一种车道线识别方法及系统 Download PDFInfo
- Publication number
- CN107330376B CN107330376B CN201710419310.0A CN201710419310A CN107330376B CN 107330376 B CN107330376 B CN 107330376B CN 201710419310 A CN201710419310 A CN 201710419310A CN 107330376 B CN107330376 B CN 107330376B
- Authority
- CN
- China
- Prior art keywords
- lane line
- lane
- image
- database
- module
- 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
Images
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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供一种车道线识别方法及系统,其中,车道线识别方法包括:对获取的包含车道线的灰度图像划定感兴趣区域;采用匹配滤波器进行多尺度匹配滤波;对经多尺度匹配滤波后的图像感兴趣区域进行顶帽变换;通过设定灰度自适应门限与待检测像素点进行比较,筛选车道线特征点;对筛选出的车道线特征点进行逆投影变换,获取二维栅格地图;对二维栅格地图进行邻域聚类处理,再对车道线像素点进行曲线拟合,结合车辆当前的位置确定该车辆所在车道的车道线。本发明实现对多种环境下车道线区域的特征增强,极大减弱外界条件的变化对基于机器视觉的车道线识别的影响,提高后续车道线识别的准确率。
Description
技术领域
本发明涉及汽车辅助驾驶领域,尤其涉及一种车道线识别方法及系统。
背景技术
随着汽车保有量的增加,道路交通事故已成为全世界面临的一个严重问题,因此在智能交通系统领域,智能车辆的发展已受到广泛关注,利用计算机视觉进行自主驾驶与辅助导航是目前的主流研究方向,车道线的检测与跟踪定位是驾驶辅助系统及无人驾驶发展的一项核心技术。针对车道线识别,很多学者开展了广泛的研究。总体归纳起来,基于机器视觉车道线识别技术主要包括三个步骤:车道线特征点提取、车道线边界拟合和车道线跟踪技术。
车道线特征点的提取通常采用图像分割的方式,将其从背景图像中分离出来。其中,常用的预处理方法包括各种边缘检测方法,如Sobel算子,Canny算子,Roberts算子等;常用的阀值分割方法有最大类间方差法、自适应阈值等。然而,这些方法易受各种环境条件的干扰,要求车道线有较高的对比度,否则会引起分割阈值的过高或过低,从而导致车道线特征点的遗漏或噪声点增多。鉴于车道线的方向性,许多学者采用基于梯度的方法来实现特征提取。这种方法在直道模型中具有较强的适应性,但容易受噪声点的干扰,且计算量大。此外,基于颜色的特征也被应用到了车道线检测中。基于RGB颜色通道,根据图像中车道线颜色特征设计转移函数来标记车道线区域,但当背景物体颜色与车道线颜色相近时,在检测出车道线的同时,背景区域也会被标记出来。
车道线边界拟合及跟踪是建立在车道线数学模型的基础上。车道线边界可被划分为直线、抛物线、样条曲线等模型。Hough变换算法被经常应用到直线车道模型中。另外,线性-抛物线模型也被广泛应用到车道线模型中,但该方法一般都假设在初始检测时刻,车道线是平直的、车辆与车道线平行、图像视野内除了车道边界外不存在其他的线性物体边界等,这就限制了该模型算法的适用范围。
综上,现有的技术条件下,车道线的识别容易受外界因素的影响,识别的效果不佳,准确率也不高。
发明内容
本发明所要解决的技术问题在于,提供一种能够适应外界环境变化,提高识别准确率的车道线的识别方法及系统。
为解决上述技术问题,本发明提供一种车道线识别方法,包括下述步骤:
S100、对获取的包含车道线的灰度图像划定感兴趣区域;
S200、采用匹配滤波器对图像感兴趣区域进行多尺度匹配滤波,完成所述图像感兴趣区域的特定增强;
S300、对经多尺度匹配滤波后的所述图像感兴趣区域进行顶帽变换;
S400、通过在所述图像感兴趣区域设定灰度自适应门限与待检测像素点进行比较,筛选车道线特征点;
S500、对筛选出的所述车道线特征点进行逆投影变换,获取所述车道线特征点对应的二维栅格地图;
S600、对所述二维栅格地图进行车道线特征点的邻域聚类处理,再对完成邻域聚类处理的车道线像素点进行曲线拟合,根据曲线拟合结果及车辆的当前位置确定车辆所在车道的车道线。
其中,所述步骤S100之前还包括下述步骤:
通过设置在车辆上的相机在线获取包含车道线的图像,或者通过加载摄像机录制的道路视频离线获取包含车道线的图像,如果获取的图像为彩色,则将该图像转换为对应的灰度图像;
对所述灰度图像分别以水平和竖直方向建立图像坐标系。
其中,所述步骤S100包括下述步骤:
获取车前横向和纵向的预设距离范围内的灰度图像;
结合相机或摄像机的内部参数和外部参数,得到初始化感兴趣区域。
其中,所述步骤S100还包括下述步骤:
在所述图像坐标系下,根据上一帧感兴趣区域的检测结果,利用投影变换得到图像坐标系下的前帧车道线位置;
以前帧车道线位置为中心,左右拓展预设的像素范围后,得到下一帧图像的感兴趣区域。
其中,所述步骤S200中的所述匹配滤波器对所述图像感兴趣区域进行多尺度匹配滤波具体包括:通过改变所述匹配滤波器的尺度参数来改变增强区域和减弱区域的大小,实现在所述图像感兴趣区域内进行不同尺度的匹配滤波,其中,所述匹配滤波器的尺度参数由所述图像坐标系中不同横行内车道线的宽度决定,不同横行内车道线的宽度由投影变换得到。
其中,所述步骤S300具体包括:
利用半径为r的圆形结构元素S对所述图像感兴趣区域进行顶帽变换,设顶帽变换前的图像为F,顶帽变换后的图像为H,则H满足F与F的开运算之差:其中,所述圆形结构元素的半径r至少大于所述图像感兴趣区域中每一横行的车道线宽度的一半。
其中,所述步骤S400具体包括:检测所述图像感兴趣区域,将超过灰度自适应门限U的区域作为车道线特征点,其中,灰度自适应门限U=kσ+u,u为在一定参考单元内估算出的灰度均值,σ为在一定参考单元内估算出的灰度方差,k为参考单元个数。
其中,所述步骤S400海包括:在待检测像素点与参考单元之间,依据车道线最大宽度预留若干护卫单元。
其中,所述步骤S500中对筛选出的车道线特征点进行逆投影变换,具体是通过标定的3×4投影矩阵进行,以获得所述车道线特征点在车辆坐标系下的坐标,所述标定的3×4投影矩阵由相机或摄像机的内部参数和外部参数共同确定。
其中,所述还包括:
S700、对车道线进行每一横行的横向位置分析,并通过距离或/和平行度约束,确定车道线的有效性。
其中,所述步骤S700之后包括下述步骤:
S810、提取当前帧图像对应的本帧车道线;
S820、判断数据库中是否已装载有车道线,若是,则将本帧车道线与数据库中的车道线进行匹配,若否,则将本帧车道线装载进数据库。
其中,所述步骤S820之后还包括:
S830、当数据库中存在与本帧车道线匹配的车道线时,用本帧车道线替换数据库中匹配的车道线,且对应匹配的车道线的匹配数量自增预设值a,数据库中其他未发生匹配的车道线对应的匹配数量自减预设值a;
S840、将匹配数量超过预设值N的车道线设定为有效车道线;
S850、检测数据库中的车道线对应的匹配数量,若有车道线的匹配数量小于最小预设值,则将其置为最小预设值,若有车道线的匹配数量大于最大预设值,则将其置为最大预设值;
其中,所述步骤S820之后还包括:
S860、当数据库中不存在与本帧车道线匹配的车道线时,则遍历数据库中车道线的匹配数量,当数据库中存在匹配数量为最小预设值的车道线时,用本帧车道线将第一个匹配数量为最小预设值的车道线替换,当数据库中不存在匹配数量为最小预设值的车道线时,将本帧车道线装载进数据库,且本帧车道线的匹配数量设为预设值a,数据库中在当前帧未发生匹配的车道线对应的匹配数量自减预设值a,执行完成后回到步骤S850。
其中,所述步骤S820中当数据库中已装载有车道线,则获取本帧车道线对应参数的二次项系数A02、一次项系数A01,以及数据库中车道线对应参数的二次项系数Ai2、一次项系数Ai1,并将所述本帧车道线对应参数的二次项系数A02与数据库中车道线对应参数的二次项系数Ai2之差的绝对值,与本帧车道线对应参数的一次项系数A01与数据库中车道线对应参数的一次项系数Ai1求和,得到跟踪匹配距离阈值;判断所述跟踪匹配距离阈值是否在预设的范围内,若是,则将本帧车道线与数据库中的车道线进行匹配。
其中,还包括下述步骤:当所述跟踪匹配距离阈值不在预设的范围内,则将本帧车道线装载进数据库。
本发明还提供一种车道线识别系统,包括:车道线识别模块,所述车道线识别模块进一步包括:
感兴趣区域划定模块,用于对获取的包含车道线的灰度图像划定感兴趣区域;
匹配滤波模块,用于采用匹配滤波器对图像感兴趣区域进行多尺度匹配滤波,完成所述图像感兴趣区域的特定增强;
顶帽变换模块,用于对经多尺度匹配滤波后的所述图像感兴趣区域进行顶帽变换;
恒虚警率检测模块,用于通过在所述图像感兴趣区域设定灰度自适应门限与待检测像素点进行比较,筛选车道线特征点;
地图制作模块,用于对筛选出的所述车道线特征点进行逆投影变换,获取所述车道线特征点对应的二维栅格地图;
车道线确定模块,用于对所述二维栅格地图进行车道线特征点的邻域聚类处理,再对完成邻域聚类处理的车道线像素点进行曲线拟合,根据曲线拟合结果及车辆的当前位置确定车辆所在车道的车道线。
其中,所述车道线识别系统还包括:摄像模块,摄像模块设置在车上,包括:相机和/或摄像机,与所述车道线识别模块通讯连接,用于拍摄照片并回传至所述车道线识别模块,和/或获取录制道路视频;
所述车道线识别模块还包括:
图像获取模块,用于通过设置在车辆上的相机在线获取包含车道线的图像,或者通过加载摄像机录制的道路视频离线获取包含车道线的图像,如果获取的图像为彩色,则将该图像转换为对应的灰度图像;
建立坐标模块,用于对所述灰度图像分别以水平和竖直方向建立图像坐标系。
其中,所述感兴趣区域划定模块包括:
图像截取单元,用于获取车前横向和纵向的预设距离范围内的灰度图像;
感兴趣区域制定单元,用于结合拍摄图像的相机或摄像机的内部参数和外部参数,得到初始化感兴趣区域。
其中,所述感兴趣区域划定模块还包括:
前帧车道线获取单元,用于在所述图像坐标系下,根据上一帧感兴趣区域的检测结果,利用投影变换得到图像坐标系下的前帧车道线位置;
下一帧感兴趣区域获取单元,用于以前帧车道线位置为中心,左右拓展预设的像素范围后,得到下一帧图像的感兴趣区域。
其中,所述匹配滤波模块进行多尺度匹配滤波具体包括:通过改变所述匹配滤波器的尺度参数来改变增强区域和减弱区域的大小,实现在所述图像感兴趣区域内进行不同尺度的匹配滤波,其中,所述匹配滤波器的尺度参数由所述图像坐标系中不同横行内车道线的宽度决定,不同横行内车道线的宽度由投影变换得到。
其中,所述顶帽变换模块利用半径为r的圆形结构元素S对所述图像感兴趣区域进行顶帽变换,设顶帽变换前的图像为F,顶帽变换后的图像为H,则H满足F与F的开运算之差:其中,所述圆形结构元素的半径r至少大于所述图像感兴趣区域中每一横行的车道线宽度的一半。
其中,所述恒虚警率检测模块筛选车道线特征具体包括:检测所述图像感兴趣区域,将超过灰度自适应门限U的区域作为车道线特征点,其中,灰度自适应门限U=kσ+u,u为在一定参考单元内估算出的灰度均值,σ为在一定参考单元内估算出的灰度方差,k为参考单元个数。
其中,所述恒虚警率检测模块中还包括:
预留距离单元,用于在待检测像素点与参考单元之间,依据车道线最大宽度预留若干护卫单元。
其中,所述地图制作模块对筛选出的车道线特征点进行逆投影变换,具体是通过标定的3×4投影矩阵进行,以获得所述车道线特征点在车辆坐标系下的坐标,所述标定的3×4投影矩阵由相机或摄像机的内部参数和外部参数共同确定。
其中,所述车道线识别模块还包括:
有效性确定模块,用于对车道线进行每一横行的横向位置分析,并通过距离或/和平行度约束,确定车道线的有效性。
其中,所述车道线识别模块还包括:
本帧车道线提取模块,用于提取当前帧图像对应的本帧车道线;
车道线判断模块,用于判断数据库中是否已装载有车道线,若是,则将本帧车道线与数据库中的车道线进行匹配,若否,则将本帧车道线装载进数据库。
其中,所述车道线识别模块还包括:
匹配数量运算模块,用于当数据库中存在与本帧车道线匹配的车道线时,用本帧车道线替换数据库中匹配的车道线,且对应匹配的车道线的匹配数量自增预设值a,数据库中其他未发生匹配的车道线对应的匹配数量自减预设值a;
有效车道线设定模块,用于将匹配数量超过预设值N的车道线设定为有效车道线;
匹配数量校验模块,用于检测数据库中的车道线对应的匹配数量,若有车道线的匹配数量小于最小预设值,则将其置为最小预设值,若有车道线的匹配数量大于最大预设值,则将其置为最大预设值。
其中,所述车道线识别模块还包括:
遍历匹配模块,用于当数据库中不存在与本帧车道线匹配的车道线时,则遍历数据库中车道线的匹配数量,当数据库中存在匹配数量为最小预设值的车道线时,用本帧车道线将第一个匹配数量为最小预设值的车道线替换,当数据库中不存在匹配数量为最小预设值的车道线时,将本帧车道线装载进数据库,且本帧车道线的匹配数量设为预设值a,数据库中在当前帧未发生匹配的车道线对应的匹配数量自减预设值a,执行完成后控制匹配数量校验模块工作。
其中,所述车道线识别模块还包括:车道线阈值判断模块,用于当数据库中已装载有车道线,则获取本帧车道线对应参数的二次项系数A02、一次项系数A01,以及数据库中车道线对应参数的二次项系数Ai2、一次项系数Ai1,并将所述本帧车道线对应参数的二次项系数A02与数据库中车道线对应参数的二次项系数Ai2之差的绝对值,与本帧车道线对应参数的一次项系数A01与数据库中车道线对应参数的一次项系数Ai1求和,得到跟踪匹配距离阈值;还用于判断所述跟踪匹配距离阈值是否在预设的范围内,若是,则控制所述车道线判断模块将本帧车道线与数据库中的车道线进行匹配。
其中,所述车道线识别模块还包括:车道线装载模块,用于当所述跟踪匹配距离阈值不在预设的范围内,则将本帧车道线装载进数据库。
实施本发明,具有如下有益效果:本发明对获取的车道线灰度图像划定感兴趣区域,并对其进行多尺度的匹配滤波,实现多种场景下对车道线图像感兴趣区域的显著增强,在顶帽变换的基础上进一步消除背景干扰,采用灰度自适应门限对车道线特征点进行有效筛选,从而极大减弱外界条件的变化对基于机器视觉的车道线识别的影响,进一步提高了车道线识别的准确率。此外,本发明还将本帧提取出的车道线参数与数据库中的车道线进行匹配分析,确定其有效性,并动态更新数据库,保证车道线识别的稳定性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术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是本发明实施例一一种车道线识别方法的流程图。
图2a是本发明实施例一中阴雨天对应的车道线横截面的灰度轮廓特征示意图。
图2b是本发明实施例一中晴天对应的车道线横截面的灰度轮廓特征示意图。
图2c是本发明实施例一中夜晚对应的车道线横截面的灰度轮廓特征示意图。
图3是本发明实施例一中匹配滤波器的数学模型示意图。
图4是本发明实施例一中不同场景下的经过匹配滤波和顶帽变换的处理结果示意图。
图5a是本发明实施例一中获取的原始图像示意图。
图5b是本发明实施例一中获取的初始化感兴趣区域的示意图。
图5c是本发明实施例一中获取的下一帧图像的感兴趣区域的示意图。
图6是本发明实施例一一种车道线识别方法的另一流程示意图。
图7是本发明实施例二一种车道线识别系统的原理框图。
图8是本发明实施例二中感兴趣区域划定模块的原理框图。
图9是本发明实施例二中恒虚警率筛选车道线特征点的方法原理图。
具体实施方式
以下各实施例的说明是参考附图,用以示例本发明可以用以实施的特定实施例。
请参照图1所示,本发明实施例一提供一种车道线识别方法,包括下述步骤:
S100、对获取的包含车道线的灰度图像划定感兴趣区域;
S200、采用匹配滤波器对图像感兴趣区域进行多尺度匹配滤波,完成图像感兴趣区域的特定增强;
S300、对经多尺度匹配滤波后的图像感兴趣区域进行顶帽变换;
S400、通过在图像感兴趣区域设定灰度自适应门限与待检测像素点进行比较,筛选车道线特征点;
S500、对筛选出的车道线特征点进行逆投影变换,获取车道线特征点对应的二维栅格地图;
S600、对二维栅格地图进行车道线特征点的邻域聚类处理,再对完成邻域聚类处理的车道线像素点进行曲线拟合,根据曲线拟合结果及车辆的当前位置确定车辆所在车道的车道线。
进一步地,步骤S100之前还包括下述步骤:通过设置在车上的相机在线获取包含车道线的图像,或者通过加载摄像机录制的道路视频离线获取包含车道线的图像,如果获取的图像为彩色,则将该图像转换为对应的灰度图像。
对灰度图像分别以水平和竖直方向建立图像坐标系。
进一步地,步骤S200中的匹配滤波器对图像感兴趣区域进行多尺度匹配滤波具体包括:通过改变匹配滤波器的尺度参数来改变增强区域和减弱区域的大小,实现在图像感兴趣区域内进行不同尺度的匹配滤波,其中,匹配滤波器的尺度参数由图像坐标系中不同横行内车道线的宽度决定,不同横行内车道线的宽度由投影变换得到。
匹配滤波器的尺度参数σ、图像坐标系中不同横行内车道线宽度w之间满足:图像中不同横行的宽度w由投影变换得到。如图2a、2b、2c所示,图2a、2b、2c分别为阴雨天、晴天、夜晚等不同场景下车道线横截面的灰度轮廓特征图,每个图的曲线下方为对应的采样实物图,其轮廓可用高斯曲线逼近,因此,匹配滤波器设计为高斯内核函数,其数学模型结合图3可以看到,采样实物图对应的数学模型可以分为增强区域和减弱区域,匹配滤波器可通过改变该数学模型对应的尺度参数来改变增强区域和减弱区域的大小,从而实现在图像的感兴趣区域,也即是图像的有效检测区域内进行不同尺度的匹配滤波,完成感兴趣区域的特定增强。
步骤S300具体包括:利用半径为r的圆形结构元素S对图像感兴趣区域进行顶帽变换,设顶帽变换前的图像为F,顶帽变换后的图像为H,则H满足F与F的开运算之差:其中,圆形结构元素的半径r至少大于图像感兴趣区域中每一横行的车道线宽度的一半,取图像感兴趣区域对应的图像近视野区域中车道线的最大宽度,例如在另一实施例中可以取25个像素。
顶帽变换(Top-hat)的结果是非负的,当选用合适形状尺寸的结构元素时,可以检测出图像中较尖锐的波峰。对匹配滤波后的图像利用一定半径的圆形结构元素进行顶帽变换(Top-hat)处理,降低非均匀背景的干扰,如图4所示为不同场景下经过匹配滤波和顶帽变换的处理结果。
步骤S400具体包括:检测图像感兴趣区域,将超过灰度自适应门限U的区域作为车道线特征点,其中,灰度自适应门限U=kσ+u,u为在一定参考单元内估算出的灰度均值,σ为在一定参考单元内估算出的灰度方差,k为参考单元个数。
进一步地,步骤S100包括下述步骤:
获取车前横向和纵向的预设距离范围内的灰度图像。
结合拍摄图像的相机或摄像机的内部参数和外部参数,得到一梯形区域,作为初始化感兴趣区域。
在图像坐标系下,根据上一帧感兴趣区域的检测结果,利用投影变换得到图像坐标系下的前帧车道线位置。
以前帧车道线位置为中心,左右拓展预设的像素范围后,得到下一帧图像的感兴趣区域。
例如:初始化的感兴趣区域(ROI区域)的设定依照横向和纵向的一定距离范围,横向距离上取车辆左右对称5米,纵向上根据相机的有效视距,取45米。感兴趣区域的动态调整中以前帧车道线的图像坐标位置为中心,左右对称扩展一定的像素范围,扩展的像素范围取30个像素。
在另一实施例中,获取的原始图像如图5a所示,经过感兴趣区域划定模块1010处理得到的初始化感兴趣区域如图5b所示,动态调整得到下一帧的感兴趣区域如图5c所示。
进一步地,步骤S400中,在待检测像素点与参考单元之间,依据车道线最大宽度预留若干护卫单元。护卫单元取图像近视野区域中车道线的最大宽度25个像素,以防止车道线被当作待检测像素点两侧的参考单元,错误地被纳入到自适应门限的计算。根据前述灰度自适应门限的计算方式,如果车道线被当作参考单元,会使参考单元内估算出的灰度均值以及灰度方差均出现较大偏差,导致灰度自适应门限计算结果不准确。
进一步地,步骤S500中对筛选出的车道线特征点进行逆投影变换,具体是通过标定的3×4投影矩阵M进行,以获得车道线特征点在车辆坐标系下的坐标,标定的3×4投影矩阵M由相机或摄像机的内部参数和外部参数共同确定。更具体地,依据下述模型对所筛选的车道线特征点进行逆投影变换:
进一步地,该车道线识别方法还包括:
S700、对车道线进行每一横行的横向位置分析,并通过距离或/和平行度约束,确定车道线的有效性。
进一步地,步骤S700之后包括下述步骤:
S810、提取当前帧图像对应的本帧车道线。
S820、判断数据库中是否已装载有车道线,若是,则将本帧车道线与数据库中的车道线进行匹配,若否,则将本帧车道线装载进数据库。
进一步地,步骤S820之后还包括:
S830、当数据库中存在与本帧车道线匹配的车道线时,用本帧车道线替换数据库中匹配的车道线,且对应匹配的车道线的匹配数量自增预设值a,数据库中其他未发生匹配的车道线对应的匹配数量自减预设值a。
S840、将匹配数量超过预设值N的车道线设定为有效车道线。
S850、检测数据库中的车道线对应的匹配数量,若有车道线的匹配数量小于最小预设值,则将其置为最小预设值,若有车道线的匹配数量大于最大预设值,则将其置为最大预设值。
步骤S820之后还包括下述步骤:
S860、当数据库中不存在与本帧车道线匹配的车道线时,遍历数据库中车道线的匹配数量,当数据库中存在匹配数量为最小预设值的车道线时,用本帧车道线将第一个匹配数量为最小预设值的车道线替换,当数据库中不存在匹配数量为最小预设值的车道线时,将本帧车道线装载进数据库,且本帧车道线的匹配数量设为预设值a,数据库中在当前帧未发生匹配的车道线对应的匹配数量自减预设值a,执行完成后回到步骤S850。
进一步地,步骤S820中当数据库中已装载有车道线,获取本帧车道线对应参数的二次项系数A02、一次项系数A01,以及数据库中车道线对应参数的二次项系数Ai2、一次项系数Ai1,并将本帧车道线对应参数的二次项系数A02与数据库中车道线对应参数的二次项系数Ai2之差的绝对值,与本帧车道线对应参数的一次项系数A01与数据库中车道线对应参数的一次项系数Ai1求和,得到跟踪匹配距离阈值;判断跟踪匹配距离阈值是否在预设的范围内,若是,则将本帧车道线与数据库中的车道线进行匹配。根据下述公式计算跟踪匹配距离阈值T:
T=|A02-Ai2|+|A01-Ai1|;
判断跟踪匹配距离阈值T是否在预设的范围内,若是,则将本帧车道线与数据库中的车道线进行匹配。例如,在另一实施例中,跟踪匹配距离阈值取0.1,车道线匹配数量阈值预设值N取5,当对应匹配数量超过5的车道线即认定为有效的车道线。
进一步地,该车道线识别方法还包括下述步骤:当跟踪匹配距离阈值T不在预设的范围内,则将本帧车道线装载进数据库。进一步地,在初始使用本发明的车道线识别系统时,将数据库初始化,车道线的匹配数量全部清零。
本发明还提供了车道线识别方法的另一实施例,如图6所示,步骤如下:
在初始使用时,将数据库初始化,数据库中的车道线匹配数量清零。
提取出当前帧图像对应的本帧车道线。
判断数据库中是否装载有车道线,若是,则将本帧车道线逐个与数据库中的车道线进行匹配,若否,则将本帧车道线装载进数据库,该本帧车道线对应的匹配数量自增1。
当数据库中存在与本帧车道线匹配的车道线时,用本帧车道线替换数据库中对应匹配的车道线,且对应匹配的车道线相应的匹配数量自增1,其他未发生匹配的车道线的匹配数量自减1。接着,对数据库中的进行车道线进行匹配数量的检测,若匹配数量小于0,则将其置为0,若匹配数量大于25,则将其置为25。当车道线的匹配数量超过一定值时,则确定其为有效车道线。执行完成之后,再继续提取出当前帧图像对应的本帧车道线,继续后面的流程。
当数据库中不存在与本帧车道线匹配的车道线时,则遍历数据库中车道线的匹配数量,将第一个匹配数量为0的车道线替换,若没有匹配数量为0的车道线,则将本帧车道线额外增加进数据库,并且对应的匹配数量变为1,数据库中其他的车道线的匹配数量自减1。之后,再对数据库中的车道线进行车道线匹配数量的检测,若匹配数量小于0,则将其置为0,若匹配数量大于25,则将其置为25。当车道线的匹配数量超过一定值时,则确定其为有效车道线。执行完成之后,再继续提取出当前帧图像对应的本帧车道线,继续后面的流程。
通过上述说明可知,本实施例带来的有益效果在于:对获取的车道线灰度图像划定感兴趣区域,并对其进行多尺度的匹配滤波,实现多种场景下对车道线图像感兴趣区域的显著增强,在顶帽变换的基础上进一步消除背景干扰,采用灰度自适应门限对车道线特征点进行有效筛选,从而极大减弱外界条件的变化对基于机器视觉的车道线识别的影响,进一步提高了车道线识别的准确率。此外,本发明还将本帧提取出的车道线参数与数据库中的车道线进行匹配分析,确定其有效性,并动态更新数据库,保证车道线识别的稳定性。
相应于本发明实施例一,本发明实施例二提供一种车道线识别系统,如图7所示,该系统包括:车道线识别模块1000,该车道线识别模块1000进一步包括:
感兴趣区域划定模块1010,用于对获取的包含车道线的灰度图像划定感兴趣区域;
匹配滤波模块1020,用于采用匹配滤波器对图像感兴趣区域进行多尺度匹配滤波,完成所述图像感兴趣区域的特定增强;
顶帽变换模块1030,用于对经多尺度匹配滤波后的所述图像感兴趣区域进行顶帽变换;
恒虚警率检测模块1040,用于通过在所述图像感兴趣区域设定灰度自适应门限与待检测像素点进行比较,筛选车道线特征点;
地图制作模块1050,用于对筛选出的所述车道线特征点进行逆投影变换,获取所述车道线特征点对应的二维栅格地图;
车道线确定模块1060,用于对所述二维栅格地图进行车道线特征点的邻域聚类处理,再对完成邻域聚类处理的车道线像素点进行曲线拟合,根据曲线拟合结果及车辆的当前位置确定车辆所在车道的车道线。
具体地,匹配滤波器的尺度参数σ由图像坐标系中不同横行内车道线宽度w决定,图像中不同横行的宽度w由投影变换得到。如图4中的a)、b)、c)所示,图4中的a)、b)、c)分别为阴雨天、晴天、夜晚等不同场景下车道线横截面的灰度轮廓特征图,每个图的曲线下方为对应的采样实物图,其轮廓可用高斯曲线逼近,因此,匹配滤波模块1020设计为高斯内核函数,其数学模型结合图5b和5c可以看到,采样实物图对应的数学模型可以分为增强区域和减弱区域,匹配滤波模块1020可通过改变该数学模型对应的尺度参数来改变增强区域和减弱区域的大小,从而实现在图像的感兴趣区域,也即是图像的有效检测区域内进行不同尺度的匹配滤波,完成感兴趣区域的特定增强。
顶帽变换模块1030用于对图像感兴趣区域利用半径为预设值r的圆形结构元素S进行顶帽变换,以降低非均匀背景的干扰。设顶帽变换前的图像为F,顶帽变换后的图像为H,则H满足F与F的开运算之差:其中,圆形结构元素的半径r要至少大于图像中每一横行的车道线宽度的一半,取图像近视野区域中车道线的最大宽度,例如在另一实施例中可以取25个像素。
恒虚警率检测模块1040用于通过在图像感兴趣区域设定自适应的门限与待检测像素点进行比较,筛选车道线特征点。这里恒虚警率检测模块1040可以是恒虚警率检测器,其将图像分为车道线区域和非车道线区域,在对图像某一像素点进行判断时,通过在局部区域设定自适应的门限来与待检测像素点进行比较,即可判断像素点是否为车道线特征点。
恒虚警率检测模块1040筛选车道线特征具体包括:检测图像感兴趣区域,将超过灰度自适应门限U的区域作为车道线特征点,其中,灰度自适应门限U=kσ+u,u为在一定参考单元内估算出的灰度均值,σ为在一定参考单元内估算出的灰度方差,k为参考单元个数。
地图制作模块1050用于通过标定的3×4投影矩阵M,对筛选出的车道线特征点进行逆投影变换,获取车道线特征点在车辆坐标系下的坐标及车道线特征点对应的二维栅格地图。其中,标定的3×4投影矩阵M利用由拍摄图像的摄像机或相机的内部参数和外部参数共同确定,地图制作模块1050依据下述模型对所筛选的车道线特征点进行逆投影变换:
车道线确定模块1060用于对二维栅格地图进行车道线特征点的邻域聚类处理,再对完成邻域聚类处理的车道线像素点进行曲线拟合,根据曲线拟合结果及当前车辆的位置确定该车辆所在车道的车道线。在另一实施例中,在邻域聚类过程中选择搜索框大小为5个像素。
通常情况下,车辆在车道内行驶,因此采集得到的标示线方向整体上与车辆行驶方向相一致,并且多条车道标示线近似形状相同,其长度比地面其它标示线等干扰线要长,利用这些特点对车道标示线进行邻域聚类,得到归属于同一条标示线的像素点。根据上述聚类结果,对每组数据进行参数曲线拟合,采用二次曲线模型来拟合车道标示线,再根据拟合结果及当前车辆的位置确定车辆所在车道的左右两侧车道线。
进一步地,该车道线识别系统还包括:摄像模块2000,摄像模块2000设置在车上,包括:相机和/或摄像机,与车道线识别模块1000通讯连接,用于拍摄照片并回传至车道线识别模块1000,和/或获取录制道路视频。车道线识别模块1000还包括:图像获取模块1070、建立坐标模块1080。图像获取模块1070用于通过设置在车辆上的相机在线获取包含车道线的图像,或者通过加载摄像机录制的道路视频离线获取包含车道线的图像,如果获取的图像为彩色,则将该图像转换为对应的灰度图像。建立坐标模块1080用于对灰度图像分别以水平和竖直方向建立图像坐标系。
进一步地,如图8所示,感兴趣区域划定模块1010包括:图像截取单元1011、感兴趣区域制定单元1012。其中,图像截取单元1011用于获取车前横向和纵向的预设距离范围内的灰度图像。感兴趣区域制定单元1012用于结合拍摄图像的相机或摄像机的内部参数和外部参数,得到一梯形区域,作为初始化感兴趣区域。
进一步地,感兴趣区域划定模块1010还包括:前帧车道线获取单元1013、下一帧感兴趣区域获取单元1014。前帧车道线获取单元1013用于在图像坐标系下,根据上一帧感兴趣区域的检测结果,利用投影变换得到图像坐标系下的前帧车道线位置。下一帧感兴趣区域获取单元1014用于以前帧车道线位置为中心,左右拓展预设的像素范围后,得到下一帧图像的感兴趣区域。
进一步地,恒虚警率检测模块1040中还包括:预留距离单元。预留距离单元用于在待检测像素点与参考单元之间,依据车道线最大宽度预留若干护卫单元。护卫单元取图像感兴趣区域对应的图像近视野区域中车道线的最大宽度25个像素,以防止车道线被当作待检测像素点两侧的参考单元参与参考单元区域的灰度强度的估计。
恒虚警率检测模块1040可选择为恒虚警率检测器,由于设计的恒虚警率检测器是针对点目标的,而车道线往往具有一定宽度,因此,需依据车道线最大宽度预留若干距离单元(称为护卫单元),防止车道线作为参考单元对自适应门限造成影响。车道线候选特征点的恒虚警率筛选方法原理如图9所示。各检测单元中超灰度过自适应门限U的区域被认定为H0区域(车道线区域),即为候选车道线的特征点。其中,灰度自适应门限U=kσ+u,其中u、σ为在一定参考单元内估算出的灰度均值和方差,在另一实施例中,参考单元的个数取30,护卫单元取图像近视野区域中车道线的最大宽度25个像素。进一步地,该车道线识别模块1000还包括:有效性确定模块1090。有效性确定模块1090用于对左右两侧车道线进行每一横行的横向位置分析,并通过距离或/和平行度约束,确定车道线的有效性。
进一步地,该车道线识别模块1000还包括:本帧车道线提取模块1100、车道线判断模块1110、匹配数量运算模块1120、有效车道线设定模块1130。
本帧车道线提取模块1100用于提取当前帧图像对应的本帧车道线。车道线判断模块1110用于判断数据库中是否已装载有车道线,若是,则将本帧车道线与数据库中的车道线进行匹配,若否,则将本帧车道线装载进数据库。匹配数量运算模块1120用于当数据库中存在与本帧车道线匹配的车道线时,用本帧车道线替换数据库中匹配的车道线,且对应匹配的车道线的匹配数量自增预设值a,数据库中其他未发生匹配的车道线对应的匹配数量自减预设值a。有效车道线设定模块1130用于将匹配数量超过预设值N的车道线设定为有效车道线。例如,预设值a可为1。
进一步地,该车道线识别模块1000还包括:匹配数量校验模块1140、遍历匹配模块1150。
匹配数量校验模块1140用于检测数据库中的车道线对应的匹配数量,若有车道线的匹配数量小于最小预设值,则将其置为最小预设值,若有车道线的匹配数量大于最大预设值,则将其置为最大预设值。例如,最小预设值可为0,最大预设值可为25。
遍历匹配模块1150用于当数据库中不存在与本帧车道线匹配的车道线时,则遍历数据库中车道线的匹配数量,当数据库中存在匹配数量为最小预设值的车道线时,用本帧车道线将第一个匹配数量为最小预设值的车道线替换,当数据库中不存在匹配数量为最小预设值的车道线时,将本帧车道线装载进数据库,且本帧车道线的匹配数量设为预设值a,数据库中在当前帧未发生匹配的车道线对应的匹配数量自减预设值a,执行完成后控制匹配数量校验模块1140工作。
进一步地,该车道线识别模块1000还包括:车道线阈值判断模块1160。车道线阈值判断模块1160用于当数据库中已装载有车道线,则获取本帧车道线对应参数的二次项系数A02、一次项系数A01,以及数据库中车道线对应参数的二次项系数Ai2、一次项系数Ai1,并将本帧车道线对应参数的二次项系数A02与数据库中车道线对应参数的二次项系数Ai2之差的绝对值,与本帧车道线对应参数的一次项系数A01与数据库中车道线对应参数的一次项系数Ai1求和,得到跟踪匹配距离阈值;判断跟踪匹配距离阈值是否在预设的范围内,若是,则控制车道线判断模块1110将本帧车道线与数据库中的车道线进行匹配。跟踪匹配距离阈值T计算公式如下:
T=|A02-Ai2|+|A01-Ai1|;
车道线阈值判断模块1160判断T值是否在预设的跟踪匹配距离阈值范围内,若是,则控制车道线判断模块1110将本帧车道线与数据库中的车道线进行匹配,若否,则不控制车道线判断模块1110将本帧车道线与数据库中的车道线进行匹配,而控制车道线判断模块1110将本帧车道线装载进数据库,更新数据库。
上述的数据库在内存中体现为一个多维数组,其中包含前几帧图像跟踪匹配得到的车道线参数、不匹配的车道线参数及其对应的匹配数量值,数据库中最大的车道线存贮数量为30。各车道线对应的最大匹配数量值为25,最小值为0。
进一步地,该车道线识别模块1000还包括:车道线装载模块1170。车道线装载模块1170用于当跟踪匹配距离阈值不在预设的范围内,则将本帧车道线装载进数据库。
综上所述,本实施例对获取的车道线灰度图像划定感兴趣区域,并对其进行多尺度的匹配滤波,实现多种场景下对车道线图像感兴趣区域的显著增强,在顶帽变换的基础上进一步消除背景干扰,采用灰度自适应门限对车道线特征点进行有效筛选,从而极大减弱外界条件的变化对基于机器视觉的车道线识别的影响,进一步提高了车道线识别的准确率。此外,本实施例还将本帧提取出的车道线参数与数据库中的车道线进行匹配分析,确定其有效性,并动态更新数据库,保证车道线识别的稳定性。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (24)
1.一种车道线识别方法,其特征在于,包括下述步骤:
S100、对获取的包含车道线的灰度图像划定感兴趣区域;
S200、采用匹配滤波器对图像感兴趣区域进行多尺度匹配滤波,完成所述图像感兴趣区域的特定增强;
S300、对经多尺度匹配滤波后的所述图像感兴趣区域进行顶帽变换;
S400、通过在所述图像感兴趣区域设定灰度自适应门限与待检测像素点进行比较,筛选车道线特征点;
S500、对筛选出的所述车道线特征点进行逆投影变换,获取所述车道线特征点对应的二维栅格地图;
S600、对所述二维栅格地图进行车道线特征点的邻域聚类处理,再对完成邻域聚类处理的车道线像素点进行曲线拟合,根据曲线拟合结果及车辆的当前位置确定车辆所在车道的车道线;
S700、对车道线进行每一横行的横向位置分析,并通过距离或/和平行度约束,确定车道线的有效性;
S810、提取当前帧图像对应的本帧车道线;
S820、判断数据库中是否已装载有车道线,
若数据库中已装载有车道线,则获取本帧车道线对应参数的二次项系数A02、一次项系数A01,以及数据库中车道线对应参数的二次项系数Ai2、一次项系数Ai1,并根据公式T=|A02-Ai2|+|A01-Ai1|得到跟踪匹配距离阈值T,然后判断所述跟踪匹配距离阈值是否在预设的范围内,若是,则将本帧车道线与数据库中的车道线进行匹配,并根据匹配结果更新数据库中车道线;
若数据库中没有装载车道线,则将本帧车道线装载进数据库。
2.根据权利要求1所述的车道线识别方法,其特征在于,所述步骤S100之前还包括下述步骤:
通过设置在车辆上的相机在线获取包含车道线的图像,或者通过加载摄像机录制的道路视频离线获取包含车道线的图像,如果获取的图像为彩色,则将该图像转换为对应的灰度图像;
对所述灰度图像分别以水平和竖直方向建立图像坐标系。
3.根据权利要求2所述的车道线识别方法,其特征在于,所述步骤S100包括下述步骤:
获取车前横向和纵向的预设距离范围内的灰度图像;
结合相机或摄像机的内部参数和外部参数,得到初始化感兴趣区域。
4.根据权利要求3所述的车道线识别方法,其特征在于,所述步骤S100还包括下述步骤:
在所述图像坐标系下,根据上一帧感兴趣区域的检测结果,利用投影变换得到图像坐标系下的前帧车道线位置;
以前帧车道线位置为中心,左右拓展预设的像素范围后,得到下一帧图像的感兴趣区域。
5.根据权利要求3所述的车道线识别方法,其特征在于,所述步骤S200中的所述匹配滤波器对所述图像感兴趣区域进行多尺度匹配滤波具体包括:通过改变所述匹配滤波器的尺度参数来改变增强区域和减弱区域的大小,实现在所述图像感兴趣区域内进行不同尺度的匹配滤波,其中,所述匹配滤波器的尺度参数由所述图像坐标系中不同横行内车道线的宽度决定,不同横行内车道线的宽度由投影变换得到。
7.根据权利要求3所述的车道线识别方法,其特征在于,所述步骤S400具体包括:检测所述图像感兴趣区域,将超过灰度自适应门限U的区域作为车道线特征点,其中,灰度自适应门限U=kσ+u,u为在一定参考单元内估算出的灰度均值,σ为在一定参考单元内估算出的灰度方差,k为参考单元个数。
8.根据权利要求7所述的车道线识别方法,其特征在于,所述步骤S400还包括:在待检测像素点与参考单元之间,依据车道线最大宽度预留若干护卫单元。
9.根据权利要求3所述的车道线识别方法,其特征在于,所述步骤S500中对筛选出的车道线特征点进行逆投影变换,具体是通过标定的3×4投影矩阵进行,以获得所述车道线特征点在车辆坐标系下的坐标,所述标定的3×4投影矩阵由相机或摄像机的内部参数和外部参数共同确定。
10.根据权利要求3所述的车道线识别方法,其特征在于,所述步骤S820之后还包括:
S830、当数据库中存在与本帧车道线匹配的车道线时,用本帧车道线替换数据库中匹配的车道线,且对应匹配的车道线的匹配数量自增预设值a,数据库中其他未发生匹配的车道线对应的匹配数量自减预设值a;
S840、将匹配数量超过预设值N的车道线设定为有效车道线;
S850、检测数据库中的车道线对应的匹配数量,若有车道线的匹配数量小于最小预设值,则将其置为最小预设值,若有车道线的匹配数量大于最大预设值,则将其置为最大预设值。
11.根据权利要求10所述的车道线识别方法,其特征在于,所述步骤S820之后还包括:
S860、当数据库中不存在与本帧车道线匹配的车道线时,则遍历数据库中车道线的匹配数量,当数据库中存在匹配数量为最小预设值的车道线时,用本帧车道线将第一个匹配数量为最小预设值的车道线替换,当数据库中不存在匹配数量为最小预设值的车道线时,将本帧车道线装载进数据库,且本帧车道线的匹配数量设为预设值a,数据库中在当前帧未发生匹配的车道线对应的匹配数量自减预设值a,执行完成后回到步骤S850。
12.根据权利要求10所述的车道线识别方法,其特征在于,还包括下述步骤:当所述跟踪匹配距离阈值不在预设的范围内,则将本帧车道线装载进数据库。
13.一种车道线识别系统,其特征在于,包括:车道线识别模块(1000),所述车道线识别模块(1000)进一步包括:
感兴趣区域划定模块(1010),用于对获取的包含车道线的灰度图像划定感兴趣区域;
匹配滤波模块(1020),用于采用匹配滤波器对图像感兴趣区域进行多尺度匹配滤波,完成所述图像感兴趣区域的特定增强;
顶帽变换模块(1030),用于对经多尺度匹配滤波后的所述图像感兴趣区域进行顶帽变换;
恒虚警率检测模块(1040),用于通过在所述图像感兴趣区域设定灰度自适应门限与待检测像素点进行比较,筛选车道线特征点;
地图制作模块(1050),用于对筛选出的所述车道线特征点进行逆投影变换,获取所述车道线特征点对应的二维栅格地图;
车道线确定模块(1060),用于对所述二维栅格地图进行车道线特征点的邻域聚类处理,再对完成邻域聚类处理的车道线像素点进行曲线拟合,根据曲线拟合结果及车辆的当前位置确定车辆所在车道的车道线;
有效性确定模块(1090),用于对车道线进行每一横行的横向位置分析,并通过距离或/和平行度约束,确定车道线的有效性;
本帧车道线提取模块(1100),用于提取当前帧图像对应的本帧车道线;
车道线判断模块(1110),用于判断数据库中是否已装载有车道线,若是,则将本帧车道线与数据库中的车道线进行匹配,若否,则将本帧车道线装载进数据库;
其中,所述车道线判断模块(1110)包括车道线阈值判断模块(1160),用于当数据库中已装载有车道线,则获取本帧车道线对应参数的二次项系数A02、一次项系数A01,以及数据库中车道线对应参数的二次项系数Ai2、一次项系数Ai1,并根据公式T=|A02-Ai2|+|A01-Ai1|得到跟踪匹配距离阈值T得到跟踪匹配距离阈值;还用于判断所述跟踪匹配距离阈值是否在预设的范围内,若是,则控制所述车道线判断模块(1110)将本帧车道线与数据库中的车道线进行匹配,并根据匹配结果更新数据库中车道线。
14.根据权利要求13所述的车道线识别系统,其特征在于,还包括:摄像模块(2000),摄像模块(2000)设置在车上,包括:相机和/或摄像机,与所述车道线识别模块(1000)通讯连接,用于拍摄照片并回传至所述车道线识别模块(1000),和/或获取录制道路视频;
所述车道线识别模块(1000)还包括:
图像获取模块(1070),用于通过设置在车辆上的相机在线获取包含车道线的图像,或者通过加载摄像机录制的道路视频离线获取包含车道线的图像,如果获取的图像为彩色,则将该图像转换为对应的灰度图像;
建立坐标模块(1080),用于对所述灰度图像分别以水平和竖直方向建立图像坐标系。
15.根据权利要求13所述的车道线识别系统,其特征在于,所述感兴趣区域划定模块(1010)包括:
图像截取单元(1011),用于获取车前横向和纵向的预设距离范围内的灰度图像;
感兴趣区域制定单元(1012),用于结合拍摄图像的相机或摄像机的内部参数和外部参数,得到初始化感兴趣区域。
16.根据权利要求15所述的车道线识别系统,其特征在于,所述感兴趣区域划定模块(1010)还包括:
前帧车道线获取单元(1013),用于在所述图像坐标系下,根据上一帧感兴趣区域的检测结果,利用投影变换得到图像坐标系下的前帧车道线位置;
下一帧感兴趣区域获取单元(1014),用于以前帧车道线位置为中心,左右拓展预设的像素范围后,得到下一帧图像的感兴趣区域。
17.根据权利要求15所述的车道线识别系统,其特征在于,所述匹配滤波模块(1020)进行多尺度匹配滤波具体包括:通过改变所述匹配滤波器的尺度参数来改变增强区域和减弱区域的大小,实现在所述图像感兴趣区域内进行不同尺度的匹配滤波,其中,所述匹配滤波器的尺度参数由所述图像坐标系中不同横行内车道线的宽度决定,不同横行内车道线的宽度由投影变换得到。
18.根据权利要求15所述的车道线识别系统,其特征在于,所述顶帽变换模块(1030)利用半径为r的圆形结构元素S对所述图像感兴趣区域进行顶帽变换,设顶帽变换前的图像为F,顶帽变换后的图像为H,则H满足F与F的开运算之差:其中,所述圆形结构元素的半径r至少大于所述图像感兴趣区域中每一横行的车道线宽度的一半。
19.根据权利要求15所述的车道线识别系统,其特征在于,所述恒虚警率检测模块(1040)筛选车道线特征具体包括:检测所述图像感兴趣区域,将超过灰度自适应门限U的区域作为车道线特征点,其中,灰度自适应门限U=kσ+u,u为在一定参考单元内估算出的灰度均值,σ为在一定参考单元内估算出的灰度方差,k为参考单元个数。
20.根据权利要求15所述的车道线识别系统,其特征在于,所述恒虚警率检测模块(1040)中还包括:
预留距离单元,用于在待检测像素点与参考单元之间,依据车道线最大宽度预留若干护卫单元。
21.根据权利要求15所述的车道线识别系统,其特征在于,所述地图制作模块(1050)对筛选出的车道线特征点进行逆投影变换,具体是通过标定的3×4投影矩阵进行,以获得所述车道线特征点在车辆坐标系下的坐标,所述标定的3×4投影矩阵由相机或摄像机的内部参数和外部参数共同确定。
22.根据权利要求15所述的车道线识别系统,其特征在于,所述车道线识别模块(1000)还包括:
匹配数量运算模块(1120),用于当数据库中存在与本帧车道线匹配的车道线时,用本帧车道线替换数据库中匹配的车道线,且对应匹配的车道线的匹配数量自增预设值a,数据库中其他未发生匹配的车道线对应的匹配数量自减预设值a;
有效车道线设定模块(1130),用于将匹配数量超过预设值N的车道线设定为有效车道线;
匹配数量校验模块(1140),用于检测数据库中的车道线对应的匹配数量,若有车道线的匹配数量小于最小预设值,则将其置为最小预设值,若有车道线的匹配数量大于最大预设值,则将其置为最大预设值。
23.根据权利要求22所述的车道线识别系统,其特征在于,所述车道线识别模块(1000)还包括:
遍历匹配模块(1150),用于当数据库中不存在与本帧车道线匹配的车道线时,则遍历数据库中车道线的匹配数量,当数据库中存在匹配数量为最小预设值的车道线时,用本帧车道线将第一个匹配数量为最小预设值的车道线替换,当数据库中不存在匹配数量为最小预设值的车道线时,将本帧车道线装载进数据库,且本帧车道线的匹配数量设为预设值a,数据库中在当前帧未发生匹配的车道线对应的匹配数量自减预设值a,执行完成后控制匹配数量校验模块(1140)工作。
24.根据权利要求22所述的车道线识别系统,其特征在于,所述车道线识别模块(1000)还包括:车道线装载模块(1170),用于当所述跟踪匹配距离阈值不在预设的范围内,则将本帧车道线装载进数据库。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710419310.0A CN107330376B (zh) | 2017-06-06 | 2017-06-06 | 一种车道线识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710419310.0A CN107330376B (zh) | 2017-06-06 | 2017-06-06 | 一种车道线识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107330376A CN107330376A (zh) | 2017-11-07 |
CN107330376B true CN107330376B (zh) | 2020-01-21 |
Family
ID=60193856
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710419310.0A Active CN107330376B (zh) | 2017-06-06 | 2017-06-06 | 一种车道线识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107330376B (zh) |
Families Citing this family (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108038416B (zh) * | 2017-11-10 | 2021-09-24 | 智车优行科技(北京)有限公司 | 车道线检测方法及系统 |
WO2019195191A1 (en) * | 2018-04-02 | 2019-10-10 | Phantom Al, Inc. | Dynamic image region selection for visual inference |
WO2020004817A1 (ko) * | 2018-06-26 | 2020-01-02 | 에스케이텔레콤 주식회사 | 차선 정보 검출 장치, 방법 및 이러한 방법을 수행하도록 프로그램된 컴퓨 프로그램을 저장하는 컴퓨터 판독가능한 기록매체 |
CN110796606B (zh) * | 2018-08-01 | 2023-07-07 | 新疆万兴信息科技有限公司 | 一种确定IPM matrix参数的方法、装置、电子设备及介质 |
CN110795961B (zh) * | 2018-08-01 | 2023-07-18 | 新疆万兴信息科技有限公司 | 一种车道线检测方法、装置、电子设备及介质 |
CN110909575B (zh) * | 2018-09-17 | 2023-04-18 | 毫末智行科技有限公司 | 在车道线检测中确定分析区域的方法及装置 |
CN110363054B (zh) * | 2018-11-16 | 2021-10-01 | 北京京东叁佰陆拾度电子商务有限公司 | 道路标识线识别方法、装置和系统 |
CN109579847B (zh) * | 2018-12-13 | 2022-08-16 | 歌尔股份有限公司 | 同步定位与地图构建中关键帧提取方法、装置和智能设备 |
CN109784234B (zh) * | 2018-12-29 | 2022-01-07 | 阿波罗智能技术(北京)有限公司 | 一种基于前向鱼眼镜头的直角弯识别方法及车载设备 |
CN109711385A (zh) * | 2019-01-09 | 2019-05-03 | 宽凳(北京)科技有限公司 | 一种车道线识别方法、装置、设备和存储介质 |
CN109948504B (zh) * | 2019-03-13 | 2022-02-18 | 东软睿驰汽车技术(沈阳)有限公司 | 一种车道线识别方法及装置 |
CN111295666A (zh) * | 2019-04-29 | 2020-06-16 | 深圳市大疆创新科技有限公司 | 一种车道线检测方法、装置、控制设备及存储介质 |
CN110287960B (zh) * | 2019-07-02 | 2021-12-10 | 中国科学院信息工程研究所 | 自然场景图像中曲线文字的检测识别方法 |
CN113255404A (zh) * | 2020-02-11 | 2021-08-13 | 北京百度网讯科技有限公司 | 车道线识别方法、装置、电子设备和计算机可读存储介质 |
CN111798698B (zh) * | 2020-06-24 | 2022-04-08 | 中国第一汽车股份有限公司 | 一种前方目标车辆的确定方法、装置及车辆 |
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 |
CN112115784B (zh) * | 2020-08-13 | 2021-09-28 | 北京嘀嘀无限科技发展有限公司 | 一种车道线识别的方法、装置、可读存储介质和电子设备 |
CN112319469A (zh) * | 2020-11-16 | 2021-02-05 | 深圳市康士柏实业有限公司 | 一种基于机器视觉的车道保持辅助系统及方法 |
CN112183512B (zh) * | 2020-12-02 | 2021-11-19 | 深圳佑驾创新科技有限公司 | 摄像头标定方法、装置、车载终端和存储介质 |
CN112509452B (zh) * | 2020-12-12 | 2022-05-17 | 武汉中海庭数据技术有限公司 | 基于道路结构的地面标线融合方法及系统、服务器及介质 |
CN112749680A (zh) * | 2021-01-25 | 2021-05-04 | 蔚来汽车科技(安徽)有限公司 | 用于构建道路模型的方法和设备 |
CN114399904B (zh) * | 2021-09-15 | 2023-07-28 | 芜湖易来达雷达科技有限公司 | 一种雷达自动识别车道的车道识别方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN106127787A (zh) * | 2016-07-01 | 2016-11-16 | 北京美讯美通信息科技有限公司 | 一种基于逆投影变换的相机标定方法 |
-
2017
- 2017-06-06 CN CN201710419310.0A patent/CN107330376B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN106127787A (zh) * | 2016-07-01 | 2016-11-16 | 北京美讯美通信息科技有限公司 | 一种基于逆投影变换的相机标定方法 |
Non-Patent Citations (3)
Title |
---|
基于机器视觉的嵌入式车道偏离预警系统的研究;张三林;《中国优秀硕士学位论文全文数据库信息科技辑》;20151229;正文第11页第2段-第60页倒数第1段 * |
基于软硬件协同设计的车道线实时识别方法;张伟伟 等;《中国机械工程》;20150522;第1337-1344页 * |
应用匹配滤波器的车道线恒虚警率识别方法;宋晓琳 等;《电子测量与仪器学报》;20150315;第328页第2段-第336页倒数第2段 * |
Also Published As
Publication number | Publication date |
---|---|
CN107330376A (zh) | 2017-11-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107330376B (zh) | 一种车道线识别方法及系统 | |
Wu et al. | Lane-mark extraction for automobiles under complex conditions | |
CN108038416B (zh) | 车道线检测方法及系统 | |
CN103077384B (zh) | 一种车标定位识别的方法与系统 | |
WO2015010451A1 (zh) | 一种从单幅图像检测道路的方法 | |
CN107767400B (zh) | 基于层次化显著性分析的遥感图像序列动目标检测方法 | |
CN110647850A (zh) | 一种基于逆透视原理的车道偏移自动测量方法 | |
CN111079556A (zh) | 一种多时相无人机视频图像变化区域检测及分类方法 | |
WO2018023916A1 (zh) | 一种彩色图像去阴影方法和应用 | |
CN110414355A (zh) | 基于视觉的右方位空停车位与泊车过程中车位线检测方法 | |
Li et al. | Nighttime lane markings recognition based on Canny detection and Hough transform | |
CN108052904B (zh) | 车道线的获取方法及装置 | |
CN104778444A (zh) | 道路场景下车辆图像的表观特征分析方法 | |
CN112488046B (zh) | 一种基于无人机高分辨率影像的车道线提取方法 | |
CN110414385B (zh) | 一种基于单应性变换和特征窗口的车道线检测方法及系统 | |
CN107832674B (zh) | 一种车道线检测方法 | |
KR20110001427A (ko) | 관심영역 추출에 의한 차선 고속검출 방법 | |
CN106887004A (zh) | 一种基于块匹配的车道线检测方法 | |
CN113200052B (zh) | 一种用于无人驾驶的路况智能识别方法 | |
CN111563457A (zh) | 一种无人驾驶汽车的道路场景分割方法 | |
FAN et al. | Robust lane detection and tracking based on machine vision | |
CN107977608B (zh) | 一种应用于公路视频图像道路区域提取的方法 | |
CN114693716A (zh) | 一种面向复杂交通条件下的驾驶环境综合识别信息提取方法 | |
CN114581658A (zh) | 一种基于计算机视觉的目标检测方法及装置 | |
CN108090425B (zh) | 一种车道线检测方法、装置及终端 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |