CN107590470B - 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
- CN107590470B CN107590470B CN201710840344.7A CN201710840344A CN107590470B CN 107590470 B CN107590470 B CN 107590470B CN 201710840344 A CN201710840344 A CN 201710840344A CN 107590470 B CN107590470 B CN 107590470B
- Authority
- CN
- China
- Prior art keywords
- lane line
- line
- video image
- determining
- lane
- 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
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种车道线检测方法及装置,该方法包括:若当前处理的视频图像中存在车道线,则根据预设的像素点的灰度值的初始阈值确定视频图像中的前景区域和背景区域,并确定每一行中前景区域和背景区域的概率密度;根据每一行的前景区域和背景区域中,各像素点的灰度值以及前景区域和背景区域的概率密度,确定每一行对应的最优阈值;根据各行对应的最优阈值确定视频图像的二值化图像;根据二值化图像确定视频图像中的车道线检测区域,以车道线检测区域内确定左车道线和右车道线。本发明实施例提供的车道线检测方法,通过逐行确定最优阈值,能够有效的避免由于光照不均匀、地面阴影或水渍等导致的干扰,使得到的左车道线和右车道线的更加准确。
Description
技术领域
本发明涉及图像处理技术领域,尤指一种车道线检测方法及装置。
背景技术
车道偏离预警系统是一种通过报警的方式辅助驾驶员减少汽车因车道偏离而发生交通事故的系统。据统计约有50%的汽车交通事故是因为汽车偏离正常的行驶车道引起的,究其主要原因是驾驶员心烦意乱、注意力不集中或疲劳驾驶。
车道线的检测效果依赖路面上的车道线判断是否发生车道偏离,其性能会因为车辆行驶环境变化有很大程度上的波动,如阴雨天、积水、路旁阴影等天气、照明和路面情况的变化,可能导致如:车道线误检、只能检测单侧车道线或无法检测到车道线等情况,造成频繁给出错误的报警,使得车道线检测的可能性和可靠性降低。
此外,现有技术中的车道线检测方案大多能较好的适用于高速公路,而对于城市道路则适用效果较差,由于高速公路车道线相对城市公路车道线具有较好的可预测性和连续性,道路表面维护的更好,车道标志线也更清晰。而城市驾驶环境由于道路上各种大小的交通工具,不连续的车道线和复杂的交通流动,因而具有高度的不可预测性。
因此,如何提供一种抗干扰能力较强的车道线检测方法是急需解决的问题。
发明内容
本发明实施例提供一种车道线检测方法及装置,用以解决现有技术中存在的车道线检测的抗干扰能力较弱的问题。
本发明实施例提供了一种车道线检测方法,包括:
若当前处理的视频图像中存在车道线,则根据预设的像素点的灰度值的初始阈值确定所述视频图像中的前景区域和背景区域,并确定每一行中前景区域和背景区域的概率密度;
根据每一行的前景区域和背景区域中,各像素点的灰度值以及前景区域和背景区域的概率密度,确定每一行对应的最优阈值;
根据各行对应的所述最优阈值确定所述视频图像的二值化图像;
根据所述二值化图像确定所述视频图像中的车道线检测区域,以在所述车道线检测区域内确定左车道线和右车道线。
在一种可能的实现方式中,在本发明实施例提供的上述车道线检测方法中,每一行对应的所述最优阈值按以下公式确定:
其中,T表示最优阈值,μ1表示前景区域灰度值的均值,μ2表示背景区域灰度值的均值,var表示每一行中各像素点的灰度值的均方差值,P1表示前景区域的概率密度,P2表示背景区域的概率密度,N表示对数函数的底数。
在一种可能的实现方式中,在本发明实施例提供的上述车道线检测方法中,按以下方法确定当前处理的视频图像中是否存在车道线:
对当前帧之前的多帧连续的视频图像分别进行二值化处理;
对二值化处理后的各所述视频图像进行叠加,以得到各所述视频图像的累积图像;
对所述累积图像进行二值化处理,得到所述累积图像的二值化处理图像;
对所述累积图像的二值化处理图像进行霍夫直线检测,并判断霍夫直线检测后得到的参数是否满足预设条件;若是,则存在车道线;若否,则不存在车道线。
在一种可能的实现方式中,在本发明实施例提供的上述车道线检测方法中,所述在所述车道线检测区域内确定左车道线和右车道线,包括:
根据当前处理的视频图像中的车道线检测区域,以及前一帧视频图像中的车道线的直线扩展区域,确定当前处理的视频图像的车道线特征点;所述直线扩展区域为前一帧视频图像中的车道线向左平移一定距离得到的第一直线,以及向右平移一定距离得到的第二直线之间的区域;
根据得到的所述车道线特征点,建立当前处理的所述视频图像的车道线模型;
根据所述车道线模型确定左车道线和右车道线。
在一种可能的实现方式中,在本发明实施例提供的上述车道线检测方法中,所述根据当前处理的视频图像中的车道线检测区域,以及前一帧视频图像中的车道线的直线扩展区域,确定当前处理的视频图像的车道线特征点,包括:
确定当前处理的视频图像中的车道线检测区域,以及前一帧视频图像中的车道线的直线扩展区域的交集区域;
在所述交集区域中,按特定顺序逐行搜索车道线特征点。
在一种可能的实现方式中,在本发明实施例提供的上述车道线检测方法中,在根据所述车道线模型确定左车道线和右车道线之后,还包括:
若在多帧连续视频图像中的左车道线的斜率均小于第一阈值,则触发左偏离预警,以及若在多帧连续视频图像中的右车道线的斜率均小于第二阈值,则触发右偏离预警。
在一种可能的实现方式中,在本发明实施例提供的上述车道线检测方法中,在根据所述车道线模型确定左车道线和右车道线之后,还包括:
判断各帧视频图像中的车道线的颜色及线型,并输出各帧视频图像组成的视频。
本发明实施例还提供了一种车道线检测装置,包括:
概率密度确定模块,用于若当前处理的视频图像中存在车道线,则根据预设的像素点的灰度值的初始阈值确定所述视频图像中的前景区域和背景区域,并确定每一行中前景区域和背景区域的概率密度;
最优阈值确定模块,用于根据每一行的前景区域和背景区域中,各像素点的灰度值以及前景区域和背景区域的概率密度,确定每一行对应的最优阈值;
二值化处理模块,用于根据各行对应的所述最优阈值确定所述视频图像的二值化图像;
车道线确定模块,用于根据所述二值化图像确定所述视频图像中的车道线检测区域,以在所述车道线检测区域内确定左车道线和右车道线。
在一种可能的实现方式中,在本发明实施例提供的上述车道线检测装置中,所述最优阈值确定模块,具体用于按照以下公式确定每一行对应的所述最优阈值:
其中,T表示最优阈值,μ1表示前景区域灰度值的均值,μ2表示背景区域灰度值的均值,var表示每一行中各像素点的灰度值的均方差值,P1表示前景区域的概率密度,P2表示背景区域的概率密度,N表示对数函数的底数。
在一种可能的实现方式中,在本发明实施例提供的上述车道线检测装置中,还包括车道线判断模块;
所述车道线判断模块,具体包括:
第一二值化处理单元,用于对当前帧之前的多帧连续的视频图像分别进行二值化处理;
累积图像确定单元,用于对二值化处理后的各所述视频图像进行叠加,以得到各所述视频图像的累积图像;
第二二值化处理单元,用于对所述累积图像进行二值化处理,得到所述累积图像的二值化处理图像;
判断单元,用于对所述累积图像的二值化处理图像进行霍夫直线检测,并判断霍夫直线检测后得到的参数是否满足预设条件;若是,则存在车道线;若否,则不存在车道线。
在一种可能的实现方式中,在本发明实施例提供的上述车道线检测装置中,所述车道线确定模块,包括:
特征点提取单元,用于根据当前处理的视频图像中的车道线检测区域,以及前一帧视频图像中的车道线的直线扩展区域,确定当前处理的视频图像的车道线特征点;所述直线扩展区域为前一帧视频图像中的车道线向左平移一定距离得到的第一直线,以及向右平移一定距离得到的第二直线之间的区域;
车道线模型确定单元,用于根据得到的所述车道线特征点,建立当前处理的所述视频图像的车道线模型;
车道线确定单元,用于根据所述车道线模型确定左车道线和右车道线。
在一种可能的实现方式中,在本发明实施例提供的上述车道线检测装置中,所述特征点提取单元,具体用于:
确定当前处理的视频图像中的车道线检测区域,以及前一帧视频图像中的车道线的直线扩展区域的交集区域;
在所述交集区域中,按特定顺序逐行搜索车道线特征点。
在一种可能的实现方式中,在本发明实施例提供的上述车道线检测装置中,还包括:
预警模块,用于若在多帧连续视频图像中的左车道线的斜率均小于第一阈值,则触发左偏离预警,以及若在多帧连续视频图像中的右车道线的斜率均小于第二阈值,则触发右偏离预警。
在一种可能的实现方式中,在本发明实施例提供的上述车道线检测装置中,还包括:
视频输出模块,用于判断各帧视频图像中的车道线的颜色及线型,并输出各帧视频图像组成的视频。
本发明有益效果如下:
本发明实施例提供的车道线检测方法及装置,该方法包括:若当前处理的视频图像中存在车道线,则根据预设的像素点的灰度值的初始阈值确定视频图像中的前景区域和背景区域,并确定每一行中前景区域和背景区域的概率密度;根据每一行的前景区域和背景区域中,各像素点的灰度值以及前景区域和背景区域的概率密度,确定每一行对应的最优阈值;根据各行对应的最优阈值确定视频图像的二值化图像;根据二值化图像确定视频图像中的车道线检测区域,以车道线检测区域内确定左车道线和右车道线。本发明实施例提供的车道线检测方法,通过逐行确定最优阈值,能够有效的避免由于光照不均匀、地面阴影或水渍等导致的干扰,使得到的左车道线和右车道线的更加准确。
附图说明
图1为本发明实施例提供的车道线检测方法的流程图之一;
图2为本发明实施例提供的车道线检测方法的流程图之二;
图3为本发明实施例提供的车道线检测方法的流程图之三;
图4为本发明实施例提供的车道线检测方法中最优实施方式的流程图;
图5为本发明实施例提供的车道线检测装置的结构示意图之一;
图6为本发明实施例提供的车道线检测装置的结构示意图之二;
图7为本发明实施例提供的车道线检测装置的结构示意图之三。
具体实施方式
针对现有技术中存在的车道线检测的抗干扰能力较弱的问题,本发明实施例提供了一种车道线检测方法及装置。
下面结合附图,对本发明实施例提供的车道线检测方法及装置的具体实施方式进行详细地说明。附图中各部分的大小和形状不反映真实比例,目的只是示意说明本发明内容。
本发明实施例提供了一种车道线检测方法,如图1所示,包括:
S101、若当前处理的视频图像中存在车道线,则根据预设的像素点的灰度值的初始阈值确定视频图像中的前景区域和背景区域,并确定每一行中前景区域和背景区域的概率密度;
S102、根据每一行的前景区域和背景区域中,各像素点的灰度值以及前景区域和背景区域的概率密度,确定每一行对应的最优阈值;
S103、根据各行对应的最优阈值确定视频图像的二值化图像;
S104、根据二值化图像确定视频图像中的车道线检测区域,以在车道线检测区域内确定左车道线和右车道线。
本发明实施例提供的车道线检测方法,根据初始阈值确定视频图像中的前景区域和背景区域,从而可以确定每一行中前景区域和背景区域的概率密度,根据确定出的概率密度以及每一行中各像素点的灰度值,逐行确定最优阈值,然后根据各行的最优阈值确定该视频图像的二值化图像,由于逐行确定最优阈值,可以使得到的二值化图像精度更高,能够有效的避免由于光照不均匀、地面阴影或水渍等导致的干扰,从而使得到的左车道线和右车道线的更加准确。
在具体实施时,上述步骤S101中,预设的初始阈值是由视频图像中各像素点的灰度值来确定的,可以根据各像素点的灰度值采用概率直方图阈值法计算得到初始阈值,也可以采用其他方式确定初始阈值,例如可以直接赋予经验值,此处不对确定初始阈值的方式进行限定。在确定初始阈值后,将初始阈值与当前处理的视频图像中的各像素点的灰度值进行比较,若像素点的灰度值大于初始阈值,则该像素点属于前景区域,若像素点的灰度值小于初始阈值,则该像素点属于背景区域,通过将初始阈值与视频图像中的每一个像素点比较后,从而确定该视频图像的前景区域和背景区域。在确定了当前处理的视频图像的前景区域和背景区域后,可以根据每一行中前景区域(或背景区域)的面积大小得到每一行前景区域(或背景区域)的概率密度,例如,某一行中有100个像素点,其中25个像素点属于前景区域,其余的75个像素点属于背景区域,则该行前景区域的概率密度为25%,背景区域的概率密度为75%。
在上述步骤S102中,根据步骤S101中得到的每一行中前景区域和背景区域的概率密度,再结合每一行中前景区域和背景区域中各像素点的灰度值,确定每一行对应的最优阈值,通过采用逐行确定最优阈值的方式,可以使后续根据各行的最优阈值得到的二值化图像精度更高,抗干扰性强。
具体地,本发明实施例提供的上述车道线检测方法中,上述步骤S102中,每一行对应的最优阈值按以下公式确定:
其中,T表示最优阈值,μ1表示前景区域灰度值的均值,μ2表示背景区域灰度值的均值,var表示每一行中各像素点的灰度值的均方差值,P1表示前景区域的概率密度,P2表示背景区域的概率密度,N表示对数函数的底数。
通过在确定最优阈值时,结合了前景区域和背景区域的概率密度,能够较好的克服由车道线的图像较模糊、雨天、阴天或光照等复杂场景的干扰对检测结果的影响。
在上述步骤S103中,当前处理的视频图像中的每一行均对应一个最优阈值,在确定该视频图像的二值化图像时,可以根据各行的最优阈值,逐行进行处理,得到的二值化图像精度更高,得到的二值化图像可以使该视频图像有明显的黑白效果,在步骤S104中,可以将该二值化图像中的前景区域作为车道线检测区域,得到的车道线检测区域的结果抗干扰性更强,从而使得到的左车道线和右车道线的位置更加准确。
进一步地,本发明实施例提供的上述车道线检测方法中,如图2所示,按以下方法确定当前处理的视频图像中是否存在车道线:
S201、对当前帧之前的多帧连续的视频图像分别进行二值化处理;
S202、对二值化处理后的各视频图像进行叠加,以得到各视频图像的累积图像;
S203、对累积图像进行二值化处理,得到累积图像的二值化处理图像;
S204、对累积图像的二值化处理图像进行霍夫直线检测,并判断霍夫直线检测后得到的参数是否满足预设条件;若是,则存在车道线;若否,则不存在车道线。
为了确保只有当前处理的视频图像中存在车道线时,才执行上述步骤S101-S104,即只有确定当前车辆行驶在有车道线的交通道路上时,才进行车道线检测。当检测到多帧残破、不清晰等车道线的情况,则触发检测车道线是否存在的步骤,即触发执行步骤S201-S204。也可以实时检测当前处理的视频图像中是否存在车道线,即可以每隔一定时间(例如2s)执行一次步骤S201-S204,此处只是举例说明,并不对其进行限定。
在实际应用中,上述步骤S201中,可以对当前帧之间的连续30帧的视频图像分别进行二值化处理(可以采用自适应二值化方法),通过对多帧连续图像进行分析,可以避免与车道线类似的图形对检测结果造成干扰。
在上述步骤S202中,二值化处理后的各视频图像中,前景坐标的像素值一般为1,背景坐标的像素值一般为0,因而前景区域和背景区域被很明显的区分开,在具体实施时,也可以对前景区域和背景区域中的像素值进行重新赋值,例如可以将前景坐标的像素值均设为2,背景坐标的像素值均设为0.5,也可以设为其他数值,此处不对其进行限定。将二值化处理后的各视频图像进行叠加,以得到各视频图像的累积图像,具体可以采用以下公式进行处理:
其中,B(i)为上述步骤S201中第i帧图像应用自适应二值化方法(OTSU)后的图像。
步骤S202中,通过对多帧连续的视频图像的二值化图像中的前景坐标和背景坐标进行重新赋值,可以增强前景坐标和背景坐标之间的差别,也便于得到各二值化图像的累积图像。
上述步骤S203中,通过对上述累积图像进行二值化处理,可以得到该累积图像中的前景区域和背景区域,从而可以明显看出当前帧之前的多帧连续视频图像的累加效果,从而避免由于与车道线类似的图形的干扰导致的判断错误。在上述步骤S204中,判断霍夫直线检测后得到的参数是否满足预设条件,可以通过判断霍夫直线检测后得到的左车道线和右车道线的角度theta1、theta2,以及截距rho1和rho2是否满足交通道路车道线的特性条件来实现。
具体地,本发明实施例提供的上述车道线检测方法中,上述步骤S104中,在车道线检测区域内确定左车道线和右车道线,如图3所示,可以包括:
S301、根据当前处理的视频图像中的车道线检测区域,以及前一帧视频图像中的车道线的直线扩展区域,确定当前处理的视频图像的车道线特征点;直线扩展区域为前一帧视频图像中的车道线向左平移一定距离得到的第一直线,以及向右平移一定距离得到的第二直线之间的区域;
S302、根据得到的车道线特征点,建立当前处理的视频图像的车道线模型;
S303、根据车道线模型确定左车道线和右车道线。
更具体地,上述步骤S301,可以包括:
确定当前处理的视频图像中的车道线检测区域,以及前一帧视频图像中的车道线的直线扩展区域的交集区域;
在交集区域中,按特定顺序逐行搜索车道线特征点。
在具体实施时,上述步骤S301中,第一帧的直线扩展区域为上述步骤S204中霍夫直线检测得到的直线在一定范围内的区域,第二帧的直线扩展区域为第一帧得到的车道线在一定范围内的区域,以此类推,第n帧的直线扩展区域为第n-1帧得到的车道线在一定范围内的区域。直线扩展区域为前一帧的车道线向左平移一定距离得到的第一直线,以及向右平移一定距离得到的第二直线之间的区域,具体向左右平移的距离可以根据实际需要来确定。由于一帧的时间很短,通过确定当前帧的车道线检测区域,以及前一帧的车道线的直线扩展区域,可以进一步确定当前帧的车道线所在的区域,前一帧的车道线的直线扩展区域为当前帧的车道线的确定起到指导作用,本发明实施例提供的提取特征点的方法,不仅能够有效的提取直线车道线的特征点,而且也可以有效的提取曲线车道线的特征点。
在实际应用中,一般获取视频图像的摄像头安装在车身前方,得到的视频图像具有近大远小的特点,在当前帧的车道线检测区域和前一帧的车道线的直线扩展区域的交集区域内,优选为采用自底而上的顺序搜索车道线的特征点,具体地,在搜索过程中,在该交集区域内,当前行的特征点由上一行(相对于当前行更靠下的一行)的特征点沿着直线的斜率方向进行左右搜索得到,在左右搜索过程中,可以将搜索到的左车道线的最右端点作为左车道线的特征点,搜索到的右车道线的最左端点作为右车道线的特征点,按照这样的方法逐行确定左右车道线的特征点,直到达到设定行数,即得到左车道线和右车道线的所有特征点,在搜索过程中,将搜索到的左车道线的最右端点作为左车道线的特征点,搜索到的右车道线的最左端点作为右车道线的特征点是本发明的优选实施方式,在实际应用中,也可以将其他位置的点作为车道线的特征点,例如将搜索到的车道线的中点作为车道线的特征点,此处不对其进行限定。
在步骤S302中,根据得到左车道线和右车道线的特征点,建立当前帧的视频图像的车道线模型,优选为曲线拟合的方式建立车道线模型,具体可以采用RANSAC(RandomSample Consensus)B-Spline曲线模型进行拟合,因而实现了直线和曲线的车道线拟合,其中,三阶B-Spline曲线的公式为:
其中,M表示基矩阵,P表示几何矩阵;P0、P1、P2和P3分别表示拟合曲线的矢量,t为变量,t∈[0,1],Q(0)=P0,Q(1)=P3。
采用RANSAC B-Spline曲线模型进行车道线的拟合,能够有效的模拟出直线和曲线车道线,且该方法需要的特征点较少,可以更好的适用于残破、模糊的车道线的检测,因而本发明实施例提供的车道线检测方法的鲁棒性较高。
在得到当前帧的视频图像的车道线模型后,可以得到左车道线和右车道线的位置及车道线的斜率等参数。
进一步地,本发明实施例提供的上述车道线检测方法中,在上述步骤S104之后,还可以包括:
若在多帧连续视频图像中的左车道线的斜率均小于第一阈值,则触发左偏离预警,以及若在多帧连续视频图像中的右车道线的斜率均小于第二阈值,则触发右偏离预警。
在具体实施时,可以通过设置抬头显示器(Heads Up Display,HUD)、摄像头、控制器以及传感器来实现车道线偏离预警功能,摄像头一般可以安装在车身前方或者后视镜的位置处,以采集车身前方的车道线,通过控制器来实现车道线检测及偏离预警功能,当检测到车辆偏离车道线时,传感器及时采集当前车辆数据和驾驶员的操作状态,之后由控制器发出预警,整个过程大约在0.5s内可以完成,为驾驶员提供了更多的反应时间,从而减少交通事故。具体地,该预警可以通过某种声音发出,也可以通过控制方向盘震动的形式发出,此处不对预警的具体方式进行限定,只要起到提醒驾驶员的作用即可。
通过判断多帧连续视频图像中的车道线是否偏离,避免由于只有个别视频图像中的车道线偏离,而导致的不必要的预警,提高了预警提醒的准确性,在具体实施时,还可以增加转向灯状态判断,当出现车道线偏离时,及时采集转向灯的状态,当转向灯打开时,属于正常变线行驶,无需进行预警,当出现车道线偏离且转向灯关闭时,则触发预警。
进一步地,本发明实施例提供的上述车道线检测方法中,在上述步骤S104之后,还可以包括:
判断各帧视频图像中的车道线的颜色及线型,并输出各帧视频图像组成的视频。
在具体实施时,可以根据上述步骤S303中确定出的左车道线和右车道线,结合实际交通车道线实线和虚线的长度差异规则,可以判定左右车道线是实线还是虚线。由于车道线只有黄色和白色两种颜色,可以将在当前帧的车道线检测区域和前一帧的车道线的直线扩展区域的交集区域,映射到原始彩色图像区域,并将该彩色区域的BGR(Blue,Green,Red)模型转化到HSV(Hue,Saturation,Value)空间,设置HSV阈值,判定车道线的颜色是白色还是黄色。
以下结合图4,对本发明实施例的最优实施方式的流程进行说明:
S401、输入视频;
S402、对前30帧视频图像进行预处理;预处理包括:上述步骤S201-S204中得到霍夫直线检测的结果;
S403、判断当前帧的视频图像中是否存在车道线,即判断霍夫直线检测得到的参数是否满足预设条件;若是,则执行步骤S404;若否,则执行步骤S401;
S404、确定车道线检测区域,即上述步骤S101-S103;
S405、提取车道线特征点,即上述步骤S301;
S406、判断车道线特征点是否提取成功;若是,则执行步骤S407;若否,则执行步骤S403;
S407、建立车道线模型,即上述步骤S302;
S408、判断车道线是否偏离;若是,则执行步骤S409;
S409、发出预警;
S410、判断各帧视频图像中的车道线的颜色及线型;
S411、输出各帧视频图像组成的视频。
基于同一发明构思,本发明实施例还提供了一种车道线检测装置,由于该装置解决问题的原理与上述方法相似,因此该装置的实施可以参见上述方法的实施,重复之处不再赘述。
本发明实施例提供的车道线检测装置,如图5所示,可以包括:
概率密度确定模块501,用于若当前处理的视频图像中存在车道线,则根据预设的像素点的灰度值的初始阈值确定所述视频图像中的前景区域和背景区域,并确定每一行中前景区域和背景区域的概率密度;
最优阈值确定模块502,用于根据每一行的前景区域和背景区域中,各像素点的灰度值以及前景区域和背景区域的概率密度,确定每一行对应的最优阈值;
二值化处理模块503,用于根据各行对应的所述最优阈值确定所述视频图像的二值化图像;
车道线确定模块504,用于根据所述二值化图像确定所述视频图像中的车道线检测区域,以在所述车道线检测区域内确定左车道线和右车道线。
具体地,本发明实施例提供的上述车道线检测装置中,所述最优阈值确定模块502,可以具体用于按照以下公式确定每一行对应的所述最优阈值:
其中,T表示最优阈值,μ1表示前景区域灰度值的均值,μ2表示背景区域灰度值的均值,var表示每一行中各像素点的灰度值的均方差值,P1表示前景区域的概率密度,P2表示背景区域的概率密度,N表示对数函数的底数。
进一步地,本发明实施例提供的上述车道线检测装置中,还可以包括车道线判断模块;
所述车道线判断模块,如图6所示,可以具体包括:
第一二值化处理单元601,用于对当前帧之前的多帧连续的视频图像分别进行二值化处理;
累积图像确定单元602,用于对二值化处理后的各所述视频图像进行叠加,以得到各所述视频图像的累积图像;
第二二值化处理单元603,用于对所述累积图像进行二值化处理,得到所述累积图像的二值化处理图像;
判断单元604,用于对所述累积图像的二值化处理图像进行霍夫直线检测,并判断霍夫直线检测后得到的参数是否满足预设条件;若是,则存在车道线;若否,则不存在车道线。
具体地,本发明实施例提供的上述车道线检测装置中,所述车道线确定模块504,如图7所示,可以包括:
特征点提取单元701,用于根据当前处理的视频图像中的车道线检测区域,以及前一帧视频图像中的车道线的直线扩展区域,确定当前处理的视频图像的车道线特征点;所述直线扩展区域为前一帧视频图像中的车道线向左平移一定距离得到的第一直线,以及向右平移一定距离得到的第二直线之间的区域;
车道线模型确定单元702,用于根据得到的所述车道线特征点,建立当前处理的所述视频图像的车道线模型;
车道线确定单元703,用于根据所述车道线模型确定左车道线和右车道线。
具体地,本发明实施例提供的上述车道线检测装置中,所述特征点提取单元701,可以具体用于:
确定当前处理的视频图像中的车道线检测区域,以及前一帧视频图像中的车道线的直线扩展区域的交集区域;
在所述交集区域中,按特定顺序逐行搜索车道线特征点。
更进一步地,本发明实施例提供的上述车道线检测装置中,还可以包括:
预警模块,用于若在多帧连续视频图像中的左车道线的斜率均小于第一阈值,则触发左偏离预警,以及若在多帧连续视频图像中的右车道线的斜率均小于第二阈值,则触发右偏离预警。
更进一步地,本发明实施例提供的上述车道线检测装置中,还可以包括:
视频输出模块,用于判断各帧视频图像中的车道线的颜色及线型,并输出各帧视频图像组成的视频。
本发明实施例提供的车道线检测方法,根据初始阈值确定视频图像中的前景区域和背景区域,从而可以确定每一行中前景区域和背景区域的概率密度,根据确定出的概率密度以及每一行中各像素点的灰度值,逐行确定最优阈值,然后根据各行的最优阈值确定该视频图像的二值化图像,由于逐行确定最优阈值,可以使得到的二值化图像精度更高,能够有效的避免由于光照不均匀、地面阴影或水渍等导致的干扰,从而使得到的左车道线和右车道线的更加准确。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (14)
1.一种车道线检测方法,其特征在于,包括:
若当前处理的视频图像中存在车道线,则根据预设的像素点的灰度值的初始阈值确定所述视频图像中的前景区域和背景区域,并确定每一行中前景区域和背景区域的概率密度;
根据每一行的前景区域和背景区域中,各像素点的灰度值以及前景区域和背景区域的概率密度,确定每一行对应的最优阈值;
根据各行对应的所述最优阈值确定所述视频图像的二值化图像;
根据所述二值化图像确定所述视频图像中的车道线检测区域,以在所述车道线检测区域内确定左车道线和右车道线。
3.如权利要求2所述的方法,其特征在于,按以下方法确定当前处理的视频图像中是否存在车道线:
对当前帧之前的多帧连续的视频图像分别进行二值化处理;
对二值化处理后的各所述视频图像进行叠加,以得到各所述视频图像的累积图像;
对所述累积图像进行二值化处理,得到所述累积图像的二值化处理图像;
对所述累积图像的二值化处理图像进行霍夫直线检测,并判断霍夫直线检测后得到的参数是否满足预设条件;若是,则存在车道线;若否,则不存在车道线。
4.如权利要求3所述的方法,其特征在于,所述在所述车道线检测区域内确定左车道线和右车道线,包括:
根据当前处理的视频图像中的车道线检测区域,以及前一帧视频图像中的车道线的直线扩展区域,确定当前处理的视频图像的车道线特征点;所述直线扩展区域为前一帧视频图像中的车道线向左平移一定距离得到的第一直线,以及向右平移一定距离得到的第二直线之间的区域;
根据得到的所述车道线特征点,建立当前处理的所述视频图像的车道线模型;
根据所述车道线模型确定左车道线和右车道线。
5.如权利要求4所述的方法,其特征在于,所述根据当前处理的视频图像中的车道线检测区域,以及前一帧视频图像中的车道线的直线扩展区域,确定当前处理的视频图像的车道线特征点,包括:
确定当前处理的视频图像中的车道线检测区域,以及前一帧视频图像中的车道线的直线扩展区域的交集区域;
在所述交集区域中,按特定顺序逐行搜索车道线特征点。
6.如权利要求4或5所述的方法,其特征在于,在根据所述车道线模型确定左车道线和右车道线之后,还包括:
若在多帧连续视频图像中的左车道线的斜率均小于第一阈值,则触发左偏离预警,以及若在多帧连续视频图像中的右车道线的斜率均小于第二阈值,则触发右偏离预警。
7.如权利要求4或5所述的方法,其特征在于,在根据所述车道线模型确定左车道线和右车道线之后,还包括:
判断各帧视频图像中的车道线的颜色及线型,并输出各帧视频图像组成的视频。
8.一种车道线检测装置,其特征在于,包括:
概率密度确定模块,用于若当前处理的视频图像中存在车道线,则根据预设的像素点的灰度值的初始阈值确定所述视频图像中的前景区域和背景区域,并确定每一行中前景区域和背景区域的概率密度;
最优阈值确定模块,用于根据每一行的前景区域和背景区域中,各像素点的灰度值以及前景区域和背景区域的概率密度,确定每一行对应的最优阈值;
二值化处理模块,用于根据各行对应的所述最优阈值确定所述视频图像的二值化图像;
车道线确定模块,用于根据所述二值化图像确定所述视频图像中的车道线检测区域,以在所述车道线检测区域内确定左车道线和右车道线。
10.如权利要求9所述的装置,其特征在于,还包括车道线判断模块;
所述车道线判断模块,具体包括:
第一二值化处理单元,用于对当前帧之前的多帧连续的视频图像分别进行二值化处理;
累积图像确定单元,用于对二值化处理后的各所述视频图像进行叠加,以得到各所述视频图像的累积图像;
第二二值化处理单元,用于对所述累积图像进行二值化处理,得到所述累积图像的二值化处理图像;
判断单元,用于对所述累积图像的二值化处理图像进行霍夫直线检测,并判断霍夫直线检测后得到的参数是否满足预设条件;若是,则存在车道线;若否,则不存在车道线。
11.如权利要求10所述的装置,其特征在于,所述车道线确定模块,包括:
特征点提取单元,用于根据当前处理的视频图像中的车道线检测区域,以及前一帧视频图像中的车道线的直线扩展区域,确定当前处理的视频图像的车道线特征点;所述直线扩展区域为前一帧视频图像中的车道线向左平移一定距离得到的第一直线,以及向右平移一定距离得到的第二直线之间的区域;
车道线模型确定单元,用于根据得到的所述车道线特征点,建立当前处理的所述视频图像的车道线模型;
车道线确定单元,用于根据所述车道线模型确定左车道线和右车道线。
12.如权利要求11所述的装置,其特征在于,所述特征点提取单元,具体用于:
确定当前处理的视频图像中的车道线检测区域,以及前一帧视频图像中的车道线的直线扩展区域的交集区域;
在所述交集区域中,按特定顺序逐行搜索车道线特征点。
13.如权利要求11或12所述的装置,其特征在于,还包括:
预警模块,用于若在多帧连续视频图像中的左车道线的斜率均小于第一阈值,则触发左偏离预警,以及若在多帧连续视频图像中的右车道线的斜率均小于第二阈值,则触发右偏离预警。
14.如权利要求11或12所述的装置,其特征在于,还包括:
视频输出模块,用于判断各帧视频图像中的车道线的颜色及线型,并输出各帧视频图像组成的视频。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710840344.7A CN107590470B (zh) | 2017-09-18 | 2017-09-18 | 一种车道线检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710840344.7A CN107590470B (zh) | 2017-09-18 | 2017-09-18 | 一种车道线检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107590470A CN107590470A (zh) | 2018-01-16 |
CN107590470B true CN107590470B (zh) | 2020-08-04 |
Family
ID=61047312
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710840344.7A Active CN107590470B (zh) | 2017-09-18 | 2017-09-18 | 一种车道线检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107590470B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3557475A1 (en) * | 2018-04-16 | 2019-10-23 | Aptiv Technologies Limited | Street marking color recognition |
CN110595498A (zh) * | 2018-06-12 | 2019-12-20 | 上汽通用汽车有限公司 | 一种车载导航系统及车辆 |
JP6697522B2 (ja) * | 2018-09-28 | 2020-05-20 | 株式会社Subaru | 区画線認識装置 |
CN110490033B (zh) * | 2018-10-29 | 2022-08-23 | 毫末智行科技有限公司 | 用于车道检测的图像处理方法及装置 |
CN110135436B (zh) * | 2019-04-30 | 2020-11-27 | 中国地质大学(武汉) | 一种用智能小车识别闪烁信标灯的方法、设备及存储设备 |
CN112926365B (zh) * | 2019-12-06 | 2024-07-12 | 广州汽车集团股份有限公司 | 一种车道线检测方法及其系统 |
CN112434591B (zh) * | 2020-11-19 | 2022-06-17 | 腾讯科技(深圳)有限公司 | 车道线确定方法、装置 |
CN112818792A (zh) | 2021-01-25 | 2021-05-18 | 北京百度网讯科技有限公司 | 车道线检测方法、装置、电子设备及计算机存储介质 |
CN113239733B (zh) * | 2021-04-14 | 2023-05-12 | 重庆利龙中宝智能技术有限公司 | 一种多车道车道线检测方法 |
CN113506419B (zh) * | 2021-06-30 | 2022-08-19 | 中标慧安信息技术股份有限公司 | 基于视频数据的室内安全状态分析方法及系统 |
CN113869293B (zh) * | 2021-12-03 | 2022-03-11 | 禾多科技(北京)有限公司 | 车道线识别方法、装置、电子设备和计算机可读介质 |
CN118071620A (zh) * | 2024-02-04 | 2024-05-24 | 北京鉴智科技有限公司 | 图像生成方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102346803A (zh) * | 2010-07-28 | 2012-02-08 | 北京集翔多维信息技术有限公司 | 心血管造影图像分析系统 |
CN103996030A (zh) * | 2014-05-23 | 2014-08-20 | 奇瑞汽车股份有限公司 | 一种车道线检测方法 |
CN105989709A (zh) * | 2015-02-11 | 2016-10-05 | 中国科学院声学研究所 | 一种基于音频的公路车道动态定位方法 |
CN107066986A (zh) * | 2017-04-21 | 2017-08-18 | 哈尔滨工业大学 | 一种基于单目视觉的车道线与前方障碍物检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9152688B2 (en) * | 2013-03-08 | 2015-10-06 | International Business Machines Corporation | Summarizing a stream of multidimensional, axis-aligned rectangles |
-
2017
- 2017-09-18 CN CN201710840344.7A patent/CN107590470B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102346803A (zh) * | 2010-07-28 | 2012-02-08 | 北京集翔多维信息技术有限公司 | 心血管造影图像分析系统 |
CN103996030A (zh) * | 2014-05-23 | 2014-08-20 | 奇瑞汽车股份有限公司 | 一种车道线检测方法 |
CN105989709A (zh) * | 2015-02-11 | 2016-10-05 | 中国科学院声学研究所 | 一种基于音频的公路车道动态定位方法 |
CN107066986A (zh) * | 2017-04-21 | 2017-08-18 | 哈尔滨工业大学 | 一种基于单目视觉的车道线与前方障碍物检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107590470A (zh) | 2018-01-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107590470B (zh) | 一种车道线检测方法及装置 | |
CN107392103B (zh) | 路面车道线的检测方法及装置、电子设备 | |
CN108519605B (zh) | 基于激光雷达和摄像机的路沿检测方法 | |
US8750567B2 (en) | Road structure detection and tracking | |
CN112215306B (zh) | 一种基于单目视觉与毫米波雷达融合的目标检测方法 | |
CN106647776B (zh) | 车辆变道趋势的判断方法、判断装置和计算机存储介质 | |
EP1596322B1 (en) | Driving lane recognizer and driving lane recognizing method | |
CN109299674B (zh) | 一种基于车灯的隧道违章变道检测方法 | |
CN107891808B (zh) | 行车提醒方法、装置及车辆 | |
EP2605185A2 (en) | Detection of obstacles at night by analysis of shadows | |
CN109635737B (zh) | 基于道路标记线视觉识别辅助车辆导航定位方法 | |
CN105512623A (zh) | 基于多传感器雾天行车视觉增强与能见度预警系统及方法 | |
CN109829365B (zh) | 基于机器视觉的多场景适应驾驶偏离及转弯预警方法 | |
US8718329B2 (en) | Top-down view classification in clear path detection | |
CN107886034B (zh) | 行车提醒方法、装置及车辆 | |
CN104657735A (zh) | 车道线检测方法、系统、车道偏离预警方法及系统 | |
CN113820714B (zh) | 一种基于多传感器融合的尘雾天气道路环境感知系统 | |
CN106951898B (zh) | 一种车辆候选区域推荐方法及系统、电子设备 | |
CN105206109A (zh) | 一种基于红外ccd的车辆雾天识别预警系统及方法 | |
CN107644538B (zh) | 交通信号灯的识别方法及装置 | |
CN110458050B (zh) | 基于车载视频的车辆切入检测方法及装置 | |
CN107909012B (zh) | 一种基于视差图的实时车辆跟踪检测方法与装置 | |
JP2007179386A (ja) | 白線認識方法及び白線認識装置 | |
CN111832410B (zh) | 一种基于视觉与激光雷达融合的前向列车检测方法 | |
CN111881832A (zh) | 车道目标检测方法、装置、设备及计算机可读存储介质 |
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 |