CN107665327A - 一种车道线检测方法及装置 - Google Patents

Abstract

本申请公开了一种车道线检测方法及装置，方法包括：获取路面的正射图；对正射图进行网格划分，得到若干图片块；利用目标分类器对各个图片块进行车道线识别，确定图片块是否包含车道线；对包含车道线的图片块进行二值化处理，得到黑白两色构成的图片块，其中，颜色为白色的像素点为车道线对应的像素点。本申请利用分类器进行车道线的检测，在训练分类器时可以通过丰富训练样本的类型来使得分类器检测结果更准确，例如，采用包含不同遮挡物的路面正射图以及不同天气环境下拍摄得到的路面正射图对分类器进行训练，使得应用分类器进行车道线检测时其检测结果更加准确。

Description

一种车道线检测方法及装置

技术领域

本申请涉及车道线检测技术领域，更具体地说，涉及一种车道线检测方法及装置。

背景技术

车道线检测可以为导航、汽车辅助驾驶、无人驾驶等技术提供重要的数据支持，因此车道线的检测至关重要。

现有车道线检测技术，主要是基于对路面拍摄得到的整张图片，采用直线检测技术进行直线检测，将图片中检测得到的直线确定为车道线。而由于实际路况的复杂性，路面受其它物体如汽车、障碍物、路牌等遮挡影响，同时天气环境也会对图片拍摄带来影响，例如阳光、雨水等均会影响针对路面拍摄的图片的质量。

采用现有技术进行车道线检测时，受图片拍摄质量和图片内遮挡物的影响，其检测结果不够准确。

发明内容

有鉴于此，本申请提供了一种车道线检测方法，用于解决现有车道线检测技术受图片拍摄质量和图片内遮挡物的影响，其检测结果不够准确的问题。

为了实现上述目的，现提出的方案如下：

一种车道线检测方法，包括：

获取路面的正射图；

对所述正射图进行网格划分，得到若干图片块；

利用目标分类器对各个图片块进行车道线识别，确定图片块是否包含车道线，所述目标分类器为预先利用包含车道线和不包含车道线的正射图训练样本进行训练后，得到的分类器；

对包含车道线的图片块进行二值化处理，得到黑白两色构成的图片块，其中，颜色为白色的像素点为车道线对应的像素点。

优选地，还包括：

对不包含车道线的图片块进行处理，得到黑色的图片块；

用黑白两色构成的图片块以及黑色的图片块，组成所述正射图的二值图。

优选地，还包括：

对所述二值图中的颜色为白色的像素点进行聚类，得到若干聚类；

确定各聚类中的像素点围成区域的几何特征是否满足车道线的几何特征；

将不满足车道线的几何特征的聚类中的像素点在所述二值图中对应的颜色设置为黑色。

优选地，所述对所述二值图中的颜色为白色的像素点进行聚类，包括：

采用基于密度的聚类算法，对所述二值图中的颜色为白色的像素点进行聚类。

优选地，所述确定各聚类中的像素点围成区域的几何特征是否满足车道线的几何特征，包括：

确定各聚类中像素点的外接矩形，所述外接矩形为包围所述聚类中所有像素点的最小矩形；

在聚类的外接矩形中，沿外接矩形长度方向，按行扫描颜色为白色的像素点，每行中首尾两个白色的像素点的距离记为该行的宽度；

根据聚类的外接矩形中各行的宽度，确定聚类的平均宽度；

判断聚类的平均宽度是否满足设定的车道线宽度条件；

对于不满足设定的车道线宽度条件的聚类，确定其不是车道线；

对于满足设定的车道线宽度条件的聚类，确定其是车道线。

优选地，所述目标分类器的训练过程，包括：

获取若干个标记有分类结果的正射图训练样本，所述正射图训练样本的尺寸与所述图片块的尺寸相同，所述分类结果包括：包含车道线和不包含车道线；

对各个正射图训练样本提取图像特征；

利用各个正射图训练样本的图像特征和分类结果训练分类器，得到目标分类器。

优选地，所述利用目标分类器对各个图片块进行车道线识别，确定图片块是否包含车道线，包括：

按照所述目标分类器训练过程对正射图训练样本提取的图像特征的类型，从各个图片块中提取相同类型的图像特征；

将每一个图片块提取的图像特征输入至所述目标分类器，以得到目标分类器输出的分类结果，所述分类结果表明所述图片块是否包含车道线。

一种车道线检测装置，包括：

正射图获取单元，用于获取路面的正射图；

网格划分单元，用于对所述正射图进行网格划分，得到若干图片块；

分类器识别单元，用于利用目标分类器对各个图片块进行车道线识别，确定图片块是否包含车道线，所述目标分类器为预先利用包含车道线和不包含车道线的正射图训练样本进行训练后，得到的分类器；

二值化处理单元，用于对包含车道线的图片块进行二值化处理，得到黑白两色构成的图片块，其中，颜色为白色的像素点为车道线对应的像素点。

优选地，还包括：

颜色处理单元，用于对不包含车道线的图片块进行处理，得到黑色的图片块；

二值图确定单元，用于用黑白两色构成的图片块以及黑色的图片块，组成所述正射图的二值图。

优选地，还包括：

聚类操作单元，用于对所述二值图中的颜色为白色的像素点进行聚类，得到若干个聚类；

聚类判断单元，用于确定各聚类中的像素点围成区域的几何特征是否满足车道线的几何特征；

聚类结果处理单元，用于将不满足车道线的几何特征的聚类中的像素点在所述二值图中对应的颜色设置为黑色。

优选地，所述聚类判断单元包括：

外接矩形确定单元，用于确定各聚类中像素点的外接矩形，所述外接矩形为包围所述聚类中所有像素点的最小矩形；

行宽计算单元，用于在聚类的外接矩形中，沿外接矩形长度方向，按行扫描颜色为白色的像素点，每行中首尾两个白色的像素点的距离记为该行的宽度；

聚类平均宽度计算单元，用于根据聚类的外接矩形中各行的宽度，确定聚类的平均宽度；

宽度判断单元，用于判断聚类的平均宽度是否满足设定的车道线宽度条件；

车道线确定单元，用于对于不满足设定的车道线宽度条件的聚类，确定其不是车道线；对于满足设定的车道线宽度条件的聚类，确定其是车道线。

优选地，还包括：分类器训练单元，用于训练得到目标分类器；

所述分类器训练单元包括：

第一分类器训练子单元，用于获取若干个标记有分类结果的正射图训练样本，所述正射图训练样本的尺寸与所述图片块的尺寸相同，所述分类结果包括：包含车道线和不包含车道线；

第二分类器训练子单元，用于对各个正射图训练样本提取图像特征；

第三分类器训练子单元，用于利用各个正射图训练样本的图像特征和分类结果训练分类器，得到目标分类器。

优选地，所述分类器识别单元包括：

第一分类器识别子单元，用于按照所述第二分类器训练子单元对正射图训练样本提取的图像特征的类型，从各个图片块中提取相同类型的图像特征；

第二分类器识别子单元，用于将每一个图片块提取的图像特征输入至所述目标分类器，以得到目标分类器输出的分类结果，所述分类结果表明所述图片块是否包含车道线。

从上述的技术方案可以看出，本申请实施例提供的车道线检测方法中，预先利用包含车道线和不包含车道线的正射图训练样本对分类器进行训练，得到训练后的目标分类器，进而通过获取路面的正射图，对正射图进行网格划分，得到若干图片块，利用目标分类器对各个图片块进行车道线识别，确定图片块是否包含车道线，对包含车道线的图片块进行二值化处理，得到黑白两色构成的图片块，其中，颜色为白色的像素点为车道线对应的像素点。本申请利用机器学习模型分类器进行车道线的检测，在训练分类器时可以通过丰富训练样本的类型来使得分类器检测结果更准确，例如，采用包含不同遮挡物的路面正射图以及不同天气环境下拍摄得到的路面正射图对分类器进行训练，得到目标分类器，使得应用目标分类器进行车道线检测时其检测结果更加准确。

附图说明

为了更清楚地说明本申请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申请的实施例，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，还可以根据提供的附图获得其他的附图。

图1为本申请实施例公开的一种车道线检测方法流程图；

图2为本申请实施例公开的一种目标分类器的训练方法示意图；

图3为本申请实施例公开的另一种车道线检测方法流程图；

图4为本申请实施例公开的又一种车道线检测方法流程图；

图5为本申请实施例公开的一种确定各聚类中的像素点围成区域的几何特征是否满足车道线的几何特征的方法流程图；

图6a-6f为本申请实施例示例的对正射图进行车道线识别过程各个处理环节结果示意图；

图7为本申请实施例公开的一种车道线检测装置结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

参见图1，图1为本申请实施例公开的一种车道线检测方法流程图，该方法包括：

步骤S100、获取路面的正射图；

具体地，正射图是一种经过几何纠正的航摄像片，与没有纠正过的航摄像片不同的是，可以使用正射图像量测实际距离，因为它是通过像片纠正后得到的地球表面的真实描述。同传统的地形图相比，正射图具有信息量大、形象直观、易于判读和现势性强等诸多优点。

本申请中获取路面的正射图的过程，可以是获取车辆上摄像机采集的原始图片，进而通过车辆位置和摄像机姿态对原始图片进行几何纠正，得到路面的正射图。除此之外，本申请还可以通过其它途径获取路面的正射图，例如获取其它图像处理模块传递的路面的正射图。对于获取路面的正射图的方式，本申请不做严格限定。

步骤S110、对所述正射图进行网格划分，得到若干图片块；

具体地，由于路面的正射图中有可能包含过多的遮挡物，例如汽车、障碍物等，过多的遮挡物对于车道线检测过程会带来影响。因此，本申请对正射图进行网格划分，得到若干图片块。图片块的尺寸可以根据正射图的尺寸进行设定。

可选的，本申请可以选择将正射图按照统一尺寸的网格进行划分，也即划分后得到的各个图片块的尺寸相同。当然，除此之外还可以选择将正射图划分为不同尺寸的图片块，具体划分策略可以由用户设定。

步骤S120、利用目标分类器对各个图片块进行车道线识别，确定图片块是否包含车道线；

在机器学习领域，分类器是一个有监督的学习模型，通常用来进行模式识别和分类。分类器种类有多种，本申请可以选择使用支持向量机SVM(Support Vector Machine)。本申请预先利用包含车道线和不包含车道线的正射图训练样本，对分类器进行训练，得到训练后的目标分类器，该目标分类器用于进行图片块是否包含车道线的分类识别。

在分类器训练过程，可以通过丰富训练样本的类型来使得分类器检测结果更准确，例如，采用包含不同遮挡物的路面正射图以及不同天气环境下拍摄得到的路面正射图对分类器进行训练，得到目标分类器，使得应用目标分类器进行车道线检测时其检测结果更加准确。

其中，对于训练得到目标分类器的过程可以参照下文相关介绍。

步骤S130、对包含车道线的图片块进行二值化处理，得到黑白两色构成的图片块，其中，颜色为白色的像素点为车道线对应的像素点。

具体地，上一步骤中通过目标分类器对各个图片块进行识别，可以确定出各个图片块是否包含车道线。本步骤中，对于包含车道线的图片块，对其进行二值化处理，二值化处理后图片块中只包含白色和黑色两种颜色的像素点。其中，白色代表感兴趣的点，本申请中车道线为感兴趣点，因此利用白色的像素点表示车道线对应的像素点，黑色的像素点表示非车道线对应的像素点。

本申请利用二值化处理后的图片块即可确定出车道线。

本申请实施例提供的车道线检测方法中，预先利用包含车道线和不包含车道线的正射图训练样本对分类器进行训练，得到训练后的目标分类器，进而通过获取路面的正射图，对正射图进行网格划分，得到若干图片块，利用目标分类器对各个图片块进行车道线识别，确定图片块是否包含车道线，对包含车道线的图片块进行二值化处理，得到黑白两色构成的图片块，其中，颜色为白色的像素点为车道线对应的像素点。本申请利用机器学习模型分类器进行车道线的检测，在训练分类器时可以通过丰富训练样本的类型来使得分类器检测结果更准确，例如，采用包含不同遮挡物的路面正射图以及不同天气环境下拍摄得到的路面正射图对分类器进行训练，使得应用分类器进行车道线检测时其检测结果更加准确。

在本申请的另一个实施例中，对上述训练得到目标分类器的过程进行介绍。

参见图2，图2为本申请实施例公开的一种目标分类器的训练方法示意图，该方法包括：

步骤S200、获取若干个标记有分类结果的正射图训练样本；

其中，所述正射图训练样本的尺寸与所述图片块的尺寸相同，所述分类结果包括：包含车道线和不包含车道线。

本申请可以获取多种类型的路面正射图，作为训练样本。举例如，可以获取仅包含路面的正射图，包含路面和各种遮挡物的正射图，以及获取不同天气环境下拍摄的路面的正射图。当然，获取的正射图包括正例样本和负例样本，也即获取的正射图中部分包含车道线，部分不包含车道线。

步骤S210、对各个正射图训练样本提取图像特征；

具体地，可以采用大津阈值法提取各个正射图训练样本的图像特征，提取的图像特征可以包括，前景像素点平均灰度、前景图像方差、背景像素点平均灰度、背景图像方差、图像边缘特征等等。

步骤S220、利用各个正射图训练样本的图像特征和分类结果训练分类器，得到目标分类器。

具体地，在确定了图像特征和分类结果之后，训练分类器的过程属于现有技术，本实施例不做过多介绍。

基于本实施例中目标分类器的训练方式，上述实施例步骤S120，利用训练好的目标分类器对各个图片块进行车道线识别，确定图片块是否包含车道线的过程，具体可以包括：

第一，按照所述目标分类器训练过程对正射图训练样本提取的图像特征的类型，从各个图片块中提取相同类型的图像特征；

也即，本步骤中对图片块提取图像特征时所提取的图像特征的类型，与目标分类器训练过程提取的图像特征的类型完全相同。

第二，将每一个图片块提取的图像特征输入至所述目标分类器，以得到目标分类器输出的分类结果，所述分类结果表明所述图片块是否包含车道线。

在本申请的另一个实施例中，介绍了另一种车道线检测方法流程图，如图3所示，该方法包括：

步骤S300、获取路面的正射图；

本申请中获取路面的正射图的过程，可以是获取车辆上摄像机采集的原始图片，进而通过车辆位置和摄像机姿态对原始图片进行几何纠正，得到路面的正射图。除此之外，本申请还可以通过其它途径获取路面的正射图，例如获取其它图像处理模块传递的路面的正射图。对于获取路面的正射图的方式，本申请不做严格限定。

步骤S310、对所述正射图进行网格划分，得到若干图片块；

可选的，本申请可以选择将正射图按照为统一尺寸的网格进行划分，也即划分后得到的各个图片块的尺寸相同。当然，除此之外还可以选择将正射图划分为不同尺寸的图片块，具体划分策略可以由用户设定。

步骤S320、利用目标分类器对各个图片块进行车道线识别，确定图片块是否包含车道线；

步骤S330、对包含车道线的图片块进行二值化处理，得到黑白两色构成的图片块，其中，颜色为白色的像素点为车道线对应的像素点；

步骤S340、对不包含车道线的图片块进行处理，得到黑色的图片块；

具体地，对于确定的不包含车道线的图片块，其内各个像素点均为非车道线，因此可以通过灰度处理，将各个像素点的颜色设置为黑色。

步骤S350、利用黑白两色构成的图片块以及黑色的图片块，组成所述正射图的二值图。

具体地，对于步骤S310网格划分后的各个图片块，经过步骤S320-S340的处理，将处理后的各个图片块按照原始图片块间的相对位置进行组合，组成所述正射图的二值图，二值图由黑色的像素点和白色的像素点组成，其中白色的像素点构成车道线。

按照本实施例输出的正射图的二值图，通过二值图中的白色的像素点可以确定出车道线在正射图中的位置。

在本申请的又一个实施例中，介绍了又一种车道线检测方法流程图，如图4所示，该方法包括：

步骤S400、获取路面的正射图；

步骤S410、对所述正射图进行网格划分，得到若干图片块；

可选的，本申请可以选择将正射图按照为统一尺寸的网格进行划分，也即划分后得到的各个图片块的尺寸相同。当然，除此之外还可以选择将正射图划分为不同尺寸的图片块，具体划分策略可以由用户设定。

步骤S420、利用目标分类器对各个图片块进行车道线识别，确定图片块是否包含车道线；

步骤S430、对包含车道线的图片块进行二值化处理，得到黑白两色构成的图片块，其中，颜色为白色的像素点为车道线对应的像素点；

步骤S440、对不包含车道线的图片块进行处理，得到黑色的图片块；

步骤S450、利用黑白两色构成的图片块以及黑色的图片块，组成所述正射图的二值图；

步骤S460、对所述二值图中的颜色为白色的像素点进行聚类，得到若干个聚类；

具体地，在对二值图中白色的像素点进行聚类时，可以采用基于密度的聚类算法进行聚类，例如使用DBSCAN((Density-Based Spatial Clustering of Applicationswith Noise)聚类算法。

通过聚类，将二值图中的白色的像素点聚集为若干个聚类，每个聚类包含若干个白色像素点。

步骤S470、确定各聚类中的像素点围成区域的几何特征是否满足车道线的几何特征；

具体地，步骤S450得到的二值图中的白色像素点可能存在干扰噪点。本步骤中，通过聚集后的各个聚类中像素点围成区域的几何特征，与设定的车道线的集合特征进行对比，确定各聚类是否为车道线。

本申请可以预先统计实际车道线的几何特征，进而判断聚类后各聚类中像素点围成区域的几何特征与实际车道线的几何特征是否匹配，从而确定各聚类是否为车道线。

步骤S480、将不满足车道线的几何特征的聚类中的像素点在所述二值图中对应的颜色设置为黑色。

具体地，对于上一步骤通过几何特征确定不满足车道线的几何特征的聚类，将该聚类中各个像素点在二值图中对应的颜色设置为黑色。

相比于上述实施例，本实施例中增加了通过车道线几何特征来过滤噪点的过程，提高了车道线识别准确度。

参见图5，图5为本申请实施例公开的一种确定各聚类中的像素点围成区域的几何特征是否满足车道线的几何特征的方法流程图，该方法包括：

步骤S500、确定各聚类中像素点的外接矩形；

具体地，所述外接矩形为包围所述聚类中所有像素点的最小矩形。

步骤S510、在聚类的外接矩形中，沿外接矩形长度方向，按行扫描颜色为白色的像素点，每行中首尾两个白色的像素点的距离记为该行的宽度；

步骤S520、根据聚类的外接矩形中各行的宽度，确定聚类的平均宽度；

具体地，在确定聚类的平均宽度时，可以根据聚类中各行的宽度计算平均值，作为聚类的平均宽度，也可以采用其它计算方式来确定聚类的平均宽度。

步骤S530、判断聚类的平均宽度是否满足设定的车道线宽度条件；

具体地，本申请可以统计实际车道线的宽度，确定一个宽度范围作为设定的车道线宽度条件，进而对于各聚类的平均宽度，判断其是否满足设定的车道线宽度条件。

步骤S540、对于不满足设定的车道线宽度条件的聚类，确定其不是车道线；

步骤S550、对于满足设定的车道线宽度条件的聚类，确定其是车道线。

本实施例中，以车道线的宽度作为几何特征，通过宽度来排除掉不满足设定宽度条件的聚类。

本实施例中通过判断聚类的外接矩形的宽度，是否满足设定的车道线宽度条件，来确定聚类是否为车道线。

在此基础上，还可以进一步增加外接矩形长度的判断，即判断外接矩形的长度是否满足设定的车道线长度条件。该外接矩形长度判断过程可以在外接矩形宽度判断过程之前、之后或同时，两个判断过程均满足条件时才确定聚类为车道线。

接下来本实施例通过一个具体实例对车道线检测过程进行介绍。

第一，获取路面的正射图。获取的正射图可以参照图6a所示。

第二，对正射图进行网格划分，得到若干图片块。对于正射图进行网格划分的方式可以参照图6b所示。

第三，利用预先训练的目标分类器对各个图片块进行识别，确定图片块是否包含车道线，并对包含车道线的图片块进行二值化处理，得到黑白两色构成的图片块，其中，颜色为白色的像素点为车道线对应的像素点；对不包含车道线的网格进行灰度处理，得到黑色的图片块。

第四，利用黑白两色构成的图片块以及黑色的图片块，组成所述正射图的二值图。生成的二值图可以参照图6c所示。

第五，对二值图中的白色的像素点进行聚类，聚类结果可以参照图6d所示。

第六，确定各聚类中的像素点的外接矩形，外接矩形参照图6e所示。

第七，在聚类的外接矩形中，沿外接矩形长度方向，按行扫描白色的像素点，每行中首尾两个白色的像素点的距离记为该行的宽度。根据聚类的外接矩形中各行的宽度，确定聚类的平均宽度。判断聚类的平均宽度是否满足设定的车道线宽度条件，对于不满足设定的车道线宽度条件的聚类，确定其不是车道线，将该聚类中各个像素点的灰度设置为黑色；对于满足设定的车道线宽度条件的聚类，确定其是车道线。经过对聚类的筛选，得到最终的正射图的二值图，结果参照图6f所示。

下面对本申请实施例提供的车道线检测装置进行描述，下文描述的车道线检测装置与上文描述的车道线检测方法可相互对应参照。

参见图7，图7为本申请实施例公开的一种车道线检测装置结构示意图。

如图7所示，该装置包括：

正射图获取单元71，用于获取路面的正射图；

网格划分单元72，用于对所述正射图进行网格划分，得到若干图片块；

分类器识别单元73，用于利用目标分类器对各个图片块进行车道线识别，确定图片块是否包含车道线，所述目标分类器为预先利用包含车道线和不包含车道线的正射图训练样本进行训练后，得到的分类器；

二值化处理单元74，用于对包含车道线的图片块进行二值化处理，得到黑白两色构成的图片块，其中，颜色为白色的像素点为车道线对应的像素点。

本申请实施例提供的车道线检测装置，预先利用包含车道线和不包含车道线的正射图训练样本对分类器进行训练，得到训练后的目标分类器，进而通过获取路面的正射图，对正射图进行网格划分，得到若干图片块，利用目标分类器对各个图片块进行车道线识别，确定图片块是否包含车道线，对包含车道线的图片块进行二值化处理，得到黑白两色构成的图片块，其中，颜色为白色的像素点为车道线对应的像素点。本申请利用机器学习模型分类器进行车道线的检测，在训练分类器时可以通过丰富训练样本的类型来使得分类器检测结果更准确，例如，采用包含不同遮挡物的路面正射图以及不同天气环境下拍摄得到的路面正射图对分类器进行训练，使得应用分类器进行车道线检测时其检测结果更加准确。

可选的，本申请的车道线检测装置还可以包括：

颜色处理单元，用于对不包含车道线的图片块进行处理，得到黑色的图片块；

二值图确定单元，用于用黑白两色构成的图片块以及黑色的图片块，组成所述正射图的二值图。

可选的，本申请的车道线检测装置还可以包括：

聚类操作单元，用于对所述二值图中的颜色为白色的像素点进行聚类，得到若干个聚类；

可选的，在聚类时可以采用基于密度的聚类算法进行聚类，例如DBSCAN聚类算法。

聚类判断单元，用于确定各聚类中的像素点围成区域的几何特征是否满足车道线的几何特征；

聚类结果处理单元，用于将不满足车道线的几何特征的聚类中的像素点在所述二值图中对应的颜色设置为黑色。

可选的，所述聚类判断单元可以包括：

外接矩形确定单元，用于确定各聚类中像素点的外接矩形，所述外接矩形为包围所述聚类中所有像素点的最小矩形；

行宽计算单元，用于在聚类的外接矩形中，沿外接矩形长度方向，按行扫描颜色为白色的像素点，每行中首尾两个白色的像素点的距离记为该行的宽度；

类平均宽度计算单元，用于根据聚类的外接矩形中各行的宽度，确定聚类的平均宽度；

宽度判断单元，用于判断聚类的平均宽度是否满足设定的车道线宽度条件；

车道线确定单元，用于对于不满足设定的车道线宽度条件的聚类，确定其不是车道线；对于满足设定的车道线宽度条件的聚类，确定其是车道线。

可选的，本申请的车道线检测装置还可以包括：

分类器训练单元，用于训练得到目标分类器。

所述分类器训练单元可以包括：

第一分类器训练子单元，用于获取若干个标记有分类结果的正射图训练样本，所述正射图训练样本的尺寸与所述图片块的尺寸相同，所述分类结果包括：包含车道线和不包含车道线；

第二分类器训练子单元，用于对各个正射图训练样本提取图像特征；

第三分类器训练子单元，用于利用各个正射图训练样本的图像特征和分类结果训练分类器，得到目标分类器。

可选的，所述分类器识别单元可以包括：

第一分类器识别子单元，用于按照所述第二分类器训练子单元对正射图训练样本提取的图像特征的类型，从各个图片块中提取相同类型的图像特征；

第二分类器识别子单元，用于将每一个图片块提取的图像特征输入至所述目标分类器，以得到目标分类器输出的分类结果，所述分类结果表明所述图片块是否包含车道线。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (13)

1.一种车道线检测方法，其特征在于，包括：

获取路面的正射图；

对所述正射图进行网格划分，得到若干图片块；

利用目标分类器对各个图片块进行车道线识别，确定图片块是否包含车道线，所述目标分类器为预先利用包含车道线和不包含车道线的正射图训练样本进行训练后，得到的分类器；

对包含车道线的图片块进行二值化处理，得到黑白两色构成的图片块，其中，颜色为白色的像素点为车道线对应的像素点。

2.根据权利要求1所述的方法，其特征在于，还包括：

对不包含车道线的图片块进行处理，得到黑色的图片块；

用黑白两色构成的图片块以及黑色的图片块，组成所述正射图的二值图。

3.根据权利要求2所述的方法，其特征在于，还包括：

对所述二值图中的颜色为白色的像素点进行聚类，得到若干聚类；

确定各聚类中的像素点围成区域的几何特征是否满足车道线的几何特征；

将不满足车道线的几何特征的聚类中的像素点在所述二值图中对应的颜色设置为黑色。

4.根据权利要求3所述的方法，其特征在于，所述对所述二值图中的颜色为白色的像素点进行聚类，包括：

采用基于密度的聚类算法，对所述二值图中的颜色为白色的像素点进行聚类。

5.根据权利要求3所述的方法，其特征在于，所述确定各聚类中的像素点围成区域的几何特征是否满足车道线的几何特征，包括：

确定各聚类中像素点的外接矩形，所述外接矩形为包围所述聚类中所有像素点的最小矩形；

在聚类的外接矩形中，沿外接矩形长度方向，按行扫描颜色为白色的像素点，每行中首尾两个白色的像素点的距离记为该行的宽度；

根据聚类的外接矩形中各行的宽度，确定聚类的平均宽度；

判断聚类的平均宽度是否满足设定的车道线宽度条件；

对于不满足设定的车道线宽度条件的聚类，确定其不是车道线；

对于满足设定的车道线宽度条件的聚类，确定其是车道线。

6.根据权利要求1所述的方法，其特征在于，所述目标分类器的训练过程，包括：

获取若干个标记有分类结果的正射图训练样本，所述正射图训练样本的尺寸与所述图片块的尺寸相同，所述分类结果包括：包含车道线和不包含车道线；

对各个正射图训练样本提取图像特征；

利用各个正射图训练样本的图像特征和分类结果训练分类器，得到目标分类器。

7.根据权利要求6所述的方法，其特征在于，所述利用目标分类器对各个图片块进行车道线识别，确定图片块是否包含车道线，包括：

按照所述目标分类器训练过程对正射图训练样本提取的图像特征的类型，从各个图片块中提取相同类型的图像特征；

将每一个图片块提取的图像特征输入至所述目标分类器，以得到目标分类器输出的分类结果，所述分类结果表明所述图片块是否包含车道线。

8.一种车道线检测装置，其特征在于，包括：

正射图获取单元，用于获取路面的正射图；

网格划分单元，用于对所述正射图进行网格划分，得到若干图片块；

分类器识别单元，用于利用目标分类器对各个图片块进行车道线识别，确定图片块是否包含车道线，所述目标分类器为预先利用包含车道线和不包含车道线的正射图训练样本进行训练后，得到的分类器；

二值化处理单元，用于对包含车道线的图片块进行二值化处理，得到黑白两色构成的图片块，其中，颜色为白色的像素点为车道线对应的像素点。

9.根据权利要求8所述的装置，其特征在于，还包括：

颜色处理单元，用于对不包含车道线的图片块进行处理，得到黑色的图片块；

二值图确定单元，用于用黑白两色构成的图片块以及黑色的图片块，组成所述正射图的二值图。

10.根据权利要求9所述的装置，其特征在于，还包括：

聚类操作单元，用于对所述二值图中的颜色为白色的像素点进行聚类，得到若干个聚类；

聚类判断单元，用于确定各聚类中的像素点围成区域的几何特征是否满足车道线的几何特征；

聚类结果处理单元，用于将不满足车道线的几何特征的聚类中的像素点在所述二值图中对应的颜色设置为黑色。

11.根据权利要求10所述的装置，其特征在于，所述聚类判断单元包括：

外接矩形确定单元，用于确定各聚类中像素点的外接矩形，所述外接矩形为包围所述聚类中所有像素点的最小矩形；

行宽计算单元，用于在聚类的外接矩形中，沿外接矩形长度方向，按行扫描颜色为白色的像素点，每行中首尾两个白色的像素点的距离记为该行的宽度；

聚类平均宽度计算单元，用于根据聚类的外接矩形中各行的宽度，确定聚类的平均宽度；

宽度判断单元，用于判断聚类的平均宽度是否满足设定的车道线宽度条件；

车道线确定单元，用于对于不满足设定的车道线宽度条件的聚类，确定其不是车道线；对于满足设定的车道线宽度条件的聚类，确定其是车道线。

12.根据权利要求8所述的装置，其特征在于，还包括：分类器训练单元，用于训练得到目标分类器；

所述分类器训练单元包括：

第一分类器训练子单元，用于获取若干个标记有分类结果的正射图训练样本，所述正射图训练样本的尺寸与所述图片块的尺寸相同，所述分类结果包括：包含车道线和不包含车道线；

第二分类器训练子单元，用于对各个正射图训练样本提取图像特征；

第三分类器训练子单元，用于利用各个正射图训练样本的图像特征和分类结果训练分类器，得到目标分类器。

13.根据权利要求12所述的装置，其特征在于，所述分类器识别单元包括：

第一分类器识别子单元，用于按照所述第二分类器训练子单元对正射图训练样本提取的图像特征的类型，从各个图片块中提取相同类型的图像特征；

第二分类器识别子单元，用于将每一个图片块提取的图像特征输入至所述目标分类器，以得到目标分类器输出的分类结果，所述分类结果表明所述图片块是否包含车道线。