CN108875657A - 一种车道线检测方法 - Google Patents

一种车道线检测方法 Download PDF

Info

Publication number
CN108875657A
CN108875657A CN201810666621.1A CN201810666621A CN108875657A CN 108875657 A CN108875657 A CN 108875657A CN 201810666621 A CN201810666621 A CN 201810666621A CN 108875657 A CN108875657 A CN 108875657A
Authority
CN
China
Prior art keywords
characteristic
lane line
line
lane
feature
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
Application number
CN201810666621.1A
Other languages
English (en)
Inventor
杨波
邓博
宋平
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Yin Wu Automotive Technology Co Ltd
Original Assignee
Beijing Yin Wu Automotive Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Yin Wu Automotive Technology Co Ltd filed Critical Beijing Yin Wu Automotive Technology Co Ltd
Priority to CN201810666621.1A priority Critical patent/CN108875657A/zh
Publication of CN108875657A publication Critical patent/CN108875657A/zh
Pending legal-status Critical Current

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种车道线检测方法，其步骤：实时采集图像；标定得到单应性矩阵；采用局部灰度阈值法计算车道线灰度阈值；根据像素的灰度值变化来提取特征；通过连续性匹配和直线约束匹配，把本身属于一条车道线的特征点聚类，来拟合车道线；从下到上，从左到右依次对特征点进行处理，连接成长的特征段；将特征段通过单应性矩阵逆投影到世界坐标系中，并计算车道标记线的宽度、长度以及角度参数；选择种子特征段，以种子特征段为基础搜索与该种子特征段输入同一车道线的特征序列，并拟合出车道线方程；进行车道线跟踪，在车道线运动参数估计的基础上，预测已检测的车道线在当前帧的位置，以该位置作为车道线跟踪的输入，判断跟踪目标的有效性。

Description

一种车道线检测方法
技术领域
本发明涉及一种辅助驾驶和图像处理领域，特别是关于一种鲁棒性强且稳定的车道线检测方法。
背景技术
随着我国生活水平的提高，汽车越来越多。随之而来的是交通事故的增多，给广大人民群众带来众多的精神和财产损失。因此辅助驾驶技术应运而生，越来越多的公司、研究机构对此技术进行研发。其中车道线检测是辅助驾驶的关键技术之一，可以在汽车压实线时予以提醒，从而减少交通事故的发生。
现有的车道线特征提取方法基本是基于Hough变换，但此方法计算量大，而且不够稳定，特别是当车道线有破损以及有弯道的情况下。因此现有的车道线检测算法稳定性低且效率较低。
发明内容
针对上述问题，本发明的目的是提供一种车道线检测方法，该方法能准确、高速的检测车道线，具有稳定性。
为实现上述目的，本发明采取以下技术方案：一种车道线检测方法，其包括以下步骤：步骤一、实时采集图像；步骤二、对采集到的图像进行标定，得到图像坐标系和世界坐标系的单应性矩阵；步骤三、将所采集的图片转换成灰度图，并采用局部灰度阈值法计算车道线灰度阈值；步骤四、经过局部灰度阈值化后，标准的车道线灰度分布呈梯形，根据像素的灰度值变化来提取特征；步骤五、通过连续性匹配和直线约束匹配，把本身属于一条车道线的特征点聚类，来拟合车道线；从下到上，从左到右依次对特征点进行处理，若一特征点位置与一特征段的末端的位置的横向、纵向距离均小于预先设定距离，则将该特征点加入到此特征段中形成一个个小的特征段，再将这些小的特征段连接成长的特征段；步骤六、将特征段通过单应性矩阵逆投影到世界坐标系中，并计算车道标记线的宽度、长度以及角度参数；步骤七、选择一个区域内置信度最高的特征段作为种子特征段，以种子特征段为基础搜索与该种子特征段输入同一车道线的特征序列，然后利用搜索到的特征序列拟合出车道线方程；步骤八、进行车道线跟踪，在车道线运动参数估计的基础上，预测已检测的车道线在当前帧的位置，以该位置作为车道线跟踪的输入，用于判断跟踪目标的有效性；步骤九、输出以上检测出的车道线参数。
进一步，所述步骤三中，采用可变窗口的局部灰度阈值计算方法求解车道线灰度阈值：
其中，TG(x0,y0)是坐标为(x0,y0)位置处的灰度阈值；I(x,y)表示原始图像中(x,y)处的灰度值，TG(x0,y0)表示局部灰度阈值，x0表示需计算的当前像素点的横坐标值，y0表示需计算的当前像素点的纵坐标值，w为计算窗口的宽，h为计算窗口的高，T0为车道线阈值调节参数。
进一步，所述步骤四中，将车道线分为四种类型，四种类型车道线的灰度变化图为：类型Ⅰ是典型的车道线特征，由两个强度相似的上升沿和下降沿组成；类型Ⅱ是车道线破损时的特征，破损产生的强度较低的下降沿右侧存在与其强度相似的上升沿；类型Ⅲ和类型Ⅳ是车道线被部分阴影遮挡时的车道线特征，其特点为在阴影与车道线的边界处存在一个连续的上升沿或下降沿，两个连续边缘的强度之和与另一侧边缘相似。
进一步，所述步骤五中，当特征段的特征数量少于阈值，且该特征段是一个基础特征段时，则该特征段先验知识不足，采用车道线连续性约束进行匹配；反之，根据已有的特征点预估特征段方向，采用直线约束进行匹配。
进一步，采用车道线连续性约束进行匹配的方法如下：5.1)特征点F与特征段B的终止位置在纵向上的间隔应小于设定的纵向阈值，即满足纵向位置连续性约束：|yF-yBe|＜rM，式中，yF为特征点F在纵向上的坐标；yBe为特征段B的终止位置在纵向上的坐标；rM为预先设定的最大纵向间隔；5.2)特征点F与特征段B的宽度应具有重叠，满足横向位置连续性约束：
式中，xF为特征点F在横向上的坐标；xBe为特征段B的终止位置在横向上的坐标；wF为特征点F的宽度；wB为特征段B的平均特征宽度；5.3)特征段B中的特征点宽度相似，且特征点宽度随距离增加而减少，即满足特征宽度连续性约束：sm·wB＜wF＜sM·wB，式中，sm为最小宽度系数；sM为最大宽度系数；wB为特征段B的平均特征宽度。
进一步，采用直线约束进行匹配时，若特征段已经包含的特征点能表示特征段方向，采用最小二乘法拟合特征段直线参数，并根据特征点到特征段的水平距离来判断横向位置连续性。
进一步，采用最小二乘法拟合特征段直线参数方法如下：令特征段B的拟合直线方程为：x＝kB·y+bB，令(x,y)为特征段B中的特征点坐标，根据直线拟合最小二乘公式，直线参数为：
式中，nB表示特征段中所含特征点的数量；则横向位置约束为：|xF-kB·yF-bB|＜d。
进一步，所述步骤七中，采用回溯法进行搜索，将特征段按照纵向位置由远及近排列，其过程如下：7.1)对任意节点，利用直线约束判断该节点与父节点所在特征序列是否满足约束要求，若符合要求，则将该节点添加到该特征序列中，继续往子节点搜索空间树；若不符合要求，则跳过该节点以下的子树，向父节点逐级回溯，得到解空间树；7.2)解空间树中每个叶节点都代表了一个可能的特征序列，对每个叶节点所对应的特征序列，采用两个参数来判断其有效性：即特征序列长度包括的所有特征段长度及特征段间隔之和，特征序列长度代表了车道线长度，特征序列越长，其为车道线的可能性越大。
进一步，所述步骤7.1)中，直线约束有两点：一是角度差，若特征类与特征序列属于同一直线车道线，则其理论角度差应为0；二是偏移距离，特征类到特征序列直线的距离应小于阈值。
进一步，所述步骤八中，跟踪车道线的过程如下：8.1)假设车道线只有横向偏移，其偏离速度vx，假设图像处理的帧间隔为ΔT，则预测结果为：Dxt＝Dx(t-1)+vx·ΔT，式中，Dxt表示当前帧的车道线横向预测位置；Dx(t-1)表示上一帧车道线的横向位置；8.2)在预测出的车道线的感兴趣区域内搜索种子特征段，其中种子特征段的选取以位置偏差，横摆角偏差，车道标记线的宽度偏差，以及特征段的长度等信息加权确定；8.3)计算拟合车道线的置信度：若置信度大于设定的置信度阈值，则追踪成功，更新车道线方程参数，将状态设置为成功；若当前置信度低于置信度阈值，但丢失时间低于设定的丢失时间阈值，更新车道线方程参数，并将追踪状态设置为继承；否则，将状态设置为丢失。
本发明由于采取以上技术方案，其具有以下优点：本发明将所采集的图像转换成灰度图，对其进行局部阈值化，将一个区域内灰度值较高的像素点挑选出来然后利用灰度的分布梯度值提取特征点，再将这些特征点聚类，使得本属于一条车道线的特征点的聚在一起，然后利用这些特征点拟合出车道线。并挑选出平行车道线作为最终车道线，利用基于位置的方法对车道线进行追踪，减小下一帧车道线的干扰。本发明能准确、高速的检测车道线，当汽车压线时，能够迅速做出响应，为驾驶员给予提示。
附图说明
图1是本发明的整体流程示意图；
图2a是本发明采集到的图片转换成灰度图示意图；
图2b是本发明的局部灰度阈值效果示意图；
图3a是本发明的灰度分布图；
图3b是本发明的灰度梯形示意图；
图4a是本发明的类型Ⅰ车道线特征的灰度分布图；
图4b是本发明的类型Ⅱ车道线特征的灰度分布图；
图4c是本发明的类型Ⅲ车道线特征的灰度分布图；
图4d是本发明的类型Ⅳ车道线特征的灰度分布图；
图5是本发明检测出的特征点示意图；
图6是本发明的特征点聚类图；
图7是本发明的特征段拟合直线图；
图8是本发明的车道线检测示意图。
具体实施方式
下面结合附图和实施例对本发明进行详细的描述。
如图1所示，本发明提供一种车道线检测方法，该方法包括检测和追踪两部分，具体步骤如下：
步骤一、实时采集图像；
步骤二、对采集到的图像进行标定，进而得到图像坐标系和世界坐标系的单应性矩阵，通过该单应性矩阵可以把图像坐标系和世界坐标系关联起来，并能有实现坐标的相互转换。
步骤三、将所采集的图片转换成灰度图，并采用局部灰度阈值法计算车道线灰度阈值。由于车道线的灰度值明显高于路面，所以可以用阈值化的方式将含有车道线的大致区域提取出来(如图2a和图2b所示)。由于室外条件光照不均匀，工况复杂，故采用局部阈值化的方式，其阈值由其邻域内的灰度值决定。
受图像透视变换影响，图像中车道线宽度随距离增加而减小，所以采用可变窗口的局部灰度阈值计算方法求解车道线灰度阈值：
其中，TG(x0,y0)是坐标为(x0,y0)位置处的灰度阈值；I(x,y)表示原始图像中(x,y)处的灰度值，TG(x0,y0)表示局部灰度阈值，x0表示需计算的当前像素点的横坐标值，y0表示需计算的当前像素点的纵坐标值；w为计算窗口的宽，h为计算窗口的高，在世界坐标系中为固定值，在图像坐标系中会随着图像的区域不同而变化，T0为车道线阈值调节参数。
步骤四、经过局部灰度阈值化后，标准的车道线灰度分布呈梯形，根据像素的灰度值变化来提取特征。在同一行像素中，车道线邻域内像素的灰度变化成梯形，通过寻找这种“梯形”来提取特征点(如图3a、图3b所示)。
由于在车道线内部有污物或者车道线被阴影部分遮挡时，车道线灰度分布并非严格的梯形。因此，根据常见的干扰，将车道线分为四种类型，以便在干扰存在的情况下也可识别车道线，四种类型车道线的灰度变化图为：
类型Ⅰ是典型的车道线特征，由两个强度(指灰度梯度值)相似的上升沿和下降沿组成，如图4a所示。
类型Ⅱ是车道线破损时的特征，破损产生的强度较低的下降沿右侧存在与其强度相似的上升沿，如图4b所示。
类型Ⅲ和类型Ⅳ是车道线被部分阴影遮挡时的车道线特征，其特点为在阴影与车道线的边界处存在一个连续的上升沿(如图4c所示)或下降沿(如图4d所示)，两个连续边缘的强度之和与另一侧边缘相似。通过寻找具有这些特征的上升下降沿即可确定所需特征。
步骤五、分段特征聚类：提取完特征点后，通过连续性匹配和直线约束匹配，把本身属于一条车道线的特征点聚类，来拟合车道线，以增强抗干扰性(如图5、图6所示)。从下到上，从左到右依次对特征点进行处理。若一特征点位置与一特征段的末端的位置的横向及纵向距离均小于预先设定距离则将该特征点加入到此特征段中，这样就形成了一个个小的特征段。
当特征段的特征数量(即特征点数量)少于阈值，且该特征段是一个基础特征段时，则该特征段先验知识不足，采用车道线连续性约束进行匹配；反之，根据已有的特征点预估特征段方向，采用直线约束进行匹配。
采用车道线连续性约束进行匹配的方法如下：
5.1)特征点F与特征段B的终止位置在纵向上的间隔应小于设定的纵向阈值，即满足纵向位置连续性约束：
|yF-yBe|＜rM。 (2)
式中，yF为特征点F在纵向上的坐标；yBe为特征段B的终止位置在纵向上的坐标；rM为预先设定的最大纵向间隔，由于透视效应，在近视场中最大，远视场最小。
5.2)特征点F与特征段B的宽度应具有重叠，以保证特征段在横向上的连续性，即满足横向位置连续性约束：
式中，xF为特征点F在横向上的坐标；xBe为特征段B的终止位置在横向上的坐标；wF为特征点F的宽度；wB为特征段B的平均特征宽度；该约束要求特征点与特征段终止位置的横向距离小于其宽度之和的三分之一。
5.3)特征段B中的特征点宽度相似，且特征点宽度随距离增加而减少，即满足特征宽度连续性约束：
sm·wB＜wF＜sM·wB (4)
式中，sm为最小宽度系数；sM为最大宽度系数；wB为特征段B的平均特征宽度，理想情况下，由于车道线在图像中的宽度随距离增加而变小，特征点宽度wF应该小于特征段B的平均特征宽度wB。
采用直线约束进行匹配时，若特征段已经包含的特征点可以表示特征段方向，采用最小二乘法拟合特征段直线参数(如图7所示)，并根据特征点到特征段的水平距离来判断横向位置连续性。其中，采用最小二乘法拟合特征段直线参数方法如下：
令特征段B的拟合直线方程为：
x＝kB·y+bB， (5)
令(x,y)为特征段B中的特征点坐标，根据直线拟合最小二乘公式，直线参数为：
式中，nB表示特征段中所含特征点的数量。
则横向位置约束为：
|xF-kB·yF-bB|＜d。 (7)
步骤六、特征段逆投影：将特征段通过单应性矩阵逆投影到世界坐标系中，并计算车道标记线的宽度、长度以及角度等参数。由于车行驶的方向和车道线应该一致，基于这些参数可以排除一些特征段的干扰，如栅栏和道路中的斑马线，并为世界坐标系的车道线拟合提供了参数。
步骤七、车道线检测：选择一个区域内置信度最高的特征段作为种子特征段，以种子特征段为基础搜索与该种子特征段输入同一车道线的特征序列，然后利用搜索到的特征序列拟合出车道线方程。其中，置信度由特征段的宽度，长度加权确定。
采用回溯法进行搜索，将特征段按照纵向位置由远及近排列，其过程如下：
7.1)对任意节点，利用直线约束判断该节点与父节点所在特征序列是否满足约束要求，若符合要求，则将该节点添加到该特征序列中，继续往子节点搜索空间树。若不符合要求，则跳过该节点以下的子树，向父节点逐级回溯，得到解空间树。
其中，直线约束主要有两点：一是角度差，若特征类与特征序列属于同一直线车道线，则其理论角度差应为0。二是偏移距离，特征类到特征序列直线的距离应小于阈值。由于曲线的存在，在远处将阈值设置大一些。
7.2)利用回溯法搜索得到的解空间树中，每个叶节点都代表了一个可能的特征序列，包含从根节点到叶节点的路径中所有的特征类。对每个叶节点所对应的特征序列，采用两个参数来判断其有效性：即特征序列长度包括的所有特征段长度及特征段间隔之和，特征序列长度代表了车道线长度，特征序列越长，其为车道线的可能性越大。
步骤八、车道线跟踪：由于所采集的图像，两帧直接具有连续性，所以两帧直接的同一车道线的横坐标相差较小。因此上一帧的车道线附近搜索当前帧的车道线，以增加检测的准确性和速度。
在跟踪车道线时，为了补偿帧间间隔内的车道线位置变化，首先在车道线运动参数(例如偏离速度)估计的基础上，预测已检测的车道线在当前帧的位置，以该位置作为车道线跟踪的输入，用于判断跟踪目标的有效性。跟踪车道线的过程如下：
8.1)为简化车道线运动模型，假设车道线只有横向偏移，其偏离速度vx；假设图像处理的帧间隔为ΔT，则预测结果为：
式中，表示当前帧的车道线横向预测位置；Dx(t-1)表示上一帧车道线的横向位置。
8.2)在预测出的车道线的感兴趣区域(ROI)内搜索种子特征段，其中种子特征段的选取以位置偏差，横摆角偏差，车道标记线的宽度偏差，以及特征段的长度等信息加权确定。8.3)计算拟合车道线的置信度(若找不到种子点则置信度为0)。若置信度大于设定的置信度阈值，则追踪成功，更新车道线方程参数，将状态设置为成功；若当前置信度低于置信度阈值，但丢失时间低于设定的丢失时间阈值，更新车道线方程参数，并将追踪状态设置为继承；否则，将状态设置为丢失。
通过这种方法可以排除干扰，特别当过斑马线的时候，也可以增加算法的速度。
步骤九、输出以上检测出的车道线参数。
上述各实施例仅用于说明本发明，各部件的结构、尺寸、设置位置及形状都是可以有所变化的，在本发明技术方案的基础上，凡根据本发明原理对个别部件进行的改进和等同变换，均不应排除在本发明的保护范围之外。

Claims (10)

1.一种车道线检测方法，其特征在于包括以下步骤：
步骤一、实时采集图像；
步骤二、对采集到的图像进行标定，得到图像坐标系和世界坐标系的单应性矩阵；
步骤三、将所采集的图片转换成灰度图，并采用局部灰度阈值法计算车道线灰度阈值；
步骤四、经过局部灰度阈值化后，标准的车道线灰度分布呈梯形，根据像素的灰度值变化来提取特征；
步骤五、通过连续性匹配和直线约束匹配，把本身属于一条车道线的特征点聚类，来拟合车道线；从下到上，从左到右依次对特征点进行处理，若一特征点位置与一特征段的末端的位置的横向、纵向距离均小于预先设定距离，则将该特征点加入到此特征段中形成一个个小的特征段，再将这些小的特征段连接成长的特征段；
步骤六、将特征段通过单应性矩阵逆投影到世界坐标系中，并计算车道标记线的宽度、长度以及角度参数；
步骤七、选择一个区域内置信度最高的特征段作为种子特征段，以种子特征段为基础搜索与该种子特征段输入同一车道线的特征序列，然后利用搜索到的特征序列拟合出车道线方程；
步骤八、进行车道线跟踪，在车道线运动参数估计的基础上，预测已检测的车道线在当前帧的位置，以该位置作为车道线跟踪的输入，用于判断跟踪目标的有效性；
步骤九、输出以上检测出的车道线参数。
2.如权利要求1所述的一种车道线检测方法，其特征在于：所述步骤三中，采用可变窗口的局部灰度阈值计算方法求解车道线灰度阈值：
其中，TG(x0,y0)是坐标为(x0,y0)位置处的灰度阈值；I(x,y)表示原始图像中(x,y)处的灰度值，TG(x0,y0)表示局部灰度阈值，x0表示需计算的当前像素点的横坐标值，y0表示需计算的当前像素点的纵坐标值，w为计算窗口的宽，h为计算窗口的高，T0为车道线阈值调节参数。
3.如权利要求1所述的一种车道线检测方法，其特征在于：所述步骤四中，将车道线分为四种类型，四种类型车道线的灰度变化图为：
类型Ⅰ是典型的车道线特征，由两个强度相似的上升沿和下降沿组成；
类型Ⅱ是车道线破损时的特征，破损产生的强度较低的下降沿右侧存在与其强度相似的上升沿；
类型Ⅲ和类型Ⅳ是车道线被部分阴影遮挡时的车道线特征，其特点为在阴影与车道线的边界处存在一个连续的上升沿或下降沿，两个连续边缘的强度之和与另一侧边缘相似。
4.如权利要求1所述的一种车道线检测方法，其特征在于：所述步骤五中，当特征段的特征数量少于阈值，且该特征段是一个基础特征段时，则该特征段先验知识不足，采用车道线连续性约束进行匹配；反之，根据已有的特征点预估特征段方向，采用直线约束进行匹配。
5.如权利要求4所述的一种车道线检测方法，其特征在于：采用车道线连续性约束进行匹配的方法如下：
5.1)特征点F与特征段B的终止位置在纵向上的间隔应小于设定的纵向阈值，即满足纵向位置连续性约束：
|yF-yBe|＜rM，
式中，yF为特征点F在纵向上的坐标；yBe为特征段B的终止位置在纵向上的坐标；rM为预先设定的最大纵向间隔；
5.2)特征点F与特征段B的宽度应具有重叠，满足横向位置连续性约束：
式中，xF为特征点F在横向上的坐标；xBe为特征段B的终止位置在横向上的坐标；wF为特征点F的宽度；wB为特征段B的平均特征宽度；
5.3)特征段B中的特征点宽度相似，且特征点宽度随距离增加而减少，即满足特征宽度连续性约束：
sm·wB＜wF＜sM·wB
式中，sm为最小宽度系数；sM为最大宽度系数；wB为特征段B的平均特征宽度。
6.如权利要求4所述的一种车道线检测方法，其特征在于：采用直线约束进行匹配时，若特征段已经包含的特征点能表示特征段方向，采用最小二乘法拟合特征段直线参数，并根据特征点到特征段的水平距离来判断横向位置连续性。
7.如权利要求6所述的一种车道线检测方法，其特征在于：采用最小二乘法拟合特征段直线参数方法如下：
令特征段B的拟合直线方程为：
x＝kB·y+bB，
令(x,y)为特征段B中的特征点坐标，根据直线拟合最小二乘公式，直线参数为：
式中，nB表示特征段中所含特征点的数量；则横向位置约束为：|xF-kB·yF-bB|＜d。
8.如权利要求1所述的一种车道线检测方法，其特征在于：所述步骤七中，采用回溯法进行搜索，将特征段按照纵向位置由远及近排列，其过程如下：
7.1)对任意节点，利用直线约束判断该节点与父节点所在特征序列是否满足约束要求，若符合要求，则将该节点添加到该特征序列中，继续往子节点搜索空间树；若不符合要求，则跳过该节点以下的子树，向父节点逐级回溯，得到解空间树；
7.2)解空间树中每个叶节点都代表了一个可能的特征序列，对每个叶节点所对应的特征序列，采用两个参数来判断其有效性：即特征序列长度包括的所有特征段长度及特征段间隔之和，特征序列长度代表了车道线长度，特征序列越长，其为车道线的可能性越大。
9.如权利要求8所述的一种车道线检测方法，其特征在于：所述步骤7.1)中，直线约束有两点：一是角度差，若特征类与特征序列属于同一直线车道线，则其理论角度差应为0；二是偏移距离，特征类到特征序列直线的距离应小于阈值。
10.如权利要求1所述的一种车道线检测方法，其特征在于：所述步骤八中，跟踪车道线的过程如下：
8.1)假设车道线只有横向偏移，其偏离速度vx，假设图像处理的帧间隔为ΔT，则预测结果为：
Dxt＝Dx(t-1)+vx·ΔT，
式中，Dxt表示当前帧的车道线横向预测位置；Dx(t-1)表示上一帧车道线的横向位置；
8.2)在预测出的车道线的感兴趣区域内搜索种子特征段，其中种子特征段的选取以位置偏差，横摆角偏差，车道标记线的宽度偏差，以及特征段的长度等信息加权确定；
8.3)计算拟合车道线的置信度：若置信度大于设定的置信度阈值，则追踪成功，更新车道线方程参数，将状态设置为成功；若当前置信度低于置信度阈值，但丢失时间低于设定的丢失时间阈值，更新车道线方程参数，并将追踪状态设置为继承；否则，将状态设置为丢失。
CN201810666621.1A 2018-06-26 2018-06-26 一种车道线检测方法 Pending CN108875657A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810666621.1A CN108875657A (zh) 2018-06-26 2018-06-26 一种车道线检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810666621.1A CN108875657A (zh) 2018-06-26 2018-06-26 一种车道线检测方法

Publications (1)

Publication Number Publication Date
CN108875657A true CN108875657A (zh) 2018-11-23

Family

ID=64295656

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810666621.1A Pending CN108875657A (zh) 2018-06-26 2018-06-26 一种车道线检测方法

Country Status (1)

Country Link
CN (1) CN108875657A (zh)

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109685858A (zh) * 2018-12-29 2019-04-26 北京茵沃汽车科技有限公司 一种单目摄像头在线标定方法
CN109902637A (zh) * 2019-03-05 2019-06-18 长沙智能驾驶研究院有限公司 车道线检测方法、装置、计算机设备和存储介质
CN110413942A (zh) * 2019-06-04 2019-11-05 联创汽车电子有限公司 车道线方程筛选方法及其筛选模块
CN110472580A (zh) * 2019-08-16 2019-11-19 北京茵沃汽车科技有限公司 基于全景影像的检测车位的方法、装置、存储介质
CN111127542A (zh) * 2019-11-14 2020-05-08 北京控制工程研究所 一种基于图像的非合作目标对接环提取方法
CN111247525A (zh) * 2019-01-14 2020-06-05 深圳市大疆创新科技有限公司 一种车道检测方法、装置及车道检测设备、移动平台
CN111380502A (zh) * 2020-03-13 2020-07-07 商汤集团有限公司 标定方法、位置确定方法、装置、电子设备及存储介质
CN112016568A (zh) * 2019-05-31 2020-12-01 北京初速度科技有限公司 一种目标对象的图像特征点的跟踪方法及装置
CN112183214A (zh) * 2020-09-02 2021-01-05 上海眼控科技股份有限公司 车辆弯道行驶状态判别方法、装置、计算机设备和介质
CN112269951A (zh) * 2020-11-17 2021-01-26 中国人民解放军国防科技大学 面向矢量线数据的直线形状空间检索方法
CN112488914A (zh) * 2019-09-11 2021-03-12 顺丰科技有限公司 图像拼接方法、装置、终端及计算机可读存储介质
CN113344979A (zh) * 2021-06-29 2021-09-03 北京搜狗科技发展有限公司 一种车道线跟踪方法、装置和用于车道线跟踪的装置
CN113537147A (zh) * 2021-08-09 2021-10-22 桂林电子科技大学 一种基于光照补偿的夜间车道线检测方法
CN114264310A (zh) * 2020-09-14 2022-04-01 阿里巴巴集团控股有限公司 定位及导航方法、装置、电子设备、计算机存储介质
CN114663524A (zh) * 2022-03-09 2022-06-24 禾多科技（北京）有限公司 多相机在线标定方法、装置、电子设备和计算机可读介质
CN117392634A (zh) * 2023-12-13 2024-01-12 上海闪马智能科技有限公司 车道线的获取方法、装置、存储介质及电子装置
CN112183214B (zh) * 2020-09-02 2024-09-24 上海眼控科技股份有限公司 车辆弯道行驶状态判别方法、装置、计算机设备和介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101804813A (zh) * 2010-02-04 2010-08-18 南京航空航天大学 一种基于图像传感器的辅助驾驶装置及其工作方法
CN102629326A (zh) * 2012-03-19 2012-08-08 天津工业大学 一种基于单目视觉的车道线检测方法
CN102663356A (zh) * 2012-03-28 2012-09-12 柳州博实唯汽车科技有限公司 车道线提取及偏离预警方法
CN103213579A (zh) * 2013-04-07 2013-07-24 杭州电子科技大学 一种相机参数和车辆系统无关的车道偏离提前预警方法
CN104657735A (zh) * 2013-11-21 2015-05-27 比亚迪股份有限公司 车道线检测方法、系统、车道偏离预警方法及系统
CN105005771A (zh) * 2015-07-13 2015-10-28 西安理工大学 一种基于光流点轨迹统计的车道线实线的检测方法
CN107025432A (zh) * 2017-02-28 2017-08-08 合肥工业大学 一种高效的车道线检测跟踪方法及系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101804813A (zh) * 2010-02-04 2010-08-18 南京航空航天大学 一种基于图像传感器的辅助驾驶装置及其工作方法
CN102629326A (zh) * 2012-03-19 2012-08-08 天津工业大学 一种基于单目视觉的车道线检测方法
CN102663356A (zh) * 2012-03-28 2012-09-12 柳州博实唯汽车科技有限公司 车道线提取及偏离预警方法
CN103213579A (zh) * 2013-04-07 2013-07-24 杭州电子科技大学 一种相机参数和车辆系统无关的车道偏离提前预警方法
CN104657735A (zh) * 2013-11-21 2015-05-27 比亚迪股份有限公司 车道线检测方法、系统、车道偏离预警方法及系统
CN105005771A (zh) * 2015-07-13 2015-10-28 西安理工大学 一种基于光流点轨迹统计的车道线实线的检测方法
CN107025432A (zh) * 2017-02-28 2017-08-08 合肥工业大学 一种高效的车道线检测跟踪方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
刘媛，: "基于机器视觉的车道偏离预警系统关键算法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *
易世春 等，: "基于边缘分布及特征聚类的车道标记线检测", 《汽车工程》 *
柏宏斌 等，: "《数学建模简明教程》", 28 February 2017, 西安交通大学出版社 *

Cited By (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109685858A (zh) * 2018-12-29 2019-04-26 北京茵沃汽车科技有限公司 一种单目摄像头在线标定方法
CN111247525A (zh) * 2019-01-14 2020-06-05 深圳市大疆创新科技有限公司 一种车道检测方法、装置及车道检测设备、移动平台
CN109902637B (zh) * 2019-03-05 2021-03-19 长沙智能驾驶研究院有限公司 车道线检测方法、装置、计算机设备和存储介质
CN109902637A (zh) * 2019-03-05 2019-06-18 长沙智能驾驶研究院有限公司 车道线检测方法、装置、计算机设备和存储介质
CN112016568A (zh) * 2019-05-31 2020-12-01 北京初速度科技有限公司 一种目标对象的图像特征点的跟踪方法及装置
CN110413942A (zh) * 2019-06-04 2019-11-05 联创汽车电子有限公司 车道线方程筛选方法及其筛选模块
CN110413942B (zh) * 2019-06-04 2023-08-08 上海汽车工业(集团)总公司 车道线方程筛选方法及其筛选模块
CN110472580A (zh) * 2019-08-16 2019-11-19 北京茵沃汽车科技有限公司 基于全景影像的检测车位的方法、装置、存储介质
CN112488914A (zh) * 2019-09-11 2021-03-12 顺丰科技有限公司 图像拼接方法、装置、终端及计算机可读存储介质
CN111127542A (zh) * 2019-11-14 2020-05-08 北京控制工程研究所 一种基于图像的非合作目标对接环提取方法
CN111127542B (zh) * 2019-11-14 2023-09-29 北京控制工程研究所 一种基于图像的非合作目标对接环提取方法
CN111380502A (zh) * 2020-03-13 2020-07-07 商汤集团有限公司 标定方法、位置确定方法、装置、电子设备及存储介质
CN111380502B (zh) * 2020-03-13 2022-05-24 商汤集团有限公司 标定方法、位置确定方法、装置、电子设备及存储介质
CN112183214A (zh) * 2020-09-02 2021-01-05 上海眼控科技股份有限公司 车辆弯道行驶状态判别方法、装置、计算机设备和介质
CN112183214B (zh) * 2020-09-02 2024-09-24 上海眼控科技股份有限公司 车辆弯道行驶状态判别方法、装置、计算机设备和介质
CN114264310A (zh) * 2020-09-14 2022-04-01 阿里巴巴集团控股有限公司 定位及导航方法、装置、电子设备、计算机存储介质
CN112269951A (zh) * 2020-11-17 2021-01-26 中国人民解放军国防科技大学 面向矢量线数据的直线形状空间检索方法
CN113344979A (zh) * 2021-06-29 2021-09-03 北京搜狗科技发展有限公司 一种车道线跟踪方法、装置和用于车道线跟踪的装置
CN113344979B (zh) * 2021-06-29 2024-04-16 北京搜狗科技发展有限公司 一种车道线跟踪方法、装置和用于车道线跟踪的装置
CN113537147A (zh) * 2021-08-09 2021-10-22 桂林电子科技大学 一种基于光照补偿的夜间车道线检测方法
CN113537147B (zh) * 2021-08-09 2022-04-12 桂林电子科技大学 一种基于光照补偿的夜间车道线检测方法
CN114663524A (zh) * 2022-03-09 2022-06-24 禾多科技（北京）有限公司 多相机在线标定方法、装置、电子设备和计算机可读介质
CN117392634A (zh) * 2023-12-13 2024-01-12 上海闪马智能科技有限公司 车道线的获取方法、装置、存储介质及电子装置
CN117392634B (zh) * 2023-12-13 2024-02-27 上海闪马智能科技有限公司 车道线的获取方法、装置、存储介质及电子装置

Similar Documents

Publication Publication Date Title
CN108875657A (zh) 一种车道线检测方法
CN107045629B (zh) 一种多车道线检测方法
CN110569704B (zh) 一种基于立体视觉的多策略自适应车道线检测方法
CN105046198B (zh) 一种车道检测方法
CN106951879B (zh) 基于摄像头与毫米波雷达的多特征融合车辆检测方法
Zhou et al. Efficient road detection and tracking for unmanned aerial vehicle
CN100595792C (zh) 基于视频技术的车辆检测与跟踪方法
Kong et al. General road detection from a single image
CN105678338B (zh) 基于局部特征学习的目标跟踪方法
CN107274420B (zh) 基于图像分割的海洋锋面提取方法
CN107895151A (zh) 一种强光照条件下基于机器视觉的车道线检测方法
CN109034019B (zh) 一种基于行分割线的黄色双行车牌字符分割方法
CN103136537A (zh) 一种基于支持向量机的车型识别方法
Ma et al. A method for lane detection based on color clustering
CN107909047A (zh) 一种汽车及其应用的车道检测方法及系统
CN111259796A (zh) 一种基于图像几何特征的车道线检测方法
CN111047603A (zh) 一种基于新型马尔可夫随机场和区域合并的航拍图像混合分割算法
CN108846363A (zh) 一种基于发散式扫描的分区域车底阴影检测方法
CN108256385A (zh) 基于视觉的前方车辆检测方法
CN113450402A (zh) 用于蔬菜大棚巡检机器人的导航中心线提取方法
CN1873657A (zh) 鲁棒的自然图像分割方法
CN112801021B (zh) 基于多级语义信息的车道线检测方法及系统
CN105844641B (zh) 一种动态环境下的自适应阈值分割方法
CN110853000B (zh) 一种车辙的检测方法
CN115082701B (zh) 一种基于双摄像头的多水线交叉识别定位方法

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: 20181123

RJ01 Rejection of invention patent application after publication