CN109344704B - 一种基于行车方向与车道线夹角的车辆变道行为检测方法 - Google Patents

Abstract

本发明公开了一种基于行车方向与车道线夹角的车辆变道行为检测方法，包括以下步骤：步骤一：从车载视频图像中提取道路区域图像并进行二值化；步骤二：基于梯度方向最大原则，从二值化后的道路区域图像中提取左右两侧车道线；步骤三：检测左右两侧车道线的颜色和类型；步骤四：检测车辆行进方向与左右两侧车道线的夹角，判断车辆与左右两侧车道线的关系；步骤五：检测车辆变道行为。本发明的优点是：能从车载视频图像中提取的车辆与所在车道的两侧车道线的角度关系来判断车辆是否变道，从而能通过正确分析车载视频中驾驶人的变道行为习惯信息来为个性化保率提供参考，适用场景广阔。

Description

一种基于行车方向与车道线夹角的车辆变道行为检测方法

技术领域

本发明涉及视频处理技术领域，具体涉及一种基于行车方向与车道线夹角的车辆变道行为检测方法。

背景技术

随着生活水平的提高，汽车的保有量持续增长。汽车为现代社会的发展和人类生活条件的改善做出了巨大贡献。但是,随着汽车保有量的增加,许多问题也就跟着来了,例如交通事故、交通拥挤、环境污染、能源浪费等,尤其是随着汽车速度的提高,恶性交通事故的发生呈不断上升趋势,死亡人数逐年增长,由此造成的经济损失不可估量。而驾驶员的违章驾驶行为是造成交通事故的主要原因之一。

而现今我国的车险保费主要以车辆本身的各项情况为中心，根据车辆购置价、座位数、排量、购车年限等设置基础保费，车险理赔定价则是依据车辆违章、出险、行驶里程等信息。车辆保险调查表明，车险投保人中较多的安全驾驶的车主却要承担高额保费来为较少车主的频发道路安全事故买单。车载视频做为一种易而可得的存储驾驶记录的手段，里面存储着大量和驾驶行为有关的信息，如能正确分析车载视频中驾驶人的驾驶行为例如变道行为，则能为个性化保率提供参考。

发明内容

本发明的目的是提供一种能利用车辆与所在车道的两侧车道线的角度关系来判断车辆是否变道的基于行车方向与车道线夹角的车辆变道行为检测方法。

为实现上述目的，本发明采用了如下技术方案：所述的一种基于行车方向与车道线夹角的车辆变道行为检测方法，包括以下步骤：

步骤一：从车载视频图像中提取道路区域图像并进行二值化；

步骤二：基于梯度方向最大原则，从二值化后的道路区域图像中提取左右两侧车道线；

步骤三：检测左右两侧车道线的颜色和类型；

步骤四：检测车辆行进方向与左右两侧车道线的夹角，判断车辆与左右两侧车道线的关系；

步骤五：检测车辆变道行为。

进一步地，前述的一种基于行车方向与车道线夹角的车辆变道行为检测方法，其中：在步骤一中，提取道路区域图像并进行二值化，包括以下步骤：

步骤(1)：将车载视频图像分解成反射光图像和入射光图像；其中，车载视频图像表示为S(i，j)；反射光图像表示为G(i，j)；入射光图像表示为L(i，j)；

其中，L(i，j)＝S(i，j)*F(i，j)；

其中，

是高斯滤波函数；

其中，G(i，j)＝S(i，j)*L(i，j)

步骤(2)：将反射光图像转换为灰度图像进行中值滤波；其中，灰度图像表示为g(i，j)；

步骤(3)：从灰度图像中提取道路区域图像；所述提取道路区域图像包括以下步骤：

步骤(31)：从中值滤波后的灰度图像的底端开始，计算每一行的灰度值

其中g(i，j)是图像在位置(i，j)的灰度值，m1是灰度图像g(i，j)的行数，n是列数；

步骤(32)：从m1个行中找到灰度值变化最快的行I＝{i|max|g_i-g_i-1}i∈(1，m1)，标记为道路区域的分割线，从分割线往下作为道路区域图像，其中，道路区域图像表示为g₁(i，j)，其大小为m*n；

步骤(4)：采用遗传算法将道路区域图像进行二值化；所述采用遗传算法将道路区域图像进行二值化包括以下步骤：

步骤(41)：分别在[160，255]和[60，160]的灰度范围内从道路区域图像中随机取五个灰度值，并以二进制表示，作为遗传算法的初始群体，选择适应度函数，使道路区域图像中车道线的颜色与非车道线颜色形成差别，从而得到最佳灰度分割阈值；其中，最佳灰度分割阈值表示为k；

步骤(42)：以k为分割阈值将道路区域图像二值化得到二值化后的道路区域图像，其中二值化后的道路区域图像表示为g₂(i，j)。

进一步地，前述的一种基于行车方向与车道线夹角的车辆变道行为检测方法，其中：在步骤二中，从二值化后的道路区域图像中提取左右两侧车道线，具体包括以下步骤：

步骤(1)：计算二值化后的道路区域图像各个像素的梯度方向，其中，二值化后的道路区域图像表示为g₂(i，j)；梯度方向的具体计算公式为：θ(i，j)＝arctan(Dj/Di)；

其中，Dj和Di是以像素(i,j)为中心的图像g₂(i，j)垂直和水平方向梯度；

步骤(2)：提取左右车道线梯度方向；

具体方法是：以[-90°，90°]为横坐标，对图像中各个像素梯度方向进行统计，建立梯度方向直方图，找到[-90°，0°]和[0°，90°]中的最大值θ_l和θ_r，分别作为左右车道的梯度方向；

步骤(3)：提取左右车道线边缘；

具体方法是：以图像中线为分割线，将图像分成左右两侧，分别提取左右侧车道线边缘；

左侧车道线边缘采用(g₂(i，j)*G⁰)cos(θ_l)+(g₂(i，j)*G⁹⁰)sin(θ_l)检测；

右侧车道线边缘采用(g₂(i，j)*G⁰)cos(θ_r)+(g₂(i，j)*G⁹⁰)sin(θ_r)检测；

上式中

分别为高斯函数在x方向和y方向的一阶导数；

步骤(4)：提取车道线；

具体方法是：边缘检测后分别将左右侧图像的直角坐标系(i，j)转换为极坐标系(ρ，θ)；对左侧图像，在极坐标下将范围θ＝θ_l±5°下的累加函数的最大值所在位置作为左侧车道线位置拟合左侧车道线；对右侧图像，将范围θ＝θ_r±5°下的累加函数的最大值所在位置作为右侧车道线位置拟合右侧车道线。

进一步地，前述的一种基于行车方向与车道线夹角的车辆变道行为检测方法，其中：在步骤三中，检测左右两侧车道线的颜色和类型，包括以下步骤：

步骤(1)：将步骤二提取的左右两侧车道线分别向两侧扩展10个像素，然后与前述的步骤一中的步骤(1)得到的图像G(i，j)进行“与”运算，分别得到图像G_1l(i，j)和G_1r(i，j)；然后计算得到G_1l(i，j)和G_1r(i，j)图像像素的Y和Cb颜色分量；

步骤(2)：提取每行的车道线颜色；具体方法是：

(1)对左侧车道线从右往左从下往上逐行扫描G_1l(i，j)，若在第i行若有连续3个以上的像素的Y分量值大于阈值，则将i行白色点标志置1，即TL(i，1)＝1；否则若连续3个以上像素Cb分量在一定范围内，则将i行黄色点标志置1，即TL(i，2)＝1；否则将i行灰色点标志置1，即TL(i，3)＝1；

(2)对右侧车道线从左往右从下往上逐行扫描G_1r(i，j)，若在第i行若有连续3个以上的像素的Y分量值大于阈值，则将i行白色点标志置1，即TR(i，1)＝1；否则若连续3个以上像素Cb分量在一定范围内，则将i行黄色点标志置1，即TR(i，2)＝1；否则将i行灰色点标志置1，即TR(i，3)＝1；

步骤(3)：判断车道线颜色；具体方法是：

对左侧车道，统计G_1l(i，j)中所有行白色点的总个数lwc，黄色点的总个数lyc，灰色点的总个数lgc，即：

记ly＝lyc/(lgc+lyc+lwc)，lw＝lwc/(lgc+lyc+lwc)

对右侧车道，统计G_1r(i，j)中所有行白色点的总个数rwc，黄色点的总个数ryc，灰色点的总个数rgc，即：

记ry＝ryc/(rgc+ryc+rwc)，rw＝rwc/(rgc+ryc+rwc)，rw＝rwc/(rgc+ryc+rwc)

步骤(4)：判断车道线虚实类型；具体方法是：

利用所有行总的白色点数和黄色点数的比例判断车道线虚实类型；

对左侧车道，记lyr＝(lyc+lwc)/(lgc+lyc+lwc)

对右侧车道，记ryr＝(ryc+rwc)/(rgc+ryc+rwc)

步骤(5)：联合步骤(3)和步骤(4)，车道特征标记如下：

左侧车道线颜色和类型标志位

右侧车道线颜色和类型标志位

进一步地，前述的一种基于行车方向与车道线夹角的车辆变道行为检测方法，其中：在步骤四中，车辆行进方向与左右两侧车道线的夹角检测，判断车辆与左右两侧车道线的关系，具体包括以下步骤：

步骤(1)：以左侧图像的右下角为原点建立直角坐标系，向上表示车辆前

进方向；左边车道线与车辆前进方向的夹角为θ_lc，θ_lc＝|90-θ_l|；

建立标志位cl，

θ₁是判断阈值，取θ₁＝16°；

cl＝1表示车辆与左侧车道线靠近，cl＝0表示车辆在道路中间；

同理，右车道线与车辆前进方向夹角θ_rc，θ_rc＝|90-θ_r|；

建立标志位

cr＝1表示车辆与右侧车道线靠近，cr＝0表示车辆在道路中间；

步骤(2)：为判别车辆与车道线的位置关系，设置标志位c；采用下列方法设置每帧图像的标志位c

若c＝0，则如果cl和cr同时为1，表示此帧图像检测错误；否则，表示此帧中车辆在道路中间；

若c＝1，表示此帧图像中车辆与一侧车道线靠近。

进一步地，前述的一种基于行车方向与车道线夹角的车辆变道行为检测方法，其中：在步骤五中，车辆变道行为检测具体包括以下步骤：

步骤(1)：读取图像标志位c；

步骤(2)：若c＝0，跳转执行步骤(1)；若c＝1，执行步骤(3)；

步骤(3)：读取此帧的cl；cl＝1，表示车辆开始向左变道，执行步骤步骤(4)，否则执行步骤(5)，表示车辆开始向右变道；

步骤(4)：跟踪此后5帧的θ_lc,若θ_lc由大变小变为0，则检测到车辆向左变道且压左线，执行步骤(6)；否则检测到车辆向左拐弯不压线，本次检测结束；

步骤(5)：跟踪此后5帧的θ_rc,当θ_rc由大变小变为0，则检测到车辆向右变道且压右线，进入步骤(7)；否则检测到车辆向右拐弯不压线，本次检测结束；

步骤(6)：读取左侧车道线颜色和类型标志位l，得到车辆向左变道压线类型；

步骤(7)：读取右侧车道线颜色和类型标志位r，得到车辆向右变道压线类型。

通过上述技术方案的实施，本发明的有益效果是：能从车载视频图像中提取的车辆与所在车道的两侧车道线的角度关系来判断车辆是否变道，不需要利用车辆所在车道线的两侧的虚实类型来分类车道类型进行变道判断，从而能通过正确分析车载视频中驾驶人的变道行为习惯信息来为个性化保率提供参考，适用场景广阔。

附图说明

图1为本发明所述的一种基于行车方向与车道线夹角的车辆变道行为检测方法的流程示意图。

图2为本发明中提取道路区域图像并进行二值化的流程示意图。

图3为图像分割线示意图。

图4为道路区域图像二值化分割结果示意图。

图5为左侧车道线颜色和类型的判断流程示意图。

图6为左边车道线与车辆前进方向的夹角、以及右边车道线与车辆前进方向的夹角示意图。

图7为车辆变道和压线行为判断流程示意图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步说明。

如图1、图2、图3、图4、图5、图6、图7所示，所述的一种基于行车方向与车道线夹角的车辆变道行为检测方法，包括以下步骤：

步骤一：从车载视频图像中提取道路区域图像并进行二值化，具体包括以下步骤：

步骤(1)：将车载视频图像分解成反射光图像和入射光图像；其中，车载视频图像表示为S(i，j)；反射光图像表示为G(i，j)；入射光图像表示为L(i，j)；

其中，L(i，j)＝S(i，j)*F(i，j)；

其中，

是高斯滤波函数；

其中，G(i，j)＝S(i，j)/L(i，j)

步骤(2)：将反射光图像转换为灰度图像进行中值滤波；其中，灰度图像表示为g(i，j)；

步骤(3)：从灰度图像中提取道路区域图像；所述提取道路区域图像包括以下步骤：

步骤(31)：从中值滤波后的灰度图像的底端开始，计算每一行的灰度值

其中g(i，j)是图像在位置(i，j)的灰度值，m1是灰度图像g(i，j)的行数，n是列数；

步骤(32)：从m1个行中找到灰度值变化最快的行I＝{i|max|g_i-g_i-1|}i∈(1，m1)，标记为道路区域的分割线，从分割线往下作为道路区域图像，其中，道路区域图像表示为g₁(i，j)，其大小为m*n；

步骤(4)：采用遗传算法将道路区域图像进行二值化；所述采用遗传算法将道路区域图像进行二值化包括以下步骤：

步骤(41)：分别在[160，255]和[60，160]的灰度范围内从道路区域图像中随机取五个灰度值，并以二进制表示，作为遗传算法的初始群体，选择适应度函数，使道路区域图像中车道线的颜色与非车道线颜色形成差别，从而得到最佳灰度分割阈值；其中，最佳灰度分割阈值表示为k；

步骤(42)：以k为分割阈值将道路区域图像二值化得到二值化后的道路区域图像，其中二值化后的道路区域图像表示为g₂(i，j)；

步骤二：基于梯度方向最大原则，从二值化后的道路区域图像中提取左右两侧车道线，具体包括以下步骤：

步骤(1)：计算二值化后的道路区域图像各个像素的梯度方向，其中，二值化后的道路区域图像表示为g₂(i，j)；梯度方向的具体计算公式为：θ(i，j)＝arctan(Dj/Di)；

其中，Dj和Di是以像素(i,j)为中心的图像g₂(i，j)垂直和水平方向梯度；

步骤(2)：提取左右车道线梯度方向；

具体方法是：以[-90°，90°]为横坐标，对图像中各个像素梯度方向进行统计，建立梯度方向直方图，找到[-90°，0°]和[0°，90°]中的最大值θ_l和θ_r，分别作为左右车道的梯度方向；

步骤(3)：提取左右车道线边缘；

具体方法是：以图像中线为分割线，将图像分成左右两侧，分别提取左右侧车道线边缘；

左侧车道线边缘采用(g₂(i，j)*G⁰)cos(θ_l)+(g₂(i，j)*G⁹⁰)sin(θ_l)检测；

右侧车道线边缘采用(g₂(i，j)*G⁰)cos(θ_r)+(g₂(i，j)*G⁹⁰)sin(θ_r)检测；

上式中

分别为高斯函数在x方向和y方向的一阶导数；

步骤(4)：提取车道线；

具体方法是：边缘检测后分别将左右侧图像的直角坐标系(i，j)转换为极坐标系(ρ，θ)；对左侧图像，在极坐标下将范围θ＝θ_l±5°下的累加函数的最大值所在位置作为左侧车道线位置拟合左侧车道线；对右侧图像，将范围θ＝θ_r±5°下的累加函数的最大值所在位置作为右侧车道线位置拟合右侧车道线；

步骤三：检测左右两侧车道线的颜色和类型，具体包括以下步骤：

步骤(1)：将步骤二提取的左右两侧车道线分别向两侧扩展10个像素，然后与步骤一中的步骤(1)得到的图像G(i，j)进行“与”运算，分别得到图像G_1l(i，j)和G_1r(i，j)；然后计算得到G_1l(i，j)和G_1r(i，j)图像像素的Y和Cb颜色分量；

步骤(2)：提取每行的车道线颜色；具体方法是：

(1)对左侧车道线从右往左从下往上逐行扫描G_1l(i，j)，若在第i行若有连续3个以上的像素的Y分量值大于阈值(可设为175/255)，则将i行白色点标志置1，即TL(i，1)＝1；否则若连续3个以上像素Cb分量在一定范围内(可设为[90/255，127/255])，则将i行黄色点标志置1，即TL(i，2)＝1；否则将i行灰色点标志置1，即TL(i，3)＝1；

(2)对右侧车道线从左往右从下往上逐行扫描G1_r(i，j)，若在第i行若有连续3个以上的像素的Y分量值大于阈值(可设为175/255)，则将i行白色点标志置1，即TR(i，1)＝1；否则若连续3个以上像素Cb分量在一定范围内(可设为[90/255，127/255])，则将i行黄色点标志置1，即TR(i，2)＝1；否则将i行灰色点标志置1，即TR(i，3)＝1；

步骤(3)：判断车道线颜色；具体方法是：

对左侧车道，统计C_1l(i，j)中所有行白色点的总个数lwc，黄色点的总个数lyc，灰色点的总个数lgc，即：

记ly＝lyc/(lgc+lyc+lwc)，lw＝lwc/(lgc+lyc+lwc)

对右侧车道，统计G_1r(i，j)中所有行白色点的总个数rwc，黄色点的总个数ryc，灰色点的总个数rgc，即：

记ry＝ryc/(rgc+ryc+rwc)，rw＝rwc/(rgc+ryc+rwc)

步骤(4)：判断车道线虚实类型；具体方法是：

利用所有行总的白色点数和黄色点数的比例判断车道线虚实类型；

对左侧车道，记lyr＝(lyc+lwc)/(lgc+lyc+lwc)

对右侧车道，记ryr＝(ryc+rwc)/(rgc+ryc+rwc)

步骤(5)：联合步骤(3)和步骤(4)，车道特征标记如下：

左侧车道线颜色和类型标志位

右侧车道线颜色和类型标志位

步骤四：检测车辆行进方向与左右两侧车道线的夹角，判断车辆与左右两侧车道线的关系，具体包括以下步骤：

步骤(1)：以左侧图像的右下角为原点建立直角坐标系，向上表示车辆前

进方向；左边车道线与车辆前进方向的夹角为θ_lc，θ_lc＝|90-θ_l|；

建立标志位cl，

θ₁是判断阈值，取θ₁＝16°；

cl＝1表示车辆与左侧车道线靠近，cl＝0表示车辆在道路中间；

同理，右车道线与车辆前进方向夹角θ_rc，θ_rc＝|90-θ_r|；

建立标志位cr，

cr＝1表示车辆与右侧车道线靠近，cr＝0表示车辆在道路中间；

步骤(2)：为判别车辆与车道线的位置关系，设置标志位c；采用下列方法设置每帧图像的标志位c

若c＝0，则如果cl和cr同时为1，表示此帧图像检测错误；否则，表示此帧中车辆在道路中间；

若c＝1，表示此帧图像中车辆与一侧车道线靠近；

步骤五：检测车辆变道行为，具体包括以下步骤：

步骤(1)：读取图像标志位c；

步骤(2)：若c＝0，跳转执行步骤(1)；若c＝1，执行步骤(3)；

步骤(3)：读取此帧的cl；cl＝1，表示车辆开始向左变道，执行步骤步骤(4)，否则执行步骤(5)，表示车辆开始向右变道；

步骤(4)：跟踪此后5帧的θ_lc,若θ_lc由大变小变为0，则检测到车辆向左变道且压左线，执行步骤(6)；否则检测到车辆向左拐弯不压线，本次检测结束；

步骤(5)：跟踪此后5帧的θ_rc,当θ_rc由大变小变为0，则检测到车辆向右变道且压右线，进入步骤(7)；否则检测到车辆向右拐弯不压线，本次检测结束；

步骤(6)：读取左侧车道线颜色和类型标志位l，得到车辆向左变道压线类型；

步骤(7)：读取右侧车道线颜色和类型标志位r，得到车辆向右变道压线类型。

本发明的优点是：能从车载视频图像中提取的车辆与所在车道的两侧车道线的角度关系来判断车辆是否变道，不需要利用车辆所在车道线的两侧的虚实类型来分类车道类型进行变道判断，从而能通过正确分析车载视频中驾驶人的变道行为习惯信息来为个性化保率提供参考，适用场景广阔。

Claims (5)

1.一种基于行车方向与车道线夹角的车辆变道行为检测方法，其特征在于：包括以下步骤：

步骤一：从车载视频图像中提取道路区域图像并进行二值化；

其中，提取道路区域图像并进行二值化，包括以下步骤：

步骤(1)：将车载视频图像分解成反射光图像和入射光图像；其中，车载视频图像表示为S(i，j)；反射光图像表示为G(i，j)；入射光图像表示为L(i，j)；

其中，L(i，j)＝S(i，j)*F(i，j)；

其中，

是高斯滤波函数；

其中，G(i，j)＝S(i，j)/L(i，j)

步骤(2)：将反射光图像转换为灰度图像并进行中值滤波；其中，灰度图像表示为g(i，j)；

步骤(3)：从灰度图像中提取道路区域图像；所述提取道路区域图像包括以下步骤：

步骤(31)：从中值滤波后的灰度图像的底端开始，计算每一行的灰度值

其中g(i，j)是图像在位置(i，j)的灰度值，ml是灰度图像g(i，j)的行数，n是列数；

步骤(32)：从ml个行中找到灰度值变化最快的行I＝{i|max|g_i-g_i-1|}i∈(1，ml)，标记为道路区域的分割线，从分割线往下作为道路区域图像，其中，道路区域图像表示为g₁(i，j)，其大小为m*n；

步骤(4)：采用遗传算法将道路区域图像进行二值化；所述采用遗传算法将道路区域图像进行二值化包括以下步骤：

步骤(41)：分别在[160，255]和[60，160]的灰度范围内从道路区域图像中随机取五个灰度值，并以二进制表示，作为遗传算法的初始群体，选择适应度函数，使道路区域图像中车道线的颜色与非车道线颜色形成差别，从而得到最佳灰度分割阈值；其中，最佳灰度分割阈值表示为k；

步骤(42)：以k为分割阈值将道路区域图像二值化得到二值化后的道路区域图像，其中二值化后的道路区域图像表示为g₂(i，j)；

步骤二：基于梯度方向最大原则，从二值化后的道路区域图像中提取左右两侧车道线；

步骤三：检测左右两侧车道线的颜色和类型；

步骤四：检测车辆行进方向与左右两侧车道线的夹角，判断车辆与左右两侧车道线的关系；

步骤五：检测车辆变道行为。

2.根据权利要求1所述的一种基于行车方向与车道线夹角的车辆变道行为检测方法，其特征在于：在步骤二中，从二值化后的道路区域图像中提取左右两侧车道线，具体包括以下步骤：

步骤(1)：计算二值化后的道路区域图像各个像素的梯度方向，其中，二值化后的道路区域图像表示为g₂(i，j)；梯度方向的具体计算公式为：θ(i，j)＝arctan(Dj/Di)；

其中，Dj和Di是以像素(i，j)为中心的图像g₂(i，j)垂直和水平方向梯度；

步骤(2)：提取左右车道线梯度方向；

具体方法是：以[-90°，90°]为横坐标，对图像中各个像素梯度方向进行统计，建立梯度方向直方图，找到[-90°，0°]和[0°，90°]中的最大值θ_l和θ_r，分别作为左右车道的梯度方向；

步骤(3)：提取左右车道线边缘；

具体方法是：以图像中线为分割线，将图像分成左右两侧，分别提取左右侧车道线边缘；

左侧车道线边缘采用(g₂(i，j)*G⁰)cos(θ_l)+(g₂(i，j)*G⁹⁰)sin(θ_l)检测；

右侧车道线边缘采用(g₂(i，j)*G⁰)cos(θ_r)+(g₂(i，j)*G⁹⁰)sin(θ_r)检测；

上式中

分别为高斯函数在x方向和y方向的一阶导数；

步骤(4)：提取车道线；

具体方法是：边缘检测后分别将左右侧图像的直角坐标系(i，j)转换为极坐标系(ρ，θ)；对左侧图像，在极坐标下将范围θ＝θ_l±5°下的累加函数的最大值所在位置作为左侧车道线位置拟合左侧车道线；对右侧图像，将范围θ＝θ_r±5°下的累加函数的最大值所在位置作为右侧车道线位置拟合右侧车道线。

3.根据权利要求1所述的一种基于行车方向与车道线夹角的车辆变道行为检测方法，其特征在于：在步骤三中，检测左右两侧车道线的颜色和类型，包括以下步骤：

步骤(1)：将步骤二提取的左右两侧车道线分别向两侧扩展10个像素，然后与所述的步骤一中的步骤(1)得到的图像G(i，j)进行“与”运算，分别得到图像G_1l(i，j)和G_1r(i，j)；然后计算得到G_1l(i，j)和G_1r(i，j)图像像素的Y和Cb颜色分量；

步骤(2)：提取每行的车道线颜色；具体方法是：

(1)对左侧车道线从右往左从下往上逐行扫描G_1l(i，j)，若在第i行若有连续3个以上的像素的Y分量值大于阈值，则将i行白色点标志置1，即TL(i，1)＝1；否则若连续3个以上像素Cb分量在一定范围内，则将i行黄色点标志置1，即TL(i，2)＝1；否则将i行灰色点标志置1，即TL(i，3)＝1；

(2)对右侧车道线从左往右从下往上逐行扫描G_1r(i，j)，若在第i行若有连续3个以上的像素的Y分量值大于阈值，则将i行白色点标志置1，即TR(i，1)＝1；否则若连续3个以上像素Cb分量在一定范围内，则将i行黄色点标志置1，即TR(i，2)＝1；否则将i行灰色点标志置1，即TR(i，3)＝1；

步骤(3)：判断车道线颜色；具体方法是：

对左侧车道，统计G_1l(i，j)中所有行白色点的总个数lwc，黄色点的总个数lyc，灰色点的总个数lgc，即：

记ly＝lyc/(lgc+lyc+lwc)，lw＝lwc/(lgc+lyc+lwc)

对右侧车道，统计G_1r(i，j)中所有行白色点的总个数rwc，黄色点的总个数ryc，灰色点的总个数rgc，即：

记ry＝ryc/(rgc+ryc+rwc)，rw＝rwc/(rgc+ryc+rwc)

步骤(4)：判断车道线虚实类型；具体方法是：

利用所有行总的白色点数和黄色点数的比例判断车道线虚实类型；

对左侧车道，记lyr＝(lyc+lwc)/(lgc+lyc+lwc)

对右侧车道，记ryr＝(ryc+rwc)/(rgc+ryc+rwc)

步骤(5)：联合步骤(3)和步骤(4)，车道特征标记如下：

左侧车道线颜色和类型标志位

右侧车道线颜色和类型标志位

4.根据权利要求1所述的一种基于行车方向与车道线夹角的车辆变道行为检测方法，其特征在于：在步骤四中，车辆行进方向与左右两侧车道线的夹角检测，判断车辆与左右两侧车道线的关系，具体包括以下步骤：

步骤(1)：以左侧图像的右下角为原点建立直角坐标系，向上表示车辆前进方向；左边车道线与车辆前进方向的夹角为θ_lc，θ_lc＝|90-θ_l|；

建立标志位cl，

θ₁是判断阈值，取θ₁＝16°；

cl＝1表示车辆与左侧车道线靠近，cl＝0表示车辆在道路中间；

同理，右车道线与车辆前进方向夹角θ_rc，θ_rc＝|90-θ_r|；

建立标志位cr，

cr＝1表示车辆与右侧车道线靠近，cr＝0表示车辆在道路中间；

步骤(2)：为判别车辆与车道线的位置关系，设置标志位c；采用下列方法设置每帧图像的标志位c

若c＝0，则如果cl和cr同时为1，表示此帧图像检测错误；否则，表示此帧中车辆在道路中间；

若c＝1，表示此帧图像中车辆与一侧车道线靠近。

5.根据权利要求1所述的一种基于行车方向与车道线夹角的车辆变道行为检测方法，其特征在于：在步骤五中，车辆变道行为检测具体包括以下步骤：

步骤(1)：读取图像标志位c；

步骤(2)：若c＝0，跳转执行步骤(1)；若c＝1，执行步骤(3)；

步骤(3)：读取此帧的cl；cl＝1，表示车辆开始向左变道，执行步骤步骤(4)，否则执行步骤(5)，表示车辆开始向右变道；

步骤(4)：跟踪此后5帧的θ_lc，若θ_lc由大变小变为0，则检测到车辆向左变道且压左线，执行步骤(6)；否则检测到车辆向左拐弯不压线，本次检测结束；

步骤(5)：跟踪此后5帧的θ_rc，当θ_rc由大变小变为0，则检测到车辆向右变道且压右线，进入步骤(7)；否则检测到车辆向右拐弯不压线，本次检测结束；

步骤(6)：读取左侧车道线颜色和类型标志位l，得到车辆向左变道压线类型；

步骤(7)：读取右侧车道线颜色和类型标志位r，得到车辆向右变道压线类型。

Images