CN109558765A - 汽车及车道线的检测方法、装置 - Google Patents
汽车及车道线的检测方法、装置 Download PDFInfo
- Publication number
- CN109558765A CN109558765A CN201710874515.8A CN201710874515A CN109558765A CN 109558765 A CN109558765 A CN 109558765A CN 201710874515 A CN201710874515 A CN 201710874515A CN 109558765 A CN109558765 A CN 109558765A
- Authority
- CN
- China
- Prior art keywords
- lane line
- image
- detection
- line
- binary image
- 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.)
- Granted
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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种汽车及车道线的识别方法、装置,其中,车道线的识别方法包括以下步骤:采集汽车前方的车道线图像,其中,车道线图像为灰度图像;计算车道线图像的自适应分割阈值,并根据自适应分割阈值对车道线图像进行分割处理以得到二值化图像;对二值化图像进行边缘检测以提取二值化图像的边缘有效点;根据提取到的边缘有效点对车道线进行识别。该车道线的识别方法能够实现车道线的有效检测,且计算复杂度低,实时性好。
Description
技术领域
本发明涉及汽车领域,特别涉及一种车道线的检测方法、一种车道线的检测装置和一种汽车。
背景技术
近年来,汽车自主驾驶技术在智能交通方面得到了广泛关注和应用,其中车道偏离预警是汽车自主驾驶的核心技术之一。车道偏离造成的人员财产损失约占整个交通事故中损失的三分之一之多,这些事故主要是由于驾驶员注意力分散造成的,LDWS(LaneDeparture Warning System,车道偏离预警系统)的开发应用能够提醒和辅助驾驶员及时修正无意识的车道线偏离,从而减少或避免交通事故的发生。实现这类系统面临的首要问题就是,如何实现快速准确地从车载视频图像中检测到车道线。
目前,相关技术中,在进行车道线检测时,会对车载视频图像先进行图像特征提取,再根据提取到的图像特征进行车道线检测。然而,在进行图像特征提取时,一般采用边缘有效点提取图像特征,此时,提取到的图像特征会存在大量的干扰信号,容易造成车道线检测的误判、漏判,如将护栏线误判为车道线、漏判前方车辆遮挡的车道线等。而且实际行车路况复杂多变,如果考虑更多的环境因素,会使得车道线检测算法的实现更加困难。
发明内容
本发明旨在至少在一定程度上解决上述技术中的技术问题之一。为此,本发明的一个目的在于提出一种车道线的识别方法,该识别方法能够实现车道线的有效检测,且计算复杂度低,实时性好。
本发明的第二个目的在于提出一种非临时性计算机可读存储介质。
本发明的第三个目的在于提出一种车道线的识别装置。
本发明的第四个目的在于提出一种汽车。
为达到上述目的,本发明第一方面实施例提出了一种车道线的识别方法,包括以下步骤:采集汽车前方的车道线图像,其中,所述车道线图像为灰度图像;计算所述车道线图像的自适应分割阈值,并根据所述自适应分割阈值对所述车道线图像进行分割处理以得到二值化图像;对所述二值化图像进行边缘检测以提取所述二值化图像的边缘有效点;根据提取到的边缘有效点对车道线进行识别。
根据本发明实施例的车道线的识别方法,首先采集汽车前方的车道线图像,然后计算车道线图像的自适应分割阈值,并根据自适应分割阈值对车道线图像进行分割处理以得到二值化图像,进而对二值化图像进行边缘检测以提取二值化图像的边缘有效点,以及根据提取到的边缘有效点对车道线进行识别。由此,能够实现车道线的有效识别,且计算复杂度低,实时性好。
进一步地,本发明提出了一种非临时性计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述的车道线的识别方法。
本发明实施例的非临时性计算机可读存储介质,通过执行其上存储的与车道线的识别方法对应的程序,能够实现车道线的有效检测,且计算复杂度低,实时性好。
为达到上述目的,本发明第三方面实施例提出了一种车道线的识别装置,包括:采集模块,用于采集汽车前方的车道线图像,其中,所述车道线图像为灰度图像;计算模块,用于计算所述车道线图像的自适应分割阈值;分割模块,用于根据所述自适应分割阈值对所述车道线图像进行分割处理以得到二值化图像;检测模块,用于对所述二值化图像进行边缘检测以提取所述二值化图像的边缘有效点;识别模块,用于根据提取到的边缘有效点对车道线进行识别。
根据本发明实施例的车道线的识别装置,首先通过采集模块采集汽车前方的车道线图像,然后通过计算模块计算车道线图像的自适应分割阈值,并通过分割模块根据自适应分割阈值对车道线图像进行分割处理以得到二值化图像,进而通过检测模块对二值化图像进行边缘检测以提取二值化图像的边缘有效点,以及通过识别模块根据提取到的边缘有效点对车道线进行识别。由此,能够实现车道线的有效识别,且计算复杂度低,实时性好
进一步地,本发明提出了一种汽车,其包括上述实施例的车道线的识别装置。
本发明实施例的汽车,采用上述车道线的识别装置,能够实现车道线的有效检测,且计算复杂度低,实时性好。
附图说明
图1为根据本发明实施例的车道线的识别方法的流程图;
图2为根据本发明实施例的霍夫变换的示意图;
图3为根据本发明实施例的极坐标系下的单曲线示意图;
图4为根据本发明实施例的极坐标系下的多曲线示意图;
图5(a)为根据本发明一个示例的检测区域的选取示意图;
图5(b)为根据本发明另一个示例的检测区域的选取示意图;
图6(a)为根据本发明一个示例的直线检测结构的示意图;
图6(b)为根据本发明另一个示例的直线检测结构的示意图;
图7为根据本发明实施例的车道线的识别装置的方框图;
图8为根据本发明一个实施例的车道线的识别装置的方框图;
图9为根据本发明另一个实施例的车道线的识别装置的方框图;
图10为根据本发明实施例的汽车的方框图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
下面结合附图来描述本发明实施例的汽车及车道线的检测方法、装置。
图1为根据本发明实施例的车道线的检测方法的流程图。如图1所示,本发明实施例的车道线的识别方法,包括以下步骤:
S101,采集汽车前方的车道线图像。
其中,车道线图像为灰度图像;
S102,计算车道线图像的自适应分割阈值,并根据自适应分割阈值对车道线图像进行分割处理以得到二值化图像。
其中,自适应分割阈值可根据车道线图像的全局分割阈值和局部分割阈值计算得到。
S103,对二值化图像进行边缘检测以提取二值化图像的边缘有效点。
S104,根据提取到的边缘有效点对车道线进行识别。
具体地,首先采集汽车前方的车道线图像,然后计算车道线图像的自适应分割阈值,并根据自适应分割阈值对车道线图像进行分割处理以得到二值化图像,进而对二值化图像进行边缘检测以提取二值化图像的边缘有效点,以及根据提取到的边缘有效点对车道线进行识别。由此,能够实现车道线的有效识别,且计算复杂度低,实时性好。
在本发明的一些实施例中,在计算灰度图像的自适应分割阈值时,首先将车道线图像等分为包括第一车道线的第一车道线图像和包括第二车道线的第二车道线图像,然后分别计算第一车道线图像的全局阈值TL和第二车道线图像的全局阈值TR,以及计算车道线图像的局部阈值TM。进而对TL和TM进行加权处理以得到第一阈值T1,以及对TR和TM进行加权处理以得到第二阈值T2,其中,自适应分割阈值包括第一阈值T1和第二阈值T2。
具体地,可采用Otsu算法分别计算第一车道线图像的全局阈值TL和第二车道线图像的全局阈值TR。如下以计算第一车道线图像的全局阈值TL为例进行说明:
设第一车道线图像的灰度级为L(如L=255),灰度值为i的像素点的个数为ni,总像素点的个数为N,每一个灰度值出现的概率为Pi,则有和
设σ2是类间方差,灰度值小于或等于t的像素点为A类像素点,灰度值大于t的像素点为B类像素点,q1是A类像素点的概率,μ1是A类像素点的均值,μ2是B类像素点的均值,则有和σ2=q1(1-q1)(μ1-μ2)2,其中,q2=1-q1。
由此,按照一定顺序在整个灰度级L搜索每一个灰度值,能够得到使σ2最大的灰度值,该灰度值即为第一车道线图像的全局阈值TL。
同理,可得到第二车道线图像的全局阈值TR。
进一步地,可以采用邻域均值法计算车道线图像的局部阈值。具体地,可将车道线图像上一像素f(i,j)的m*n邻域窗口(如下表1所示,m=4,n=3)的灰度值进行升序排列,并去掉其中的最大值和最小值,然后取剩余像素点的灰度值的平均值TM作为此邻域窗口的分割阈值,即为局部阈值。
表1
f(i+1,j-1) | f(i+1,j) | f(i+1,j+1) | f(i+1,j+2) |
f(i,j-1) | f(i,j) | f(i,j+1) | f(i,j+2) |
f(i-1,j-1) | f(i-1,j) | f(i-1,j+1) | f(i-1,j+2) |
更进一步地,可分别通过如下公式(1)和(2)计算得到自适应分割阈值中的第一阈值T1和第二阈值T2:
T1=TL×(1-ω)+TM×ω (1)
T2=TR×(1-ω)+TM×ω (2)
其中,ω为权重,ω的取值可为0.5。
由此,可以根据阈值T1、T2分别对第一车道线图像和第二车道线图像进行分割处理,以得到对应的二值化图像。
在该实施例中,二值化图像包括与第一车道线图像对应的第一二值化图像和与第二车道线图像对应的第二二值化图像。
进一步地,在对二值化图像(即第一二值化图像和第二二值化图像)进行边缘检测时,可采用sobel算子结合高斯平滑和微分求导。该检测方法的抗噪性好,可以有效消除二值化图像中大部分无用信息,较好地保留车道线的边缘信息。
为了更好地提取车道线的边缘有效点,sobel算子在X方向的内核可为在Y方向的内核可为
在本发明的一个实施例中,在根据提取到的边缘有效点对车道线进行识别时,可将第一二值化图像和/或第二二值化图像划分为多个检测区域;根据每个检测区域中的边缘有效点分别对多个检测区域进行直线检测,以判断每个检测区域中是否存在直线;如果所有检测区域中均存在直线,则将每个检测区域中的直线依次连接以得到第一车道线和/或第二车道线。
其中,可根据第一二值化图像和/或第二二值化图像的高度或长度依次选取检测区域,其中,第一个划分的检测区域的位置为第一二值化图像和/或第二二值化图像中的预设位置,且每个检测区域的高度相同,相邻两个检测区域之间存在重叠。
具体地,可通过霍夫变换对每个检测区域进行直线检测在对第一个检测区域进行直线检测时,霍夫变换的遍历角度为第一预设区间。如果当前检测区域中存在直线,则根据在当前检测区域中检测到的直线确定下一个检测区域的位置,并将下一个检测区域的遍历角度更新为以在当前检测区域中检测到的直线为角平分线的第二预设区间,其中,第二预设区间的长度小于第一预设区间的长度;如果当前检测区域中不存在直线,则调整当前检测区域的位置,并以第一预设区间继续对调整后的当前检测区域进行直线检测,直至在当前检测区域中检测到直线。
其中,第一预设区间和第二预设区间均可根据需要进行标定,如第一预设区间为60°~120°,即在以X轴正向为起点的60°~120°范围内进行遍历,其对应的区间长度为60°,第二预设区间为-6°~6°,即在以检测到的直线为起点的±6°范围内进行遍历,其对应的区间长度为12°。
具体而言,在直角坐标系下,直线的表达式为:y=kx+b,其对应的极坐标参数的直线表达式为:ρ=xcos(β)+ysin(β),推导过程如下:
参照图2,k=tan(π-(π/2-β))=tan(π/2+β)=-tan(β)=-cos(β)/sin(β),其中,sin(β)=ρ/b,b=ρ/sin(β)。则有:
y=kx+b=>y=-cos(β)/sin(β)*x+ρ/sin(β)=>ρ=xcos(β)+ysin(β)
假设(x0,y0)为直角坐标下的一个点,代入ρ=x0cos(β)+y0sin(β),则得到(ρ,β)的曲线,如图3所示。可以理解,在直角坐标系下的一条直线上的点必然会满足式y=kx+b,其中,k、b为常数,则ρ、β为常数。取直线上的点(x0,y0)、(x1,y1)、(x2,y2)、(x3,y3)、……,代入ρ=xcos(β)+ysin(β),则有:
ρ=x0cos(β)+y0sin(β)
ρ=x1cos(β)+y1sin(β)
ρ=x2cos(β)+y2sin(β)
ρ=x3cos(β)+y3sin(β)
……
即在极坐标系(ρ,β)下会存在不同的曲线,而所有的曲线都会交与同一点(ρ0,β0),参照图4。
因此,通过霍夫变换进行直线检测可遍历有效点,即以(ρ,β)为索引,对每一组(ρ,β)的点数进行统计,点数数量超过一定阈值后,则认为这组(ρ,β)对应一条直线。
需要说明的是,虽然车道线并不全是平行直线,但任何弧线都可用线段来逼近,即在该实施例中,可将待处理二值化图像分为若干个检测区域,分别进行霍夫变换,由此检测出的车道线为若干个短线段,可近似逼近弯道处的弧线,即检测到得到有弧度的弯道线。
具体地,以第一二值化图像(对应第一车道线,如左车道线)为例,从第一二值化图像中选取多个(如三个)检测区域(如图5(a)、(b)所示的虚线矩形框),分别标号为1、2、3。其中,1号矩形框大小是固定的,当该区域内检测到直线段时,可通过该直线段的延长线选定2号矩形框的大小位置,同理可得到3号矩形框的大小位置。其中,参见图5(a)、(b),1、2、3号矩形框的高度h1、h2、h3相等,且1号矩形框和2号矩形框之间存在重叠区域,2号矩形框和3号矩形框之间存在重叠区域。
在该示例中,当采用霍夫变换对1号矩形框内的区域进行直线检测时,遍历角度为第一预设区间,如60°~120°,若遍历步长设定为1°,则在1号矩形框内每遍历一个有效点,即产生60组(ρ,β)。如果在1号矩形框内检测到直线,则可将检测到的直线,如图5(a)、(b)所示的1号矩形框和2号矩形框之间重叠区域的线段进行延长,以确定2号矩形框的大小和位置,并将遍历角度更新为以检测到的直线为角平分线的第二预设区间,如-6°~6°,即以检测到的直线为基准偏离正负6°,例如,若此时检测到的直线与X轴正向夹角为70°,那么更新后的遍历角度为64°~76°,对应地,若遍历步长选择1°,则每遍历一个有效点将会产生12组(ρ,β)。如果在1号矩形框内检未测到直线,则可调整1号矩形框的位置,且遍历角度为第一预设区间60°~120°,直至检测到直线。同理,可实现对2号、3号矩形框内区域的直线检测。该检测方法可减少计算量,避免系统反应迟钝,同时提高车道检测的准确率。需要说明的是,遍历步长并不限定为1°,其可根据需要进行设定。
由此,可将每个检测区域中检测到的直线进行连接处理,以整合出不同路况下的车道线,如图6(a)、(b)中左侧实线所示。
综上,根据本发明实施例的车道线的识别方法,采用通过全局阈值和局部阈值加权得到的自适应分割阈值对车道线图像进行分割,进而可有效提取图像边缘有效点,同时避免出现新的噪声,提高了在不同实时背景下识别车道线的能力,降低了误检、漏检的概率。采用分块霍夫变换,能够缩小目标区域,降低了算法复杂度,提高车道线识别效率,同时适用于弯道处的车道线检测,准确识别实时路况。同时在直线检测中通过对已检测到的车道线进行分析,限制霍夫变换的遍历角度,可降低计算复杂度。
进一步地,本发明提出了一种非临时性计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述的车道线的识别方法。
本发明实施例的非临时性计算机可读存储介质,通过执行其上存储的与车道线的识别方法对应的程序,能够实现车道线的有效检测,且计算复杂度低,实时性好。
图7为根据本发明实施例的车道线的识别装置的方框图。如图7所示,该车道线的识别装置100包括:采集模块10、计算模块20、分割模块30、检测模块40和识别模块50。
其中,采集模块10用于采集汽车前方的车道线图像,其中,车道线图像为灰度图像。计算模块20用于计算车道线图像的自适应分割阈值。分割模块30用于根据自适应分割阈值对车道线图像进行分割处理以得到二值化图像。检测模块40用于对二值化图像进行边缘检测以提取二值化图像的边缘有效点。识别模块50用于根据提取到的边缘有效点对车道线进行识别。
在本发明的一些实施例中,如图8所示,计算模块20包括:划分单元21、计算单元22和第一处理单元23。
其中,划分单元21用于将车道线图像等分为包括第一车道线的第一车道线图像和包括第二车道线的第二车道线图像。计算单元22用于分别计算第一车道线图像的全局阈值TL和第二车道线图像的全局阈值TR,以及计算车道线图像的局部阈值TM。第一处理单元23用于对TL和TM进行加权处理以得到第一阈值T1,以及对TR和TM进行加权处理以得到第二阈值T2,其中,自适应分割阈值包括第一阈值T1和第二阈值T2。
具体地,计算单元21可采用Otsu算法分别计算第一车道线图像的全局阈值TL和第二车道线图像的全局阈值TR。如下以计算第一车道线图像的全局阈值TL为例进行说明:
设第一车道线图像的灰度级为L(如L=255),灰度值为i的像素点的个数为ni,总像素点的个数为N,每一个灰度值出现的概率为Pi,则有和
设σ2是类间方差,灰度值小于或等于t的像素点为A类像素点,灰度值大于t的像素点为B类像素点,q1是A类像素点的概率,μ1是A类像素点的均值,μ2是B类像素点的均值,则有和σ2=q1(1-q1)(μ1-μ2)2,其中,q2=1-q1。
由此,按照一定顺序在整个灰度级L搜索每一个灰度值,能够得到使σ2最大的灰度值,该灰度值即为第一车道线图像的全局阈值TL。
同理,可得到第二车道线图像的全局阈值TR。
进一步地,计算单元21可以采用邻域均值法计算车道线图像的局部阈值。具体地,可将车道线图像上一像素f(i,j)的m*n邻域窗口(如下表1所示,m=4,n=3)的灰度值进行升序排列,并去掉其中的最大值和最小值,然后取剩余像素点的灰度值的平均值TM作为此邻域窗口的分割阈值,即为局部阈值。
表1
f(i+1,j-1) | f(i+1,j) | f(i+1,j+1) | f(i+1,j+2) |
f(i,j-1) | f(i,j) | f(i,j+1) | f(i,j+2) |
f(i-1,j-1) | f(i-1,j) | f(i-1,j+1) | f(i-1,j+2) |
更进一步地,可分别通过如下公式(1)和(2)计算得到自适应分割阈值中的第一阈值T1和第二阈值T2:
T1=TL×(1-ω)+TM×ω (1)
T2=TR×(1-ω)+TM×ω (2)
其中,ω为权重,ω的取值可为0.5。
由此,可以根据阈值T1、T2分别对第一车道线图像和第二车道线图像进行分割处理,以得到对应的二值化图像。
在本发明的一些实施例中,二值化图像包括与第一车道线图像对应的第一二值化图像和与第二车道线图像对应的第二二值化图像。
进一步地,检测模块40在对二值化图像(即第一二值化图像和第二二值化图像)进行边缘检测时,可采用sobel算子结合高斯平滑和微分求导。该检测方法的抗噪性好,可以有效消除二值化图像中大部分无用信息,较好地保留车道线的边缘信息。
为了更好地提取车道线的边缘有效点,sobel算子在X方向的内核可为在Y方向的内核可为
进一步地,如图9所示,识别模块50包括:选取单元51、检测单元52和第二处理单元53。
其中,选取单元51用于从第一二值化图像和/或第二二值化图像选取多个检测区域。检测单元52用于根据每个检测区域中的边缘有效点分别对多个检测区域进行直线检测,以判断每个检测区域中是否存在直线。第二处理单元53用于在所有检测区域中均存在直线时,将每个检测区域中的直线依次连接以得到第一车道线和/或第二车道线。
在本发明的一个实施例中,选取模块51根据第一二值化图像和/或第二二值化图像的高度或长度依次选取检测区域,其中,第一个划分的检测区域的位置为第一二值化图像和/或第二二值化图像中的预设位置,且每个检测区域的高度相同,相邻两个检测区域之间存在重叠。检测单元52可通过霍夫变换对每个检测区域进行直线检测,且检测单元在对第一个检测区域进行直线检测时,霍夫变换的遍历角度为第一预设区间。
具体地,如果当前检测区域中存在直线,选取单元51则根据在当前检测区域中检测到的直线确定下一个检测区域的位置,且检测单元52将下一个检测区域的遍历角度更新为以在当前检测区域中检测到的直线为角平分线的第二预设区间,其中,第二预设区间的长度小于第一预设区间的长度;如果当前检测区域中不存在直线,选取单元51则调整当前检测区域的位置,且检测单元52以第一预设区间继续对调整后的当前检测区域进行直线检测,直至在当前检测区域中检测到直线。
其中,第一预设区间和第二预设区间均可根据需要进行标定,如第一预设区间为60°~120°,即在以X轴正向为起点的60°~120°范围内进行遍历,其对应的区间长度为60°,第二预设区间为-6°~6°,即在以检测到的直线为起点的±6°范围内进行遍历,其对应的区间长度为12°。
具体而言,在直角坐标系下,直线的表达式为:y=kx+b,其对应的极坐标参数的直线表达式为:ρ=xcos(β)+ysin(β),推导过程如下:
参照图2,k=tan(π-(π/2-β))=tan(π/2+β)=-tan(β)=-cos(β)/sin(β),其中,sin(β)=ρ/b,b=ρ/sin(β)。则有:
y=kx+b=>y=-cos(β)/sin(β)*x+ρ/sin(β)=>ρ=xcos(β)+ysin(β)
假设(x0,y0)为直角坐标下的一个点,代入ρ=x0cos(β)+y0sin(β),则得到(ρ,β)的曲线,如图3所示。可以理解,在直角坐标系下的一条直线上的点必然会满足式y=kx+b,其中,k、b为常数,则ρ、β为常数。取直线上的点(x0,y0)、(x1,y1)、(x2,y2)、(x3,y3)、……,代入ρ=xcos(β)+ysin(β),则有:
ρ=x0cos(β)+y0sin(β)
ρ=x1cos(β)+y1sin(β)
ρ=x2cos(β)+y2sin(β)
ρ=x3cos(β)+y3sin(β)
……
即在极坐标系(ρ,β)下会存在不同的曲线,而所有的曲线都会交与同一点(ρ0,β0),参照图4。
因此,通过霍夫变换进行直线检测可遍历有效点,即以(ρ,β)为索引,对每一组(ρ,β)的点数进行统计,点数数量超过一定阈值后,则认为这组(ρ,β)对应一条直线。
需要说明的是,虽然车道线并不全是平行直线,但任何弧线都可用线段来逼近,即在该实施例中,可将待处理二值化图像分为若干个检测区域,分别进行霍夫变换,由此检测出的车道线为若干个短线段,可近似逼近弯道处的弧线,即检测到得到有弧度的弯道线。
具体地,以第一二值化图像(对应第一车道线,如左车道线)为例,从第一二值化图像中选取多个(如三个)检测区域(如图5(a)、(b)所示的虚线矩形框),分别标号为1、2、3。其中,1号矩形框大小是固定的,当该区域内检测到直线段时,可通过该直线段的延长线选定2号矩形框的大小位置,同理可得到3号矩形框的大小位置。其中,参见图5(a)、(b),1、2、3号矩形框的高度h1、h2、h3相等,且1号矩形框和2号矩形框之间存在重叠区域,2号矩形框和3号矩形框之间存在重叠区域。
在该示例中,当检测单元52采用霍夫变换对1号矩形框内的区域进行直线检测时,遍历角度为第一预设区间,如60°~120°,若遍历步长设定为1°,则在1号矩形框内每遍历一个有效点,即产生60组(ρ,β)。如果在1号矩形框内检测到直线,选取单元51则可将检测到的直线,例如图5(a)、(b)所示的1号矩形框和2号矩形框之间重叠区域的线段进行延长,以确定2号矩形框的大小和位置,检测单元53将遍历角度更新为以检测到的直线为角平分线的第二预设区间,如-6°~6°,即以检测到的直线为基准偏离正负6度,例如,若此时检测到的直线与X轴正向夹角为70°,那么更新后的遍历角度为64°~76°,对应地,若遍历步长选择1°,则每遍历一个有效点将会产生12组(ρ,β)。如果在1号矩形框内检未测到直线,选取单元51则可调整1号矩形框的位置,且检测单元53检测时的遍历角度为第一预设区间60°~120°,直至检测到直线。同理,可实现对2号、3号矩形框内区域的直线检测。该检测过程可减少计算量,避免系统反应迟钝,同时提高车道检测的准确率。需要说明的是,遍历步长并不限定为1°,其可根据需要进行设定。
由此,可通过第二处理单元53将每个检测区域中检测到的直线进行连接处理,以整合出不同路况下的车道线,如图6(a)、(b)中左侧实线所示。
综上,根据本发明实施例的车道线的检测装置,采用由全局阈值和局部阈值加权得到的自适应分割阈值对车道线图像进行分割,进而可有效提取图像边缘有效点,同时避免出现新的噪声,提高了在不同实时背景下识别车道线的能力,降低了误检、漏检的概率。采用分块霍夫变换,能够缩小目标区域,降低了算法复杂度,提高车道线识别效率,同时适用于弯道处的车道线检测,准确识别实时路况。同时在直线检测中通过对已检测到的车道线进行分析,限制霍夫变换的遍历角度,可降低计算复杂度。
图10为根据本发明实施例的汽车的方框图。如图10所示,该汽车1000包括上述实施例的车道线的识别装置100。
本发明实施例的汽车,采用上述车道线的识别装置,能够实现车道线的有效检测,且计算复杂度低,实时性好。
另外,根据本发明实施例的汽车的其他构成及其作用对本领域的技术人员而言是已知的,为减少冗余,此处不做赘述。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如,如果用硬件来实现和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本发明各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
在本发明的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
在本发明中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中,除非另有明确的规定和限定,第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触,或第一和第二特征通过中间媒介间接接触。而且,第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方,或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方,或仅仅表示第一特征水平高度小于第二特征。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (12)
1.一种车道线的识别方法,其特征在于,包括以下步骤:
采集汽车前方的车道线图像,其中,所述车道线图像为灰度图像;
计算所述车道线图像的自适应分割阈值,并根据所述自适应分割阈值对所述车道线图像进行分割处理以得到二值化图像;
对所述二值化图像进行边缘检测以提取所述二值化图像的边缘有效点;
根据提取到的边缘有效点对车道线进行识别。
2.如权利要求1所述的车道线的识别方法,其特征在于,所述计算所述灰度图像的自适应分割阈值,包括:
将所述车道线图像等分为包括第一车道线的第一车道线图像和包括第二车道线的第二车道线图像;
分别计算所述第一车道线图像的全局阈值TL和所述第二车道线图像的全局阈值TR,以及计算所述车道线图像的局部阈值TM;
对TL和TM进行加权处理以得到第一阈值T1,以及对TR和TM进行加权处理以得到第二阈值T2,其中,所述自适应分割阈值包括所述第一阈值T1和所述第二阈值T2。
3.如权利要求2所述的车道线的识别方法,其特征在于,所述二值化图像包括与所述第一车道线图像对应的第一二值化图像和与所述第二车道线图像对应的第二二值化图像,所述根据提取到的边缘有效点对车道线进行识别,包括:
从所述所述第一二值化图像和/或所述第二二值化图像中选取多个检测区域;
根据每个检测区域中的边缘有效点分别对所述多个检测区域进行直线检测,以判断每个检测区域中是否存在直线;
如果所有检测区域中均存在直线,则将每个检测区域中的直线依次连接以得到所述所述第一车道线和/或所述第二车道线。
4.如权利要求3所述的车道线的识别方法,其特征在于,根据所述所述第一二值化图像和/或所述第二二值化图像的高度或长度依次选取检测区域,其中,第一个划分的检测区域的位置为所述第一二值化图像和/或所述第二二值化图像中的预设位置,且每个检测区域的高度相同,相邻两个检测区域之间存在重叠。
5.如权利要求4所述的车道线的识别方法,其特征在于,通过霍夫变换对每个检测区域进行直线检测,且在对第一个检测区域进行直线检测时,霍夫变换的遍历角度为第一预设区间,其中,
如果当前检测区域中存在直线,则根据在当前检测区域中检测到的直线确定下一个检测区域的位置,并将下一个检测区域的遍历角度更新为以在当前检测区域中检测到的直线为角平分线的第二预设区间,其中,所述第二预设区间的长度小于所述第一预设区间的长度;
如果当前检测区域中不存在直线,则调整当前检测区域的位置,并以所述第一预设区间继续对调整后的当前检测区域进行直线检测,直至在当前检测区域中检测到直线。
6.一种非临时性计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-5中任一项所述的车道线的识别方法。
7.一种车道线的识别装置,其特征在于,包括:
采集模块,用于采集汽车前方的车道线图像,其中,所述车道线图像为灰度图像;
计算模块,用于计算所述车道线图像的自适应分割阈值;
分割模块,用于根据所述自适应分割阈值对所述车道线图像进行分割处理以得到二值化图像;
检测模块,用于对所述二值化图像进行边缘检测以提取所述二值化图像的边缘有效点;
识别模块,用于根据提取到的边缘有效点对车道线进行识别。
8.如权利要求7所述的车道线的识别装置,其特征在于,所述计算模块包括:
划分单元,用于将所述车道线图像等分为包括第一车道线的第一车道线图像和包括第二车道线的第二车道线图像;
计算单元,用于分别计算所述第一车道线图像的全局阈值TL和所述第二车道线图像的全局阈值TR,以及计算所述车道线图像的局部阈值TM;
第一处理单元,用于对TL和TM进行加权处理以得到第一阈值T1,以及对TR和TM进行加权处理以得到第二阈值T2,其中,所述自适应分割阈值包括所述第一阈值T1和所述第二阈值T2。
9.如权利要求8所述的车道线的识别装置,其特征在于,所述二值化图像包括与所述第一车道线图像对应的第一二值化图像和与所述第二车道线图像对应的第二二值化图像,所述识别模块包括:
选取单元,用于从所述所述第一二值化图像和/或所述第二二值化图像中选取多个检测区域;
检测单元,用于根据每个检测区域中的边缘有效点分别对所述多个检测区域进行直线检测,以判断每个检测区域中是否存在直线;
第二处理单元,用于在所有检测区域中均存在直线时,将每个检测区域中的直线依次连接以得到所述所述第一车道线和/或所述第二车道线。
10.如权利要求9所述的车道线的识别装置,其特征在于,所述第二划分模块根据所述所述第一二值化图像和/或所述第二二值化图像的高度或长度依次选取检测区域,其中,第一个划分的检测区域的位置为所述第一二值化图像和/或所述第二二值化图像中的预设位置,且每个检测区域的高度相同,相邻两个检测区域之间存在重叠。
11.如权利要求10所述的车道线的识别装置,其特征在于,所述检测单元通过霍夫变换对每个检测区域进行直线检测,且所述检测单元在对第一个检测区域进行直线检测时,霍夫变换的遍历角度为第一预设区间,其中,
如果当前检测区域中存在直线,所述选取单元则根据在当前检测区域中检测到的直线确定下一个检测区域的位置,所述检测单元将下一个检测区域的遍历角度更新为以在当前检测区域中检测到的直线为角平分线的第二预设区间,其中,所述第二预设区间的长度小于所述第一预设区间的长度;
如果当前检测区域中不存在直线,所述选取单元则调整当前检测区域的位置,所述检测单元以所述第一预设区间继续对调整后的当前检测区域进行直线检测,直至在当前检测区域中检测到直线。
12.一种汽车,其特征在于,包括如权利要求7-11中任一项所述的车道线的识别装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710874515.8A CN109558765B (zh) | 2017-09-25 | 2017-09-25 | 汽车及车道线的检测方法、装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710874515.8A CN109558765B (zh) | 2017-09-25 | 2017-09-25 | 汽车及车道线的检测方法、装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109558765A true CN109558765A (zh) | 2019-04-02 |
CN109558765B CN109558765B (zh) | 2022-02-08 |
Family
ID=65862538
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710874515.8A Active CN109558765B (zh) | 2017-09-25 | 2017-09-25 | 汽车及车道线的检测方法、装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109558765B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111460072A (zh) * | 2020-04-01 | 2020-07-28 | 北京百度网讯科技有限公司 | 车道线检测方法、装置、设备和存储介质 |
CN113537253A (zh) * | 2021-08-23 | 2021-10-22 | 北京环境特性研究所 | 一种红外图像目标检测方法、装置、计算设备及存储介质 |
CN114862753A (zh) * | 2022-03-17 | 2022-08-05 | 北京梦诚科技有限公司 | 一种自动高精度表格校正方法和系统 |
CN116152761A (zh) * | 2022-12-26 | 2023-05-23 | 小米汽车科技有限公司 | 车道线检测方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4390631B2 (ja) * | 2004-06-02 | 2009-12-24 | トヨタ自動車株式会社 | 境界線検出装置 |
CN102521589A (zh) * | 2011-11-18 | 2012-06-27 | 深圳市宝捷信科技有限公司 | 一种车道线检测的方法及系统 |
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 |
CN105868696A (zh) * | 2016-03-23 | 2016-08-17 | 奇瑞汽车股份有限公司 | 一种检测多车道车道线的方法和装置 |
-
2017
- 2017-09-25 CN CN201710874515.8A patent/CN109558765B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4390631B2 (ja) * | 2004-06-02 | 2009-12-24 | トヨタ自動車株式会社 | 境界線検出装置 |
CN102521589A (zh) * | 2011-11-18 | 2012-06-27 | 深圳市宝捷信科技有限公司 | 一种车道线检测的方法及系统 |
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 |
CN105868696A (zh) * | 2016-03-23 | 2016-08-17 | 奇瑞汽车股份有限公司 | 一种检测多车道车道线的方法和装置 |
Non-Patent Citations (3)
Title |
---|
刘伟 等: "基于自适应分割阈值的夜间车道标识线识别", 《计算机与数字工程》 * |
匡纲要 等: "《合成孔径雷达》", 30 November 2007, 国防科技大学出版社 * |
林青: "基于视觉的行车道检测系统研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111460072A (zh) * | 2020-04-01 | 2020-07-28 | 北京百度网讯科技有限公司 | 车道线检测方法、装置、设备和存储介质 |
CN111460072B (zh) * | 2020-04-01 | 2023-10-03 | 北京百度网讯科技有限公司 | 车道线检测方法、装置、设备和存储介质 |
CN113537253A (zh) * | 2021-08-23 | 2021-10-22 | 北京环境特性研究所 | 一种红外图像目标检测方法、装置、计算设备及存储介质 |
CN113537253B (zh) * | 2021-08-23 | 2024-01-23 | 北京环境特性研究所 | 一种红外图像目标检测方法、装置、计算设备及存储介质 |
CN114862753A (zh) * | 2022-03-17 | 2022-08-05 | 北京梦诚科技有限公司 | 一种自动高精度表格校正方法和系统 |
CN116152761A (zh) * | 2022-12-26 | 2023-05-23 | 小米汽车科技有限公司 | 车道线检测方法及装置 |
CN116152761B (zh) * | 2022-12-26 | 2023-10-17 | 小米汽车科技有限公司 | 车道线检测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109558765B (zh) | 2022-02-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110555361B (zh) | 车道分类的图像处理方法 | |
EP3879455A1 (en) | Multi-sensor data fusion method and device | |
González et al. | Automatic traffic signs and panels inspection system using computer vision | |
CN104011737B (zh) | 用于探测雾的方法 | |
CN106951879A (zh) | 基于摄像头与毫米波雷达的多特征融合车辆检测方法 | |
CN106529493A (zh) | 一种基于透视图的鲁棒性多车道线检测方法 | |
CN109583280A (zh) | 车道线识别方法、装置、设备及存储介质 | |
CN109558765A (zh) | 汽车及车道线的检测方法、装置 | |
CN105426864A (zh) | 一种基于等距边缘点匹配的多车道线检测方法 | |
CN110647850A (zh) | 一种基于逆透视原理的车道偏移自动测量方法 | |
CN108052904B (zh) | 车道线的获取方法及装置 | |
CN105678287B (zh) | 一种基于脊度量的车道线检测方法 | |
CN104376297A (zh) | 道路上的线型指示标志的检测方法和装置 | |
CN108280450A (zh) | 一种基于车道线的高速公路路面检测方法 | |
CN110197173B (zh) | 一种基于双目视觉的路沿检测方法 | |
CN102982304B (zh) | 利用偏光图像检测车辆位置的方法和系统 | |
CN110386065A (zh) | 车辆盲区的监控方法、装置、计算机设备及存储介质 | |
CN104029680A (zh) | 基于单目摄像头的车道偏离预警系统及方法 | |
CN109584300A (zh) | 一种确定车头朝向角度的方法及装置 | |
CN108171695A (zh) | 一种基于图像处理的高速公路路面检测方法 | |
CN110246183A (zh) | 车轮接地点检测方法、装置及存储介质 | |
CN108364466A (zh) | 一种基于无人机交通视频的车流量统计方法 | |
CN106887004A (zh) | 一种基于块匹配的车道线检测方法 | |
CN110379168A (zh) | 一种基于Mask R-CNN的交通车辆信息获取方法 | |
CN104115188A (zh) | 立体物检测装置 |
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 |