CN109886122B - 车道线检测方法、装置、计算机设备和存储介质 - Google Patents
车道线检测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN109886122B CN109886122B CN201910063351.XA CN201910063351A CN109886122B CN 109886122 B CN109886122 B CN 109886122B CN 201910063351 A CN201910063351 A CN 201910063351A CN 109886122 B CN109886122 B CN 109886122B
- Authority
- CN
- China
- Prior art keywords
- pixel
- zero
- point
- distance
- lane line
- 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
本申请涉及一种车道线检测方法、系统、计算机设备和存储介质。所述方法包括：对道路图像中的感兴趣区域图像进行灰度处理，得到灰度图像；对灰度图像进行边缘检测，得到边缘检测图像，分别剔除边缘检测图像中非车道线区域所包含的边缘点，得到边缘剔除图像；将边缘剔除图像的像素非零点区域划分为多个目标区域，根据各个目标区域确定第一车道线集合和第二车道线集合，在第一车道线集合中选取第一车道线，在第二车道线集合中选取第二车道线。采用本方法能够提高车道线检测的效率，保证所检测的车道线的准确性。
Description
技术领域
本申请涉及图像处理技术领域，特别是涉及一种车道线检测方法、装置、计算机设备和存储介质。
背景技术
目前，随着对车辆安全技术的不断研究，机器视觉已经成为辅助驾驶和无人驾驶的主流处理方法之一。视觉处理相比其他方法具有直观，高效，价格便宜等明显的优势，因而受到了越来越广泛的重视。车道线检测作为车辆安全技术领域的主要视觉导航技术，能够在驾驶员因疲劳/注意力不集中等情形下，导致车辆偏离车道线及时做出预警，从而在很大程度上减少了交通事故的酿成。此外，该技术还能在一定程度上规范驾驶员的不良驾驶方式。因而，车道线检测具有重大的研究意义和实际应用价值。
传统的车道线检测方案中，有方案首先对相机进行标定，其次通过对相机，路面以及车辆三者之间构建一个几何模型，然后进行车道线的检测；还有方案首先对道路图片进行特征(轮廓/边缘)提取，其次对特征进行直线提取(hough)，最后对获取的直线进行筛选以实现车道线检测。上述车道线检测方案均具有较高的复杂度，容易使车道线检测的效率低。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高车道线检测效率的车道线检测方法、装置、计算机设备和存储介质。
一种车道线检测方法，所述方法包括：
对道路图像中的感兴趣区域图像进行灰度处理，得到灰度图像；
对灰度图像进行边缘检测，得到边缘检测图像，分别剔除边缘检测图像中非车道线区域所包含的边缘点，得到边缘剔除图像；
将边缘剔除图像的像素非零点区域划分为多个目标区域，根据各个目标区域确定第一车道线集合和第二车道线集合，在第一车道线集合中选取第一车道线，在第二车道线集合中选取第二车道线。
一种车道线检测装置，包括
灰度处理模块，用于对道路图像中的感兴趣区域图像进行灰度处理，得到灰度图像；
第一检测模块，用于对灰度图像进行边缘检测，得到边缘检测图像，分别剔除边缘检测图像中非车道线区域所包含的边缘点，得到边缘剔除图像；
确定模块，用于将边缘剔除图像的像素非零点区域划分为多个目标区域，根据各个目标区域确定第一车道线集合和第二车道线集合，在第一车道线集合中选取第一车道线，在第二车道线集合中选取第二车道线。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
对道路图像中的感兴趣区域图像进行灰度处理，得到灰度图像；
对灰度图像进行边缘检测，得到边缘检测图像，分别剔除边缘检测图像中非车道线区域所包含的边缘点，得到边缘剔除图像；
将边缘剔除图像的像素非零点区域划分为多个目标区域，根据各个目标区域确定第一车道线集合和第二车道线集合，在第一车道线集合中选取第一车道线，在第二车道线集合中选取第二车道线。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
对道路图像中的感兴趣区域图像进行灰度处理，得到灰度图像；
对灰度图像进行边缘检测，得到边缘检测图像，分别剔除边缘检测图像中非车道线区域所包含的边缘点，得到边缘剔除图像；
将边缘剔除图像的像素非零点区域划分为多个目标区域，根据各个目标区域确定第一车道线集合和第二车道线集合，在第一车道线集合中选取第一车道线，在第二车道线集合中选取第二车道线。
上述车道线检测方法、装置、计算机设备和存储介质，可以对道路图像中的感兴趣区域图像进行灰度处理，得到灰度图像，对灰度图像进行边缘检测，得到边缘检测图像，分别剔除边缘检测图像中非车道线区域所包含的边缘点，得到边缘剔除图像，将边缘剔除图像的像素非零点区域划分为多个目标区域，以确定第一车道线集合和第二车道线集合，分别进行第一车道线和第二车道线的选取，有效简化了检测过程中的计算过程，可以提高车道线的检测效率；还可以保证车道线检测结果的准确性。
附图说明
图1为一个实施例中车道线检测方法的流程示意图；
图2为一个实施例中非车道线区域的边缘点剔除过程示意图；
图3为一个实施例中车道线检测装置的结构框图；
图4为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的车道线检测方法，可以应用于驾驶中的汽车中。汽车上配置的拍摄装置可以实时对道路进行拍摄，获得道路图像，将道路图像发送至汽车的智能处理装置。智能处理装置可以从道路图像中提取包括车道线的感兴趣区域图像，对感兴趣区域图像进行灰度处理，得到灰度图像；对灰度图像进行边缘检测，得到边缘检测图像，分别剔除边缘检测图像中非车道线区域所包含的边缘点，得到边缘剔除图像；将边缘剔除图像的像素非零点区域划分为多个目标区域，根据各个目标区域确定第一车道线集合和第二车道线集合，在第一车道线集合中选取第一车道线，在所述第二车道线集合中选取第二车道线，以实现第一车道线和第二车道线的检测。
在一个实施例中，如图1所示，提供了一种车道线检测方法，以该方法应用于汽车的智能处理装置为例进行说明，包括以下步骤：
S10,对道路图像中的感兴趣区域图像进行灰度处理，得到灰度图像。
上述道路图像为汽车上配置的摄像装置在汽车行驶过程中实时向汽车前方的道路拍摄所得的图像。上述感兴趣区域图像为道路图像中包括包括车道线的图像，可以通过相关图像处理技术从道路图像中提取感兴趣区域图像，以保证后续进行车道线检测的有效性。
对感兴趣区域图像进行灰度处理，可以简化依据上述灰度图像进行车道线检测的计算过程，提高相应的检测效率。
S30,对灰度图像进行边缘检测，得到边缘检测图像，分别剔除边缘检测图像中非车道线区域所包含的边缘点，得到边缘剔除图像。
在灰度图像中，灰度值不为0的像素点为像素非零点，灰度值为0的像素点为像素零点。对灰度图像进行边缘检测，可以确定灰度图像中所包括的边缘信息(边缘点)，使所得到边缘检测图像包括车道线区域的边缘点以及非车道线区域的边缘点。非车道线区域所包含的边缘点可以通过符合设定条件的像素非零段表征；上述像素非零段包括一个或相互连续的多个像素非零点；设定条件可以为像素非零段的段距离(段长度)超过相应的距离阈值等条件。
上述步骤S30可以对边缘检测图像的各行像素进行遍历，以识别并剔除边缘检测图像各行像素中非车道线区域所包含的边缘点，可以保证剔除边缘检测图像中非车道线区域所包含的边缘点的准确性。
S50,将边缘剔除图像的像素非零点区域划分为多个目标区域，根据各个目标区域确定第一车道线集合和第二车道线集合，在第一车道线集合中选取第一车道线，在第二车道线集合中选取第二车道线。
上述第一车道线为道路一侧的车道线(如左车道线)，上述第二车道线为道路另一侧的车道线(如右车道线)。第一车道线集合可以包括若干条可能为第一车道线的直线，第二车道线集合可以包括若干条可能为第二车道线的直线。
上述步骤依据剔除非车道线区域的边缘点的边缘剔除图像进行车道线的检测，在简化检测过程的基础上，保证了车道线检测结果的准确性。
本实施例提供的车道线检测方法，可以对道路图像中的感兴趣区域图像进行灰度处理，得到灰度图像，对灰度图像进行边缘检测，得到边缘检测图像，分别剔除边缘检测图像中非车道线区域所包含的边缘点，得到边缘剔除图像，将边缘剔除图像的像素非零点区域划分为多个目标区域，以确定第一车道线集合和第二车道线集合，分别进行第一车道线和第二车道线的选取，有效简化了检测过程中的计算过程，可以提高车道线的检测效率；还可以保证车道线检测结果的准确性。
在一个实施例中，分别剔除边缘检测图像中非车道线区域所包含的边缘点，包括：
S231,将边缘检测图像中当前行的第一个像素非零点确定为第一初始非零点；像素非零点为像素值不为0的像素点；
S232,识别包括第一初始非零点的第一像素非零段，以及第一像素非零段的第一非零段终点；像素非零段包括相互连续的多个像素非零点；第一像素非零段为起始点为第一初始非零点的像素非零段；第一非零段终点为第一像素非零段的最后一个像素非零点；
S233,判断第一非零段终点与第一初始非零点之间的第一段距离是否大于第一距离阈值；
S234,若第一段距离小于或者等于第一距离阈值，则识别第一非零段终点距当前行第一个像素点的第一像素距离；
S235若第一段距离大于第一距离阈值，则剔除第一像素非零段，识别第一非零段终点之后的第一个像素点距当前行第一个像素点的第二像素距离；
S236,若第一像素距离小于感兴趣区域图像的图像宽度，则将第一非零段终点之后的第一个像素零点确定为第一初始零点，确定包括第一初始零点的第一像素零段，以及第一像素零段的第一零段终点；若第一像素距离大于等于图像宽度，则结束当前行搜索；像素零段包括相互连续的多个像素零点；第一像素零段为起始点为第一初始零点的像素零段；第一零段终点为第一像素零段的最后一个像素零点；
S237,若第二像素距离小于图像宽度，则将第一非零段终点之后的第一个像素非零点确定为新的第一初始非零点，返回执行识别包括第一初始非零点的第一像素非零段，以及第一像素非零段的第一非零段终点的步骤(步骤S232)；
S238,若第二像素距离大于等于图像宽度，则结束当前行搜索；
S239,判断第一零段终点与第一初始零点之间的第二段距离是否大于第二距离阈值；
S241,若第二段距离小于或者等于第二距离阈值，则识别第一零段终点距当前行第一个像素点的第三像素距离；
S242,若第二段距离大于第二距离阈值，则剔除第一像素非零段，识别第一零段终点之后的第一个像素点距当前行第一个像素点的第四像素距离；
S243，若第四像素距离小于图像宽度，将第一零段终点之后的第一个像素非零点确定为新的第一初始非零点，返回执行识别包括第一初始非零点的第一像素非零段，以及第一像素非零段的第一非零段终点的步骤(步骤S232)；
S244,若第四像素距离大于等于图像宽度，则结束当前行搜索；
S245,若第三像素距离小于图像宽度，则将第一零段终点之后的第一个像素非零点确定为第二初始非零点，确定包括第二初始非零点的第二像素非零段，以及第二像素非零段的第二非零段终点；若第三像素距离大于等于图像宽度，则结束当前行搜索；第二像素非零段为起始点为第二初始非零点的像素非零段；第二非零段终点为第二像素非零段的最后一个像素非零点；
S246,判断第二非零段终点与第二初始非零点之间的第三段距离是否大于第三距离阈值；
S247,若第三段距离小于或者等于第三距离阈值，则识别第二非零段终点距当前行第一个像素点的第五像素距离；
S248,若第三段距离大于第三距离阈值，则剔除第二像素非零段，识别第二非零段终点之后的第一个像素点距当前行第一个像素点的第六像素距离；
S249，若第六像素距离小于图像宽度，将第二非零段终点之后的第一个像素非零点确定为新的第一初始非零点，返回执行识别包括第一初始非零点的第一像素非零段，以及第一像素非零段的第一非零段终点的步骤(步骤S232)；
S251,若第六像素距离大于等于图像宽度，则结束当前行搜索；
S252,若第五像素距离小于图像宽度，则将第二非零段终点之后的第一个像素非零点确定为第二初始零点，确定包括第二初始零点的第二像素零段，以及第二像素零段的第二零段终点；若第五像素距离大于等于图像宽度，则结束当前行搜索；第二像素零段为起始点为第二初始零点的像素零段；第二零段终点为第二像素零段的最后一个像素零点；
S253,判断第二零段终点与第二初始零点之间的第四段距离是否大于第四距离阈值；
S254,若第四段距离小于或者等于第四距离阈值，则识别第二零段终点距当前行第一个像素点的第七像素距离；
S255,若第四段距离大于第四距离阈值，则剔除第一像素非零段和第二像素非零段的边缘点，识别第二零段终点之后的第一个像素点距当前行第一个像素点的第八像素距离；
S256，若第七像素距离小于图像宽度，或者第八像素距离小于图像宽度，将第二零段终点之后的第一个像素非零点确定为新的第一初始非零点，返回执行识别包括第一初始非零点的第一像素非零段，以及第一像素非零段的第一非零段终点的步骤(步骤S232)；
S257,若第七像素距离大于等于图像宽度，或者，第八像素距离大于等于图像宽度，则结束当前行搜索。
在结束当前行搜索，即结束当前行非车道线区域所包含的边缘点之后，可以继续进行下一行非车道线区域所包含的边缘点的剔除，即重复执行上述步骤S231至S257，进行下一行非车道线区域所包含的边缘点的剔除，以此类推，直至剔除边缘检测图像中各行非车道线区域所包含的边缘点。
具体地，上述分别剔除边缘检测图像中非车道线区域所包含的边缘点也可以参考图2所示，通过如下过程表征(图2中，字母Y表示是，字母N表示否)：
步骤S201：开始搜索当前行；
步骤S202：设置每行搜索的组数i＝1；
步骤S203：对于当前行搜索像素非零点，确定第一像素非零段的起点Pai，第一像素非零段的终点Pbi；
步骤S204：判断终点Pbi与起点Pai的差值是否大于第一阈值th1(第一距离阈值)；
若是，则执行步骤S205，剔除起点Pai到终点Pbi的边缘点，且继续往后搜索像素非零点，执行步骤S206，像素点行参数i加一赋值给i，判断赋值后的i对应的宽度(第i个像素距当前行首像素的宽度)是否小于图像宽度值W(感兴趣区域图像的图像宽度)；
若是，则返回执行步骤S203；
若否，则执行步骤S218，结束搜索当前行；
若否，则继续往后搜索像素零点；
步骤S207：判断终点Pbi对应的宽度(终点Pbi距当前行首像素的宽度)是否小于图像宽度值W；
若是，则继续搜索；
若否，则执行步骤S218，结束搜索当前行。
步骤S208：搜索从终点Pbi右移一个像素点单位，即起点Pbi+1处开始的一段连续像素零点(第一像素零段)，确定第一像素零段的终点为Pci；
步骤S209：判断终点Pci与起点Pbi+1的差值是否大于第二阈值th2(第二距离阈值)；
若是，则执行步骤S205，剔除起点Pai到第一像素非零点的终点Pbi的边缘点，且继续往后搜索像素非零点，执行步骤S206，像素点行参数i加一赋值给i，判断赋值后的i值对应的宽度是否小于图像宽度值W；
若是，则返回执行步骤S203；
若否，则执行步骤S218，结束搜索当前行；
若否，则继续往后搜索像素非零点；
步骤S210：判断终点Pci对应的宽度(终点Pci距当前行首像素的宽度)是否小于图像宽度值W；
若是，则继续搜索；
若否，则执行步骤S218，结束搜索当前行；
步骤S211：搜索从终点Pci右移一个像素点单位，即第二像素非零段的起点Pci+1处开始的一段连续像素非零点(第二像素非零段)，确定第二像素非零段的终点为Pdi；
步骤S212：判断终点Pdi与起点Pci+1是否大于第三阈值th3(第三距离阈值)；
若是，则执行步骤S213，剔除起点Pai到终点Pbi以及终点Pci到终点Pdi的边缘点，继续往后搜索像素非零点，执行步骤S206，像素点行参数i加一赋值给i，判断赋值后的i值是否小于图像宽度值W；
若是，则返回执行步骤S203；
若否，则执行步骤S218，结束搜索当前行；
若否，则继续往后搜索像素零点；
步骤S214：判断第二像素非零点的终点Pdi对应的宽度(终点Pdi距当前行首像素的宽度)是否小于图像宽度值W；
若是，则继续搜索；
若否，则执行步骤S218，结束搜索当前行。
步骤S215：搜索从第二像素零点的起点Pdi右移一个像素点单位，即Pdi+1处开始的一段连续像素零点(第二像素零段)，确定第二像素零段的终点为Pei；
步骤S216：判断终点Pei与起点Pdi+1是否大于第四阈值th4(第四距离阈值)；
若是，则执行步骤S213，剔除起点Pai到终点Pbi，以及终点Pci到终点Pdi(第二像素非零段)的边缘点，继续往后搜索像素非零点，执行步骤S206，像素点行参数i加一赋值给i，判断赋值后的i值对应的宽度是否小于图像宽度值W；
若是，则返回执行步骤S203；
若否，则执行步骤S218，结束搜索当前行；
若否，则执行步骤S217，判断第二像素零段的终点Pei对应的宽度(终点Pei距当前行首像素的宽度)是否小于图像宽度值W；
若是，则执行步骤S206，像素点行参数i加一赋值给i，判断赋值后的i值是否小于图像宽度值W；
若否，则执行步骤S218结束当前行搜索；
若是，则返回执行步骤S203。
本实施例可以对边缘检测图像中非车道线区域所包含的边缘点进行准确剔除，以保证所得到的边缘剔除图像的准确性。
在一个实施例中，将边缘剔除图像的像素非零点区域划分为多个目标区域，根据各个所述目标区域确定第一车道线集合和第二车道线集合，包括：
将边缘剔除图像中的像素非零点区域按照像素梯度划分为多个目标区域，识别各个目标区域的主方向；上述像素非零点区域为像素点的像素值不为0的区域；
根据主方向合并目标区域，得到多个合并区域，分别确定各个合并区域的外接矩形，识别各个外接矩形的矩形角度；
根据矩形角度在第一角度范围内的外接矩形确定第一初始车道线，根据第一初始车道确定第一车道线集合，根据矩形角度在第二角度范围内的外接矩形确定第二初始车道线，根据第二初始车道确定第二车道线集合。
上述目标区域的个数可以依据车道线的检测精度确定，比如可以设置为500等值。具体地，若目标区域的个数为500，可以确定缘剔除图像中的像素非零点区域像素对应的梯度范围，将梯度范围划分为500个子范围，分别依据像素梯度在各个子范围内的像素点确定相应的目标区域，从而确定500个目标区域。
某目标区域的主方向为该目标区域中最大比例的像素点所在的方向。根据主方向合并目标区域，可以包括：在所述主方向中选取多个恒定方向，确定各个恒定方向分别对应的恒定区域，将与各个恒定方向之间的偏差小于偏差阈值的主方向对应的区域与相应恒定方向表征的恒定区域合并。上述外接矩形的矩形角度为外接矩形较长的一组平行边相对于感兴趣区域图像所在坐标系的第一坐标轴(如x轴)的角度。上述第一角度范围可以设置为25°至83°这一范围，第二角度范围可以设置为-83°至-25°这一范围。分别将矩形角度在第一角度范围内的各外接矩形向较长的一组平行边方向延伸，可以得到多条第一初始车道线；分别将矩形角度在第二角度范围内的各外接矩形向较长的一组平行边方向延伸，可以得到多条第二初始车道线。包括各条第一初始车道线的集合为第一车道线集合，包括各条第二初始车道线的集合为第二车道线集合。
作为一个实施例，在第一车道线集合中选取第一车道线，在第二车道线集合中选取第二车道线，包括：
获取第一车道线集合中各条第一初始车道线分别与其他各条第一初始车道线之间的距离之和，将最小距离之和对应的第一初始车道线确定为第一车道线；
获取第二车道线集合中各条第二初始车道线分别与其他各条第二初始车道线之间的距离之和，将最小距离之和对应的第二初始车道线确定为第二车道线。
某条第一初始车道线对应的距离之和为该条第一初始车道线分别与其他各条第一初始车道线之间的距离的和。某条第二初始车道线对应的距离之和为该条第二初始车道线分别与其他各条第而初始车道线之间的距离的和。若某条第一初始车道线对应的距离之和最小，表明该条第一初始车道线为相应道路一侧的车道线，若某条第二初始车道线对应的距离之和最小，表明该条第二初始车道线为相应道路另一侧的车道线。
本实施例所确定的第一车道线和第二车道线具有较高的准确性。
在一个实施例中，在将边缘剔除图像的像素非零点区域划分为多个目标区域，根据各个目标区域确定第一车道线集合和第二车道线集合，在第一车道线集合中选取第一车道线，在第二车道线集合中选取第二车道线之后，上述方法还包括：
识别所述第一车道线的第一中心线，若在第一中心线两侧区域的灰度像素均值小于中心区域的灰度像素均值，则判定第一车道线为有效车道线；
识别第二车道线的第二中心线，若在第二中心线两侧区域的灰度像素均值小于中心区域的灰度像素均值，则判定第二车道线为有效车道线。
上述中心区域为像素点与相应中心线(第一中心线或者第二中心线)之间的距离小于或等于设定距离的区域；两侧区域为像素点与第一中心线之间的距离大于设定距离的区域；上述第一中心线可以为第一车道线的对称轴，即与确定第一车道线的矩形区域中较长的一组对边相平行的对称轴。第二中心线可以为第二车道线的对称轴，即与确定第二车道线的矩形区域中较长的一组对边相平行的对称轴。上述设定距离可以设置为30个像素等距离。上述灰度像素均值为相应区域中各个像素的像素值的平均值。
若第一中心线两侧区域的灰度像素均值小于其中心区域的灰度像素均值，表明所选取的第一车道线为有效车道线，否则所选取的第一车道线为误差较大或者出现错误的车道线，应该判定所选取的第一车道线无效。若在第二中心线两侧区域的灰度像素均值小于其中心区域的灰度像素均值，表明所选取的第二车道线为有效车道线，否则所选取的第二车道线为误差较大或者出现错误的车道线，应该判定所选取的第二车道线无效。
本实施例可以在选取第一车道线和第二车道线后，对所选取的各条车道线进行验证，进一步保证了所确定的各条车道线的准确性。
在一个实施例中，对道路图像中的感兴趣区域图像进行灰度处理，得到灰度图像，包括：
在道路图像中提取感兴趣区域图像，对感兴趣区域图像进行灰度处理，对灰度处理后的图像进行高斯平滑滤波处理，根据高斯平滑滤波处理后的图像数据确定灰度图像。
上述感兴趣区域图像为道路图像中包括包括车道线的图像，可以通过相关图像处理技术从道路图像中提取感兴趣区域图像，比如可以采用sobel计算道路图像中各个像素的梯度幅值和角度，利用Canny算子或者sobel算子等边缘算子进一步对道路图像进行感兴趣区域的提取，获得所需的感兴趣区域图像。在得到感兴趣区域图像之后，具体可以采用3x3的滤波高斯模板对感兴趣区域图像进行高斯平滑滤波处理，能够过滤其中的噪声，使得感兴趣区域图像变得更加平滑，从而提高所得到的灰度图像的有效性。
在一个实施例中，在将边缘剔除图像的像素非零点区域划分为多个目标区域，根据各个目标区域确定第一车道线集合和第二车道线集合，在第一车道线集合中选取第一车道线，在第二车道线集合中选取第二车道线之后之后，上述方法还包括：
分别检测第一车道线偏离汽车参考方向的第一偏离角度，以及第二车道线偏离汽车参考方向的第二偏离角度；
若第一偏离角度大于或者等于第一角度阈值，或第二偏离角度大于或者等于第二角度阈值，输出预警提示信息。
上述汽车参考方向可以为汽车正前方对应的方向。上述第一角度阈值和第二角度阈值分别可以依据具体的道路特征设置，比如，可以将第一角度阈值设置为65°，将第二角度阈值设置为-65°等值。第一偏离角度大于第一角度阈值，或第二偏离角度大于第二角度阈值表明汽车即将驶出所在车道，需要预警提示信息进行相应提示，以使驾驶员或者相关用户及时获知汽车当前的行驶状况。上述预警提示信息可以通过语音播报等形式输出。
本申请提供的车道线检测方法，可以获取道路图像中的感兴趣区域，并对感兴趣区域进行灰度化及高斯模糊，再进行边缘处理和非车道线信息的剔除，最后进行车道线提取以及筛选。在边缘检测后，利用车道线的特征剔除冗余边缘，大大减少了需要处理的像素点，加快了后续处理运算处理时间，并获得仅包含少许噪声的车道线；此外利用已经计算的角度信息进行直线提取，能够很快的实现直线的提取；最后，利用提取的车道线两边的纹理信息进行所选取的车道线验证进一步提高了该车道线检测的精度；上述车道线检测方法具有安装简单的优势，并能够应用于各种平台，且能及时预警，达到辅助安全驾驶的效果。
应该理解的是，虽然图1、2的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1、2中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图3所示，提供了一种车道线检测装置，包括：灰度处理模块10、第一检测模块30和确定模块50，其中：
灰度处理模块10，用于对道路图像中的感兴趣区域图像进行灰度处理，得到灰度图像；
第一检测模块30，用于对灰度图像进行边缘检测，得到边缘检测图像，分别剔除边缘检测图像中非车道线区域所包含的边缘点，得到边缘剔除图像；
确定模块50，用于将边缘剔除图像的像素非零点区域划分为多个目标区域，根据各个目标区域确定第一车道线集合和第二车道线集合，在第一车道线集合中选取第一车道线，在第二车道线集合中选取第二车道线。
在一个实施例中，上述第一检测模块进一步用于：
S231,将边缘检测图像中当前行的第一个像素非零点确定为第一初始非零点；像素非零点为像素值不为0的像素点；
S232,识别包括第一初始非零点的第一像素非零段，以及第一像素非零段的第一非零段终点；像素非零段包括相互连续的多个像素非零点；第一像素非零段为起始点为第一初始非零点的像素非零段；第一非零段终点为第一像素非零段的最后一个像素非零点；
S233,判断第一非零段终点与第一初始非零点之间的第一段距离是否大于第一距离阈值；
S234,若第一段距离小于或者等于第一距离阈值，则识别第一非零段终点距当前行第一个像素点的第一像素距离；
S235若第一段距离大于第一距离阈值，则剔除第一像素非零段，识别第一非零段终点之后的第一个像素点距当前行第一个像素点的第二像素距离；
S236,若第一像素距离小于感兴趣区域图像的图像宽度，则将第一非零段终点之后的第一个像素零点确定为第一初始零点，确定包括第一初始零点的第一像素零段，以及第一像素零段的第一零段终点；若第一像素距离大于等于图像宽度，则结束当前行搜索；像素零段包括相互连续的多个像素零点；第一像素零段为起始点为第一初始零点的像素零段；第一零段终点为第一像素零段的最后一个像素零点；
S237,若第二像素距离小于图像宽度，则将第一非零段终点之后的第一个像素非零点确定为新的第一初始非零点，返回执行识别包括第一初始非零点的第一像素非零段，以及第一像素非零段的第一非零段终点的步骤(步骤S232)；
S238,若第二像素距离大于等于图像宽度，则结束当前行搜索；
S239,判断第一零段终点与第一初始零点之间的第二段距离是否大于第二距离阈值；
S241,若第二段距离小于或者等于第二距离阈值，则识别第一零段终点距当前行第一个像素点的第三像素距离；
S242,若第二段距离大于第二距离阈值，则剔除第一像素非零段，识别第一零段终点之后的第一个像素点距当前行第一个像素点的第四像素距离；
S243，若第四像素距离小于图像宽度，将第一零段终点之后的第一个像素非零点确定为新的第一初始非零点，返回执行识别包括第一初始非零点的第一像素非零段，以及第一像素非零段的第一非零段终点的步骤(步骤S232)；
S244,若第四像素距离大于等于图像宽度，则结束当前行搜索；
S245,若第三像素距离小于图像宽度，则将第一零段终点之后的第一个像素非零点确定为第二初始非零点，确定包括第二初始非零点的第二像素非零段，以及第二像素非零段的第二非零段终点；若第三像素距离大于等于图像宽度，则结束当前行搜索；第二像素非零段为起始点为第二初始非零点的像素非零段；第二非零段终点为第二像素非零段的最后一个像素非零点；
S246,判断第二非零段终点与第二初始非零点之间的第三段距离是否大于第三距离阈值；
S247,若第三段距离小于或者等于第三距离阈值，则识别第二非零段终点距当前行第一个像素点的第五像素距离；
S248,若第三段距离大于第三距离阈值，则剔除第二像素非零段，识别第二非零段终点之后的第一个像素点距当前行第一个像素点的第六像素距离；
S249，若第六像素距离小于图像宽度，将第二非零段终点之后的第一个像素非零点确定为新的第一初始非零点，返回执行识别包括第一初始非零点的第一像素非零段，以及第一像素非零段的第一非零段终点的步骤(步骤S232)；
S251,若第六像素距离大于等于图像宽度，则结束当前行搜索；
S252,若第五像素距离小于图像宽度，则将第二非零段终点之后的第一个像素非零点确定为第二初始零点，确定包括第二初始零点的第二像素零段，以及第二像素零段的第二零段终点；若第五像素距离大于等于图像宽度，则结束当前行搜索；第二像素零段为起始点为第二初始零点的像素零段；第二零段终点为第二像素零段的最后一个像素零点；
S253,判断第二零段终点与第二初始零点之间的第四段距离是否大于第四距离阈值；
S254,若第四段距离小于或者等于第四距离阈值，则识别第二零段终点距当前行第一个像素点的第七像素距离；
S255,若第四段距离大于第四距离阈值，则剔除第一像素非零段和第二像素非零段的边缘点，识别第二零段终点之后的第一个像素点距当前行第一个像素点的第八像素距离；
S256，若第七像素距离小于图像宽度，或者第八像素距离小于图像宽度，将第二零段终点之后的第一个像素非零点确定为新的第一初始非零点，返回执行识别包括第一初始非零点的第一像素非零段，以及第一像素非零段的第一非零段终点的步骤(步骤S232)；
S257,若第七像素距离大于等于图像宽度，或者，第八像素距离大于等于图像宽度，则结束当前行搜索。
在一个实施例中，上述确定模块进一步用于：
将边缘剔除图像中的像素非零点区域按照像素梯度划分为多个目标区域，识别各个目标区域的主方向；上述像素非零点区域为像素点的像素值不为0的区域；
根据主方向合并目标区域，得到多个合并区域，分别确定各个合并区域的外接矩形，识别各个外接矩形的矩形角度；
根据矩形角度在第一角度范围内的外接矩形确定第一初始车道线，根据第一初始车道确定第一车道线集合，根据矩形角度在第二角度范围内的外接矩形确定第二初始车道线，根据第二初始车道确定第二车道线集合。
作为一个实施例，上述确定模块进一步用于：
获取第一车道线集合中各条第一初始车道线分别与其他各条第一初始车道线之间的距离之和，将最小距离之和对应的第一初始车道线确定为第一车道线；
获取第二车道线集合中各条第二初始车道线分别与其他各条第二初始车道线之间的距离之和，将最小距离之和对应的第二初始车道线确定为第二车道线。
在一个实施例中，上述车道线检测装置还包括：
第一识别模块，用于识别所述第一车道线的第一中心线，若在第一中心线两侧区域的灰度像素均值小于中心区域的灰度像素均值，则判定第一车道线为有效车道线；
第二识别模块，用于识别第二车道线的第二中心线，若在第二中心线两侧区域的灰度像素均值小于中心区域的灰度像素均值，则判定第二车道线为有效车道线。
在一个实施例中，上述灰度处理模块进一步用于：
在道路图像中提取感兴趣区域图像，对感兴趣区域图像进行灰度处理，对灰度处理后的图像进行高斯平滑滤波处理，根据高斯平滑滤波处理后的图像数据确定灰度图像。
在一个实施例中，上述车道线检测装置还包括：
第二检测模块，用于分别检测第一车道线偏离汽车参考方向的第一偏离角度，以及第二车道线偏离汽车参考方向的第二偏离角度；
输出模块，用于若第一偏离角度大于或者等于第一角度阈值，或第二偏离角度大于或者等于第二角度阈值，输出预警提示信息。
关于车道线检测装置的具体限定可以参见上文中对于车道线检测方法的限定，在此不再赘述。上述车道线检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种车道线检测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图4中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
基于如上所述的示例，在一个实施例中还提供一种计算机设备，该计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，处理器执行所述程序时实现如上述各实施例中的任意一种车道线检测方法。
上述计算机设备，通过所述处理器上运行的计算机程序，实现了车道线检测效率的提升。
据此，在一个实施例中还提供一种计算机存储介质，其上存储有计算机程序，其中，该程序被处理器执行时实现如上述各实施例中的任意一种车道线检测方法。
上述计算机存储介质，通过其存储的计算机程序，能够简化检测过程中的计算过程，可以提高车道线的检测效率；还可以保证车道线检测结果的准确性。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (9)
1.一种车道线检测方法，其特征在于，所述方法包括：
对道路图像中的感兴趣区域图像进行灰度处理，得到灰度图像；
对所述灰度图像进行边缘检测，得到边缘检测图像，分别剔除所述边缘检测图像中非车道线区域所包含的边缘点，得到边缘剔除图像；
将所述边缘剔除图像的像素非零点区域划分为多个目标区域，根据各个所述目标区域确定第一车道线集合和第二车道线集合，在所述第一车道线集合中选取第一车道线，在所述第二车道线集合中选取第二车道线；
所述分别剔除所述边缘检测图像中非车道线区域所包含的边缘点，包括：
S231,将所述边缘检测图像中当前行的第一个像素非零点确定为第一初始非零点；
S232,识别包括所述第一初始非零点的第一像素非零段，以及所述第一像素非零段的第一非零段终点；
S233,判断所述第一非零段终点与所述第一初始非零点之间的第一段距离是否大于第一距离阈值；
S234,若所述第一段距离小于或者等于所述第一距离阈值，则识别所述第一非零段终点距当前行第一个像素点的第一像素距离；
S235若所述第一段距离大于所述第一距离阈值，则剔除所述第一像素非零段，识别所述第一非零段终点之后的第一个像素点距当前行第一个像素点的第二像素距离；
S236,若所述第一像素距离小于所述感兴趣区域图像的图像宽度，则将所述第一非零段终点之后的第一个像素零点确定为第一初始零点，确定包括所述第一初始零点的第一像素零段，以及所述第一像素零段的第一零段终点；若所述第一像素距离大于等于所述图像宽度，则结束当前行搜索；
S237,若所述第二像素距离小于所述图像宽度，则将所述第一非零段终点之后的第一个像素非零点确定为新的第一初始非零点，返回执行识别包括所述第一初始非零点的第一像素非零段，以及所述第一像素非零段的第一非零段终点的步骤；
S238,若所述第二像素距离大于等于所述图像宽度，则结束当前行搜索；
S239,判断所述第一零段终点与所述第一初始零点之间的第二段距离是否大于第二距离阈值；
S241,若所述第二段距离小于或者等于第二距离阈值，则识别所述第一零段终点距当前行第一个像素点的第三像素距离；
S242,若所述第二段距离大于所述第二距离阈值，则剔除所述第一像素非零段，识别所述第一零段终点之后的第一个像素点距当前行第一个像素点的第四像素距离；
S243，若所述第四像素距离小于所述图像宽度，将所述第一零段终点之后的第一个像素非零点确定为新的第一初始非零点，返回执行识别包括所述第一初始非零点的第一像素非零段，以及所述第一像素非零段的第一非零段终点的步骤；
S244,若所述第四像素距离大于等于所述图像宽度，则结束当前行搜索；
S245,若所述第三像素距离小于所述图像宽度，则将所述第一零段终点之后的第一个像素非零点确定为第二初始非零点，确定包括所述第二初始非零点的第二像素非零段，以及所述第二像素非零段的第二非零段终点；若所述第三像素距离大于等于所述图像宽度，则结束当前行搜索；
S246,判断所述第二非零段终点与所述第二初始非零点之间的第三段距离是否大于第三距离阈值；
S247,若所述第三段距离小于或者等于第三距离阈值，则识别所述第二非零段终点距当前行第一个像素点的第五像素距离；
S248,若所述第三段距离大于第三距离阈值，则剔除所述第一像素非零段和所述第二像素非零段，识别所述第二非零段终点之后的第一个像素点距当前行第一个像素点的第六像素距离；
S249，若所述第六像素距离小于所述图像宽度，将所述第二非零段终点之后的第一个像素非零点确定为新的第一初始非零点，返回执行识别包括所述第一初始非零点的第一像素非零段，以及所述第一像素非零段的第一非零段终点的步骤；
S251,若所述第六像素距离大于等于所述图像宽度，则结束当前行搜索；
S252,若所述第五像素距离小于所述图像宽度，则将所述第二非零段终点之后的第一个像素非零点确定为第二初始零点，确定包括所述第二初始零点的第二像素零段，以及所述第二像素零段的第二零段终点；若所述第五像素距离大于等于所述图像宽度，则结束当前行搜索；
S253,判断所述第二零段终点与所述第二初始零点之间的第四段距离是否大于第四距离阈值；
S254,若所述第四段距离小于或者等于第四距离阈值，则识别所述第二零段终点距当前行第一个像素点的第七像素距离；
S255,若所述第四段距离大于所述第四距离阈值，则剔除所述第一像素非零段和第二像素非零段，识别所述第二零段终点之后的第一个像素点距当前行第一个像素点的第八像素距离；
S256，若第七像素距离小于所述图像宽度，或者第八像素距离小于所述图像宽度，将所述第二零段终点之后的第一个像素非零点确定为新的第一初始非零点，返回执行识别包括所述第一初始非零点的第一像素非零段，以及所述第一像素非零段的第一非零段终点的步骤；
S257,若第七像素距离大于等于所述图像宽度，或者，第八像素距离大于等于所述图像宽度，则结束当前行搜索。
2.根据权利要求1所述的方法，其特征在于，所述将所述边缘剔除图像的像素非零点区域划分为多个目标区域，根据各个所述目标区域确定第一车道线集合和第二车道线集合，包括：
将所述边缘剔除图像中的像素非零点区域按照像素梯度划分为多个目标区域，识别各个目标区域的主方向；
根据所述主方向合并所述目标区域，得到多个合并区域，分别确定各个合并区域的外接矩形，识别各个外接矩形的矩形角度；
根据矩形角度在第一角度范围内的外接矩形确定第一初始车道线，根据所述第一初始车道确定第一车道线集合，根据矩形角度在第二角度范围内的外接矩形确定第二初始车道线，根据所述第二初始车道确定第二车道线集合。
3.根据权利要求2所述的方法，其特征在于，所述在所述第一车道线集合中选取第一车道线，在所述第二车道线集合中选取第二车道线，包括：
获取所述第一车道线集合中各条第一初始车道线分别与其他各条第一初始车道线之间的距离之和，将最小距离之和对应的第一初始车道线确定为所述第一车道线；
获取所述第二车道线集合中各条第二初始车道线分别与其他各条第二初始车道线之间的距离之和，将最小距离之和对应的第二初始车道线确定为所述第二车道线。
4.根据权利要求1至3任一项所述的方法，其特征在于，在所述将所述边缘剔除图像的像素非零点区域划分为多个目标区域，根据各个所述目标区域确定第一车道线集合和第二车道线集合，在所述第一车道线集合中选取第一车道线，在所述第二车道线集合中选取第二车道线之后，所述方法还包括：
识别所述第一车道线的第一中心线，若在所述第一中心线两侧区域的灰度像素均值小于中心区域的灰度像素均值，则判定所述第一车道线为有效车道线；
识别所述第二车道线的第二中心线，若在所述第二中心线两侧区域的灰度像素均值小于中心区域的灰度像素均值，则判定所述第二车道线为有效车道线。
5.根据权利要求1至3任一项所述的方法，其特征在于，所述对道路图像中的感兴趣区域图像进行灰度处理，得到灰度图像，包括：
在所述道路图像中提取感兴趣区域图像，对所述感兴趣区域图像进行灰度化处理，对灰度处理后的图像进行高斯平滑滤波处理，根据高斯平滑滤波处理后的图像数据确定灰度图像。
6.根据权利要求1至3任一项所述的方法，其特征在于，在将所述边缘剔除图像的像素非零点区域划分为多个目标区域，根据各个所述目标区域确定第一车道线集合和第二车道线集合，在所述第一车道线集合中选取第一车道线，在所述第二车道线集合中选取第二车道线之后，所述方法还包括：
分别检测所述第一车道线偏离汽车参考方向的第一偏离角度，以及所述第二车道线偏离汽车参考方向的第二偏离角度；
若所述第一偏离角度大于第一角度阈值，或所述第二偏离角度大于第二角度阈值，输出预警提示信息。
7.一种车道线检测装置，其特征在于，所述装置包括：
灰度处理模块，用于对道路图像中的感兴趣区域图像进行灰度处理，得到灰度图像；
第一检测模块，用于对所述灰度图像进行边缘检测，得到边缘检测图像，分别剔除所述边缘检测图像中非车道线区域所包含的边缘点，得到边缘剔除图像；
确定模块，用于将所述边缘剔除图像的像素非零点区域划分为多个目标区域，根据各个所述目标区域确定第一车道线集合和第二车道线集合，在所述第一车道线集合中选取第一车道线，在所述第二车道线集合中选取第二车道线；
所述第一检测模块，还用于：
S231,将所述边缘检测图像中当前行的第一个像素非零点确定为第一初始非零点；
S232,识别包括所述第一初始非零点的第一像素非零段，以及所述第一像素非零段的第一非零段终点；
S233,判断所述第一非零段终点与所述第一初始非零点之间的第一段距离是否大于第一距离阈值；
S234,若所述第一段距离小于或者等于所述第一距离阈值，则识别所述第一非零段终点距当前行第一个像素点的第一像素距离；
S235若所述第一段距离大于所述第一距离阈值，则剔除所述第一像素非零段，识别所述第一非零段终点之后的第一个像素点距当前行第一个像素点的第二像素距离；
S236,若所述第一像素距离小于所述感兴趣区域图像的图像宽度，则将所述第一非零段终点之后的第一个像素零点确定为第一初始零点，确定包括所述第一初始零点的第一像素零段，以及所述第一像素零段的第一零段终点；若所述第一像素距离大于等于所述图像宽度，则结束当前行搜索；
S237,若所述第二像素距离小于所述图像宽度，则将所述第一非零段终点之后的第一个像素非零点确定为新的第一初始非零点，返回执行识别包括所述第一初始非零点的第一像素非零段，以及所述第一像素非零段的第一非零段终点的步骤；
S238,若所述第二像素距离大于等于所述图像宽度，则结束当前行搜索；
S239,判断所述第一零段终点与所述第一初始零点之间的第二段距离是否大于第二距离阈值；
S241,若所述第二段距离小于或者等于第二距离阈值，则识别所述第一零段终点距当前行第一个像素点的第三像素距离；
S242,若所述第二段距离大于所述第二距离阈值，则剔除所述第一像素非零段，识别所述第一零段终点之后的第一个像素点距当前行第一个像素点的第四像素距离；
S243，若所述第四像素距离小于所述图像宽度，将所述第一零段终点之后的第一个像素非零点确定为新的第一初始非零点，返回执行识别包括所述第一初始非零点的第一像素非零段，以及所述第一像素非零段的第一非零段终点的步骤；
S244,若所述第四像素距离大于等于所述图像宽度，则结束当前行搜索；
S245,若所述第三像素距离小于所述图像宽度，则将所述第一零段终点之后的第一个像素非零点确定为第二初始非零点，确定包括所述第二初始非零点的第二像素非零段，以及所述第二像素非零段的第二非零段终点；若所述第三像素距离大于等于所述图像宽度，则结束当前行搜索；
S246,判断所述第二非零段终点与所述第二初始非零点之间的第三段距离是否大于第三距离阈值；
S247,若所述第三段距离小于或者等于第三距离阈值，则识别所述第二非零段终点距当前行第一个像素点的第五像素距离；
S248,若所述第三段距离大于第三距离阈值，则剔除所述第一像素非零段和所述第二像素非零段，识别所述第二非零段终点之后的第一个像素点距当前行第一个像素点的第六像素距离；
S249，若所述第六像素距离小于所述图像宽度，将所述第二非零段终点之后的第一个像素非零点确定为新的第一初始非零点，返回执行识别包括所述第一初始非零点的第一像素非零段，以及所述第一像素非零段的第一非零段终点的步骤；
S251,若所述第六像素距离大于等于所述图像宽度，则结束当前行搜索；
S252,若所述第五像素距离小于所述图像宽度，则将所述第二非零段终点之后的第一个像素非零点确定为第二初始零点，确定包括所述第二初始零点的第二像素零段，以及所述第二像素零段的第二零段终点；若所述第五像素距离大于等于所述图像宽度，则结束当前行搜索；
S253,判断所述第二零段终点与所述第二初始零点之间的第四段距离是否大于第四距离阈值；
S254,若所述第四段距离小于或者等于第四距离阈值，则识别所述第二零段终点距当前行第一个像素点的第七像素距离；
S255,若所述第四段距离大于所述第四距离阈值，则剔除所述第一像素非零段和第二像素非零段，识别所述第二零段终点之后的第一个像素点距当前行第一个像素点的第八像素距离；
S256，若第七像素距离小于所述图像宽度，或者第八像素距离小于所述图像宽度，将所述第二零段终点之后的第一个像素非零点确定为新的第一初始非零点，返回执行识别包括所述第一初始非零点的第一像素非零段，以及所述第一像素非零段的第一非零段终点的步骤；
S257,若第七像素距离大于等于所述图像宽度，或者，第八像素距离大于等于所述图像宽度，则结束当前行搜索。
8.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910063351.XA CN109886122B (zh) | 2019-01-23 | 2019-01-23 | 车道线检测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910063351.XA CN109886122B (zh) | 2019-01-23 | 2019-01-23 | 车道线检测方法、装置、计算机设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109886122A CN109886122A (zh) | 2019-06-14 |
| CN109886122B true CN109886122B (zh) | 2021-01-29 |
Family
ID=66926683
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910063351.XA Active CN109886122B (zh) | 2019-01-23 | 2019-01-23 | 车道线检测方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109886122B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111160086B (zh) * | 2019-11-21 | 2023-10-13 | 芜湖迈驰智行科技有限公司 | 车道线识别方法、装置、设备和存储介质 |
| CN112132109A (zh) * | 2020-10-10 | 2020-12-25 | 北京百度网讯科技有限公司 | 车道线处理和车道定位方法、装置、设备及存储介质 |
| CN114724119B (zh) * | 2022-06-09 | 2022-09-06 | 天津所托瑞安汽车科技有限公司 | 车道线提取方法、检测设备及存储介质 |
| CN116228634B (zh) * | 2022-12-07 | 2023-12-22 | 辉羲智能科技(上海)有限公司 | 用于图像检测的距离变换计算方法、应用、终端及介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108038416A (zh) * | 2017-11-10 | 2018-05-15 | 智车优行科技（北京）有限公司 | 车道线检测方法及系统 |
| CN108205667A (zh) * | 2018-03-14 | 2018-06-26 | 海信集团有限公司 | 车道线检测方法及装置、车道线检测终端、存储介质 |
| CN108573242A (zh) * | 2018-04-26 | 2018-09-25 | 南京行车宝智能科技有限公司 | 一种车道线检测方法和装置 |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102509067B (zh) * | 2011-09-22 | 2014-04-02 | 西北工业大学 | 一种车道边界和主车方位检测方法 |
| CN102592114B (zh) * | 2011-12-26 | 2013-07-31 | 河南工业大学 | 复杂路况的车道线特征提取、识别方法 |
| CN103295420B (zh) * | 2013-01-30 | 2015-12-02 | 吉林大学 | 一种车道线识别的方法 |
| CN103198320A (zh) * | 2013-04-24 | 2013-07-10 | 厦门大学 | 一种自适应视觉辅助驾驶装置 |
| CN103593649B (zh) * | 2013-10-24 | 2017-12-08 | 惠州华阳通用电子有限公司 | 一种用于车道偏离预警的车道线检测方法 |
| KR101692628B1 (ko) * | 2014-12-24 | 2017-01-04 | 한동대학교 산학협력단 | 관심영역을 이용하여 차량의 후방 좌우 옆 차선 영역을 감지하는 방법 및 이를 이용한 차량용 영상 모니터링 시스템 |
| CN106446750B (zh) * | 2016-07-07 | 2018-09-14 | 深圳市华汉伟业科技有限公司 | 一种条形码读取方法及装置 |
| CN107133600A (zh) * | 2017-05-11 | 2017-09-05 | 南宁市正祥科技有限公司 | 一种基于帧间关联的实时车道线检测方法 |
| CN108647572B (zh) * | 2018-04-04 | 2022-03-29 | 华南理工大学 | 一种基于霍夫变换的车道偏离预警方法 |
| CN108805065A (zh) * | 2018-05-31 | 2018-11-13 | 华南理工大学 | 一种基于几何特征改进的车道线检测方法 |
-
2019
- 2019-01-23 CN CN201910063351.XA patent/CN109886122B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108038416A (zh) * | 2017-11-10 | 2018-05-15 | 智车优行科技（北京）有限公司 | 车道线检测方法及系统 |
| CN108205667A (zh) * | 2018-03-14 | 2018-06-26 | 海信集团有限公司 | 车道线检测方法及装置、车道线检测终端、存储介质 |
| CN108573242A (zh) * | 2018-04-26 | 2018-09-25 | 南京行车宝智能科技有限公司 | 一种车道线检测方法和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109886122A (zh) | 2019-06-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109886122B (zh) | 车道线检测方法、装置、计算机设备和存储介质 | |
| EP3525132A1 (en) | System and method for lane detection | |
| CN107392139B (zh) | 一种基于霍夫变换的车道线检测方法及终端设备 | |
| Kortli et al. | A novel illumination-invariant lane detection system | |
| CN111178245A (zh) | 车道线检测方法、装置、计算机设备和存储介质 | |
| CN108256445B (zh) | 车道线检测方法及系统 | |
| YenIaydin et al. | A lane detection algorithm based on reliable lane markings | |
| CN104915642B (zh) | 前方车辆测距方法及装置 | |
| CN108830131B (zh) | 基于深度学习的交通目标检测与测距方法 | |
| KR101483742B1 (ko) | 지능형 차량의 차선 검출방법 | |
| CN115239644B (zh) | 混凝土缺陷识别方法、装置、计算机设备和存储介质 | |
| CN112001378B (zh) | 基于特征空间的车道线处理方法、装置、车载终端和介质 | |
| CN111582077A (zh) | 基于人工智能软件技术的安全带佩戴检测方法和装置 | |
| CN111274926A (zh) | 图像数据筛选方法、装置、计算机设备和存储介质 | |
| CN110991264A (zh) | 前方车辆检测方法和装置 | |
| CN111160086B (zh) | 车道线识别方法、装置、设备和存储介质 | |
| Vajak et al. | A rethinking of real-time computer vision-based lane detection | |
| CN108090425B (zh) | 一种车道线检测方法、装置及终端 | |
| CN113297939A (zh) | 障碍物检测方法、系统、终端设备及存储介质 | |
| CN115512098B (zh) | 一种桥梁电子化巡检系统及巡检方法 | |
| CN111368728A (zh) | 安全监测方法、装置、计算机设备和存储介质 | |
| Dragaš et al. | Development and Implementation of Lane Departure Warning System on ADAS Alpha Board | |
| Lakmal et al. | Pothole detection with image segmentation for advanced driver assisted systems | |
| CN116129380A (zh) | 自动驾驶车辆行驶车道判别方法、系统、车辆及存储介质 | |
| CN115049690A (zh) | 车挂偏航角的确定方法、装置、计算机设备和存储介质 |
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 | ||
| CP02 | Change in the address of a patent holder |
Address after: 519000 No. 333, Kexing Road, Xiangzhou District, Zhuhai City, Guangdong Province Patentee after: ZHUHAI JIELI TECHNOLOGY Co.,Ltd. Address before: Floor 1-107, building 904, ShiJiHua Road, Zhuhai City, Guangdong Province Patentee before: ZHUHAI JIELI TECHNOLOGY Co.,Ltd. |
|
| CP02 | Change in the address of a patent holder |