CN109993099A - 一种基于机器视觉的车道线提取识别方法 - Google Patents

Abstract

本发明公开了一种基于机器视觉的车道线提取识别方法，采集图像视频，通过图像标定区域分割、加权平均法作为感兴趣区域的灰度处理算法、利用中值滤波对图像实行平滑处理、canny算子实现车道线边缘检测、图像二值化处理和车道线骨架提取、利用基于先验知识的霍夫变换实现车道线的提取识别，结合车道线的夹角范围和车道线横向距离作为筛选标准，排除车辆行驶中的大量干扰线，最终实现车道线的精确提取。本发明可以实现车道线的精确有效提取，进一步提高车道偏离的预警准确率。

Description

一种基于机器视觉的车道线提取识别方法

技术领域

本发明属于计算机视觉技术领域，具体涉及一种基于机器视觉的车道线提取识别方法。

背景技术

随着社会经济的高速增长，道路交通行业迎来了迅猛发展，与此同时也带来了很多问题，频繁发生的交通事故不仅严重影响道路通行还给许多家庭带来伤害，这些情况的发生多数是由于司机注意力不集中、疲劳驾驶，使车辆偏离路面车道线安全范围所导致的。目前所应用的车道偏离预警系统应用条件受限，一般只有在行车环境良好、车道线比较清晰的公路上才能实现比较准确的偏离预警。如果道路环境复杂、出现干扰物较多的情况则会大大降低偏离预警的准确率。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于机器视觉的车道线提取识别方法，利用基于先验知识的霍夫变换实现车道线的提取识别，结合车道线的夹角范围和提取车道线的横向距离车道线进行精确筛选，直观的将车道线提炼出其本质的简化表示。

本发明采用以下技术方案：

一种基于机器视觉的车道线提取识别方法，采集道路图像并对感兴趣区域进行区域分割，然后对每一帧图像进行预处理，再进行图像二值化处理和车道线骨架提取、利用基于先验知识的霍夫变换实现车道线的提取识别，结合车道线的夹角范围和车道线横向距离作为筛选标准，排除车辆行驶中的干扰线，实现车道线的精确提取，完成最佳车道线筛选识别。

具体的，以摄像头采集到的道路图像的下半部分作为感兴趣区域进行区域分割。

具体的，预处理具体为：利用加权平均法对感兴趣区域进行灰度处理，利用中值滤波对图像实行平滑处理和利用canny算子实现车道线边缘检测。

进一步的，进行灰度处理的灰度化Gray计算如下：

Gray＝0.3R+0.59G+0.11B

其中，R、G、B分别为当前像素点的红绿蓝像素值。

进一步的，图像平滑滤波具体为：

将5*5模板中25个数进行排序，得到的中值将中心像素值替换，得到中心点最终像素值。

进一步的，Canny算子对图像边缘检测处理具体为：

选取高阈值T_h和低阈值T_l，用高低阈值分别乘以最大梯度幅值，将小于T_l的点赋值为0，将大于T_h的点标记并赋值为1，将被标记的点作为识别出的图像边缘点。

具体的，采用基于中轴的骨架提取进行汇聚点检测提取，对二值化图像每一行进行像素检测，计算中值点的横向坐标D_m如下：

D_m＝(D₁+D₂)/2

其中，D₁为检测到的第一个像素值为255的横向坐标点，D₂为检测到的像素值为0的横向坐标点。

具体的，进行基于先验知识的霍夫变换筛选车道线步骤如下：

S401、观察图象，设定左车道线的角度范围为(30°，70°)，右车道线的角度范围为(-70°，-30°)，用极坐标参数空间中的(ρ,θ)表示，计算θ的sin值，即0.95＜|(sin(θ))|＞0.5；

S402、提取出距离ρ，利用到图像左上角的距离限制检测出的直线长度，排除长度过短的直线。

进一步的，经过计算ρ对应的横向宽度与图像宽度iW相比较，左右车道线筛选计算如下：

(0.95＜|(b)|＞0.5)&&(iW/16＜(|ρ/cos(θ)|)＜iW/2)

其中，b为|sin(θ)|，ρ/cons(θ)为横向宽度。

具体的，对识别出的车道线进行标记过程如下：

筛选出精确车道线后，对识别出的车道线进行标记，确定出直线的起始点和终点进而确定这条直线，计算两个点对应的横坐标和纵坐标公式如下：

其中，Image_up和Image_down分别表示的是感兴趣区域路面窗口的上边界和下边界，最终将识别出的直线标记为绿色，即RGB(0，255，0)。

与现有技术相比，本发明至少具有以下有益效果：

本发明提供了一种基于机器视觉的车道线提取识别方法，利用基于先验知识的霍夫变换实现车道线的提取识别，可以实现车道线的精确有效提取，有效提高了车道线的检测精度，进一步提高车道偏离的预警准确率。

进一步的，设置道路图像的下半部分作为感兴趣区域，可以有效剔除图像中其他干扰因素，加快图像识别速度，降低算法计算量，高效提取识别车道线信息。

进一步的，对图像进行灰度处理、平滑处理和边缘检测可以有效去除图像中的噪声，保留图像中的主要结构和属性以实现车道线边缘特征的提取。

进一步的，采用5*5模板的中值滤波算法进行图像平滑滤波，有效去除图像噪声。

进一步的，采用Canny边缘检测算子以一阶方向导数确定边缘点，能够实现较好抑制伪边缘效果，并且其对图像中的噪声有很好的抑制作用。

进一步的，采用基于中轴的骨架提取方法，有效提高程序运算速度和检测效率。

进一步的，为了精确识别左右车道线，采用基于先验知识的霍夫变换筛选车道线可以大大提高车道线拟合的正确性。

进一步的，别出的车道线实时的绿色标记RGB(0，255，0)，有利于观察车道线识别拟合的准确度。

综上所述，本发明利用基于先验知识的霍夫变换实现车道线的提取识别，可以实现车道线的精确有效提取，有效提高了车道线的检测精度，进一步提高车道偏离的预警准确率。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

图1为本发明流程示意图；

图2为图像标定区域分割后的感兴趣区域示意图，其中，(a)为摄像头采集图像，(b)为区域分割图像；

图3为图像进行灰度化、平滑滤波、边缘检测预处理后的示意图，其中，(a)为灰度化后图像，(b)为平滑滤波后图像，(c)为边缘检测后图像；

图4为图像二值化边缘处理后和骨架提取后的效果对比图，其中，(a)为二值化处理后图像，(b)为骨架提取后图像；

图5为采取基于先验知识的霍夫变换方法后的车道线识别效果图；

图6为左车道线夹角数据图；

图7为右车道线夹角数据图。

具体实施方式

本发明提供了一种基于机器视觉的车道线提取识别方法，采集图像视频，通过图像标定区域分割、加权平均法作为感兴趣区域的灰度处理算法、利用中值滤波对图像实行平滑处理、canny算子实现车道线边缘检测、图像二值化处理和车道线骨架提取、利用基于先验知识的霍夫变换实现车道线的提取识别，结合车道线的夹角范围和车道线横向距离作为筛选标准，排除车辆行驶中的大量干扰线，最终实现车道线的精确提取。本发明可以实现车道线的精确有效提取，进一步提高车道偏离的预警准确率。

请参阅图1，本发明一种基于机器视觉的车道线提取识别方法，包括以下步骤：

S1、通过对摄像头采集到的道路图像进行感兴趣区域分割；

请参阅图2，图像中下半部分为感兴趣区域，以下简称ROI区域，区域分割可以有效剔除图像中其他干扰因素，加快图像识别速度，降低算法计算量；

S2、对步骤S1采集到的图像中的每一帧图像进行预处理，包括图像灰度化、图像平滑滤波、图像边缘检测，灰度化后，分别采用5*5模板的中值滤波算法和Canny算子分别对图像实行平滑处理和边缘检测处理，如图3所示。

灰度化Gray计算公式如下：

Gray＝0.3R+0.59G+0.11B

其中，R为，G为，B为。

采用5*5模板的中值滤波算法如何进行图像平滑滤波，将5*5模板中25个数进行排序，得到的中值将中心像素值替换，得到中心点最终像素值；

Canny算子对图像边缘检测处理，选取高阈值T_h和低阈值T_l，用高低阈值分别乘以最大梯度幅值，将小于T_l的点赋值为0，将大于T_h的点标记并赋值为1，这些被标记的点就是识别出的图像边缘点；

S3、对步骤S2处理得到的图像采用连通的边界来表示并采用基于中轴的骨架提取进行汇聚点检测提取；

请参阅图4，对二值化图像每一行进行像素检测，将检测到的第一个像素值为255的横向坐标点用D₁表示，横向继续扫描直到出现像素值为0的像素点，即黑色点，横向坐标点我们用D₂表示，计算中值点的横向坐标D_m如下：

D_m＝(D₁+D₂)/2

其中，D_m赋值255。

S4、对步骤S3得到的点集进行基于先验知识的霍夫变换，筛选识别出精确的左右车道线并标记。

请参阅图5，对得到的点集进行基于先验知识的霍夫变换筛选车道线过程如下：

S401、观察图象，设定左车道线的角度范围为(30°，70°)，右车道线的角度范围为(-70°，-30°)，用极坐标参数空间中的(ρ,θ)表示，计算θ的sin值，即0.95＜|(sin(θ))|＞0.5；

S402、提取出距离ρ，利用到图像左上角的距离可以限制检测出的直线长度，排除长度过短的直线，具体实施方法为：

经过计算ρ对应的横向宽度与图像宽度iW相比较，横向宽度表示为ρ/cons(θ)，左右车道线筛选公式如下：

(0.95＜|(b)|＞0.5)&&(iW/16＜(|ρ/cos(θ)|)＜iW/2)

其中，b为|sin(θ)|。

对识别出的车道线进行标记过程如下：

筛选出精确车道线后，对识别出的车道线进行标记，确定出直线的起始点和终点进而确定这条直线，计算两个点对应的横坐标和纵坐标公式如下：

其中，Image_up和Image_down表示的是感兴趣区域路面窗口的上边界和下边界，最终将识别出的直线标记为绿色，即RGB(0，255，0)。

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中的描述和所示的本发明实施例的组件可以通过各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图6和图7，车辆检测结果如表1所示。

表1偏离预警统计

车辆行驶中共发出三次预警，第一次车辆在484帧出发生左偏，持续帧数为66帧，其中8帧图像误检；第二次车辆在103帧时发生预警，车辆右偏，持续帧数为170帧，其中19帧图像误检；第三次车辆在175帧出发生预警，为误检，共三帧图像。

通过统计，本发明所应用的车道偏离预警系统在车道偏离检测的正确率可以达到96.1％。

以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。

Claims (10)

1.一种基于机器视觉的车道线提取识别方法，其特征在于，采集道路图像并对感兴趣区域进行区域分割，然后对每一帧图像进行预处理，再进行图像二值化处理和车道线骨架提取、利用基于先验知识的霍夫变换实现车道线的提取识别，结合车道线的夹角范围和车道线横向距离作为筛选标准，排除车辆行驶中的干扰线，实现车道线的精确提取，完成最佳车道线筛选识别。

2.根据权利要求1所述的基于机器视觉的车道线提取识别方法，其特征在于，以摄像头采集到的道路图像的下半部分作为感兴趣区域进行区域分割。

3.根据权利要求1所述的基于机器视觉的车道线提取识别方法，其特征在于，预处理具体为：利用加权平均法对感兴趣区域进行灰度处理，利用中值滤波对图像实行平滑处理和利用canny算子实现车道线边缘检测。

4.根据权利要求3所述的基于机器视觉的车道线提取识别方法，其特征在于，进行灰度处理的灰度化Gray计算如下：

Gray＝0.3R+0.59G+0.11B

其中，R、G、B分别为当前像素点的红绿蓝像素值。

5.根据权利要求3所述的基于机器视觉的车道线提取识别方法，其特征在于，图像平滑滤波具体为：

将5*5模板中25个数进行排序，得到的中值将中心像素值替换，得到中心点最终像素值。

6.根据权利要求3所述的基于机器视觉的车道线提取识别方法，其特征在于，Canny算子对图像边缘检测处理具体为：

选取高阈值T_h和低阈值T_l，用高低阈值分别乘以最大梯度幅值，将小于T_l的点赋值为0，将大于T_h的点标记并赋值为1，将被标记的点作为识别出的图像边缘点。

7.根据权利要求1所述的基于机器视觉的车道线提取识别方法，其特征在于，采用基于中轴的骨架提取进行汇聚点检测提取，对二值化图像每一行进行像素检测，计算中值点的横向坐标D_m如下：

D_m＝(D₁+D₂)/2

其中，D₁为检测到的第一个像素值为255的横向坐标点，D₂为检测到的像素值为0的横向坐标点。

8.根据权利要求1所述的基于机器视觉的车道线提取识别方法，其特征在于，进行基于先验知识的霍夫变换筛选车道线步骤如下：

S401、观察图象，设定左车道线的角度范围为(30°，70°)，右车道线的角度范围为(-70°，-30°)，用极坐标参数空间中的(ρ,θ)表示，计算θ的sin值，即0.95＜|(sin(θ))|＞0.5；

S402、提取出距离ρ，利用到图像左上角的距离限制检测出的直线长度，排除长度过短的直线。

9.根据权利要求8所述的基于机器视觉的车道线提取识别方法，其特征在于，经过计算ρ对应的横向宽度与图像宽度iW相比较，左右车道线筛选计算如下：

(0.95＜|(b)|＞0.5)&&(iW/16＜(|ρ/cos(θ)|)＜iW/2)

其中，b为|sin(θ)|，ρ/cons(θ)为横向宽度。

10.根据权利要求1所述的基于机器视觉的车道线提取识别方法，其特征在于，对识别出的车道线进行标记过程如下：

筛选出精确车道线后，对识别出的车道线进行标记，确定出直线的起始点和终点进而确定这条直线，计算两个点对应的横坐标和纵坐标公式如下：

其中，Image_up和Image_down分别表示的是感兴趣区域路面窗口的上边界和下边界，最终将识别出的直线标记为绿色，即RGB(0，255，0)。