CN110443225B - 一种基于特征像素统计的虚实车道线识别方法及其装置 - Google Patents

Abstract

本发明公开了一种基于特征像素统计的虚实车道线识别方法及其装置，该方法包括：拍摄车前方的道路图像，并根据道路图像，获取车前方的道路特征图像；先提取道路特征图像的车道线特征点，再对车道线特征点进行实时跟踪，最后对跟踪点进行曲线拟合，获取两侧车道线方程；根据两侧车道线方程，建立曲线感兴趣区域，并对下一时刻边缘信息的图像进行裁剪，以限定车道线识别范围，同时对道路特征图像中两侧车道线进行裁剪，并分别统计两侧车道线上特征像素数量，以识别虚线车道线与实线车道线。本发明实现了车道特征图像提取，提高了车道线拟合点的稳定性与鲁棒性，利用车道线方程对左右车道线进行划分，实现对车道线虚实属性的判别。

Description

一种基于特征像素统计的虚实车道线识别方法及其装置

技术领域

本发明涉及智能辅助驾驶技术领域的一种虚实车道线识别方法，尤其涉及一种基于特征像素统计的虚实车道线识别方法，还涉及该虚实车道线识别方法的基于特征像素统计的虚实车道线识别装置。

背景技术

高级驾驶辅助系统是智能车辆主动安全体系的重要组成部分之一，其包括电子车身稳定系统ESP/EPS、自适应巡航ACC、前向碰撞预警系统FCW、自动刹车系统AEB、车道偏离预警系统LDW及车道保持系统LKS等。其中车道偏离预警系统LDW能有效的减少因车道偏离而引起的交通事故的发生，同时能提高驾驶员的安全性。而车道线识别是车道偏离预警系统与车道保持系统的前提。车道线识别目前主要基于机器视觉、激光雷达、结合高精度地图的全球卫星定位系统(GPS)、磁性路面导航等方法。其中磁性路面建设成本过高，只在部分路段上试验过；激光雷达还难以普及到家用汽车；高精度地图也在试验测试阶段；因视觉相机成本相对较低，基于视觉的车道线识别是目前主流的车道线识别形式。

在实际道路中，虚线车道线是可跨越车道线而虚线车道线是不可跨越车道线，在识别车道线的同时准确识别车道线具体属于哪种车道线具有重要的现实意义。而常见的基于视觉的车道线识别方法，仅将车道线在原图像中用直线或曲线标识出来，因透视的原因难以表示实际道路车道线的线型，且不能进行虚线车道线与实线车道线的识别，因此需要设计一种尽可能充分利用图像信息并将图像中车道线信息尽可能多的识别出来的车道线检测方法。

发明内容

针对现有的技术问题，本发明提供一种基于特征像素统计的虚实车道线识别方法及其装置，解决了现有的车道线检测方法难以表示实际道路车道线的线型，且不能进行虚线车道线与实线车道线的识别问题。

本发明采用以下技术方案实现：一种基于特征像素统计的虚实车道线识别方法，其包括以下步骤：

(1)拍摄车前方的道路图像，并根据所述道路图像，获取车前方的道路特征图像；其中，所述道路特征图像的获取方法包括以下步骤：

(1.1)先通过标定所述道路图像的图像参数，获取逆透视转换矩阵，再通过所述逆透视转换矩阵对所述道路图像进行逆透视变换获取道路鸟瞰图；

(1.2)对所述鸟瞰图进行边缘检测，获取所述鸟瞰图的边缘信息；

(1.3)将所述边缘信息与车道线宽度信息对应，生成所述道路特征图像；

(2)先提取所述道路特征图像的车道线特征点，再对所述车道线特征点进行实时跟踪，最后对跟踪点进行曲线拟合，获取两侧车道线方程；

(3)根据所述两侧车道线方程，建立曲线感兴趣区域，并对下一时刻边缘信息的图像进行裁剪，以限定车道线识别范围，同时对所述道路特征图像中两侧车道线进行裁剪，并分别统计两侧车道线上特征像素数量，以识别虚线车道线与实线车道线。

作为上述方案的进一步改进，对跟踪点进行曲线拟合方法包括以下步骤：

以所述道路特征图像的边缘左上顶点为原点，垂直向下方向为x轴正方向，水平向右方向为y轴正方向，建立坐标系；

通过曲线车道线方程y＝a₀+a₁x+a₂x²，计算所有车道线特征点到目标曲线的偏差，并求取偏差平方和φ；其中，偏差平方和φ的计算公式为：

式中，(x_i,y_i)为所述车道线特征点的坐标，a₀、a₁、a₂为曲线方程参数；

计算偏差平方和φ最小时，曲线方程参数a₀、a₁、a₂的值，并绘制出相应的拟合曲线。

作为上述方案的进一步改进，对所述道路图像进行逆透视变换的方法包括以下步骤：

先选取直线道路图像，再在所述逆透视转换矩阵中的两侧车道线上同一行位置处选取原始点；

通过所述原始点，建立逆透视图像矩阵，并在所述逆透视图像矩阵中确定所述原始点的目标位置点；

先根据所述原始点以及所述目标位置点的序列，求取映射矩阵，再对所述道路图像的矩阵中每个像素位置的像素使用所述映射矩阵映射到所述逆透视图像矩阵中，获取所述道路鸟瞰图。

作为上述方案的进一步改进，所述道路特征图像的生成方法包括以下步骤：

检测所述鸟瞰图的灰度图，并遍历检索后图像中的每个像素；

当一个像素点的像素值及与其水平相隔一段距离的像素点的梯度值均大于一个阈值时，将两个像素点之间的像素值均设置为一个像素定值，并将其他像素点的像素值设置为0，以生成所述道路特征图像。

进一步地，所述车道线特征点的提取方法包括以下步骤：

建立长度与所述道路特征图像的宽度相同的一维投票空间；

遍历所述道路特征图像中每一个像素点，当所述道路特征图像中一个像素点的像素值为所述像素定值时，使所述一维投票空间的相应位置的投票点加一；

求出所述道路特征图像的两侧投票的峰值位置，并获取投票数最多的两车道线端点；

根据所述两车道线端点，将所述道路特征图像分为左右两部分，并进行局部特征像素投影，获取车道线上特征点位置，以提取所述车道线特征点。

再进一步地，局部特征像素投影的范围A为C_min×R_min，且范围A左上角点的位置公式为：

式中，Px_i为范围A的下一投影范围的左上角点横坐标，Px_i-1为范围A的上一投影范围左上角点横坐标，C_min为搜索框的宽度，P_m为投影范围内投影峰值点位置，Py_i为下一投影范围左上角的纵坐标，R为车道特征图像总高度，R_min为搜索框的高度；

所述车道线特征点与范围A左上角点的坐标关系公式为：

x_i、y_i分别为所述车道线特征点的坐标。

作为上述方案的进一步改进，所述曲线感兴趣区域的建立方法包括以下步骤：先建立尺寸与所述逆透视转换矩阵的图像尺寸相同的图像矩阵，再根据拟合的曲线，在所述图像矩阵中将车道线两侧水平邻域内的像素值为所述像素定值的数据位置标为感兴趣区域，像素值为0的数据位置标为非感兴趣区域；

识别虚线车道线与实线车道线的方法包括以下步骤：设定虚线车道线与实线车道线的区别阈值；将所述特征像素数量与所述区别阈值比较；当统计的所述道路特征图像中一边的所述特征像素数量大于所述区别阈值时，判定相应边的车道线为实线车道线；当统计的所述道路特征图像中一边的所述特征像素数量不大于所述区别阈值时，判定相应边的车道线为虚线车道线。

作为上述方案的进一步改进，通过整体与局部的特征像素投影，获取车道线上特征点位置，以提取所述车道线特征点；通过卡尔曼滤波器对所述车道线特征点进行多点并行跟踪；通过最小二乘法对所述跟踪点进行二次曲线拟合。

进一步地，对所述车道线特征点进行实时跟踪的方法包括以下步骤：

以每帧车道特征图像检测到的车道线特征点作为观测值，对所述卡尔曼滤波器进行更新；

通过所述卡尔曼滤波器迭代计算出一个时刻特征点的最优位置，以作为下一帧图像求取最优特征点的输入值，并对所述车道线特征点进行实时跟踪。

本发明还提供了一种基于特征像素统计的虚实车道线识别装置，其应用上述任意所述的基于特征像素统计的虚实车道线识别方法，其包括：

特征图像提取模块，其用于拍摄车前方的道路图像，并根据所述道路图像，获取车前方的道路特征图像；其中，所述特征图像提取模块包括逆透视变换单元、边缘检测单元以及特征图像计算单元；所述逆透视变换单元用于先通过标定所述道路图像的图像参数，获取逆透视转换矩阵，再通过所述逆透视转换矩阵对所述道路图像进行逆透视变换获取道路鸟瞰图；所述边缘检测单元对所述鸟瞰图进行边缘检测，获取所述鸟瞰图的边缘信息；所述特征图像计算单元用于将所述边缘信息与车道线宽度信息对应，生成所述道路特征图像；

特征点提取跟踪与拟合模块，其用于先提取所述道路特征图像的车道线特征点，再对所述车道线特征点进行实时跟踪，最后对跟踪点进行曲线拟合，获取两侧车道线方程；其中，所述特征点提取跟踪与拟合模块包括特征点提取单元、特征点跟踪单元以及跟踪点拟合单元；所述特征点提取单元用于通过整体与局部的特征像素投影，获取车道线上特征点位置，以提取所述车道线特征点；所述特征点跟踪单元用于通过卡尔曼滤波器对所述车道线特征点进行多点并行跟踪；所述跟踪点拟合单元用于通过最小二乘法对所述跟踪点进行二次曲线拟合；以及

虚实车道线特征像素统计模块，其用于根据所述两侧车道线方程，建立曲线感兴趣区域，并对下一时刻边缘信息的图像进行裁剪，以限定车道线识别范围，同时对所述道路特征图像中两侧车道线进行裁剪，并分别统计两侧车道线上特征像素数量，以识别虚线车道线与实线车道线。

相较于现有的技术问题，本发明的基于特征像素统计的虚实车道线识别方法及其装置具有以下有益效果：

该基于特征像素统计的虚实车道线识别方法，先获取车前道路图像，通过四点法实现车载相机原图像到俯视图像的逆透视映射，完成灰度化后，结合边缘检测图像与车道线宽度信息对图像进行特征图像提取，再通过整体与局部的特征像素投影获取车道线上特征点位置，并使用卡尔曼滤波器对特征点进行跟踪，再使用最小二乘法对跟踪点进行二次曲线拟合，最后根据左右车道线方程建立左右车道线曲线感兴趣区域，对下一时刻边缘图像进行裁剪，限定车道线识别范围，同时对特征图像中左右车道线进行裁剪，并分别统计两侧车道线上特征像素数量，进行虚线车道线与实线车道线的识别。

在本发明中，在对车道线进行识别拟合的同时，对车道线的虚线实线熟悉同时进行识别，而且充分利用了车道线的边缘信息与车道线的宽度信息，实现了车道特征图像提取。而且，本发明采用卡尔曼滤波器对车道线拟合点进行多点并行跟踪，提高了车道线拟合点的稳定性与鲁棒性，利用车道线方程对左右车道线进行划分，根据实线车道线与虚线车道线特征像素的数量差异实现对车道线虚实属性的判别。

附图说明

图1为本发明实施例1的基于特征像素统计的虚实车道线识别方法的流程图；

图2为本发明实施例1的基于特征像素统计的虚实车道线识别方法中车前道路图像示意图；

图3为本发明实施例1的基于特征像素统计的虚实车道线识别方法中俯视道路图像示意图；

图4为本发明实施例1的基于特征像素统计的虚实车道线识别方法中弯道处的道路图像示意图；

图5为本发明实施例1的基于特征像素统计的虚实车道线识别方法边缘检测后的图像示意图；

图6为本发明实施例1的基于特征像素统计的虚实车道线识别方法的道路特征图像示意图；

图7为图6中的道路特征图像的生成方法的流程图；

图8为图6中的道路特征图像在提取车道线特征点后的示意图；

图9为图8中的图像在拟合曲线后的示意图；

图10为图9中的图像在进行车道线跟踪后的示意图；

图11为图10中的图像划分曲线感兴趣区域后的示意图；

图12为对图11中的图像进行左右两侧车道线分割后的流程图；

图13为本发明实施例1的基于特征像素统计的虚实车道线识别方法绘制实线和虚线车道线后的示意图；

图14为本发明实施例1的基于特征像素统计的虚实车道线识别装置的框架图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

实施例1

请参阅图1，本实施例提供了一种基于特征像素统计的虚实车道线识别方法，其可适用于高速公路等路面车道线破损不严重的道路情况下的车道线实时检测与虚实判断，可以应用于智能车视觉导航与辅助驾驶等方面。请参阅图2、图3以及图4，本实施例基于以下三点假设：1)车道线平行假设，即在检测的道路图像中，相邻的两条车道线是相互平行的。2)路面平坦假设，即车辆行驶的道路是平坦起伏不大的道路。3)车道线可见假设，即摄像头获取的车道线是较为清晰可见的。在前述基础上，本实施例的虚实车道线识别方法包括以下步骤，即步骤(1)-(3)。

(1)拍摄车前方的道路图像，并根据道路图像，获取车前方的道路特征图像。在本实施例中，可以通过车载相机对车前方的道路进行拍摄，如采用行车记录仪进行拍摄。请参阅图5、图6以及图7，道路特征图像的获取方法包括以下步骤：(1.1)先通过标定道路图像的图像参数，获取逆透视转换矩阵，再通过逆透视转换矩阵对道路图像进行逆透视变换获取道路鸟瞰图；(1.2)对鸟瞰图进行边缘检测，获取鸟瞰图的边缘信息；(1.3)将边缘信息与车道线宽度信息对应，生成道路特征图像。道路特征图像的生成方法包括以下步骤：(1.3.1)检测鸟瞰图的灰度图，并遍历检索后图像中的每个像素；(1.3.2)当一个像素点的像素值及与其水平相隔一段距离的像素点的梯度值均大于一个阈值时，将两个像素点之间的像素值均设置为一个像素定值(本实施例中设为255，在其他实施例中也可以设为其他值)，并将其他像素点的像素值设置为0，以生成道路特征图像。具体而言，对车道逆透视图像灰度图进行边缘检测，得到边缘检测后的图像如图5所示，图中每点像素的值为g(x,y)，遍历图中每点像素，当某点像素值g(x,y)大于阈值T且与其水平相隔距离L处的像素点g(x+L,y)的梯度值也大于阈值T，则此处为可能的车道线边缘点，将这两点间的像素值全部置为255，不符合条件的像素点像素值置为0。执行以上操作后得到车道线特征图像如图6所示。其中，本实施例对道路图像进行逆透视变换的方法包括以下步骤，即步骤(a)-(c)。

(a)先选取直线道路图像，再在逆透视转换矩阵中的两侧车道线上同一行位置处选取原始点。具体而言，在相机所摄原图像矩阵I_c中的两侧车道线上同一行位置处选取四个原始点P_c1、P_c2、P_c3、P_c4，在实际道路上两条车道线相互平行，即直线P_c1P_c2应与直线P_c3P_c4平行，但由于相机透视的影响，在原图像中这两条直线会相相交于消失点P_v。

(b)通过原始点，建立逆透视图像矩阵，并在逆透视图像矩阵中确定原始点的目标位置点。本实施例在确定原始点后，建立逆透视图像矩阵I_w，在I_w中确定P_c1、P_c2、P_c3、P_c4的目标位置点P_w1、P_w2、P_w3、P_w4，目标位置点，在I_w中直线P_w1P_w2与直线P_w4P_w3相互平行。

(c)先根据原始点以及目标位置点的序列，求取映射矩阵，再对道路图像的矩阵中每个像素位置的像素使用映射矩阵映射到逆透视图像矩阵中，获取道路鸟瞰图。本实施例根据原始点序列与目标点序列求取映射矩阵M，对原图像矩阵I_c中每个像素位置的像素使用映射矩阵映射到逆透视图像I_w中，即I_w＝MI_c映射完成后的图像即为俯视图(道路鸟瞰图)，在俯视图中，车道线相互平行，与实际道路情况相同。

(2)先提取道路特征图像的车道线特征点，再对车道线特征点进行实时跟踪，最后对跟踪点进行曲线拟合，获取两侧车道线方程。本实施例中通过整体与局部的特征像素投影，获取车道线上特征点位置，以提取车道线特征点，并通过卡尔曼滤波器对车道线特征点进行多点并行跟踪，而且通过最小二乘法对跟踪点进行二次曲线拟合。

请参阅图8，本实施例在提取车道线特征点时基于以下假设：车道线灰度值高于道路灰度值，车道线边缘清晰可见。如此，首先车道线特征图像进行整体投影，将车道特征像素点在垂直方向进行投影，本实施例中车道线特征点的提取方法包括以下步骤：(2.1)建立长度与道路特征图像的宽度相同的一维投票空间votespace[]；(2.2)遍历道路特征图像中每一个像素点，当道路特征图像中一个像素点(i,j)的像素值为像素定值(f(i,j)＝255)时，使一维投票空间的相应位置的投票点加一，即对投票空间相应位置进行votespace[i]++；当遍历完所有的车道线特征像素点后，得到图像中每列的投票数；(2.3)求出道路特征图像的两侧投票的峰值位置，并获取投票数最多的两车道线端点(投影票数最多来自于两车道线最下端点)，其中，这两个端点之间的横向距离即为车道宽度W；(2.4)根据两车道线端点，将道路特征图像分为左右两部分，并进行局部特征像素投影，获取车道线上特征点位置，以提取车道线特征点。本实施例获取左右车道线投影峰值点位置后，以这两峰值点位置为起始点，使用局部特征像素投影从下到上进行车道线特征点的提取，每一个局部特征像素投影的范围A是固定的，大小为C_min×R_min，且A的位置是由上一个局部特征像素投影所获取峰值点确定的，默认峰值点位置为搜索区域中心，范围A左上角点的位置公式为：

式中，Px_i为范围A的下一投影范围的左上角点横坐标，Px_i-1为范围A的上一投影范围左上角点横坐标，C_min为搜索框的宽度，P_m为投影范围内投影峰值点位置，Py_i为下一投影范围左上角的纵坐标，R为车道特征图像总高度，R_min为搜索框的高度。

而车道线特征点与范围A左上角点的坐标关系公式为：

x_i、y_i分别为车道线特征点的坐标。这样，就可以绘制出特征点位置的图像，如图8所示。

在本实施例中，对车道线特征点进行实时跟踪的方法包括以下步骤：以每帧车道特征图像检测到的车道线特征点作为观测值，对卡尔曼滤波器进行更新；通过卡尔曼滤波器迭代计算出一个时刻特征点的最优位置，以作为下一帧图像求取最优特征点的输入值，并对车道线特征点进行实时跟踪。请参阅图9，卡尔曼滤波器应用于车道线特征点位置估计，使用每帧车道特征图像检测到的特征点作为观测值对卡尔曼滤波器进行更新，通过迭代计算出t时刻特征点的最优位置，用于下一帧图像求取最优特征点的输入值。如图所示，该图中单帧图像特征点为红色点，跟踪的最优特征点为绿色点。

请参阅图10，考虑到在逆透视图像中曲线车道线的几何结构，本实施例对跟踪点进行曲线拟合方法包括以下步骤：

①以道路特征图像的边缘左上顶点为原点，垂直向下方向为x轴正方向，水平向右方向为y轴正方向，建立坐标系；

②通过曲线车道线方程y＝a₀+a₁x+a₂x²，计算所有车道线特征点到目标曲线的偏差，并求取偏差平方和φ；由于误差的存在，不能保证所有的特征点都在目标曲线上，部分特征点会与曲线之间存在一定的距离偏差，因此需要计算所有的特征点到目标曲线的偏差；其中，偏差平方和φ的计算公式为：

式中，(x_i,y_i)为车道线特征点的坐标，a₀、a₁、a₂为曲线方程参数；

③计算偏差平方和φ最小时，曲线方程参数a₀、a₁、a₂的值，并绘制出相应的拟合曲线。在偏差平方和φ最小时，目标曲线即是最接近于实际道路的曲线。

(3)根据两侧车道线方程，建立曲线感兴趣区域，并对下一时刻边缘信息的图像进行裁剪，以限定车道线识别范围，同时对道路特征图像中两侧车道线进行裁剪，并分别统计两侧车道线上特征像素数量，以识别虚线车道线与实线车道线。

请参阅图11，本实施例中曲线感兴趣区域的建立方法包括以下步骤：先建立尺寸与逆透视转换矩阵的图像尺寸相同的图像矩阵，再根据拟合的曲线，在图像矩阵中将车道线两侧水平邻域内的像素值为像素定值(255)的数据位置标为感兴趣区域，像素值为0的数据位置标为非感兴趣区域。本实施例先建立与逆透视图像大小相等的图像矩阵ROIMask，然后由上一步根据最优特征点拟合出的车道线，在ROIMask内将车道线两侧水平邻域[-s,s]内的数据位置为255，非感兴趣区域内的数据位置为0，ROIMask结果如图所示。根据此矩阵得到的每个像素位置的标志，对下一帧图像进行感兴趣区域裁剪，对灰度图像的裁剪效果如图所示。

请参阅图12，该图介绍了左右车道线裁剪步骤。这样，本实施例识别虚线车道线与实线车道线的方法包括以下步骤：设定虚线车道线与实线车道线的区别阈值；将特征像素数量与区别阈值比较；当统计的道路特征图像中一边的特征像素数量大于区别阈值时，判定相应边的车道线为实线车道线；当统计的道路特征图像中一边的特征像素数量不大于区别阈值时，判定相应边的车道线为虚线车道线。具体而言，本实施例为对左右车道线分别进行特征像素点统计，由逆透视图像获取车道线特征图像后，分别使用左、右车道线感兴趣区域对车道线特征图像进行裁剪，得到左车道特征图像与右车道线特征图像。对左、右两车道特征图像中的特征像素点分别进行特征投票点统计，得到左右车道线特征投票点数。实线车道线特征投票点数与虚线车道线特征投票点数具有明显区别，设定一个区别阈值(阈值d)，当统计到某一边的特征投票数大于这个阈值d，则认为此边车道线为实线车道线，当统计到的特征投票数小于此阈值d，则认为此边车道线为虚线车道线。本实施例通过上述步骤就获得了实线车道和虚线车道，如图13所示，实线车道线则绘制实线，虚线车道线则绘制虚线代替。

综上所述，本实施例的基于特征像素统计的虚实车道线识别方法具有以下优点：

该基于特征像素统计的虚实车道线识别方法，先获取车前道路图像，通过四点法实现车载相机原图像到俯视图像的逆透视映射，完成灰度化后，结合边缘检测图像与车道线宽度信息对图像进行特征图像提取，再通过整体与局部的特征像素投影获取车道线上特征点位置，并使用卡尔曼滤波器对特征点进行跟踪，再使用最小二乘法对跟踪点进行二次曲线拟合，最后根据左右车道线方程建立左右车道线曲线感兴趣区域，对下一时刻边缘图像进行裁剪，限定车道线识别范围，同时对特征图像中左右车道线进行裁剪，并分别统计两侧车道线上特征像素数量，进行虚线车道线与实线车道线的识别。

在本实施例中，在对车道线进行识别拟合的同时，对车道线的虚线实线熟悉同时进行识别，而且充分利用了车道线的边缘信息与车道线的宽度信息，实现了车道特征图像提取。而且，本实施例采用卡尔曼滤波器对车道线拟合点进行多点并行跟踪，提高了车道线拟合点的稳定性与鲁棒性，利用车道线方程对左右车道线进行划分，根据实线车道线与虚线车道线特征像素的数量差异实现对车道线虚实属性的判别。

实施例2

请参阅图14，本实施例提供了一种基于特征像素统计的虚实车道线识别装置，该装置包括特征图像提取模块A、特征点提取跟踪与拟合模块B以及虚实车道线特征像素统计模块C。

特征图像提取模块A用于拍摄车前方的道路图像，并根据道路图像，获取车前方的道路特征图像。其中，特征图像提取模块A包括逆透视变换单元A1、边缘检测单元A2以及特征图像计算单元A3；逆透视变换单元A1用于先通过标定道路图像的图像参数，获取逆透视转换矩阵，再通过逆透视转换矩阵对道路图像进行逆透视变换获取道路鸟瞰图。边缘检测单元A2对鸟瞰图进行边缘检测，获取鸟瞰图的边缘信息。特征图像计算单元A3用于将边缘信息与车道线宽度信息对应，生成道路特征图像。

特征点提取跟踪与拟合模块B用于先提取道路特征图像的车道线特征点，再对车道线特征点进行实时跟踪，最后对跟踪点进行曲线拟合，获取两侧车道线方程。其中，特征点提取跟踪与拟合模块B包括特征点提取单元B1、特征点跟踪单元B2以及跟踪点拟合单元B3。特征点提取单元B1用于通过整体与局部的特征像素投影，获取车道线上特征点位置，以提取车道线特征点。特征点跟踪单元B2用于通过卡尔曼滤波器对车道线特征点进行多点并行跟踪。跟踪点拟合单元B3用于通过最小二乘法对跟踪点进行二次曲线拟合。

虚实车道线特征像素统计模块C用于根据两侧车道线方程，建立曲线感兴趣区域，并对下一时刻边缘信息的图像进行裁剪，以限定车道线识别范围，同时对道路特征图像中两侧车道线进行裁剪，并分别统计两侧车道线上特征像素数量，以识别虚线车道线与实线车道线。

实施例3

本实施例提供一种汽车，该汽车可以使用汽油等燃料的汽车，也可以为电动汽车，还可以为其他新能源汽车。本实施提供的汽车设有虚实车道线识别装置，并且该装置为实施例2中的基于特征像素统计的虚实车道线识别装置。该汽车还可装有摄像头，该摄像头拍摄汽车前进方向上的道路图像，并将图像直接传输至逆透视变换单元。该汽车能够利用虚实车道线识别装置判断前方道路的虚实线，在汽车靠近实线车道线或虚线车道线时，向驾驶员发出相关信息，以提醒驾驶员注意变道。而且，本实施例提供的汽车还能够判断前方车道线的颜色，若为实线车道线且颜色为黄色时，汽车会响起警报声，以进一步提醒驾驶员注意安全。另外，本实施例的汽车还可以为无人驾驶汽车，其能够根据汽车与实线车道线或虚线车道线距离，对汽车的前进方向进行调整，使汽车能够行驶在正常的车道之上。

实施例4

本实施例提供了一种汽车芯片，该汽车芯片内置了计算机程序，该计算机程序能够执行实施例1的基于特征像素统计的虚实车道线识别方法。本实施例的汽车芯片可以直接内嵌在汽车之中，也可以单独生产制造，还可制造为汽车车道线识别模块进行应用。

实施例5

本实施例提供了一种计算机终端，其包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序。处理器执行程序时实现实施例1的基于特征像素统计的虚实车道线识别方法的步骤。

实施例1的基于特征像素统计的虚实车道线识别方法在应用时，可以软件的形式进行应用，如设计成独立运行的程序，安装在计算机终端上，计算机终端可以是电脑、智能手机、控制系统以及其他物联网设备等。实施例1的基于特征像素统计的虚实车道线识别方法也可以设计成嵌入式运行的程序，安装在计算机终端上，如安装在单片机上。

实施例6

本实施例提供了一种计算机可读存储介质，其上存储有计算机程序。程序被处理器执行时，实现实施例1的基于特征像素统计的虚实车道线识别方法的步骤。

实施例1的基于特征像素统计的虚实车道线识别方法在应用时，可以软件的形式进行应用，如设计成计算机可读存储介质可独立运行的程序，计算机可读存储介质可以是U盘，设计成U盾，通过U盘设计成通过外在触发启动整个方法的程序。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于特征像素统计的虚实车道线识别方法，其特征在于，其包括以下步骤：

(1)拍摄车前方的道路图像，并根据所述道路图像，获取车前方的道路特征图像；其中，所述道路特征图像的获取方法包括以下步骤：

(1.1)先通过标定所述道路图像的图像参数，获取逆透视转换矩阵，再通过所述逆透视转换矩阵对所述道路图像进行逆透视变换获取道路鸟瞰图；

(1.2)对所述鸟瞰图进行边缘检测，获取所述鸟瞰图的边缘信息；

(1.3)将所述边缘信息与车道线宽度信息对应，生成所述道路特征图像；

(2)先提取所述道路特征图像的车道线特征点，再对所述车道线特征点进行实时跟踪，最后对跟踪点进行曲线拟合，获取两侧车道线方程；

(3)根据所述两侧车道线方程，建立曲线感兴趣区域，并对下一时刻边缘信息的图像进行裁剪，以限定车道线识别范围，同时对所述道路特征图像中两侧车道线进行裁剪，并分别统计两侧车道线上特征像素数量，以识别虚线车道线与实线车道线；

其中，所述道路特征图像的生成方法包括以下步骤：

检测所述鸟瞰图的灰度图，并遍历检索后图像中的每个像素；

当一个像素点的像素值及与其水平相隔一段距离的像素点的梯度值均大于一个阈值时，将两个像素点之间的像素值均设置为一个像素定值，并将其他像素点的像素值设置为0，以生成所述道路特征图像；

所述车道线特征点的提取方法包括以下步骤：

建立长度与所述道路特征图像的宽度相同的一维投票空间；

遍历所述道路特征图像中每一个像素点，当所述道路特征图像中一个像素点的像素值为所述像素定值时，使所述一维投票空间的相应位置的投票点加一；

求出所述道路特征图像的两侧投票的峰值位置，并获取投票数最多的两车道线端点；

根据所述两车道线端点，将所述道路特征图像分为左右两部分，并进行局部特征像素投影，获取车道线上特征点位置，以提取所述车道线特征点；

其中，局部特征像素投影的范围A为C_min×R_min，且范围A左上角点的位置公式为：

式中，Px_i为范围A的下一投影范围的左上角点横坐标，Px_i-1为范围A的上一投影范围左上角点横坐标，C_min为搜索框的宽度，P_m为投影范围内投影峰值点位置，Py_i为下一投影范围左上角的纵坐标，R为车道特征图像总高度，R_min为搜索框的高度；

所述车道线特征点与范围A左上角点的坐标关系公式为：

(x_i,y_i)为所述车道线特征点的坐标；

(i,j)为所述车道线特征点在所述道路特征图像中相应像素点的坐标；

n为所述道路特征图像中像素点的数量。

2.如权利要求1所述的基于特征像素统计的虚实车道线识别方法，其特征在于，对跟踪点进行曲线拟合方法包括以下步骤：

以所述道路特征图像的边缘左上顶点为原点，垂直向下方向为x轴正方向，水平向右方向为y轴正方向，建立坐标系；

通过曲线车道线方程y＝a₀+a₁x+a₂x²，计算所有车道线特征点到目标曲线的偏差，并求取偏差平方和φ；其中，偏差平方和φ的计算公式为：

式中，a₀、a₁、a₂为曲线方程参数；

计算偏差平方和φ最小时，曲线方程参数a₀、a₁、a₂的值，并绘制出相应的拟合曲线。

3.如权利要求1所述的基于特征像素统计的虚实车道线识别方法，其特征在于，对所述道路图像进行逆透视变换的方法包括以下步骤：

先选取直线道路图像，再在所述逆透视转换矩阵中的两侧车道线上同一行位置处选取原始点；

通过所述原始点，建立逆透视图像矩阵，并在所述逆透视图像矩阵中确定所述原始点的目标位置点；

先根据所述原始点以及所述目标位置点的序列，求取映射矩阵，再对所述道路图像的矩阵中每个像素位置的像素使用所述映射矩阵映射到所述逆透视图像矩阵中，获取所述道路鸟瞰图。

4.如权利要求1所述的基于特征像素统计的虚实车道线识别方法，其特征在于，所述曲线感兴趣区域的建立方法包括以下步骤：先建立尺寸与所述逆透视转换矩阵的图像尺寸相同的图像矩阵，再根据拟合的曲线，在所述图像矩阵中将车道线两侧水平邻域内的像素值为所述像素定值的数据位置标为感兴趣区域，像素值为0的数据位置标为非感兴趣区域；

识别虚线车道线与实线车道线的方法包括以下步骤：设定虚线车道线与实线车道线的区别阈值；将所述特征像素数量与所述区别阈值比较；当统计的所述道路特征图像中一边的所述特征像素数量大于所述区别阈值时，判定相应边的车道线为实线车道线；当统计的所述道路特征图像中一边的所述特征像素数量不大于所述区别阈值时，判定相应边的车道线为虚线车道线。

5.如权利要求1所述的基于特征像素统计的虚实车道线识别方法，其特征在于，通过对所述道路特征图像进行整体与局部的特征像素投影，获取车道线上特征点位置，以提取所述车道线特征点；通过卡尔曼滤波器对所述车道线特征点进行多点并行跟踪；通过最小二乘法对所述跟踪点进行二次曲线拟合。

6.如权利要求5所述的基于特征像素统计的虚实车道线识别方法，其特征在于，对所述车道线特征点进行实时跟踪的方法包括以下步骤：

以每帧车道特征图像检测到的车道线特征点作为观测值，对所述卡尔曼滤波器进行更新；

通过所述卡尔曼滤波器迭代计算出一个时刻特征点的最优位置，以作为下一帧图像求取最优特征点的输入值，并对所述车道线特征点进行实时跟踪。

7.一种基于特征像素统计的虚实车道线识别装置，其应用如权利要求1-6中任意一项所述的基于特征像素统计的虚实车道线识别方法，其特征在于，其包括：

特征图像提取模块，其用于拍摄车前方的道路图像，并根据所述道路图像，获取车前方的道路特征图像；其中，所述特征图像提取模块包括逆透视变换单元、边缘检测单元以及特征图像计算单元；所述逆透视变换单元用于先通过标定所述道路图像的图像参数，获取逆透视转换矩阵，再通过所述逆透视转换矩阵对所述道路图像进行逆透视变换获取道路鸟瞰图；所述边缘检测单元对所述鸟瞰图进行边缘检测，获取所述鸟瞰图的边缘信息；所述特征图像计算单元用于将所述边缘信息与车道线宽度信息对应，生成所述道路特征图像；

特征点提取跟踪与拟合模块，其用于先提取所述道路特征图像的车道线特征点，再对所述车道线特征点进行实时跟踪，最后对跟踪点进行曲线拟合，获取两侧车道线方程；其中，所述特征点提取跟踪与拟合模块包括特征点提取单元、特征点跟踪单元以及跟踪点拟合单元；所述特征点提取单元用于通过整体与局部的特征像素投影，获取车道线上特征点位置，以提取所述车道线特征点；所述特征点跟踪单元用于通过卡尔曼滤波器对所述车道线特征点进行多点并行跟踪；所述跟踪点拟合单元用于通过最小二乘法对所述跟踪点进行二次曲线拟合；以及

虚实车道线特征像素统计模块，其用于根据所述两侧车道线方程，建立曲线感兴趣区域，并对下一时刻边缘信息的图像进行裁剪，以限定车道线识别范围，同时对所述道路特征图像中两侧车道线进行裁剪，并分别统计两侧车道线上特征像素数量，以识别虚线车道线与实线车道线。

Images