CN111178150A - 车道线检测方法、系统及存储介质 - Google Patents
车道线检测方法、系统及存储介质 Download PDFInfo
- Publication number
- CN111178150A CN111178150A CN201911251013.5A CN201911251013A CN111178150A CN 111178150 A CN111178150 A CN 111178150A CN 201911251013 A CN201911251013 A CN 201911251013A CN 111178150 A CN111178150 A CN 111178150A
- Authority
- CN
- China
- Prior art keywords
- straight line
- line
- lane line
- lane
- 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
Images
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
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- 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
- G06V10/443—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 by matching or filtering
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)
- Image Processing (AREA)
Abstract
一种车道线检测方法、系统及存储介质,该车道线检测方法包括:获取道路图像,将道路图像转换为俯视图;根据实际车道线宽度对所述俯视图进行中值滤波,计算初始车道线图像,并对所初始车道线图像进行二值化处理;根据实际车道线宽度对二值化处理后的初始车道线图像进行形态学滤波,获得最终车道线图像;通过霍夫变换对最终车道线图像进行直线检测,获得车道线。该方法根据实际车道线宽度对道路图像转换的俯视图进行两次滤波,再通过霍夫变换进行车道线检测,一方面提高基于霍夫变换的车道线检测方法的精度,另一方面提高检测效率。
Description
技术领域
本发明涉及图像识别技术领域,特别涉及一种车道线检测方法、系统及存储介质。
背景技术
采用视觉传感器进行道路信息感知具有检测信息量大的特点。通过摄像头可以对道路路面、交通标志、交通信号灯等外界环境进行感知和处理。其中,最主要的任务是完成道路线的检测与识别,这也是辅助驾驶系统中的一个重要环节,因为只有精确了解道路信息才可以准确地获得车体相对于道路的位置和方向,为后续的车辆自适应巡航,障碍物检测等提供基础。
现有技术通常利用霍夫(Hough)变换检测车道线。车道线检测过程中,由于两侧建筑、树木的阴影,前方车辆的遮挡等,可能在采集的车道线图像上形成很多噪点,导致霍夫变换的计算时间开销增大、实时性降低。此外,由于干扰噪点的存在,也会影响检测结果的准确性。
因此,期待开发一种精度和效率更高的车道线检测方法。
发明内容
本发明的目的是提出一种车道线检测方法,以提高基于霍夫变换的车道线检测方法的精度和效率。
本发明提出一种车道线检测方法,包括:
获取道路图像,将所述道路图像转换为俯视图;
根据实际车道线宽度对所述俯视图进行中值滤波,计算初始车道线图像,并对所述初始车道线图像进行二值化处理;
根据所述实际车道线宽度对二值化处理后的初始车道线图像进行形态学滤波,获得最终车道线图像;
通过霍夫变换对所述最终车道线图像进行直线检测,获得车道线。
优选地,根据以下公式(6)确定中值滤波采用的窗口大小:
k1=(2n+1)·(2n+1) (6)
优选地,根据从世界坐标系到相机坐标系的变换矩阵H计算所述宽度W,其中:
H=K·Rx·Rz·T
其中,K表示相机内参数矩阵,Rx表示绕相机坐标系x轴的旋转矩阵,Rz表示绕相机坐标系z轴的旋转矩阵,T表示从世界坐标系到相机坐标系的平移矩阵,f表示相机焦距,(Cx,Cy)表示图像主点坐标,表示相机的俯仰角,θ表示相机的偏航角,h表示世界坐标系下相机距地面的高度。
优选地,根据以下公式(7)计算初始车道线图像:
Imi(x,y)=Isrx(x,y)-Ifilter(x,y) (7)
其中,Imi(x,y)表示初始车道线图像中坐标为(x,y)的像素点对应的灰度值,Isrx(x,y)表示俯视图中坐标为(x,y)的像素点对应的灰度值,Ifilter(x,y)表示中值滤波后的俯视图中坐标为(x,y)的像素点对应的灰度值。
优选地,根据以下公式(8)对所述初始车道线图像进行二值化处理:
其中,Ibin(x,y)表示二值化处理后的初始车道线图像中坐标为(x,y)的像素点对应的灰度值,threshold表示预设阈值。
优选地,通过开运算对二值化处理后的初始车道线图像进行形态学滤波,在所述开运算中,根据以下公式(9)计算核大小k2:
优选地,所述道路图像包括通过双目摄像头采集的左视道路图像和右视道路图像;
所述最终车道线图像包括对应于所述左视道路图像的最终左车道线图像和对应于所述右视道路图像的最终右车道线图像;
通过霍夫变换对所述最终车道线图像进行直线检测获得的车道线包括对应于左视道路图像的第一车道线和对应于右视道路图像的第二车道线,其中所述第一车道线包括至少两条第一直线,所述第二车道线包括至少两条第二直线;
所述车道线检测方法还包括:
针对每条所述第一直线,确定与其匹配的第二直线;
根据每条所述第一直线、与其匹配的所述第二直线分别计算相应的三维直线;
判断所述三维直线是车道线还是干扰线,进而确定所述三维直线对应的所述第一直线和第二直线是车道线还是干扰线。
优选地,通过以下方法确定与第一直线匹配的第二直线:
以直线方程ax+by+c=0表示所述第一直线,在所述至少两条第二直线中选择对应的直线方程的系数最接近于直线方程ax+by+c=0的第二直线作为与所述第一直线匹配的第二直线,与所述第一直线匹配的第二直线由直线方程ex+fy+g=0表示。
优选地,根据以下公式计算相应的三维直线上的三维空间点:
其中,X、Y、Z表示世界坐标系下三维空间点的坐标值,w表示归一化系数,(xL,yL)表示所述第一直线上点的坐标,dif表示所述第一直线上所述点对应的视差,Q表示变换矩阵,其中:
其中,xR表示与所述第一直线匹配的第二直线上与点(xL,yL)具有相同纵坐标的点的横坐标,Tx为双目摄像头的基线长度,(C’x,C’y)表示左摄像头图像主点坐标,f’表示左摄像头的焦距。
选地,所述三维直线共N条,记为L1至LN;根据以下步骤判断所述三维直线是车道线还是干扰线:
步骤701:将N条三维直线中的任意两条进行组合,获得N·(N-1)/2个三维直线组,每个三维直线组包括第一三维直线Li和第二三维直线Lj,其中,i=1,…N,j=1,…,N,且i≠j;
步骤702:选择一个三维直线组;
步骤703:计算所述三维直线组中的第一三维直线与第二三维直线之间的夹角β;
步骤704:计算所述三维直线组中的第一三维直线上每一像素点与所述第二三维直线的距离D1,以及计算所述第二三维直线上每一像素点与所述第一三维直线的距离D2,统计所有的距离D1和距离D2的均值D及方差σ;
步骤705:如果所述夹角β小于第一阈值、所述均值D属于第二阈值范围且所述方差σ小于第三阈值,则判断所述第一三维直线和所述第二三维直线均为车道线,为所述三维直线组添加车道线标记;否则,判断所述第一三维直线和所述第二三维直线中的至少一条为干扰线,为所述三维直线组添加干扰线标记;
步骤706:重新选择一个三维直线组,重复执行所述步骤703至步骤705,直到对N·(N-1)/2个三维直线组完成判断;
步骤707:利用具有车道线标记的三维直线组对具有干扰线标记的三维直线组进行验证,判断具有干扰线标记的三维直线组中的第一三维直线和第二三维直线是车道线还是干扰线。
优选地,在所述步骤707中,如果具有干扰线标记的三维直线组中的第一三维直线存在于任意一个具有车道线标记的三维直线组中,判断所述第一三维直线为车道线,否则判断所述第一三维直线为干扰线;如果具有干扰线标记的三维直线组中的第二三维直线存在于任意一个具有车道线标记的三维直线组中,判断所述第二三维直线为车道线,否则判断所述第二三维直线为干扰线。
优选地,所述判断所述三维直线是车道线还是干扰线包括:分别判断每条三维直线是车道线还是干扰线;
针对每条三维直线,根据以下步骤判断该条三维直线是车道线还是干扰线:
计算该条三维直线与道路正前方的夹角γ;
计算该条三维直线上某一点与地面的距离Hd;
如果所述夹角γ大于第四阈值或者所述距离Hd大于第五阈值,判断该条三维直线是干扰线,否则判断该条三维直线是车道线。
本发明另一方面提供一种车道线检测系统,包括:
存储器,存储有计算机可执行指令;
处理器,所述处理器运行所述存储器中的计算机可执行指令,执行所述的车道线检测方法。
本发明再一方面提供一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行时实现所述的车道线检测方法。
本发明的有益效果在于:
1、根据实际车道线宽度对道路图像转换的俯视图进行两次滤波,再通过霍夫变换进行车道线检测,一方面提高基于霍夫变换的车道线检测方法的精度,另一方面提高检测效率。
2、利用变换获得的三维直线区分车道线与干扰线,进一步提高车道线检测的准确性。
本发明具有其它的特性和优点,这些特性和优点从并入本文中的附图和随后的具体实施方式中将是显而易见的,或者将在并入本文中的附图和随后的具体实施方式中进行详细陈述,这些附图和具体实施方式共同用于解释本发明的特定原理。
附图说明
通过结合附图对本发明示例性实施例进行更详细的描述,本发明的上述以及其它目的、特征和优势将变得更加明显,其中,在本发明示例性实施例中,相同的附图标记通常代表相同部件。
图1显示根据本发明的示例性实施例的车道线检测方法的流程图;
图2a和图2b分别显示本发明的示例性实施例中通过双目摄像头采集的左视道路图像和右视道路图像;
图3a和图3b分别显示通过左视道路图像和右视道路图像转换获得的俯视图;
图4a和图4b分别显示对应于左视道路图像的最终左车道线图像和对应于右视道路图像的最终右车道线图像;
图5a和图5b分别显示左视道路图像中的第一车道线和右视道路图像中的第二车道线;
图6显示计算得到的三条三维直线。
具体实施方式
下面将参照附图更详细地描述本发明。虽然附图中显示了本发明的优选实施例,然而应该理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了使本发明更加透彻和完整,并且能够将本发明的范围完整地传达给本领域的技术人员。
本发明提供一种车道线检测方法,包括以下步骤:
获取道路图像,将道路图像转换为俯视图;
根据实际车道线宽度对俯视图进行中值滤波,计算初始车道线图像,并对初始车道线图像进行二值化处理;
根据实际车道线宽度对二值化处理后的初始车道线图像进行形态学滤波,获得最终车道线图像;
通过霍夫变换对最终车道线图像进行直线检测,获得车道线。
该车道线检测方法根据实际车道线宽度对道路图像转换的俯视图进行两次滤波,再通过霍夫变换进行车道线检测,一方面提高基于霍夫变换的车道线检测方法的精度,另一方面提高检测效率。
以下参考附图描述本发明的实施例。图1显示根据本发明的示例性实施例的车道线检测方法的流程图。如图1所示,该车道线检测方法包括以下步骤:
步骤1:获取道路图像,将道路图像转换为俯视图。
为了最大程度获得前方道路图像,通常将相机安装在车身前部。相机坐标系的原点在相机光心,设相机坐标系的z轴沿相机光轴方向向前(即朝向相机拍摄方向),y轴垂直于相机光轴方向向下,x轴垂直于相机光轴方向向右。
道路所在坐标系为世界坐标系,设世界坐标系的原点在相机光心的正下方,世界坐标系的y轴平行于车道线向前,x轴垂直于车道线向右,z轴垂直于地面向上。
通过消失点算法可以计算相机坐标系与世界坐标系的旋转转换关系,如公式(1)和(2)所示:
那么,从世界坐标系到相机坐标系的转换矩阵H可由公式(3)确定:
其中,表示相机坐标系中的像素点,H表示从世界坐标系到相机坐标系的变换矩阵,表示世界坐标系中地面上的点,K表示相机内参数矩阵,Rx表示绕相机坐标系x轴的旋转矩阵,Rz表示绕相机坐标系z轴的旋转矩阵,T表示从世界坐标系到相机坐标系的平移矩阵,h表示世界坐标系下相机距地面的高度。
进一步地,设转换后的俯视图的大小为width×height,其中width表示俯视图的宽度,height表示俯视图的高度。俯视图对应的世界坐标系下的区域为W×(D-F),其中,W表示相机可视区域在世界坐标系中的宽度(即沿世界坐标系的x轴),即道路图像在世界坐标系中对应的宽度,D表示相机可视区域在世界坐标系中的最远点(即沿世界坐标系的Z轴的最大值)与原点的距离,F表示相机可视区域在世界坐标系中的最近点(即沿世界坐标系的z轴的最小值)与原点的距离。
那么,从道路图像到俯视图的变换关系为公式(4)所示:
通过以上公式,即可将道路图像转换为俯视图。
步骤2:根据实际车道线宽度对俯视图进行中值滤波,计算初始车道线图像,并对初始车道线图像进行二值化处理。
具体地,步骤2包括以下子步骤:
子步骤201:根据实际车道线宽度对俯视图进行中值滤波;
为保留车道线信息,需要将大于或小于车道线宽度的图像特征滤除。在本发明中,根据实际车道线宽度对俯视图进行中值滤波。中值滤波是一种非线性平滑技术,它将每一像素点的灰度值设置为该点某邻域窗口内的所有像素点灰度值的中值。在实施例中,根据以下公式(6)确定中值滤波采用的窗口大小:
k1=(2n+1)·(2n+1) (6)
通过中值滤波可以得到滤除了小于车道线宽度的图像特征的图像Ifilter。
子步骤202:计算初始车道线图像;
根据以下公式(7)计算初始车道线图像:
Imi(x,y)=Isrx(x,y)-Ifilter(x,y) (7)
其中,Imi(x,y)表示初始车道线图像中坐标为(x,y)的像素点对应的灰度值,Isrx(x,y)表示俯视图中坐标为(x,y)的像素点对应的灰度值,Ifilter(x,y)表示中值滤波后的俯视图中坐标为(x,y)的像素点对应的灰度值。
子步骤203:对初始车道线图像进行二值化处理;
根据以下公式(8)对初始车道线图像进行二值化处理:
其中,Ibin(x,y)表示二值化处理后的初始车道线图像中坐标为(x,y)的像素点对应的灰度值,threshold表示预设阈值,一般取值为10左右。
步骤3:根据实际车道线宽度对二值化处理后的初始车道线图像进行形态学滤波,获得最终车道线图像。
在本实施例中,通过开运算对二值化处理后的初始车道线图像进行形态学滤波,在开运算中,根据以下公式(9)计算核大小k2:
核大小k2确定形态学滤波中腐蚀和膨胀操作涉及的像素数。根据实际车道线宽度确定核大小k2有利于消除图像中小于车道线宽度的图像特征,能够得到相对干净的车道线特征。
步骤4:通过霍夫变换对最终车道线图像进行直线检测,获得车道线。
经过前述步骤1-3,已经消除了俯视图中的干扰噪声,特别是小于车道线宽度的图像特征。在步骤4中,通过霍夫变换对最终车道线图像进行直线检测,即可获得车道线。
具体地,步骤4可以包括以下子步骤:
子步骤401:根据霍夫变换,分别将所最终车道线图像中的每个白色像素点从相机坐标系转换为极坐标系下的一条曲线。
根据霍夫变换公式ρ=x·cosα+y·sinα,可以将最终车道线图像中的每个白色像素点从图像坐标系转换至极坐标系下的一条曲线,其中(x,y)表示像素点在图像坐标系中的坐标,x表示横坐标,y表示纵坐标,(ρ,α)表示像素点在极坐标系中的坐标,ρ表示极径,α表示极角。
子步骤402:在极坐标系中在预设极角范围内搜索像素对应值的局部极大值,像素对应值为经过像素的曲线的数量。
为了减少计算量,预设极角范围可以为40度至140度,角度步长设为1度,极径步长设为1个像素。图像坐标系内的一条直线可以通过在极坐标系中寻找交于一点的曲线数量来检测。越多的曲线交于一点就意味着交点表示的图像坐标系下的直线由更多的点组成。极坐标系下每个点对应的值为经过此点的曲线的数量,只需查找像素对应的最大值(且对应值大于预设阈值)所在位置即可检测图像坐标系下的直线。
子步骤403:根据局部极大值的坐标计算对应的直线方程,完成直线检测,将检测到的直线进行反霍夫变换和坐标系变换,变换到原始道路图像中。
设局部最大值的坐标为(ρ,α),那么根据公式ρ=x·cosα+y·sinα,即可得到mx+ny+c=0形式的直线方程,其中m=cos(a),n=sin(a),c=-p。直线mx+ny+c=0即俯视图中的直线方程,将此直线记为向量Lper=[m,n,c]。
根据公式(10)可将直线方程变换到原始的道路图像中:
Lsrc=Hpw -T·H-T·Lper (10)
其中,Lsrc表示道路图像中的直线向量,Lper表示俯视图中的直线向量,Hpw表示从俯视图到世界坐标系的变换矩阵,如公式(5)所示。
根据以上步骤1至步骤4进行车道线检测,能够滤除与车道线宽度不符的图像特征,提高车道线检测精度。在某些场景下,由于路面障碍物的干扰,可能会将与车道线宽度接近的障碍物的特定部分误检测为车道线,影响检测结果。为了克服这类问题,本发明的车道线检测方法利用双目摄像头采集道路图像,根据三维直线特征区分车道线和干扰线,以进一步提高车道线检测精度。
在优选实施例中,道路图像包括通过双目摄像头采集的左视道路图像和右视道路图像;相应地,通过霍夫变换对最终车道线图像进行直线检测获得的车道线包括对应于左视道路图像的第一车道线和对应于右视道路图像的第二车道线,其中第一车道线包括至少两条第一直线,第二车道线包括至少两条第二直线。
车道线检测方法还包括步骤5至步骤7:
步骤5:针对每条第一直线,确定与其匹配的第二直线。
所谓匹配,是指左视道路图像中的第一直线与右视道路图像中的第二直线对应于实际道路上的同一条直线(车道线或干扰线)。具体地,通过以下方法确定与第一直线匹配的第二直线:
以直线方程ax+by+c=0表示第一直线,在至少两条第二直线中选择对应的直线方程的系数最接近于直线方程ax+by+c=0的第二直线作为与第一直线匹配的第二直线,与第一直线匹配的第二直线由直线方程ex+fy+g=0表示。
步骤6:根据每条第一直线、与其匹配的第二直线分别计算相应的三维直线。
具体地,根据以下公式计算相应的三维直线上的三维空间点:
其中,X、Y、Z表示世界坐标系下三维空间点的坐标值,w表示归一化系数,(xL,yL)表示第一直线上点的坐标,dif表示第一直线上所述点对应的视差,Q表示变换矩阵,其中:
其中,xR表示与第一直线匹配的第二直线上与点(xL,yL)具有相同纵坐标的点的横坐标,Tx为双目摄像头的基线长度,(C’x,C’y)表示左摄像头图像主点坐标,f’表示左摄像头的焦距。
根据获得的三维空间点的坐标值,可利用最小二乘法拟合三维直线。
根据每条第一直线、与其匹配的第二直线均可计算得到一条三维直线,通过步骤6可以计算得到至少两条三维直线。设计算得到的三维直线共N条,记为L1至LN。
步骤7:判断三维直线是车道线还是干扰线,进而确定三维直线对应的第一直线和第二直线是车道线还是干扰线。
可以通过两种方式判断三维直线是车道线还是干扰线,其中第一种方法采用基于三维直线组的方法,其包括以下步骤701至步骤707:
步骤701:将N条三维直线中的任意两条进行组合,获得N·(N-1)/2个三维直线组,每个三维直线组包括第一三维直线Li和第二三维直线Lj,其中,i=1,…N,j=1,…,N,且i≠j;
步骤702:选择一个三维直线组;
步骤703:计算三维直线组中的第一三维直线与第二三维直线之间的夹角β;
步骤704:计算三维直线组中的第一三维直线上每一像素点与第二三维直线的距离D1,以及计算第二三维直线上每一点与第一三维直线的距离D2,统计所有的距离D1和距离D2的均值D及方差σ;
步骤705:如果夹角β小于第一阈值、均值D属于第二阈值范围且方差σ小于第三阈值,则判断第一三维直线和第二三维直线均为车道线,为三维直线组添加车道线标记;否则,判断第一三维直线和第二三维直线中的至少一条为干扰线,为三维直线组添加干扰线标记;
由于实际车道线是互相平行的,而干扰线可能与车道线形成较大夹角,因此可用两条三维直线之间的夹角来区分车道线与干扰线。此外,互相平行的车道线之间的距离应当是固定不变的,即步骤704中统计的距离D1、距离D2的均值应接近实际车道线之间的距离,方差σ应较小。因此,在本步骤中,只有夹角β小于第一阈值、均值D属于第二阈值范围且方差σ小于第三阈值时,才判断第一三维直线和第二三维直线均为车道线。一般情况下,第一阈值可为5°,第二阈值范围为300~375cm,第三阈值可为50cm。
步骤706:重新选择一个三维直线组,重复执行步骤703至步骤705,直到对N·(N-1)/2个三维直线组完成判断;
步骤707:利用具有车道线标记的三维直线组对具有干扰线标记的三维直线组进行验证,判断具有干扰线标记的三维直线组中的第一三维直线和第二三维直线是车道线还是干扰线;
具体地,如果具有干扰线标记的三维直线组中的第一三维直线存在于任意一个具有车道线标记的三维直线组中,判断第一三维直线为车道线,否则判断第一三维直线为干扰线;如果具有干扰线标记的三维直线组中的第二三维直线存在于任意一个具有车道线标记的三维直线组中,判断第二三维直线为车道线,否则判断第二三维直线为干扰线。
根据另一个示例,可以分别判断每条三维直线是车道线还是干扰线。具体地,针对每条三维直线,根据以下步骤判断该条三维直线是车道线还是干扰线:
计算该条三维直线与道路正前方的夹角γ;
计算该条三维直线上某一点与地面的距离Hd;
如果夹角γ大于第四阈值或者距离Hd属于第五阈值范围,判断该条三维直线是干扰线,否则判断该条三维直线是车道线。
在直行道路上,车道线指向道路正前方,因此可以通过三维直线与道路正前方的夹角γ判断其是车道线还是干扰线。另外,车道线位于地面上,其上的每一天与地面的距离都应为零,因此,可以通过三维直线上某一点与地面的距离Hd判断其是车道线还是干扰线。如果夹角γ大于第四阈值或者距离Hd大于第五阈值,判断该条三维直线是干扰线,否则判断该条三维直线是车道线。一般情况下,夹角γ可为5°,第五阈值可以为50cm。
判断三维直线是车道线还是干扰线之后,即可确定三维直线对应的第一直线和第二直线是车道线还是干扰线,显然,如果三维直线是车道线,其对应的第一直线和第二直线也是车道线,反之,如果三维直线是干扰线,对应的第一直线和第二直线也是干扰线。
本发明另一方面提供一种车道线检测系统,包括:
存储器,存储有计算机可执行指令;
处理器,所述处理器运行所述存储器中的计算机可执行指令,执行所述的车道线检测方法。
本发明再一方面提供一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行时实现所述的车道线检测方法。
实施例
根据本发明示例性实施例的车道线检测方法包括以下步骤:
步骤1:获取道路图像,将道路图像转换为俯视图;其中,道路图像包括通过双目摄像头采集的左视道路图像和右视道路图像,图2a和图2b分别显示通过双目摄像头采集的左视道路图像和右视道路图像,图3a和图3b分别显示通过左视道路图像和右视道路图像转换获得的俯视图;
步骤2:根据实际车道线宽度对俯视图进行中值滤波,计算初始车道线图像,并对初始车道线图像进行二值化处理;
步骤3:根据实际车道线宽度对二值化处理后的初始车道线图像进行形态学滤波,获得最终车道线图像;图4a和图4b分别显示对应于左视道路图像的最终左车道线图像和对应于右视道路图像的最终右车道线图像;
步骤4:通过霍夫变换对最终车道线图像进行直线检测,获得车道线;其中车道线包括对应于左视道路图像的第一车道线和对应于右视道路图像的第二车道线,其中第一车道线包括至少两条第一直线,第二车道线包括至少两条第二直线;图5a和图5b分别显示左视道路图像中的第一车道线和右视道路图像中的第二车道线,第一车道线和第二车道线分别包括三条直线,由图中的黑色细线表示;
步骤5:针对每条第一直线,确定与其匹配的第二直线;
步骤6:根据每条第一直线、与其匹配的第二直线分别计算相应的三维直线;图6显示计算得到的三条三维直线,其被显示在三维坐标系内;
步骤7:判断三维直线是车道线还是干扰线,进而确定三维直线对应的第一直线和第二直线是车道线还是干扰线;根据前述步骤701至步骤707判断图6中最短的一条三维直线是干扰线,其余两条直线是车道线,进而可以确定相对应的第一直线和第二直线是车道线还是干扰线。
以上已经描述了本发明的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。
Claims (10)
1.一种车道线检测方法,其特征在于,包括:
获取道路图像,将所述道路图像转换为俯视图;
根据实际车道线宽度对所述俯视图进行中值滤波,计算初始车道线图像,并对所述初始车道线图像进行二值化处理;
根据所述实际车道线宽度对二值化处理后的初始车道线图像进行形态学滤波,获得最终车道线图像;
通过霍夫变换对所述最终车道线图像进行直线检测,获得车道线。
4.根据权利要求1所述的车道线检测方法,其特征在于,根据以下公式(7)计算初始车道线图像:
Imi(x,y)=Isrx(x,y)-Ifilter(x,y) (7)
其中,Imi(x,y)表示初始车道线图像中坐标为(x,y)的像素点对应的灰度值,Isrx(x,y)表示俯视图中坐标为(x,y)的像素点对应的灰度值,Ifilter(x,y)表示中值滤波后的俯视图中坐标为(x,y)的像素点对应的灰度值。
7.根据权利要求1所述的车道线检测方法,其特征在于,所述道路图像包括通过双目摄像头采集的左视道路图像和右视道路图像;
所述最终车道线图像包括对应于所述左视道路图像的最终左车道线图像和对应于所述右视道路图像的最终右车道线图像;
通过霍夫变换对所述最终车道线图像进行直线检测获得的车道线包括对应于左视道路图像的第一车道线和对应于右视道路图像的第二车道线,其中所述第一车道线包括至少两条第一直线,所述第二车道线包括至少两条第二直线;
所述车道线检测方法还包括:
针对每条所述第一直线,确定与其匹配的第二直线;
根据每条所述第一直线、与其匹配的所述第二直线分别计算相应的三维直线;
判断所述三维直线是车道线还是干扰线,进而确定所述三维直线对应的所述第一直线和第二直线是车道线还是干扰线。
8.根据权利要求7所述的车道线检测方法,其特征在于,通过以下方法确定与第一直线匹配的第二直线:
以直线方程ax+by+c=0表示所述第一直线,在所述至少两条第二直线中选择对应的直线方程的系数最接近于直线方程ax+by+c=0的第二直线作为与所述第一直线匹配的第二直线,与所述第一直线匹配的第二直线由直线方程ex+fy+g=0表示。
10.根据权利要求7所述的车道线检测方法,其特征在于,所述三维直线共N条,记为L1至LN;根据以下步骤判断所述三维直线是车道线还是干扰线:
步骤701:将N条三维直线中的任意两条进行组合,获得N·(N-1)/2个三维直线组,每个三维直线组包括第一三维直线Li和第二三维直线Lj,其中,i=1,…N,j=1,…,N,且i≠j;
步骤702:选择一个三维直线组;
步骤703:计算所述三维直线组中的第一三维直线与第二三维直线之间的夹角β;
步骤704:计算所述三维直线组中的第一三维直线上每一像素点与所述第二三维直线的距离D1,以及计算所述第二三维直线上每一像素点与所述第一三维直线的距离D2,统计所有的距离D1和距离D2的均值D及方差σ;
步骤705:如果所述夹角β小于第一阈值、所述均值D属于第二阈值范围且所述方差σ小于第三阈值,则判断所述第一三维直线和所述第二三维直线均为车道线,为所述三维直线组添加车道线标记;否则,判断所述第一三维直线和所述第二三维直线中的至少一条为干扰线,为所述三维直线组添加干扰线标记;
步骤706:重新选择一个三维直线组,重复执行所述步骤703至步骤705,直到对N·(N-1)/2个三维直线组完成判断;
步骤707:利用具有车道线标记的三维直线组对具有干扰线标记的三维直线组进行验证,判断具有干扰线标记的三维直线组中的第一三维直线和第二三维直线是车道线还是干扰线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911251013.5A CN111178150B (zh) | 2019-12-09 | 2019-12-09 | 车道线检测方法、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911251013.5A CN111178150B (zh) | 2019-12-09 | 2019-12-09 | 车道线检测方法、系统及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111178150A true CN111178150A (zh) | 2020-05-19 |
CN111178150B CN111178150B (zh) | 2023-05-09 |
Family
ID=70646241
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911251013.5A Active CN111178150B (zh) | 2019-12-09 | 2019-12-09 | 车道线检测方法、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111178150B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111973134A (zh) * | 2020-08-06 | 2020-11-24 | 江苏势通生物科技有限公司 | 基于视觉的测试体对准待测通道的方法、导航方法及系统 |
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 |
CN112598762A (zh) * | 2020-09-16 | 2021-04-02 | 禾多科技(北京)有限公司 | 三维车道线信息生成方法、装置、电子设备和介质 |
CN112767425A (zh) * | 2020-12-30 | 2021-05-07 | 智车优行科技(北京)有限公司 | 一种基于视觉的车位检测方法及装置 |
CN114419582A (zh) * | 2021-12-29 | 2022-04-29 | 山西省交通科技研发有限公司 | 一种基于相位一致性霍夫变换的磨损车道线检测方法 |
US11328520B2 (en) | 2020-07-20 | 2022-05-10 | Beijing Baidu Netcom Science and Technology Co., Ltd | Lane line determination method and apparatus, lane line positioning accuracy evaluation method and apparatus, and device |
CN115171428A (zh) * | 2022-06-24 | 2022-10-11 | 重庆长安汽车股份有限公司 | 一种基于视觉感知的车辆切入预警方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160055751A1 (en) * | 2014-08-22 | 2016-02-25 | Hyundai Mobis Co., Ltd. | Lane detection apparatus and operating method for the same |
CN107392139A (zh) * | 2017-07-18 | 2017-11-24 | 海信集团有限公司 | 一种基于霍夫变换的车道线检测方法及终端设备 |
CN109993099A (zh) * | 2019-03-27 | 2019-07-09 | 西安航空职业技术学院 | 一种基于机器视觉的车道线提取识别方法 |
-
2019
- 2019-12-09 CN CN201911251013.5A patent/CN111178150B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160055751A1 (en) * | 2014-08-22 | 2016-02-25 | Hyundai Mobis Co., Ltd. | Lane detection apparatus and operating method for the same |
CN107392139A (zh) * | 2017-07-18 | 2017-11-24 | 海信集团有限公司 | 一种基于霍夫变换的车道线检测方法及终端设备 |
CN109993099A (zh) * | 2019-03-27 | 2019-07-09 | 西安航空职业技术学院 | 一种基于机器视觉的车道线提取识别方法 |
Non-Patent Citations (2)
Title |
---|
唐阳山;李栋梁;朱停仃;黄贤成;: "基于canny和霍夫变换的车道线识别算法研究", 汽车实用技术 * |
戴渊明;张翔;王再富;: "基于改进概率霍夫变换算法的车道检测方法研究", 杭州电子科技大学学报 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11328520B2 (en) | 2020-07-20 | 2022-05-10 | Beijing Baidu Netcom Science and Technology Co., Ltd | Lane line determination method and apparatus, lane line positioning accuracy evaluation method and apparatus, and device |
CN111973134A (zh) * | 2020-08-06 | 2020-11-24 | 江苏势通生物科技有限公司 | 基于视觉的测试体对准待测通道的方法、导航方法及系统 |
CN112598762A (zh) * | 2020-09-16 | 2021-04-02 | 禾多科技(北京)有限公司 | 三维车道线信息生成方法、装置、电子设备和介质 |
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 |
CN112767425A (zh) * | 2020-12-30 | 2021-05-07 | 智车优行科技(北京)有限公司 | 一种基于视觉的车位检测方法及装置 |
CN114419582A (zh) * | 2021-12-29 | 2022-04-29 | 山西省交通科技研发有限公司 | 一种基于相位一致性霍夫变换的磨损车道线检测方法 |
CN115171428A (zh) * | 2022-06-24 | 2022-10-11 | 重庆长安汽车股份有限公司 | 一种基于视觉感知的车辆切入预警方法 |
CN115171428B (zh) * | 2022-06-24 | 2023-06-30 | 重庆长安汽车股份有限公司 | 一种基于视觉感知的车辆切入预警方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111178150B (zh) | 2023-05-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111178150B (zh) | 车道线检测方法、系统及存储介质 | |
CN106156723B (zh) | 一种基于视觉的路口精定位方法 | |
CN105866790B (zh) | 一种考虑激光发射强度的激光雷达障碍物识别方法及系统 | |
CN108520536B (zh) | 一种视差图的生成方法、装置及终端 | |
CN107133985B (zh) | 一种基于车道线消逝点的车载摄像机自动标定方法 | |
JP6221371B2 (ja) | 路面検知方法及び路面検知装置 | |
US11379963B2 (en) | Information processing method and device, cloud-based processing device, and computer program product | |
CN109948413B (zh) | 基于高精度地图融合的车道线检测方法 | |
CN112037159B (zh) | 一种跨相机道路空间融合及车辆目标检测跟踪方法及系统 | |
US8867792B2 (en) | Environment recognition device and environment recognition method | |
Zhang et al. | Robust inverse perspective mapping based on vanishing point | |
WO2021120574A1 (en) | Obstacle positioning method and apparatus for autonomous driving system | |
CN112232275B (zh) | 基于双目识别的障碍物检测方法、系统、设备及存储介质 | |
CN113792707A (zh) | 基于双目立体相机的地形环境检测方法、系统和智能终端 | |
CN103700082B (zh) | 基于对偶四元数相对定向的图像拼接方法 | |
CN115410167A (zh) | 目标检测与语义分割方法、装置、设备及存储介质 | |
CN110197104B (zh) | 基于车辆的测距方法及装置 | |
CN113140002B (zh) | 基于双目立体相机的道路状况检测方法、系统和智能终端 | |
Shen et al. | Lane line detection and recognition based on dynamic ROI and modified firefly algorithm | |
KR102003387B1 (ko) | 조감도 이미지를 이용한 교통 장애물의 검출 및 거리 측정 방법, 교통 장애물을 검출하고 거리를 측정하는 프로그램을 저장한 컴퓨터 판독가능 기록매체 | |
CN111881878A (zh) | 一种环视复用的车道线识别方法 | |
CN114972470B (zh) | 基于双目视觉的路面环境获取方法和系统 | |
CN111046795A (zh) | 一种基于双目视觉的实时车辆压线行为检测方法 | |
KR20160063039A (ko) | 3차원 데이터를 이용한 도로 인식 방법 | |
JP6266340B2 (ja) | 車線識別装置および車線識別方法 |
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 |