CN111832536B - 一种车道线检测方法及装置 - Google Patents
一种车道线检测方法及装置 Download PDFInfo
- Publication number
- CN111832536B CN111832536B CN202010730629.7A CN202010730629A CN111832536B CN 111832536 B CN111832536 B CN 111832536B CN 202010730629 A CN202010730629 A CN 202010730629A CN 111832536 B CN111832536 B CN 111832536B
- Authority
- CN
- China
- Prior art keywords
- lane line
- cloud data
- point cloud
- lane
- target
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 71
- 238000012216 screening Methods 0.000 claims description 55
- 238000000034 method Methods 0.000 claims description 47
- 230000008569 process Effects 0.000 claims description 11
- 238000012163 sequencing technique Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 2
- 238000005286 illumination Methods 0.000 abstract description 18
- 230000008859 change Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 7
- 230000007613 environmental effect Effects 0.000 description 7
- 238000003672 processing method Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000005299 abrasion Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000000428 dust Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种车道线检测方法及装置,采用激光雷达获取车辆的激光雷达原始点云数据,从激光雷达原始点云数据中分割出包含地面的目标区域,从目标区域提取出地面点云数据,再从地面点云数据中筛选出车道线特征点,基于车道线特征点,拟合得到多条车道线,从多条车道线中筛选出车道线之间的距离在预设车道线距离范围内的车道线作为目标车道线。本发明采用激光雷达采集车道线信息,激光雷达在采集图像时不受光照影响,可以在不同时间和不同环境下准确的检测出车道线,从而满足全工况的车道线识别,且车道线的检测准确率高。
Description
技术领域
本发明涉及图像处理技术领域,更具体的说,涉及一种车道线检测方法及装置。
背景技术
在针对智能车辆的研究任务中,车道线检测是一个复杂且具有挑战性的任务。车道线作为道路的一个主要部分,起到为智能车辆提供参考和指导安全驾驶的作用。
现有的车道线检测方法,主要使用基于摄像头的图像处理技术,通过使用计算机视觉、机器学习等处理方法,检测出图像中的车道线。
然而,基于摄像头的车道线检测方法,受光照影响较严重,在强光、阴影、明暗快速变换和夜间较暗的道路上,车道线的检测准确率低。
发明内容
有鉴于此,本发明公开一种车道线检测方法及装置,以实现在采集图像时不受光照影响,可以在不同时间和不同环境下准确的检测出车道线,不会因夜晚环境没有照明而无法检测到车道线,更不会因为路面阴影和明暗快速变化等环境因素噪声车道线的误检和漏检,因此,可以适用于全部路况下,满足全工况的车道线识别,且车道线的检测准确率高。
一种车道线检测方法,包括:
获取车辆的激光雷达原始点云数据;
从所述激光雷达原始点云数据中分割出包含地面的目标区域;
从所述目标区域内提取出地面点云数据;
从所述地面点云数据中筛选出车道线特征点;
基于筛选出的车道线特征点,将属于同一条车道线的车道线特征点分为一类,得到多个类,并针对每个类中的车道线特征点进行车道线拟合,得到多条车道线;
从多条车道线中筛选出车道线之间的距离在预设车道线距离范围内的车道线作为目标车道线。
可选的,所述从所述目标区域内提取出地面点云数据,具体包括:
将所述目标区域内的激光雷达原始点云数据由三维空间投射至水平二维平面;
将水平二维平面内每条射线上的激光雷达的各个原始点云数据,按照与原点的距离由小至大进行排序,其中,所述射线以雷达为原点周向发散,相邻射线之间的夹角为预设的角度间隔;
将每条射线上排序完成的激光雷达原始点云数据还原到三维空间;
按照排序依次判断三维空间内每条射线上相邻的点云数据的坡度,是否同时小于坡度阈值和坡度序列的均方根误差;
如果是,则判定当前点云所对应的激光雷达原始点云数据为地面点云数据。
可选的,所述从所述地面点云数据中筛选出车道线特征点,具体包括:
对所述地面点云数据进行栅格化处理,得到目标地面点云数据;
对所述目标地面点云数据使用滑窗法,基于预设的反射强度阈值及车道线宽度,筛选得到车道线特征点。
可选的,所述对所述地面点云数据进行栅格化处理,得到目标地面点云数据,具体包括:
将所述目标区域内雷达的每条扫描线划分为预设数量的栅格;
对于每个所述栅格,查找所述目标区域内与所述栅格距离最近的地面点云数据作为目标地面点云数据;
将所述目标地面点云数据的反射强度值填入所述栅格。
可选的,所述对所述目标地面点云数据使用滑窗法,基于预设的反射强度阈值及车道线宽度,筛选得到车道线特征点,具体包括:
在滑窗以固定步长在扫描线上从左至右移动的过程中,当滑窗内所有栅格的反射强度值之和增加或减少至极限值、且滑窗内最左侧栅格的反射强度与滑窗内相邻栅格的反射强度差值大于反射强度阈值时,将滑窗内的最左侧栅格对应的点标记为车道线起点或车道线终点;
计算所述车道线起点和所述车道线终点之间的距离;
从所述目标地面点云数据中,筛选出所述距离不小于车道线最短宽度,且不大于车道线最长宽度的地面点云数据作为所述车道线特征点。
可选的,所述基于每个所述车道线特征点,将属于同一条车道线的车道线特征点分为一类,得到多个类,并针对每个类中的车道线特征点进行车道线拟合,得到多条车道线,具体包括:
基于每个所述车道线特征点的位置信息,将属于同一条车道线的车道线特征点分为一类,得到多个类;
从所述多个类中筛选出车道线特征点的数量不小于数量阈值的类;
对筛选得到的每个类进行噪声滤除,得到对应的目标类;
针对每个所述目标类中的车道线特征点进行车道线拟合,得到所述目标类对应的车道线。
可选的,在检测到所述目标车道线之后,还包括:
在得到当前帧内所有的所述目标车道线后,
在得到当前帧输出的目标车道线后,根据如下公式确定下一帧输出的目标车道线:
式中,A为所述下一帧的最终输出目标车道线,Y为下一帧检测出的目标车道线,n为连续未检测到车道线的帧数,P为根据当前帧最终输出的目标车道线对下一帧的车道线的位置进行预测得到的预测车道线。
一种车道线检测装置,包括:
获取单元,用于获取车辆的激光雷达原始点云数据;
分割单元,用于从所述激光雷达原始点云数据中分割出包含地面的目标区域;
提取单元,用于从所述目标区域内提取出地面点云数据;
特征点筛选单元,用于从所述地面点云数据中筛选出车道线特征点;
拟合单元,用于基于筛选出的车道线特征点,将属于同一条车道线的车道线特征点分为一类,得到多个类,并针对每个类中的车道线特征点进行车道线拟合,得到多条车道线;
车道线筛选单元,用于从多条车道线中筛选出车道线之间的距离在预设车道线距离范围内的车道线作为目标车道线。
可选的,所述提取单元具体包括:
投射子单元,用于将所述目标区域内的激光雷达原始点云数据由三维空间投射至水平二维平面;
排序子单元,用于将水平二维平面内每条射线上的激光雷达的各个原始点云数据,按照与原点的距离由小至大进行排序,其中,所述射线以雷达为原点周向发散,相邻射线之间的夹角为预设的角度间隔;
还原子单元,用于将每条射线上排序完成的激光雷达原始点云数据还原到三维空间;
判断子单元,用于按照排序依次判断三维空间内每条射线上相邻的点云数据的坡度,是否同时小于坡度阈值和坡度序列的均方根误差;
判定子单元,用于在所述判断子单元判断为是的情况下,判定当前点云所对应的激光雷达原始点云数据为地面点云数据。
可选的,所述特征点筛选单元具体包括:
栅格化子单元,用于对所述地面点云数据进行栅格化处理,得到目标地面点云数据;
特征点筛选子单元,用于对所述目标地面点云数据使用滑窗法,基于预设的反射强度阈值及车道线宽度,筛选得到车道线特征点。
从上述的技术方案可知,本发明公开的车道线检测方法及装置,采用激光雷达获取车辆的激光雷达原始点云数据,从激光雷达原始点云数据中分割出包含地面的目标区域,并从目标区域提取出地面点云数据,在从地面点云数据中筛选出车道线特征点,基于每个车道线特征点,将属于同一条车道线的车道线特征点分为一类,得到多个类,并针对每个类中的车道线特征点进行车道线拟合,得到多条车道线,从多条车道线中筛选出车道线之间的距离在预设车道线距离范围内的车道线作为目标车道线。相对于传统图像处理方法,本发明采用激光雷达采集车道线信息,由于激光雷达自身具有发光器和接收器,因此,激光雷达在采集图像时不受光照影响,可以在不同时间和不同环境下准确的检测出车道线,不会因夜晚环境没有照明而无法检测到车道线,更不会因为路面阴影和明暗快速变化等环境因素噪声车道线的误检和漏检,因此,本发明可以适用于全部路况下,满足全工况的车道线识别,且车道线的检测准确率高。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据公开的附图获得其他的附图。
图1为本发明实施例公开的一种车道线检测方法流程图;
图2为本发明实施例公开的一种激光雷达原始点云数据三维坐标系示意图;
图3为本发明实施例公开的一种单条扫描线滑窗法筛选示意图;
图4为本发明实施例公开的一种滑窗内地面点云数据的反射强度值之和的变化趋势示意图;
图5为本发明实施例公开的一种筛选地面点云数据可能存在的路沿干扰示意图;
图6为本发明实施例公开的一种车道线检测装置的结构示意图。
具体实施方式
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,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做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。
本发明实施例公开了一种采用激光雷达获取车辆的激光雷达原始点云数据,从激光雷达原始点云数据中分割出包含地面的目标区域,并从目标区域提取出地面点云数据,在从地面点云数据中筛选出车道线特征点,基于每个车道线特征点,将属于同一条车道线的车道线特征点分为一类,得到多个类,并针对每个类中的车道线特征点进行车道线拟合,得到多条车道线,从多条车道线中筛选出车道线之间的距离在预设车道线距离范围内的车道线作为目标车道线。相对于传统图像处理方法,本发明采用激光雷达采集车道线信息,由于激光雷达自身具有发光器和接收器,因此,激光雷达在采集图像时不受光照影响,可以在不同时间和不同环境下准确的检测出车道线,不会因夜晚环境没有照明而无法检测到车道线,更不会因为路面阴影和明暗快速变化等环境因素噪声车道线的误检和漏检,因此,本发明可以适用于全部路况下,满足全工况的车道线识别,且车道线的检测准确率高。
参见图1,本发明一实施例公开的一种车道线检测方法流程图,该方法包括步骤:
步骤S101、获取车辆的激光雷达原始点云数据;
其中,本实施例公开的车道线检测方法,采用安装在车顶的激光雷达采集车辆的激光雷达原始点云数据,该激光雷达点云数据为车辆驾驶环境360°范围内的点云数据。
经过研究发现,激光雷达从原理上不同于摄像头,激光雷达自身具有发射器和接收器,因此,激光雷达在采集图像时不受光照影响,可以适用于全部路况下,满足全工况的车道线识别。
本实施例所采用的激光雷达可以是车辆本身具有的,也可以是在车顶额外加装的。在实际应用中,激光雷达水平安装在车辆中心上方的车顶上,距离地面约1.8m。激光雷达可以选用40线激光雷达。激光雷达的线束垂直分布特性为:激光雷达的垂直线束分布角度可以为-16°~﹢7°,方向规定为:雷达水平放置时,水平方向为0°,向下为负,向上为正。其中-16°~0°线束分布为12线至40线,以保证10条以上线束扫描到地面。
步骤S102、从激光雷达原始点云数据中分割出包含地面的目标区域;
在实际应用中,可以使用直通滤波算法分割激光雷达原始点云数据,将激光雷达原始点云数据分割为两部分:目标区域和非目标区域,其中,目标区域包含地面,非目标区域不包含地面。
根据激光雷达的线束垂直分布特性及安装位置,地面上的激光雷达原始点云数据主要分布在距离车辆纵向前方40m内的范围。考虑到本车辆左右最多同时有3条车道,地面上的激光雷达原始点云数据主要分布在距离车辆横向为10m内范围。因此,在车辆坐标系中,可以选取车辆向前40m,车辆左右各10m范围为目标区域。
步骤S103、从目标区域内提取出地面点云数据;
在实际应用中,可以使用Ray Ground Filter算法从目标区域内提取地面点云数据。Ray Ground Filter算法使用射线形式组织点云,并根据每根射线筛选出地面点云数据,因此,采用Ray Ground Filter算法可以准确的从目标区域内提取地面点云数据。
步骤S103的具体实现过程如下:
参见图2所示的激光雷达原始点云数据三维坐标系示意图,将目标区域内的激光雷达原始点云数据由三维空间(x,y,z)投射到水平二维平面(x,y),其中车辆行驶方向为车辆正方向,也即x轴正方向,对激光雷达的水平360°角度进行等分,每一份的角度为0.2度,每个等分即为一条射线,每条射线与车辆正方向(x轴)的夹角均不相同。由于激光雷达原始点云数据在射线上是无序分布的,因此需要根据每条射线上的激光雷达原始点云数据与原点O(雷达所在位置)的距离,将水平二维平面内每条射线上的激光雷达的各个原始点云数据,按照与原点O的距离由小到大进行排序,以为计算相邻点的坡度做准备。其中,射线以雷达为原点O周向发散,相邻射线之间的夹角为预设的角度间隔。该角度间隔为对激光雷达的水平360°角度分辨率进行等分后的每个等分。
将每条射线上排序完成的点云数据还原到三维空间(x,y,z),按照排序依次判断还原后三维空间内每条射线上相邻的点云数据的坡度,是否同时小于坡度阈值和坡度序列的均方根误差,以确定每个激光雷达原始点云数据是否为地面点云数据。具体为:依次判断三维空间内每条射线上的当前激光雷达点云数据和上一个激光雷达原始点云数据的坡度,是否同时小于坡度阈值和坡度序列的均方根误差,如果是,则判定当前点云所对应的激光雷达原始点云数据为地面点云数据。
需要说明的是,在判断射线上第一个点云数据时,仅需判断第一个点云数据是否小于坡度阈值即可。
其中,坡度序列的均方根误差T计算公式参见公式(1)所示,公式(1)如下:
式中,m为一条射线上坡度序列中点云数据的个数,i的取值范围为1~m,yi为当前需要判断的数据的坡度,为序列的平均坡度。
上述实施例中对应的过程是,在从目标区域提出地面点云数据后,地面点云数据中可能存在小部分路沿干扰。如图5所示,不同的点代表不同的反射强度,点的位置对应物体实际空间中的位置。圈中的点为疑似路沿点,相比较于地面点云数据,由于路沿有高度,可以明显检测到路沿点的空间方位发生变化。因此,将地面点云数据按照扫描线的形式重新排列,再通过连续高度特征,计算每一条扫描线上相邻两点连线与y轴的夹角,连续超过4个点夹角绝对值大于预设角度(比如70°)且x轴坐标变化趋势一致时,认为是路沿。由此可以看出,通过路沿本身的几何特征及路沿与地面的几何关系即可找出可能存在的路沿点,通过剔除路沿点,得到最终的地面点云数据。
步骤S104、从地面点云数据中筛选出车道线特征点;
其中,每个车道线特征点的位置信息也即每个车道线特征点在三维空间中的坐标信息。
具体的,对地面点云数据进行栅格化处理,得到目标地面点云数据;对目标地面点云数据使用滑窗法,基于预设的反射强度阈值及车道线宽度,筛选得到车道线特征点。
对地面点云数据进行栅格化处理,得到目标地面点云数据的过程阐述如下:
将地面点云数据按照雷达扫描线的形式重新排列,直接对排列后的每个地面点云数据进行计算比较。由于存在点云间距变化、地面点中断等问题,因此,本实施例对地面点云进行栅格化。栅格化过程具体为:将本车辆的目标区域内雷达的每条扫描线划分为预设数量的栅格,比如,对于目标区域内的每条扫描线,横向(即扫描线的方向)划分为1000个栅格,每个栅格的宽度为2cm。对于每个栅格,查找目标区域内与栅格距离最近的地面点云数据作为目标地面点云数据,将目标地面点云数据的反射强度值填入当前栅格,若某个栅格在预设范围内没有地面点云数据,则认为该栅格附近没有数据,此时在该栅格内填入反射强度最大值,以防止误检。可以得到一个n*1000的反射强度矩阵,n为地面上扫描线的个数。
为便于筛选车道线特征点,本发明利用具有预设宽度的滑窗法筛选车道线特征点,该筛选方法具有鲁棒性强,不易受干扰的特点,从而使得筛选出的车道线特征点更加准确。
对目标地面点云数据使用滑窗法,基于预设的反射强度阈值及车道线宽度,筛选得到车道线特征点,具体包括:
参见图3所示的单条扫描线滑窗法筛选示意图,滑窗宽度m=5,对于每根扫描线,从左到右按步长为1移动滑窗,遍历每根扫描线。在滑窗以固定步长在扫描线上从左至右移动的过程中,当滑窗内所有栅格的反射强度值之和增加/减少至极限值、且滑窗内最左侧栅格的反射强度与滑窗内相邻栅格的反射强度差值大于反射强度阈值T1时,将滑窗内的最左侧栅格对应的点标记为车道线起点或车道线终点,如图4所示。例如,可以将增加至极值且满足反射强度阈值T1要求的栅格对应的点云确定为起点,反射强度增加至极值后将开始减少,将下一个减少至极值且满足反射强度阈值T1要求的栅格确定为车道线终点,减少至极值后反射强度又开始增加…以此类推;
计算车道线起点和车道线终点之间的距离;
从目标地面点云数据中,筛选出距离不小于车道线最短宽度,且不大于车道线最长宽度的地面点云数据作为车道线特征点。
计算单条车道线起点与车道线终点之间的距离L1,距离L1应满足公式(2),公式(2)如下:
Lmin≤L1≤Lmax (2);
式中,Lmin为车道线最短宽度,Lmax为车道线最长宽度,均根据实际路况确定。
从目标地面点云数据中,筛选出距离L1不小于车道线最短宽度,且不大于车道线最长宽度的地面点云数据作为车道线特征点,同时提取出每个车道线特征点的位置信息。也即,剔除所有不满足公式(2)的地面点云数据,筛选得到全部的车道线特征点,同时提取出每个车道线特征点的位置信息。
步骤S105、基于筛选出的车道线特征点,将属于同一条车道线的车道线特征点分为一类,得到多个类,并针对每一类中的车道线特征点进行车道线拟合,得到多条车道线;
对所有的车道线特征点进行分类,将属于同一条车道线的车道线特征点分为一类,要求车道线特征点到该车道线的距离L2小于距离阈值T2,且距离L2为该特征点与所有已知车道线的距离的最小值。
对车道线特征点初步分类完成后,由于路面存在数字和文字干扰,因此可能存在结果为数字和文字的分类,但数字和文字的分类中,车道线特征点的数量小于数量阈值Fmin,一般的车道线分类中,车道线特征点的数量不小于于数量阈值Fmin。根据每个类中车道线特征点的数量,剔除车道线特征点个数小于数量阈值Fmin的类,可以有效去除路面的数字和文字干扰。再对每个类进行一次RANSAC拟合,滤除可能存在的噪声,最终可以得到C个类,其中C为车道线条数,C大于等于1。
对C个类分别进行拟合,得到C条车道线。其中,拟合使用最小二乘法,使得车道线特征点到车道线的距离平方之和最小。
本实施例将车道线拟合为一个二次多项式,如公式(3)所示,公式(3)如下:
y=ax2+bx+c (3);
式中,a为车道线方程的二次项系数,b为车道线方程的一次项系数,c为常数项。
因此,步骤S105具体可以包括:
基于每个车道线特征点的位置信息,将属于同一条车道线的车道线特征点分为一类,得到多个类;
从多个类中筛选出车道线特征点的数量不小于数量阈值的类;
对筛选得到的每个类进行噪声滤除,得到对应的目标类;
针对每个目标类中的车道线特征点进行车道线拟合,得到目标类对应的车道线。
需要特别说明的是,由于路面的其他标识如箭头、数字和文字等的点云数据反射强度与车道线相近,而这些标识的某部分形状又与车道线类似,从而会对检测结果造成干扰,因此,本发明为进一步提高车道线检测的准确性,本发明对路面的数字和文字干扰进行了滤除,并且,还对车道线拟合时的噪声进行了滤除,从而大大提高了车道线检测的准确性。
步骤S106、从多条车道线中筛选出车道线之间的距离在预设车道线距离范围内的车道线作为目标车道线。
具体的,按照预设顺序,比如从左到右的顺序,依次判断各条车道线之间的距离,车道线之间的距离应在车道线距离范围内。在进行判断时,先将左侧第一条车道线确定为基准车道线,并计算下一条车道线与基准车道线的距离L3,L3应满足的公式(4):
m×LANEmin≤L3≤m×LANEmax (4);
式中,m∈{1,2,3,4,5,6},m先取1,如满足则下一条车道线为目标车道线;如不满足,则m取2,同理,继续取3,4,5,6,LANEmin为车道线最小距离,LANEmax为车道线最大距离。
原理为:计算拟合得到的两条车道线之间的距离,判断计算得到的距离是否为正常车道线距离的整数倍。需要说明的是,两条车道线之间可能缺失车道线,因此两条车道线之间的距离可能是一条车道的宽度或多条车道宽度。
在左侧第一条车道线为基准车道线的前提下,若所有的车道线都无法满足公式(4),则判定左侧第一条车道线可能为干扰,将左侧第二条车道线更换为基准车道线,再重复一次筛选过程。如果第二条车道线不满足要求,则继续向右寻找并判断第三条车道线。
通过此筛选方法,可以剔除路面的各种干扰,得到多个目标车道线。
综上可知,本发明公开的车道线检测方法,采用激光雷达获取车辆的激光雷达原始点云数据,从激光雷达原始点云数据中分割出包含地面的目标区域,并从目标区域提取出地面点云数据,在从地面点云数据中筛选出车道线特征点,基于每个车道线特征点,将属于同一条车道线的车道线特征点分为一类,得到多个类,并针对每个类中的车道线特征点进行车道线拟合,得到多条车道线,从多条车道线中筛选出车道线之间的距离在预设车道线距离范围内的车道线作为目标车道线。相对于传统图像处理方法,本发明采用激光雷达采集车道线信息,由于激光雷达自身具有发光器和接收器,因此,激光雷达在采集图像时不受光照影响,可以在不同时间和不同环境下准确的检测出车道线,不会因夜晚环境没有照明而无法检测到车道线,更不会因为路面阴影和明暗快速变化等环境因素噪声车道线的误检和漏检,因此,本发明可以适用于全部路况下,满足全工况的车道线识别,且车道线的检测准确率高。
可以理解,在实际道路检测中,由于路面存在数字干扰、文字干扰、车道线磨损严重和灰尘较多等多种原因,因此容易引起车道线的短暂丢失,为避免这些情况对车道线检测带来干扰,而影响检测结果的准确性,本发明在输出车道线结果前会对车道线进行一次跟踪。
跟踪过程具体为:
在得到当前帧输出的目标车道线后,根据公式(5)确定下一帧输出的目标车道线:
式中,A为所述下一帧输出的目标车道线,Y为下一帧检测出的目标车道线,n为连续未检测到车道线的帧数,P为根据当前帧输出的目标车道线对下一帧的车道线的位置进行预测得到的预测车道线。
举例说明:假设第1帧已检测到车道线,根据第1帧预测第2帧的车道线结果为P1;若第2帧检测到车道线Y2,则输出第2帧检测到的车道线Y2;当第2帧没有检测到车道线,则第2帧输出的目标车道线的结果为P1,同时n加1;同理,若第3帧检测到车道线Y3,则输出第3帧检测到的车道线Y3,n清零;当第3帧没有检测到车道线,则第3帧输出车道线的结果为根据第2帧输出车道线的预测结果P2,n加1……直至连续有至少6帧未检测到车道线,即n累加至大于5,即当连续5帧以上无法检测出目标车道线Y时,则认为下一帧无车道线。
综上可知,本发明公开的车道线检测方法,激光雷达采集车道线信息,由于激光雷达自身具有发光器和接收器,因此,激光雷达在采集图像时不受光照影响,可以在不同时间和不同环境下准确的检测出车道线,不会因夜晚环境没有照明而无法检测到车道线,更不会因为路面阴影和明暗快速变化等环境因素造成车道线的误检和漏检,因此,本发明可以适用于全部路况下,满足全工况的车道线识别,且车道线的检测准确率高。
并且,本发明还具有车道线跟踪功能,从而在一定程度上提高了检测结果的稳定性和算法的鲁棒性。
与上述方法实施例相对应,本发明还公开了一种车道线检测装置。
参见图6,本发明一实施例公开的一种车道线检测装置的结构示意图,该装置包括:
获取单元201,用于获取车辆的激光雷达原始点云数据;
其中,本实施例公开的车道线检测方法,采用安装在车顶的激光雷达采集车辆的激光雷达原始点云数据,该激光雷达点云数据为车辆驾驶环境360°范围内的点云数据。
经过研究发现,激光雷达从原理上不同于摄像头,激光雷达自身具有发光器和接收器,因此,激光雷达在采集图像时不受光照影响,可以适用于全部路况下,满足全工况的车道线识别。
分割单元202,用于从激光雷达原始点云数据中分割出包含地面的目标区域;
在实际应用中,可以使用直通滤波算法分割激光雷达原始点云数据,将激光雷达原始点云数据分割为两部分:目标区域和非目标区域,其中,目标区域包含地面,非目标区域不包含地面。
根据激光雷达的线束垂直分布特性及安装位置,地面上的激光雷达原始点云数据主要分布在距离车辆纵向前方40m内的范围。考虑到本车辆左右最多同时有3条车道,地面上的激光雷达原始点云数据主要分布在距离车辆横向为10m内范围。因此,在车辆坐标系中,可以选取车辆向前40m,车辆左右各10m范围为目标区域。
提取单元203,用于从目标区域内提取出地面点云数据;
在实际应用中,可以使用Ray Ground Filter算法从目标区域内提取地面点云数据。Ray Ground Filter算法使用射线形式组织点云,并根据每根射线筛选出地面点云数据,因此,采用Ray Ground Filter算法可以准确的从目标区域内提取地面点云数据。
其中,提取单元203具体可以包括:
投射子单元,用于将目标区域内的激光雷达原始点云数据由三维空间投射至水平二维平面;
排序子单元,用于将水平二维平面内每条射线上的激光雷达的各个原始点云数据,按照与原点的距离由小至大进行排序,其中,射线以雷达为原点周向发散,相邻射线之间的夹角为预设的角度间隔;
还原子单元,用于将每条射线上排序完成的激光雷达原始点云数据还原到三维空间;
判断子单元,用于按照排序依次判断三维空间内每条射线上相邻的点云数据的坡度,是否同时小于坡度阈值和坡度序列的均方根误差;
判定子单元,用于在判断子单元判断为是的情况下,判定当前点云所对应的激光雷达原始点云数据为地面点云数据。
需要说明的是,提取单元203的具体工作原理,可参见方法实施例中对图2的论述,此处不再赘述。
特征点筛选单元204,用于从地面点云数据中筛选出车道线特征点;
其中,每个车道线特征点的位置信息也即每个车道线特征点在三维空间中的坐标信息。
特征点筛选单元204具体可以包括:
栅格化子单元,用于对地面点云数据进行栅格化处理,得到目标地面点云数据;
特征点筛选子单元,用于对目标地面点云数据使用滑窗法,基于预设的反射强度阈值及车道线宽度,筛选得到车道线特征点。
需要说明的是,栅格化子单元和特征点筛选子单元的具体工作原理,请参见方法实施例对应部分,此处不再赘述。
拟合单元205,用于基于筛选出的车道线特征点,将属于同一条车道线的车道线特征点分为一类,得到多个类,并针对每个类中的车道线特征点进行车道线拟合,得到多条车道线;
其中,拟合单元205具体可以包括:
基于每个车道线特征点的位置信息,将属于同一条车道线的车道线特征点分为一类,得到多个类;
从多个类中筛选出车道线特征点的数量不小于数量阈值的类;
对筛选得到的每个类进行噪声滤除,得到对应的目标类;
针对每个目标类中的车道线特征点进行车道线拟合,得到目标类对应的车道线。
拟合单元205的具体工作原理,请参见方法实施例对应部分,此处不再赘述。
车道线筛选单元206,用于从多条车道线中筛选出车道线之间的距离在预设车道线距离范围内的车道线作为目标车道线。
具体的,按照预设顺序,比如从左到右的顺序,依次判断各条车道线之间的距离,车道线之间的距离应在车道线距离范围内。在进行判断时,先将左侧第一条车道线确定为基准车道线,并计算下一条车道线与基准车道线的距离L3,L3应满足的公式(4):
m×LANEmin≤L3≤m×LANEmax (4);
式中,m∈{1,2,3,4,5,6},m先取1,如不满足,则取2,同理,继续取3,4,5,6,LANEmin为车道线最小距离,LANEmax为车道线最大距离。
综上可知,本发明公开的车道线检测装置,采用激光雷达获取车辆的激光雷达原始点云数据,从激光雷达原始点云数据中分割出包含地面的目标区域,并从目标区域提取出地面点云数据,在从地面点云数据中筛选出车道线特征点,基于每个车道线特征点,将属于同一条车道线的车道线特征点分为一类,得到多个类,并针对每个类中的车道线特征点进行车道线拟合,得到多条车道线,从多条车道线中筛选出车道线之间的距离在预设车道线距离范围内的车道线作为目标车道线。相对于传统图像处理方法,本发明采用激光雷达采集车道线信息,由于激光雷达自身具有发光器和接收器,因此,激光雷达在采集图像时不受光照影响,可以在不同时间和不同环境下准确的检测出车道线,不会因夜晚环境没有照明而无法检测到车道线,更不会因为路面阴影和明暗快速变化等环境因素噪声车道线的误检和漏检,因此,本发明可以适用于全部路况下,满足全工况的车道线识别,且车道线的检测准确率高。
可以理解,在实际道路检测中,由于路面存在数字干扰、文字干扰、车道线磨损严重和灰尘较多等多种原因,因此容易引起车道线的短暂丢失,为避免这些情况对车道线检测带来干扰,而影响检测结果的准确性,本发明在输出车道线结果前会对车道线进行一次跟踪。
因此,车道线检测装置还可以包括:
预测单元,用于在得到当前帧内所有的目标车道线后,使用卡尔曼滤波算法对当前帧的下一帧的车道线的位置进行预测,得到预测结果,并将预测结果作为下一帧的预测值;
判断单元,用于在得到当前帧输出的目标车道线后,根据如下公式确定下一帧输出的目标车道线::
式中,A为下一帧的最终输出目标车道线,Y为下一帧检测出的目标车道线,n为连续未检测到车道线的帧数,P为根据当前帧最终输出的目标车道线对下一帧的车道线的位置进行预测得到的预测车道线。
综上可知,本发明公开的车道线检测装置,激光雷达采集车道线信息,由于激光雷达自身具有发光器和接收器,因此,激光雷达在采集图像时不受光照影响,可以在不同时间和不同环境下准确的检测出车道线,不会因夜晚环境没有照明而无法检测到车道线,更不会因为路面阴影和明暗快速变化等环境因素噪声车道线的误检和漏检,因此,本发明可以适用于全部路况下,满足全工况的车道线识别,且车道线的检测准确率高。
并且,本发明还具有车道线跟踪功能,从而在一定程度上提高了检测结果的稳定性和算法的鲁棒性。
需要特别说明的是,装置实施例中各组成部分的具体工作原理,请参见方法实施例对应部分,此处不再赘述。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种车道线检测方法,其特征在于,包括:
获取车辆的激光雷达原始点云数据;
从所述激光雷达原始点云数据中分割出包含地面的目标区域;
从所述目标区域内提取出地面点云数据;
从所述地面点云数据中筛选出车道线特征点;
基于筛选出的车道线特征点,将属于同一条车道线的车道线特征点分为一类,得到多个类,并针对每个类中的车道线特征点进行车道线拟合,得到多条车道线;
从多条车道线中筛选出车道线之间的距离在预设车道线距离范围内的车道线作为目标车道线;
所述从所述目标区域内提取出地面点云数据,具体包括:
将所述目标区域内的激光雷达原始点云数据由三维空间投射至水平二维平面;
将水平二维平面内每条射线上的原始点云数据,按照与原点的距离由小至大进行排序,其中,所述射线以雷达为原点周向发散,相邻射线之间的夹角为预设的角度间隔;
将每条射线上排序完成的点云数据还原到三维空间;
按照排序依次判断三维空间内每条射线上相邻的点云数据的坡度,是否同时小于坡度阈值和坡度序列的均方根误差;
如果是,则判定当前点云所对应的激光雷达原始点云数据为地面点云数据。
2.根据权利要求1所述的车道线检测方法,其特征在于,所述从所述地面点云数据中筛选出车道线特征点,具体包括:
对所述地面点云数据进行栅格化处理,得到目标地面点云数据;
对所述目标地面点云数据使用滑窗法,基于预设的反射强度阈值及车道线宽度,筛选得到车道线特征点。
3.根据权利要求2所述的车道线检测方法,其特征在于,所述对所述地面点云数据进行栅格化处理,得到目标地面点云数据,具体包括:
将每条所述目标区域内雷达的扫描线划分为预设数量的栅格;
对于每个所述栅格,查找所述目标区域内与所述栅格距离最近的地面点云数据作为目标地面点云数据;
将所述目标地面点云数据的反射强度值填入所述栅格。
4.根据权利要求3所述的车道线检测方法,其特征在于,所述对所述目标地面点云数据使用滑窗法,基于预设的反射强度阈值及车道线宽度,筛选得到车道线特征点,具体包括:
在滑窗以固定步长在扫描线上从左至右移动的过程中,当滑窗内所有栅格的反射强度值之和增加或减少至极限值、且滑窗内最左侧栅格的反射强度与滑窗内相邻栅格的反射强度差值大于反射强度阈值时,将滑窗内的最左侧栅格对应的点标记为车道线起点或车道线终点;
计算所述车道线起点和所述车道线终点之间的距离;
从所述目标地面点云数据中,筛选出所述距离不小于车道线最短宽度,且不大于车道线最长宽度的地面点云数据作为所述车道线特征点。
5.根据权利要求1所述的车道线检测方法,其特征在于,所述针对每个类中的车道线特征点进行车道线拟合,得到多条车道线,具体包括:
从所述多个类中筛选出车道线特征点的数量不小于数量阈值的类;
对筛选得到的每个类进行噪声滤除,得到对应的目标类;
针对每个所述目标类进行车道线拟合,得到所述目标类对应的车道线。
6.根据权利要求1所述的车道线检测方法,其特征在于,在检测到所述目标车道线之后,还包括:
在得到当前帧输出的目标车道线后,根据如下公式确定下一帧输出的目标车道线:
式中,A为所述下一帧输出的目标车道线,Y为下一帧检测出的目标车道线,n为连续未检测到车道线的帧数,P为根据当前帧输出的目标车道线对下一帧的车道线的位置进行预测得到的预测车道线。
7.一种车道线检测装置,其特征在于,包括:
获取单元,用于获取车辆的激光雷达原始点云数据;
分割单元,用于从所述激光雷达原始点云数据中分割出包含地面的目标区域;
提取单元,用于从所述目标区域内提取出地面点云数据;
特征点筛选单元,用于从所述地面点云数据中筛选出车道线特征点;
拟合单元,用于基于筛选出的车道线特征点,将属于同一条车道线的车道线特征点分为一类,得到多个类,并针对每个类中的车道线特征点进行车道线拟合,得到多条车道线;
车道线筛选单元,用于从多条车道线中筛选出车道线之间的距离在预设车道线距离范围内的车道线作为目标车道线;
所述提取单元具体包括:
投射子单元,用于将所述目标区域内的激光雷达原始点云数据由三维空间投射至水平二维平面;
排序子单元,用于将水平二维平面内每条射线上的激光雷达的各个原始点云数据,按照与原点的距离由小至大进行排序,其中,所述射线以雷达为原点周向发散,相邻射线之间的夹角为预设的角度间隔;
还原子单元,用于将每条射线上排序完成的激光雷达原始点云数据还原到三维空间;
判断子单元,用于按照排序依次判断三维空间内每条射线上相邻的点云数据的坡度,是否同时小于坡度阈值和坡度序列的均方根误差;
判定子单元,用于在所述判断子单元判断为是的情况下,判定当前点云所对应的激光雷达原始点云数据为地面点云数据。
8.根据权利要求7所述的车道线检测装置,其特征在于,所述特征点筛选单元具体包括:
栅格化子单元,用于对所述地面点云数据进行栅格化处理,得到目标地面点云数据;
特征点筛选子单元,用于对所述目标地面点云数据使用滑窗法,基于预设的反射强度阈值及车道线宽度,筛选得到车道线特征点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010730629.7A CN111832536B (zh) | 2020-07-27 | 2020-07-27 | 一种车道线检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010730629.7A CN111832536B (zh) | 2020-07-27 | 2020-07-27 | 一种车道线检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111832536A CN111832536A (zh) | 2020-10-27 |
CN111832536B true CN111832536B (zh) | 2024-03-12 |
Family
ID=72925647
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010730629.7A Active CN111832536B (zh) | 2020-07-27 | 2020-07-27 | 一种车道线检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111832536B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112462381B (zh) * | 2020-11-19 | 2024-06-04 | 浙江吉利控股集团有限公司 | 一种基于车路协同的多激光雷达融合方法 |
CN112240772B (zh) * | 2020-12-16 | 2021-09-28 | 北京赛目科技有限公司 | 一种车道线生成方法及装置 |
CN112989946B (zh) * | 2021-02-10 | 2024-03-19 | 福瑞泰克智能系统有限公司 | 一种车道线的确定方法、装置、设备及车辆 |
CN113255619B (zh) * | 2021-07-09 | 2021-11-23 | 禾多科技(北京)有限公司 | 车道线识别及定位方法、电子设备和计算机可读介质 |
CN113428179B (zh) * | 2021-07-30 | 2022-06-28 | 广州文远知行科技有限公司 | 一种车道距离的检测方法、装置、计算机设备和存储介质 |
WO2023024087A1 (zh) * | 2021-08-27 | 2023-03-02 | 深圳市速腾聚创科技有限公司 | 处理激光雷达点云的方法、装置、设备及存储介质 |
CN113835102B (zh) * | 2021-09-17 | 2024-04-05 | 北京京东乾石科技有限公司 | 车道线生成方法和装置 |
CN114842448B (zh) * | 2022-05-11 | 2023-03-24 | 禾多科技(北京)有限公司 | 三维车道线生成方法、装置、电子设备和计算机可读介质 |
CN115201817B (zh) * | 2022-09-08 | 2022-12-30 | 南京慧尔视智能科技有限公司 | 一种车道生成方法、装置、设备及存储介质 |
CN117088071B (zh) * | 2023-10-19 | 2024-01-23 | 山西戴德测控技术股份有限公司 | 一种传送带损伤位置定位系统、服务器及方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107463918A (zh) * | 2017-08-17 | 2017-12-12 | 武汉大学 | 基于激光点云与影像数据融合的车道线提取方法 |
WO2018068653A1 (zh) * | 2016-10-10 | 2018-04-19 | 腾讯科技(深圳)有限公司 | 点云数据处理方法、装置及存储介质 |
WO2018205119A1 (zh) * | 2017-05-09 | 2018-11-15 | 深圳市速腾聚创科技有限公司 | 基于激光雷达扫描的路沿检测方法和系统 |
WO2020043041A1 (zh) * | 2018-08-27 | 2020-03-05 | 腾讯科技(深圳)有限公司 | 点云数据的分割方法和装置、存储介质、电子装置 |
-
2020
- 2020-07-27 CN CN202010730629.7A patent/CN111832536B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018068653A1 (zh) * | 2016-10-10 | 2018-04-19 | 腾讯科技(深圳)有限公司 | 点云数据处理方法、装置及存储介质 |
WO2018205119A1 (zh) * | 2017-05-09 | 2018-11-15 | 深圳市速腾聚创科技有限公司 | 基于激光雷达扫描的路沿检测方法和系统 |
CN107463918A (zh) * | 2017-08-17 | 2017-12-12 | 武汉大学 | 基于激光点云与影像数据融合的车道线提取方法 |
WO2020043041A1 (zh) * | 2018-08-27 | 2020-03-05 | 腾讯科技(深圳)有限公司 | 点云数据的分割方法和装置、存储介质、电子装置 |
Non-Patent Citations (3)
Title |
---|
基于HDL-64E激光雷达道路边界实时检测算法;王俊;孔斌;王灿;杨静;;合肥工业大学学报(自然科学版)(08);全文 * |
基于三维激光雷达的道路边界提取和障碍物检测算法;王灿;孔斌;杨静;王智灵;祝辉;;模式识别与人工智能(04);全文 * |
激光点云在无人驾驶路径检测中的应用;张永博;李必军;陈诚;;测绘通报(11);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111832536A (zh) | 2020-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111832536B (zh) | 一种车道线检测方法及装置 | |
CN107045629B (zh) | 一种多车道线检测方法 | |
Xu et al. | Multiple-entity based classification of airborne laser scanning data in urban areas | |
US9846946B2 (en) | Objection recognition in a 3D scene | |
CN106951879B (zh) | 基于摄像头与毫米波雷达的多特征融合车辆检测方法 | |
CN110555361B (zh) | 车道分类的图像处理方法 | |
EP0747870B1 (en) | An object observing method and device with two or more cameras | |
JP5223675B2 (ja) | 車両検知装置,車両検知方法並びに車両検知プログラム | |
Rottensteiner et al. | Building Detection Using LIDAR Data and Multispectral Images. | |
KR100377067B1 (ko) | 이미지 시퀀스내의 객체의 움직임을 검출하기 위한 방법 및장치 | |
JP6871782B2 (ja) | 道路標示検出装置、道路標示検出方法、プログラム、及び道路面検出装置 | |
KR100975749B1 (ko) | 단일 차선을 이용한 차선 인식 및 차량의 차선 이탈 검출 방법 | |
CN109784344A (zh) | 一种用于地平面标识识别的图像非目标滤除方法 | |
Azimi et al. | Eagle: Large-scale vehicle detection dataset in real-world scenarios using aerial imagery | |
EP2118818A2 (en) | Method and system for video-based road characterization, lane detection and departure prevention | |
WO2013186662A1 (en) | Multi-cue object detection and analysis | |
JP2016166853A (ja) | 位置推定装置および位置推定方法 | |
JP4674179B2 (ja) | 影認識方法及び影境界抽出方法 | |
JP3456339B2 (ja) | 物体観測方法およびその方法を用いた物体観測装置、ならびにこの装置を用いた交通流計測装置および駐車場観測装置 | |
CN112666553B (zh) | 一种基于毫米波雷达的道路积水识别方法及设备 | |
KR101026778B1 (ko) | 차량 영상 검지 장치 | |
CN114782729A (zh) | 一种基于激光雷达与视觉融合的实时目标检测方法 | |
JP6413318B2 (ja) | 車両検出装置、およびシステム、ならびにプログラム | |
CN115457358A (zh) | 一种图像与点云的融合的处理方法、装置和无人车 | |
CN115327572A (zh) | 一种车辆前方障碍物检测方法 |
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 | ||
CB02 | Change of applicant information |
Address after: 4 / F, building 1, No.14 Jiuxianqiao Road, Chaoyang District, Beijing 100020 Applicant after: Beijing Jingwei Hirain Technologies Co.,Inc. Address before: 8 / F, block B, No. 11, Anxiang Beili, Chaoyang District, Beijing 100101 Applicant before: Beijing Jingwei HiRain Technologies Co.,Ltd. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |