CN112706835B - 一种基于图像导航的高速路无人驾驶划线方法 - Google Patents

Abstract

本发明的基于图像导航的高速路无人驾驶划线方法，首先对路面上画好的水线进行图像采集，通过对图像的滤波、拉伸、二值化处理，求取水线所在的直线；然后对自动划线车的驾驶误差进行检测，并根据驾驶误差及其变化率确定划线车驾驶行为的档次，最后根据PD控制器计算出转向角度，控制自动划线车的自动形式，实现路面表面的自动涂画，既降低了划线人员的劳动强度，提高了工作效率，又确保的地标线施划的精度，有益效果显著，适于应用推广。

Description

一种基于图像导航的高速路无人驾驶划线方法

技术领域

本发明涉及一种无人驾驶划线方法，更具体的说，尤其涉及一种基于图像导航的高速路无人驾驶划线方法。

背景技术

高速路划线首先通过人工的方式将水线绘制到高速路面上，然后划线人员沿着该水线、利用手推设备将划线的涂料(双组份、热融料等)均匀刮涂到路面上。常规的划线过程中，绘制人员不仅要时刻观察标尺与水线间的偏差，而且还要注意所绘制标线的线型及各工序的紧密配合等；另外，施工时一般在温度较高的夏季及晚春和早秋，作业环境温度一般都在30℃以上，加热的热融料一般在200℃以上，现场设备操作人员处于高温，较重的化学烟气环境中，难免会损害操作人员的身体健康。

目前虽然自动驾驶技术正在逐步的成熟，但把自动驾驶技术应用到高速路车道线的绘制方面的研究还比较少，车道线的绘制依然是传统的施工模式，无法使工作人员从恶劣的工作环境及较大的工作强度中脱离开来。在自动驾驶技术发展日臻完善的当前，高速路标线精度与线型的要求急需发展一种高精度的自动驾驶控制技术，实现高速路车道线绘制的自动化、智能化、无人化。

在现有的划线过程中，人工控制手推车划线主要有如下缺陷：1)绘制人员需时刻盯着标尺与水线的偏差以调整手推车的方向，容易造成视觉疲劳，且控制精度不够；2)手推车划线一般只关注当前偏差，不易对误差进行平滑处理，难以兼顾线型。而现有的GPS导航精度一般在2cm左右，且有时漂移到4-5cm，因此GPS的导航精度难以达到高速路标线精度与线型的要求。

发明内容

本发明为了克服上述技术问题的缺点，提供了一种基于图像导航的高速路无人驾驶划线方法。

本发明的基于图像导航的高速路无人驾驶划线方法，包括水线检测、驾驶误差计算和划线车自动控制；其特征在于，所述水线检测具体通过以下步骤来实现：

a).图像采集和处理，利用自动划线车上的水线检测设备采集水线在内的路面灰度图像f(m,n)，首先利用公式(1)中的滤波算法对获取的图像进行均值滤波处理：

然后，利用公式(2)中的拉伸算法对其进行灰度拉伸处理：

其中，

b).图像的二值化，采用OSTU算法对步骤a)中经灰度拉伸处理后的图像进行二值化处理，首先利用公式(3)求取二值化指标的最大值：

其中，p₁为像素的灰度值小于k的概率，m、m_g分别为灰度值小于k的所有像素的均值、图像内所有像素的均值；

图像内灰度值小于J(k)的像素点置为“0”、灰度值大于J(k)的像素点置为“1”，将图像进行二值化处理；

c).水线图像的处理，首先提取步骤b)中二值化后图像中水线的前景图像，然后对水线的前景图像进行二次二值化，接着采用膨胀腐蚀算法对提取的水线图像进行形态学处理，解决水线断续的问题，此时的二值化图像记为B(m,n)；

d).计算水线所在直线，对步骤c)中二值化后的图像B(m,n)，采用公式(4)中的算法获取水线的边缘图像：

E(m,n)＝B(m,n-1)-B(m,n) (4)

对边缘图像，边缘图像内任意的直线都可以表示成极坐标的形式，采用霍夫变换方法检测边缘图像内的直线，算法如下：

ρ＝x·cosθ+y·sinθ (5)

其中，x、y分别为边缘图像中非0像素的列与行；

e).水线的验证，设步骤d)中所求取的边缘图像的直线共有n条，由于水线在所有的直线中的长度最长，当满足公式(6)中的条件时，认为检测到的直线为有效的水线：

其中，l＝0.2M，θ＝2°，ρ₀＝25个像素，M为图像的行数；

若最长的直线不满足上述要求，在第二长的直线长度满足条件的前提下，判断该直线是否满足上述条件；若第二长的直线长度不满足要求，则采用第一长的直线作为检测结果。

本发明的基于图像导航的高速路无人驾驶划线方法，水线检测设备上的摄像头安装位置固定，其检测的图像为M行、N列，所述驾驶误差计算具体通过以下步骤来实现：

1).以列为X轴、行为Y轴，则可得图像中水线方程为：

2).步骤1)中的水线与直线y＝M/2行线的交点的横坐标N_x为：

3).定义点(N_x，M/2)到图像中心线N/2的图像个数为像素误差e_p(k)，即：

e_p(k)＝N_x-N/2 (9)

4).假设图像的列宽能够检测到世界坐标系的长度为d米，则列方向上每个像素所代表的实际距离为d/N米，则系统当前的行驶误差为：

本发明的基于图像导航的高速路无人驾驶划线方法，所述划线车自动控制具体通过以下步骤来实现：

A).首先根据公式(11)求取误差变化率ec(k)；

ec(k)＝e(k)-e(k-1) (11)

其中，e(k)为当前系统的行驶误差，e(k-1)为上一次所检测的系统的行驶误差；

B).然后根据系统当前的行驶误差e(k)、误差变化率ec(k)确定划线车驾驶行为，即：

(1)根据当前的行驶误绝对值由小至大依次将其分为三个档次，即内偏I、中偏Mi、外偏O；

(2)根据误差变化率的绝对值大小将其分为两个档次，即快速F与慢速S；

(3)根据当前误差绝对值相对于前一次误差绝对的增减，将行驶方向分为靠近水线N与远离水线P；

C).自动划线车的控制器控制车轮角度时，首先，判断行驶误绝对值所述档次，然后，判断误差的变化率所属的档次，最后，根据判断的当前行驶状态、通过PD控制器计算当前车轮的角度，即：

u(k)＝P_ij·e(k)+D_ij·ec(k) (12)

其中，P_ij、D_ij控制参数的选择通过表1查询获得：

表1

	I	Mi	o
				PF	P<sub>11</sub>,D<sub>11</sub>	P<sub>12</sub>,D<sub>12</sub>	P<sub>13</sub>,D<sub>13</sub>
PS	P<sub>21</sub>,D<sub>21</sub>	P<sub>22</sub>,D<sub>22</sub>	P<sub>23</sub>,D<sub>23</sub>
				NS	P<sub>31</sub>,D<sub>31</sub>	P<sub>32</sub>,D<sub>32</sub>	P<sub>33</sub>,D<sub>33</sub>
NF	P<sub>41</sub>,D<sub>41</sub>	P<sub>42</sub>,D<sub>42</sub>	P<sub>43</sub>,D<sub>43</sub>

在设计每个档位的P_ij、D_ij参数时，控制器输出排序及其符号需满足表2中的条件：

表2

	I	Mi	o
				PF	+3	+4	+5
PS	+2	+3	+4
				NS	0	+1	+2
NF	-1	0	+1

其中，1～5为控制器输出的绝对值排序，正号表示与误差的符号一致，负号表示与误差的符号相反。

本发明的有益效果是：本发明的基于图像导航的高速路无人驾驶划线方法，首先对路面上画好的水线进行图像采集，通过对图像的滤波、拉伸、二值化处理，求取水线所在的直线；然后对自动划线车的驾驶误差进行检测，并根据驾驶误差及其变化率确定划线车驾驶行为的档次，最后根据PD控制器计算出转向角度，控制自动划线车的自动形式，实现路面表面的自动涂画，既降低了划线人员的劳动强度，提高了工作效率，又确保的地标线施划的精度，有益效果显著，适于应用推广。

附图说明

图1为本发明的基于图像导航的高速路无人驾驶划线方法的原理图；

图2为本发明中行驶误差计算示意图；

图3为本发明中行驶误差检测噪声示意图。

图中：1自动划线车，2水线检测设备，3划线料斗，4转向电机。

具体实施方式

下面结合附图与实施例对本发明作进一步说明。

如图1所示，给出了本发明的基于图像导航的高速路无人驾驶划线方法的原理图，所示的自动划线车1的同侧由前至后依次设置有水线检测设备2和划线料斗3，水线检测设备2设置有朝下的摄像头，由于采集含有水线的路面图像，通过采集的含有水线的图像来识别自动划线车当前行驶路径是否存在偏差，并根据偏差来控制自动划线车1的自动形式。划线料斗3实现路面标线的自动涂画，自动划线车1上还设置有转向电机4，以控制自动划线车1的自动行驶。

本发明的基于图像导航的高速路无人驾驶划线方法，首先采用图像识别的方法检测出水线，并计算出驾驶偏差，然后通过控制划线车的行进角度完成其巡线驾驶；包括水线检测、驾驶误差计算和划线车自动控制；水线检测具体通过以下步骤来实现：

a).图像采集和处理，利用自动划线车上的水线检测设备采集水线在内的路面灰度图像f(m,n)，首先利用公式(1)中的滤波算法对获取的图像进行均值滤波处理：

然后，利用公式(2)中的拉伸算法对其进行灰度拉伸处理：

其中，

b).图像的二值化，采用OSTU算法对步骤a)中经灰度拉伸处理后的图像进行二值化处理，首先利用公式(3)求取二值化指标的最大值：

其中，p₁为像素的灰度值小于k的概率，m、m_g分别为灰度值小于k的所有像素的均值、图像内所有像素的均值；

图像内灰度值小于J(k)的像素点置为“0”、灰度值大于J(k)的像素点置为“1”，将图像进行二值化处理；

c).水线图像的处理，首先提取步骤b)中二值化后图像中水线的前景图像，然后对水线的前景图像进行二次二值化，接着采用膨胀腐蚀算法对提取的水线图像进行形态学处理，解决水线断续的问题，此时的二值化图像记为B(m,n)；

d).计算水线所在直线，对步骤c)中二值化后的图像B(m,n)，采用公式(4)中的算法获取水线的边缘图像：

E(m,n)＝B(m,n-1)-B(m,n) (4)

对边缘图像，边缘图像内任意的直线都可以表示成极坐标的形式，采用霍夫变换方法检测边缘图像内的直线，算法如下：

ρ＝x·cosθ+y·sinθ (5)

其中，x、y分别为边缘图像中非0像素的列与行；

该步骤中，可将将半径ρ与角度θ分成若干等分，然后分别将每个角度带入上式，则可得一个半径与角度的数对(ρ_i,θ_i)，统计每个数对出现的次数(即直线的长度)。检测结果包括直线法线斜率、直线到原点的距离及直线的长度，即一个三元组(ρ_i,θ_i,l_i)。

在该直线检测过程中，半径的精度为9个像素，角度的精度为0.8°，由于车辆行驶方向的限定，检测的直线角度为60～120°。

e).水线的验证，设步骤d)中所求取的边缘图像的直线共有n条，由于水线在所有的直线中的长度最长，当满足公式(6)中的条件时，认为检测到的直线为有效的水线：

其中，l＝0.2M，θ＝2°，ρ₀＝25个像素，M为图像的行数；

若最长的直线不满足上述要求，在第二长的直线长度满足条件的前提下，判断该直线是否满足上述条件；若第二长的直线长度不满足要求，则采用第一长的直线作为检测结果。

水线检测设备上的摄像头安装位置固定，其检测的图像为M行、N列，驾驶误差计算具体通过以下步骤来实现：

1).以列为X轴、行为Y轴，则可得图像中水线方程为：

2).步骤1)中的水线与直线y＝M/2行线的交点的横坐标N_x为：

3).定义点(N_x，M/2)到图像中心线N/2的图像个数为像素误差e_p(k)，即：

e_p(k)＝N_x-N/2 (9)

4).假设图像的列宽能够检测到世界坐标系的长度为d米，则列方向上每个像素所代表的实际距离为d/N米，则系统当前的行驶误差为：

采用首先检测直线，然后检测直线的中点到图像中线的水平距离，主要是为了避免单点检测造成的检测扰动，如下图所示。而采用首先检测图像的方法，可以避免图像局部弯曲所造成的扰动，提高系统检测精度与控制系统的稳定性。

划线车自动控制具体通过以下步骤来实现：

A).首先根据公式(11)求取误差变化率ec(k)；

ec(k)＝e(k)-e(k-1) (11)

其中，e(k)为当前系统的行驶误差，e(k-1)为上一次所检测的系统的行驶误差；

B).然后根据系统当前的行驶误差e(k)、误差变化率ec(k)确定划线车驾驶行为，即：

(1)根据当前的行驶误绝对值由小至大依次将其分为三个档次，即内偏I、中偏Mi、外偏O；

(2)根据误差变化率的绝对值大小将其分为两个档次，即快速F与慢速S；

(3)根据当前误差绝对值相对于前一次误差绝对的增减，将行驶方向分为靠近水线N与远离水线P；

C).自动划线车的控制器控制车轮角度时，首先，判断行驶误绝对值所述档次，然后，判断误差的变化率所属的档次，最后，根据判断的当前行驶状态、通过PD控制器计算当前车轮的角度，即：

u(k)＝P_ij·e(k)+D_ij·ec(k) (12)

其中，P_ij、D_ij控制参数的选择通过表1查询获得：

表1

	I	Mi	o
				PF	P<sub>11</sub>,D<sub>11</sub>	P<sub>12</sub>,D<sub>12</sub>	P<sub>13</sub>,D<sub>13</sub>
PS	P<sub>21</sub>,D<sub>21</sub>	P<sub>22</sub>,D<sub>22</sub>	P<sub>23</sub>,D<sub>23</sub>
				NS	P<sub>31</sub>,D<sub>31</sub>	P<sub>32</sub>,D<sub>32</sub>	P<sub>33</sub>,D<sub>33</sub>
NF	P<sub>41</sub>,D<sub>41</sub>	P<sub>42</sub>,D<sub>42</sub>	P<sub>43</sub>,D<sub>43</sub>

在设计每个档位的P_ij、D_ij参数时，控制器输出排序及其符号需满足表2中的条件：

表2

	I	Mi	o
				PF	+3	+4	+5
PS	+2	+3	+4
				NS	0	+1	+2
NF	-1	0	+1

其中，1～5为控制器输出的绝对值排序，正号表示与误差的符号一致，负号表示与误差的符号相反。

Claims (3)

1.一种基于图像导航的高速路无人驾驶划线方法，包括水线检测、驾驶误差计算和划线车自动控制；其特征在于，所述水线检测具体通过以下步骤来实现：

a).图像采集和处理，利用自动划线车上的水线检测设备采集水线在内的路面灰度图像f(m,n)，首先利用公式(1)中的滤波算法对获取的图像进行均值滤波处理：

然后，利用公式(2)中的拉伸算法对其进行灰度拉伸处理：

其中，

b).图像的二值化，采用OSTU算法对步骤a)中经灰度拉伸处理后的图像进行二值化处理，首先利用公式(3)求取二值化指标的最大值：

其中，p₁为像素的灰度值小于k的概率，m、m_g分别为灰度值小于k的所有像素的均值、图像内所有像素的均值；

图像内灰度值小于J(k)的像素点置为“0”、灰度值大于J(k)的像素点置为“1”，将图像进行二值化处理；

c).水线图像的处理，首先提取步骤b)中二值化后图像中水线的前景图像，然后对水线的前景图像进行二次二值化，接着采用膨胀腐蚀算法对提取的水线图像进行形态学处理，解决水线断续的问题，此时的二值化图像记为B(m,n)；

d).计算水线所在直线，对步骤c)中二值化后的图像B(m,n)，采用公式(4)中的算法获取水线的边缘图像：

E(m,n)＝B(m,n-1)-B(m,n) (4)

对边缘图像，边缘图像内任意的直线都可以表示成极坐标的形式，采用霍夫变换方法检测边缘图像内的直线，算法如下：

ρ＝x·cosθ+y·sinθ (5)

其中，x、y分别为边缘图像中非0像素的列与行；

e).水线的验证，设步骤d)中所求取的边缘图像的直线共有n条，由于水线在所有的直线中的长度最长，当满足公式(6)中的条件时，认为检测到的直线为有效的水线：

其中，l₀＝0.2M，θ₀＝2°，ρ₀＝25个像素，M为图像的行数；

若最长的直线不满足所述条件，在第二长的直线长度满足条件的前提下，判断第二长的直线是否满足上述条件；若第二长的直线长度不满足要求，则采用第一长的直线作为检测结果。

2.根据权利要求1所述的基于图像导航的高速路无人驾驶划线方法，其特征在于，水线检测设备上的摄像头安装位置固定，其检测的图像为M行、N列，所述驾驶误差计算具体通过以下步骤来实现：

1).以列为X轴、行为Y轴，则可得图像中水线方程为：

2).步骤1)中的水线与直线y＝M/2行线的交点的横坐标N_x为：

3).定义点(N_x，M/2)到图像中心线N/2的图像个数为像素误差e_p(k)，即：

e_p(k)＝N_x-N/2 (9)

4).假设图像的列宽能够检测到世界坐标系的长度为d米，则列方向上每个像素所代表的实际距离为d/N米，则系统当前的行驶误差为：

3.根据权利要求2所述的基于图像导航的高速路无人驾驶划线方法，其特征在于：所述划线车自动控制具体通过以下步骤来实现：

A).首先根据公式(11)求取误差变化率ec(k)；

ec(k)＝e(k)-e(k-1) (11)

其中，e(k)为当前系统的行驶误差，e(k-1)为上一次所检测的系统的行驶误差；

B).然后根据系统当前的行驶误差e(k)、误差变化率ec(k)确定划线车驾驶行为，即：

(1)根据当前的行驶误差绝对值由小至大依次将其分为三个档次，即内偏I、中偏Mi、外偏O；

(2)根据误差变化率的绝对值大小将其分为两个档次，即快速F与慢速S；

(3)根据当前行驶误差绝对值相对于前一次行驶误差绝对值的增减，将行驶方向分为靠近水线N与远离水线P；

C).自动划线车的控制器控制车轮角度时，首先，判断行驶误差绝对值所属档次，然后，判断误差变化率所属的档次，最后，根据判断的当前行驶状态、通过PD控制器计算当前车轮的角度，即：

u(k)＝P_ij·e(k)+D_ij·ec(k) (12)

其中，P_ij、D_ij控制参数的选择通过表1查询获得：

表1

在设计每个档位的P_ij、D_ij参数时，控制器输出排序及其符号需满足表2中的条件：

表2

I Mi o PF +3 +4 +5 PS +2 +3 +4 NS 0 +1 +2 NF -1 0 +1

其中，1～5为控制器输出的绝对值排序，正号表示与误差的符号一致，负号表示与误差的符号相反。

Images