CN113449659B - 一种车道线的检测方法 - Google Patents

一种车道线的检测方法 Download PDF

Info

Publication number
CN113449659B
CN113449659B CN202110756893.2A CN202110756893A CN113449659B CN 113449659 B CN113449659 B CN 113449659B CN 202110756893 A CN202110756893 A CN 202110756893A CN 113449659 B CN113449659 B CN 113449659B
Authority
CN
China
Prior art keywords
image
line segments
detection
line
lane line
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
Application number
CN202110756893.2A
Other languages
English (en)
Other versions
CN113449659A (zh
Inventor
赵志国
孙中
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huaiyin Institute of Technology
Original Assignee
Huaiyin Institute of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Huaiyin Institute of Technology filed Critical Huaiyin Institute of Technology
Priority to CN202110756893.2A priority Critical patent/CN113449659B/zh
Publication of CN113449659A publication Critical patent/CN113449659A/zh
Application granted granted Critical
Publication of CN113449659B publication Critical patent/CN113449659B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30248—Vehicle exterior or interior
    • G06T2207/30252—Vehicle exterior; Vicinity of vehicle
    • G06T2207/30256—Lane; Road marking
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种车道线的检测方法，具体包括：利用高斯金字塔来减少图像噪声和细节；设定感兴趣区域并对其进行灰度化处理；采用canny边缘检测和改进的Harris角点检测对图像进行角点检测，并对检测到角点进行去除；提取图像中线段的斜率和宽度特征；采用限制线段角度条件对图像中的若干线段进行去除；采用最小二乘法拟合的方法输出车道线。本发明具有很好的鲁棒性，通过建立高斯金字塔有效的降低图像的噪声和计算的复杂度，Harris角点检测和限制线段角度条件的算法，有效减少因阴影、裂缝和滑痕等对道路车道线检测的干扰，从而提高车道线检测的准确性，本发明方法具有广泛的应用前景和实用价值。

Description

一种车道线的检测方法
技术领域
本发明涉及汽车辅助驾驶领域，尤其涉及一种车道线的检测方法。
背景技术
现阶段，交通安全问题面临着严峻的挑战，交通事故对人民的生命和财产安全造成了巨大的威胁，汽车安全问题已成为关注的核心。据统计，每年约有50％汽车交通事故是因为汽车偏离正常行驶的车道引起的，因此对于车道偏离预警的研究是非常有意义的，而车道线的检测是车道偏离预警的重要组成部分，因此对于车道线检测的研究是很有必要的。
目前针对车道线检测的方法有很多，已经提出了基于视觉的方法有反透视映射、粒子滤波和Hough变换等，但这些方法都具有较高的计算复杂度和在不同的道路条件下具有不理想的性能。因此亟需解决的技术难题是如何在含有阴影、裂痕和滑痕的道路条件下工作和降低计算复杂度。
发明内容
发明目的：本发明的目的是为了解决上述问题，提出一种车道线检测方法，降低算法计算的复杂度，减少道路中阴影、裂痕和滑痕对于车道线检测的干扰，提高车道线检测方法的鲁棒性。
技术方案：一种车道线的检测方法，包括如下步骤：
步骤1：对输入的图像进行高斯金字塔处理；
步骤2：设定图像感兴趣区域ROI并对其进行灰度化处理；
步骤3：对图像进行Canny边缘检测和改进的Harris角点检测并对角点进行去除；
步骤4：采用限制线段角度条件对其中的线段进行去除；
步骤5：对图像中的线段采用拟合的方法，得到相应的车道线。
进一步地，步骤1具体包括：
步骤1.1：对图像进行一次高斯平滑处理；
步骤1.2：去除图像中的偶数行和偶数列；
步骤1.3：连续循环步骤1.1和步骤1.2两次，得到一张新图片。
进一步地，步骤3具体包括：
步骤3.1：采用Barron算子计算图像中每一个像素在X方向和Y方向上的梯度，具体公式如下：
其中，fx表示图像f(x,y)的X方向梯度，fy表示图像f(x,y)的Y方向梯度，表示卷积计算；
步骤3.2：计算图像X和Y方向梯度的乘积和各自方向的平方，分别表示为fxfy、和/>
步骤3.3：采用B样条滤波函数对和fxfy进行加权生成矩阵M的元素A、B和C，表示为：
其中，表示图像f(x,y)的X方向梯度的乘积，/>表示图像f(x,y)的Y方向梯度的乘积，fxfy表示图像f(x,y)的X方向梯度与Y方向梯度的乘积，L表示B样条的3x3滤波模板，/>表示卷积计算，A表示由L卷积/>得到，B表示由L卷积/>得到，C表示由L卷积fxfy得到；
步骤3.4：计算每个像素的Harris响应值R，并对大于某一阈值T的R(x,y)置为零，公式表示为：
R＝[det(M)-k(trace(M))2]>T
其中，k一般取0.04，det(M)是矩阵M行列式的值，tr(M)是矩阵M的迹；
步骤3.5：在3×3或5×5的邻域内进行非最大值抑制，同时选取局部极大值；
步骤3.6：同时满足R(x,y)大于一定阈值T和R(x,y)是某领域内的局部极大值这两个条件，则被认为是角点；
步骤3.7：对检测到的角点进行去除，得到若干的线段。
进一步地，步骤4具体包括：根据步骤3中得到若干线段，通过Hough变换提取这些线段的斜率k，车道线相对于水平方向的夹角在合理度数(θ1，θ2)之间，对于线段与水平方向的夹角不在这个范围中的线段进行去除，公式如下：
θ1<|arctan(k)|<θ2。
进一步地，θ1为45°，θ2为90°。
进一步地，步骤5利用最小二乘法对线段进行拟合，得到最终的车道线。
有益效果：与现有技术相比，本发明具有如下显著的优点：
(1)利用高斯金字塔对图像进行处理，降低道路图像细节和噪声，同时也降低图像计算量和提高算法的效率；
(2)采用改进的Harris角点检测的算法，有效减少因阴影、裂缝和滑痕等对道路车道线检测的影响；
(3)解决不同的光照条件和复杂路面下的车道线检测困难的问题。
附图说明
图1为本发明中车道预警系统的流程图；
图2为本发明中高斯金字塔的算法流程图；
图3为本发明中改进的Harris角点检测算法的流程图；
具体实施方式
下面结合附图和具体实施例，进一步阐明本发明。
如图1所示，本实施例包括以下步骤：
步骤1：对输入的图像进行2级的高斯金字塔的处理：
具体地，设置高斯金字塔的层数为2，对输入的图像进行高斯金字塔变换，如图2所示，实施步骤如下：
步骤1.1：对于给定的图像先做一次高斯平滑处理；
步骤1.2：去除图像中的偶数行和偶数列，然后就得到一张新图像；
步骤1.3：连续循环步骤1.1和步骤1.2两次，得到一张新图片。
步骤2：根据步骤1得到的结果，首先使用灰度化进行处理，之后建立感兴趣区域(ROI)。
步骤3：将感兴趣区域内图像应用canny边缘检测算法，再通过改进的Harris角点检测算法的得到感兴趣区域内图像的角点，最后对检测到角点进行去除，这样会得到若干线段；
如图3所示，具体步骤如下：
步骤3.1：采用Barron算子计算图像中每一个像素在X方向和Y方向上的梯度，具体公式如下：
其中，fx表示图像f(x,y)的X方向梯度，fy表示图像f(x,y)的Y方向梯度，表示卷积计算。
步骤3.2：计算图像X和Y方向梯度的乘积和各自方向的平方，表示为fxfy、和/>
步骤3.3：采用B样条滤波函数对fxfy、和/>进行加权，生成矩阵M，表示为：
步骤3.4：计算每个像素的Harris响应值R，并对小于某一阈值T的R(x,y)置为零，公式表示为：
R＝[det(M)-k*tr2(M)]>T
其中，k一般取0.04，det(M)是矩阵M行列式的值，tr(M)是矩阵M的迹，T为0.01Rmax；
步骤3.5：在3×3的邻域内进行非最大值抑制，同时选取局部极大值；
步骤3.6：同时满足R(x,y)大于一定阈值T和R(x,y)是某领域内的局部极大值这两个条件，则被认为是角点；
步骤3.7：对检测到的角点进行去除，这时会得到若干的线段。
步骤4：根据步骤3中得到结果，对感兴趣区域内的线段采用限制线段角度条件对其中的线段进行去除；
具体地，根据步骤3中得到若干线段，通过Hough变换提取这些线段的斜率k和截距b，由于车道线相对于水平方向的夹角在合理度数(θ1,θ2)之间，因此对于线段与水平方向的夹角不在这个范围中的线段进行去除，公式如下：
θ1<|arctan(k)|<θ2
式中，θ1为45°，θ2为90°；
步骤5：采用最小二乘法对步骤4中的得到的线段进行拟合，得到最终的车道线。
本发明未作详细阐述的内容属于本专业领域技术人员公知的已有技术。

Claims (5)

1.一种车道线的检测方法，其特征在于，包括如下步骤：
步骤1：对输入的图像进行高斯金字塔处理；
步骤2：设定图像感兴趣区域ROI并对其进行灰度化处理；
步骤3：对图像进行Canny边缘检测和改进的Harris角点检测并对角点进行去除；
步骤4：采用限制线段角度条件对其中的线段进行去除；
步骤5：对图像中的线段采用拟合的方法，得到相应的车道线；
其中，所述步骤3具体包括：
步骤3.1：采用Barron算子计算图像中每一个像素在X方向和Y方向上的梯度，具体公式如下：
其中，fx表示图像f(x，y)的X方向梯度，fy表示图像f(x，y)的Y方向梯度，表示卷积计算；
步骤3.2：计算图像X和Y方向梯度的乘积和各自方向的平方，分别表示为fxfy、和/>
步骤3.3：采用B样条滤波函数对和fxfy进行加权生成矩阵M的元素A、B和C，表示为：
其中，表示图像f(x，y)的X方向梯度的乘积，/>表示图像f(x，y)的Y方向梯度的乘积，fxfy表示图像f(x，y)的X方向梯度与Y方向梯度的乘积，L表示B样条的3x3滤波模板，/>表示卷积计算，A表示由L卷积/>得到，B表示由L卷积/>得到，C表示由L卷积fxfy得到；
步骤3.4：计算每个像素的Harris响应值R，并对大于某一阈值T的R(x，y)置为零，公式表示为：
R＝[det(M)-k(tr(M))2]＞T
其中，k一般取0.04，det(M)是矩阵M行列式的值，tr(M)是矩阵M的迹；
步骤3.5：在3×3或5×5的邻域内进行非最大值抑制，同时选取局部极大值；
步骤3.6：同时满足R(x，y)大于一定阈值T和R(x，y)是某领域内的局部极大值这两个条件，则被认为是角点；
步骤3.7：对检测到的角点进行去除，得到若干的线段。
2.根据权利要求1所述的车道线的检测方法，其特征在于，所述步骤1具体包括：
步骤1.1：对图像进行一次高斯平滑处理；
步骤1.2：去除图像中的偶数行和偶数列；
步骤1.3：连续循环步骤1.1和步骤1.2两次，得到一张新图片。
3.根据权利要求1所述的车道线的检测方法，其特征在于，所述步骤4具体包括：根据步骤3中得到若干线段，通过Hough变换提取这些线段的斜率k，车道线相对于水平方向的夹角在合理度数(θ1，θ2)之间，对于线段与水平方向的夹角不在这个范围中的线段进行去除，公式如下：
θ1＜|arctan(k)|＜θ2。
4.根据权利要求3所述的车道线的检测方法，其特征在于，所述θ1为45°，θ2为90°。
5.根据权利要求1所述的车道线的检测方法，其特征在于，所述步骤5利用最小二乘法对所述线段进行拟合，得到最终的车道线。
CN202110756893.2A 2021-07-05 2021-07-05 一种车道线的检测方法 Active CN113449659B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110756893.2A CN113449659B (zh) 2021-07-05 2021-07-05 一种车道线的检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110756893.2A CN113449659B (zh) 2021-07-05 2021-07-05 一种车道线的检测方法

Publications (2)

Publication Number Publication Date
CN113449659A CN113449659A (zh) 2021-09-28
CN113449659B true CN113449659B (zh) 2024-04-23

Family

ID=77815068

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110756893.2A Active CN113449659B (zh) 2021-07-05 2021-07-05 一种车道线的检测方法

Country Status (1)

Country Link
CN (1) CN113449659B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105740809A (zh) * 2016-01-28 2016-07-06 东南大学 一种基于机载摄像机的高速公路车道线检测方法
CN106447730A (zh) * 2016-09-14 2017-02-22 深圳地平线机器人科技有限公司 参数估计方法、装置和电子设备
CN108629343A (zh) * 2018-04-28 2018-10-09 湖北民族学院 一种基于边缘检测和改进Harris角点检测的车牌定位方法和系统
CN109583324A (zh) * 2018-11-12 2019-04-05 武汉大学 一种基于单点多盒检测器的指针仪表读数自动识别方法
CN110298216A (zh) * 2018-03-23 2019-10-01 中国科学院沈阳自动化研究所 基于车道线梯度图像自适应阈值分割的车辆偏离报警方法
WO2020248439A1 (zh) * 2019-06-11 2020-12-17 江苏农林职业技术学院 一种基于图像处理的皇冠盖表面缺陷在线检测方法
CN112101163A (zh) * 2020-09-04 2020-12-18 淮阴工学院 一种车道线检测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105740809A (zh) * 2016-01-28 2016-07-06 东南大学 一种基于机载摄像机的高速公路车道线检测方法
CN106447730A (zh) * 2016-09-14 2017-02-22 深圳地平线机器人科技有限公司 参数估计方法、装置和电子设备
CN110298216A (zh) * 2018-03-23 2019-10-01 中国科学院沈阳自动化研究所 基于车道线梯度图像自适应阈值分割的车辆偏离报警方法
CN108629343A (zh) * 2018-04-28 2018-10-09 湖北民族学院 一种基于边缘检测和改进Harris角点检测的车牌定位方法和系统
CN109583324A (zh) * 2018-11-12 2019-04-05 武汉大学 一种基于单点多盒检测器的指针仪表读数自动识别方法
WO2020248439A1 (zh) * 2019-06-11 2020-12-17 江苏农林职业技术学院 一种基于图像处理的皇冠盖表面缺陷在线检测方法
CN112101163A (zh) * 2020-09-04 2020-12-18 淮阴工学院 一种车道线检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
一种基于Edline线特征的车道线识别算法;姬广奥;刘志强;;河北工业科技(第03期);58-63 *

Also Published As

Publication number Publication date
CN113449659A (zh) 2021-09-28

Similar Documents

Publication Publication Date Title
Bilal et al. Real-time lane detection and tracking for advanced driver assistance systems
CN103077384B (zh) 一种车标定位识别的方法与系统
CN105760812B (zh) 一种基于Hough变换的车道线检测方法
Yan et al. A method of lane edge detection based on Canny algorithm
CN108564814B (zh) 一种基于图像的停车场车位检测方法及装置
CN110232835B (zh) 一种基于图像处理的地下车库停车位检测方法
CN202134079U (zh) 一种无人驾驶车辆车道标志线识别与报警装置
CN102938057B (zh) 一种车辆阴影消除方法及装置
CN101976338B (zh) 一种基于梯度方向直方图的判决式视觉显著性检测方法
CN107392139A (zh) 一种基于霍夫变换的车道线检测方法及终端设备
CN104050681A (zh) 一种基于视频图像的道路消失点检测方法
CN106887004A (zh) 一种基于块匹配的车道线检测方法
CN104700072A (zh) 基于车道线历史帧的识别方法
CN103324958B (zh) 一种复杂背景下基于投影法和svm的车牌定位方法
CN111539303B (zh) 基于单目视觉的车辆驾驶偏移预警方法
CN109583442A (zh) 基于线段检测的虚假车牌检测方法及装置
Maya et al. Performance analysis of lane detection algorithm using partial Hough transform
CN110733416B (zh) 一种基于逆透视变换的车道偏离预警方法
CN111652033A (zh) 基于OpenCV的车道线检测方法
CN113449659B (zh) 一种车道线的检测方法
CN105335704B (zh) 一种基于双线性插值的车道线识别方法与装置
CN112528994B (zh) 一种自由角度车牌检测方法、车牌识别方法和识别系统
Hirose et al. Real-time recognition of road traffic sign in moving scene image using new image filter
Wang et al. Lane detection algorithm based on density clustering and RANSAC
CN104573703A (zh) 基于偏导分布与边界策略的输电线快速识别方法

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