一種基于特征點分段線性擬合的車道線檢測方法
【專利摘要】本發(fā)明公開了一種基于特征點分段線性擬合的車道線檢測方法，主要包括以下步驟：進(jìn)行圖像讀?。粚ψx取的圖像進(jìn)行感興趣區(qū)域讀??；對提取的感興趣區(qū)域圖像進(jìn)行邊緣提??；對感興趣道路邊緣圖像二值化；對二值化后的邊緣圖像提取特征點，得到候選特征點向量集合；對候選特征點向量集合進(jìn)行濾波，得到濾波后的特征點向量；對濾波后的特征點向量采用最小二乘法進(jìn)行分段線性擬合，得到候選車道線方程；識別車道線方程；根據(jù)視頻幀的特點，對已識別出的車道線進(jìn)行跟蹤，輸出最終的車道線。該方法能有效檢測出道路的車道線，具有良好的抗干擾能力和容錯性，同時該方法運算量小，實現(xiàn)簡單，實用性較強(qiáng)。
【專利說明】一種基于特征點分段線性擬合的車道線檢測方法【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及智能交通領(lǐng)域，尤其涉及一種基于特征點分段線性擬合的車道線檢測方法。
【背景技術(shù)】
[0002]作為移動機(jī)器人的一種，智能車輛可廣泛應(yīng)用于工業(yè)、農(nóng)業(yè)、軍事和公路公共交通等領(lǐng)域，具有重要的研究和應(yīng)用價值。目前，雖然國內(nèi)外在智能車輛研究方面取得了實質(zhì)性進(jìn)展，但從實用性角度來看，目前的智能車輛距離實現(xiàn)完全意義的自主駕駛還有一定差距。為實現(xiàn)自主導(dǎo)航，現(xiàn)有智能車普遍將視覺導(dǎo)航作為其主要的導(dǎo)航方式。在智能車輛處理的眾多視覺信息中，車道線信息作為關(guān)鍵的道路信息，其檢測技術(shù)也是實現(xiàn)智能車視覺導(dǎo)航的核心技術(shù)之一。
[0003]目前，針對車道線檢測問題提出的眾多算法可基本上分為基于特征和基于模型的方法。其中，基于特征的方法主要是利用車道線具有的顏色特征、幾何特征、尺寸特征和形狀特征等對車道線進(jìn)行提取。這類方法對道路形狀不敏感，算法魯棒性高，但該類方法對陰影和水跡較為敏感，算法計算量較大，實時性較差。
[0004]基于模型的方法首先將道路圖像轉(zhuǎn)化為灰度圖像，通過對圖像進(jìn)行預(yù)處理，提取出圖像邊緣，然后通過對車道線建模，將道路檢測問題轉(zhuǎn)換為道路模型求解問題，最終檢測出車道線。這類方法檢測出的道路較完整，且一般只用較少的參數(shù)即可表示整個道路。該類方法對陰影、水跡等具有較強(qiáng)的抗干擾能力，方法研究較多且應(yīng)用較廣泛。
[0005]在上述兩類方法中，常采用Hough變換提取直線特征作為車道線識別的依據(jù)。而實現(xiàn)Hough變換的算法復(fù)雜度較高且內(nèi)存需求較大，不利于提高算法實時性。

【發(fā)明內(nèi)容】

[0006]本發(fā)明的目的就是為了解決上述問題，提供了一種基于特征點分段線性擬合的車道線檢測方法，首先對輸入的道路圖像進(jìn)行預(yù)處理；然后提取出道路圖像中與車道線相關(guān)的特征點并根據(jù)提取出的特征點采用最小二乘法對車道線進(jìn)行分段線性擬合，以檢測出車道線；最后根據(jù)檢測出的車道線對下一幀道路圖像進(jìn)行車道線跟蹤。該方法能有效檢測出結(jié)構(gòu)化道路的車道線，具有良好的抗干擾能力和容錯性。同時該方法運算量小，實現(xiàn)簡單，實用性較強(qiáng)。
[0007]為了實現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案:
[0008]一種基于特征點分段線性擬合的車道線檢測方法，主要包括以下步驟:進(jìn)行圖像讀??；對讀取的圖像進(jìn)行感興趣區(qū)域讀??；對提取的感興趣區(qū)域圖像進(jìn)行邊緣提取；對提取的邊緣圖像進(jìn)行二值化處理；對二值化后的邊緣圖像提取特征點，得到候選特征點向量集合；對得到的候選特征點向量集合進(jìn)行濾波，得到濾波后的特征點向量集合。
[0009] 對濾波后的特征點向量進(jìn)行分段擬合，得到車道線方程；判斷是否識別出車道線方程；對下一幀視頻圖像中的車道線進(jìn)行跟蹤，輸出最終的車道線檢測結(jié)果。[0010]具體步驟如下:
[0011]步驟⑴:開始，讀取圖像。
[0012]步驟(2):將圖像中的感興趣區(qū)域提取出來，并將感興趣區(qū)域圖像保存到相應(yīng)位置。主要通過對圖像進(jìn)行剪裁，提取出結(jié)構(gòu)化道路圖像中的有效道路區(qū)域，即車輛可行駛區(qū)域的圖像，刪除非道路區(qū)域以便后續(xù)處理。
[0013]步驟(3):對提取到的感興趣區(qū)域用Sobel算子提取邊緣圖像。
[0014]步驟(4):對提取到的邊緣圖像采用閾值法進(jìn)行二值化，得到二值化的感興趣區(qū)域道路邊緣圖像。 [0015]步驟(5):對二值化的感興趣區(qū)域道路邊緣圖像進(jìn)行特征點提取，得到兩個候選特征點向量集合。
[0016]步驟(6):對兩個候選特征點向量集合進(jìn)行濾波去除噪聲后，得到濾波后的兩個特征點向量集合。
[0017]步驟(7):對兩個特征點向量集合采用最小二乘法進(jìn)行分段擬合。
[0018]步驟(8):判斷兩個特征點向量集合擬合是否完成，如果完成則進(jìn)入步驟(9);如果未完成則返回步驟(7)。
[0019]步驟(9):對得到的多條擬合直線判斷以識別出車道線方程。
[0020]步驟(10):判斷是否識別出車道線方程，如果是則轉(zhuǎn)步驟11，如果否則返回步驟
(9)。
[0021]步驟(11):根據(jù)識別出的車道線方程，對下一幀視頻圖像中的車道線進(jìn)行跟蹤。
[0022]步驟(12):輸出最終的車道線檢測結(jié)果。
[0023]所述步驟(5)的特征點提取方法為:根據(jù)車道線具有兩條平行且相距較近邊緣的特點，通過提取距離圖像中心線較近的邊緣點實現(xiàn)特征點的提取。
[0024]所述步驟(6)的對兩個候選特征點向量集合進(jìn)行濾波的方法為通過設(shè)置閾值并計算由步驟(5)得到的水平方向特征點間的距離實現(xiàn)特征點的濾波。
[0025]所述步驟(7)中對特征點向量集合采用最小二乘法進(jìn)行分段擬合的方法為:通過采用分段擬合的方法對提取出的特征點進(jìn)行直線擬合。對給定的特征點，通過設(shè)置擬合誤差，采用最小二乘法自動實現(xiàn)特征點的直線擬合。
[0026]所述步驟(7)的具體方法為:
[0027]7-1)設(shè)置最大擬合誤差predErr、數(shù)據(jù)步長St??；初始化分段初始數(shù)據(jù)序號Ninit=I和分段結(jié)束數(shù)據(jù)序號Nend = I。
[0028]7-2)令分段結(jié)束數(shù)據(jù)序號Nend = Ninit+step,采用最小二乘法對序號在Ninit和 Nend 間的特征點集 PlNinit，Nend = {plNinit，plNinit+1，…，plNend}進(jìn)行函數(shù)擬合。
[0029]7-3)當(dāng)一個特征點分段確定后,更新分段初始數(shù)據(jù)序號Ninit = Nend+Ι ;當(dāng)滿足擬合誤差的特征點集的結(jié)束數(shù)據(jù)序號Nend = k時，特征點數(shù)據(jù)分段擬合過程結(jié)束，否則轉(zhuǎn)到步驟7-2)繼續(xù)進(jìn)行分段擬合。
[0030]所述7-2)的具體方法為:
[0031]假設(shè)擬合直線方程表示為y = ax+b，特征點集PlNinit，Nend內(nèi)的數(shù)據(jù)可表示為:
[0032]Y = Ha (I)
[0033]其中，a和b 為直線擬合系數(shù)，Y= [yNinit，yNinit+1，…yNend]Τ，α = [a, b]T, H =[hNinit, hNinit+1,…，hNend]T, hi = [Xi, 1]T, Ninit ≤ i ≤ Nend, Xi 表示特征點 Pli 的橫坐標(biāo)。
[0034]采用最小二乘法可得式⑴中α的估計值?和模型輸出值Y的估計值?分別為:
[0035]
【權(quán)利要求】
1.一種基于特征點分段線性擬合的車道線檢測方法，其特征是:主要包括以下步驟: 進(jìn)行圖像讀??；對讀取的圖像進(jìn)行感興趣區(qū)域讀??；對提取的感興趣區(qū)域圖像進(jìn)行邊緣提取；對提取的邊緣圖像進(jìn)行二值化處理；對二值化后的邊緣圖像提取特征點，得到候選特征點向量集合；對得到的候選特征點向量集合進(jìn)行濾波，得到濾波后的特征點向量集合； 對濾波后的特征點向量進(jìn)行分段擬合，得到車道線方程；判斷是否識別出車道線方程；對下一幀視頻圖像中的車道線進(jìn)行跟蹤，輸出最終的車道線檢測結(jié)果。
2.如權(quán)利要求1所述的一種基于特征點分段線性擬合的車道線檢測方法，其特征是，具體步驟如下: 步驟⑴:開始，讀取圖像； 步驟(2):將圖像中的感興趣區(qū)域提取出來，并將感興趣區(qū)域圖像保存到相應(yīng)位置； 步驟(3):對提取到的感興趣區(qū)域用Sobel算子提取邊緣圖像； 步驟(4):對提取到的邊緣圖像采用閾值法進(jìn)行二值化，得到二值化的感興趣區(qū)域道路邊緣圖像； 步驟(5):對二值化的感興趣區(qū)域道路邊緣圖像進(jìn)行特征點提取，得到兩個候選特征點向量集合； 步驟(6):對兩個候選特征點向量集合進(jìn)行濾波去除噪聲后，得到濾波后的兩個特征點向量集合； 步驟(7):對特征點向量集合采用最小二乘法進(jìn)行分段擬合； 步驟(8):判斷兩個特征點向量集合擬合是否完成，如果完成則進(jìn)入步驟(9);如果未完成則返回步驟⑵； 步驟(9):對得到的多條擬合直線判斷以識別出車道線方程； 步驟(10):判斷是否識別出車道線方程，如果是則轉(zhuǎn)步驟11，如果否則返回步驟(9)； 步驟(11):根據(jù)識別出的車道線方程，對下一幀視頻圖像中的車道線進(jìn)行跟蹤； 步驟(12):輸出最終的車道線檢測結(jié)果。
3.如權(quán)利要求2所述的一種基于特征點分段線性擬合的車道線檢測方法，其特征是，所述步驟(5)的特征點提取方法為:根據(jù)車道線具有兩條平行且相距較近邊緣的特點，通過提取距離圖像中心線較近的邊緣點實現(xiàn)特征點的提取。
4.如權(quán)利要求2所述的一種基于特征點分段線性擬合的車道線檢測方法，其特征是，所述步驟(6)的對特征點濾波的方法為:對兩個候選特征點向量集合進(jìn)行濾波的方法為通過設(shè)置閾值并計算由步驟(5)得到的水平方向特征點間的距離實現(xiàn)特征點的濾波。
5.如權(quán)利要求2所述的一種基于特征點分段線性擬合的車道線檢測方法，其特征是，所述步驟(7)中對特征點向量集合采用最小二乘法進(jìn)行分段擬合的方法為:通過采用分段擬合的方法對提取出的特征點進(jìn)行直線擬合，對給定的特征點，通過設(shè)置擬合誤差，采用最小二乘法自動實現(xiàn)特征點的直線擬合。
6.如權(quán)利要 求5所述的一種基于特征點分段線性擬合的車道線檢測方法，其特征是，所述步驟(7)的具體方法為: 7-1)設(shè)置最大擬合誤差predErr、數(shù)據(jù)步長step ;初始化分段初始數(shù)據(jù)序號Ninit = I和分段結(jié)束數(shù)據(jù)序號Nend = 1 ；7-2)令分段結(jié)束數(shù)據(jù)序號Nend = Ninit+step,采用最小二乘法對序號在Ninit和Nend 間的特征點集
7.如權(quán)利要求6所述的一種基于特征點分段線性擬合的車道線檢測方法，其特征是，所述7-2)的具體方法為: 假設(shè)擬合直線方程表示為I = ax+b，特征點集PlNinit，Nmd內(nèi)的數(shù)據(jù)可表示為: Y = Ha (I) 其中，a和 b 為直線擬合系數(shù)
8.如權(quán)利要求2所述的一種基于特征點分段線性擬合的車道線檢測方法，其特征是，所述步驟(9)中對得到的多條擬合直線判斷以識別出車道線方程的方法為:對擬合出的多條直線，通過判斷各直線與圖像中心線間的距離提取具有最小距離的直線作為車道線方程。
9.如權(quán)利要求2所述的一種基于特征點分段線性擬合的車道線檢測方法，其特征是，所述步驟(11)中對車道線進(jìn)行跟蹤的方法為:根據(jù)前一幀已檢測到的車道線，通過設(shè)置固定的搜索區(qū)域?qū)崿F(xiàn)當(dāng)前視頻幀圖像的車道線檢測；若在搜索區(qū)域內(nèi)無法實現(xiàn)車道線檢測，則將幀圖像分成左右兩個圖像ImBL和ImBR，分別提取該兩個圖像內(nèi)的車道線方程。
10.如權(quán)利要求1或2所述的一種基于特征點分段線性擬合的車道線檢測方法，其特征是，所述感興趣區(qū)域指結(jié)構(gòu)化道路圖像中的有效道路區(qū)域，即道路圖像中車輛可行駛和可視道路區(qū)域的圖像。
【文檔編號】G06K9/46GK104008387SQ201410211956
【公開日】2014年8月27日 申請日期:2014年5月19日 優(yōu)先權(quán)日:2014年5月19日
【發(fā)明者】李敏花, 柏猛, 呂英俊 申請人:山東科技大學(xué)