一種基于雙線性插值的車道線識(shí)別方法與裝置的制造方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種基于雙線性插值的車道線識(shí)別方法與裝置,屬于汽車智能輔助駕 駛系統(tǒng)技術(shù)領(lǐng)域。
【背景技術(shù)】
[0002] 近年來(lái),隨著我國(guó)綜合國(guó)力的增強(qiáng),公路建設(shè)里程迅猛增長(zhǎng),人們對(duì)汽車的需求量 也越來(lái)越大。根據(jù)公安部相關(guān)數(shù)據(jù)顯示,截止2012年底,駕駛機(jī)動(dòng)車的人數(shù)達(dá)到了 2. 6億, 而且駕駛?cè)藬?shù)以每年2647萬(wàn)的速度在增長(zhǎng)。很顯然在這種情況下,由汽車帶來(lái)的問(wèn)題也日 益增多。對(duì)于我們國(guó)家來(lái)說(shuō),汽車保有量占世界汽車保有量的百分之三左右,然而由交通事 故所造成的死亡人數(shù)卻占世界的百分之十六。
[0003] 車道線是保證車輛安全行駛的重要信息,因此能否正確檢測(cè)出車道線是實(shí)現(xiàn)車輛 自主導(dǎo)航或輔助駕駛的關(guān)鍵,所以對(duì)車道線檢測(cè)技術(shù)的研究對(duì)智能車的發(fā)展有重要意義。 基于車道線檢測(cè)的輔助駕駛系統(tǒng)會(huì)在車輛將要偏離當(dāng)前車道時(shí)發(fā)生相應(yīng)的警示,提醒駕駛 員車輛即將壓線,使駕駛員有反應(yīng)時(shí)間做出處理。根據(jù)相應(yīng)估計(jì),該系統(tǒng)可以減少至少24% 的由于車道線偏離引起的交通事故。如果能夠提出一種有效的車道線檢測(cè)算法,能夠滿足 各種復(fù)雜路況,具有十分重要的現(xiàn)實(shí)意義。
[0004] 目前多數(shù)車道線檢測(cè)算法可以分為兩種:基于特征的方法和基于模型的方法?;?于特征的方法是用分割等算法來(lái)定位道路區(qū)域,而基于模型的方法是通過(guò)數(shù)學(xué)模型來(lái)表示 道路的邊緣。很多基于特征的算法都可以檢測(cè)出無(wú)標(biāo)識(shí)或者非結(jié)構(gòu)化道路,而基于模型的 算法通常在檢測(cè)階段加入許多約束條件使得誤差達(dá)到最小,并且用拋物線或者樣條來(lái)簡(jiǎn)單 描述車道線。不管哪種方法,算法的性能和車道線特征的提取緊密相連。最流行的車道線 特征提取算法就是根據(jù)邊緣信息來(lái)確定,將白色或者黃色的車道線邊界與路面分開來(lái)。但 是,邊緣閾值的過(guò)高或者過(guò)低,都會(huì)檢測(cè)出大量不相關(guān)的特征點(diǎn),導(dǎo)致檢測(cè)失敗。利用DCT 系數(shù)可以來(lái)定位對(duì)角線上的高頻位置,但是這種尋求車道邊緣的方法不足夠準(zhǔn)確。
【發(fā)明內(nèi)容】
[0005] 本發(fā)明的目的是提供一種基于雙線性插值的車道線識(shí)別方法與裝置,以解決雨 天、暗光照、霧天、陰影等復(fù)雜條件下車道線特征提取不準(zhǔn)確,魯棒性和實(shí)時(shí)性偏低的問(wèn)題。
[0006] 本發(fā)明為解決上述技術(shù)問(wèn)題提供了一種基于雙線性插值的車道線識(shí)別方法,該識(shí) 別方法包括以下步驟:
[0007] 1)將采集到的原始道路圖像轉(zhuǎn)換為灰度圖像,并對(duì)灰度圖像進(jìn)行濾波和邊緣檢 測(cè);
[0008] 2)檢測(cè)濾波處理后消失點(diǎn)的位置,并根據(jù)消失點(diǎn)的位置截取一定縮放比的圖像;
[0009] 3)對(duì)截取的圖像進(jìn)行雙線性插值,使截取的圖像放大到原來(lái)的尺寸;
[0010] 4)對(duì)插值處理后的圖像進(jìn)行邊緣檢測(cè);
[0011] 5)將步驟1)得到邊緣檢測(cè)圖像和步驟4)中的得到邊緣檢測(cè)圖像進(jìn)行邏輯運(yùn)算, 得到第一次迭代特征圖像;
[0012]6)改變縮放比,重復(fù)步驟2)_5),直至迭代次數(shù)達(dá)到要求,最終得到的迭代特征圖 像即為識(shí)別出的車道線圖像。
[0013] 所述步驟2)采用最小二乘法來(lái)檢測(cè)消失點(diǎn)的位置,消失點(diǎn)的位置為:
[0014]
[0015]其 _
.,vpm為 消失點(diǎn)的橫坐標(biāo),vpn為消失點(diǎn)的縱坐標(biāo),Θi表示某一條車道線與X軸的夾角。[0016] 所述步驟2)中縮放比的選取是從100%到90%線性遞減,所選取區(qū)域滿足下列規(guī)則:[0017]
[0018]
[0019] 其中Μ為原圖像行取的縮放比,L為截取后子 圖像的左邊界,U為截取后子圖像的上邊界。
[0020] 所述步驟1)和步驟4)中的邊緣檢測(cè)均采用改進(jìn)的Sobel邊緣檢測(cè)算法,改進(jìn)的 Sobel邊緣檢測(cè)算法是將Sobel邊緣檢測(cè)算法中的模板方向改為±45°,并將系數(shù)翻倍。
[0021] 所述步驟5)中的迭代圖像是將兩幅邊緣檢測(cè)圖像對(duì)應(yīng)像素之間進(jìn)行邏輯與運(yùn)算 得到。
[0022] 本發(fā)明還提供了一種基于雙線性插值的車道線識(shí)別裝置,該識(shí)別裝置包括:
[0023] 將采集到的原始道路圖像轉(zhuǎn)換為灰度圖像的圖像灰度化模塊;
[0024] 對(duì)灰度圖像進(jìn)行濾波的濾波處理模塊;
[0025]用于檢測(cè)濾波處理后消失點(diǎn)位置的消失點(diǎn)檢測(cè)模塊;
[0026]用于根據(jù)消失點(diǎn)的位置截取一定縮放比圖像的圖像縮放截取模塊;
[0027] 用于對(duì)截取的圖像進(jìn)行雙線性插值處理,使截取的圖像放大到原來(lái)的尺寸的雙線 性插值處理模塊;
[0028] 用于對(duì)原始圖像和插值處理后圖像進(jìn)行邊緣檢測(cè)的邊緣檢測(cè)模塊;
[0029] 用于得到將原始邊緣檢測(cè)圖像和插值處理后的邊緣檢測(cè)圖像進(jìn)行邏輯運(yùn)算,以得 到迭代特征圖像的特征檢測(cè)對(duì)對(duì)比模塊。
[0030]所述消失點(diǎn)檢測(cè)模塊采用最小二乘法來(lái)檢測(cè)消失點(diǎn)的位置,消失點(diǎn)的位置為:
[0031]
[0032] 其 11
纟,vpm為 消失點(diǎn)的橫坐標(biāo),vpn為消失點(diǎn)的縱坐標(biāo),Θi表示某一條車道線與X軸的夾角。
[0033] 所述圖像縮放截取模塊選取的縮放比是從100%到90%線性遞減,所選取區(qū)域滿 足下列規(guī)則:
[0034]
[0035]
[0036] 其中Μ為原圖像行的總數(shù),N為原圖像列的總數(shù),z為選取的縮放比,L為截取后子 圖像的左邊界,U為截取后子圖像的上邊界。
[0037] 所述邊緣檢測(cè)模塊均采用改進(jìn)的Sobel邊緣檢測(cè)算法,改進(jìn)的Sobel邊緣檢測(cè)算 法是將Sobel邊緣檢測(cè)算法中的模板方向改為±45°,并將系數(shù)翻倍。
[0038] 所述特征檢測(cè)對(duì)比模塊是將兩幅邊緣檢測(cè)圖像對(duì)應(yīng)像素之間進(jìn)行邏輯與運(yùn)算得 到迭代特征圖像的。
[0039] 本發(fā)明的有益效果是:本發(fā)明首先將采集到的原始道路圖像經(jīng)灰度化和中值濾 波處理后,然后利用最小二乘算法檢測(cè)消失點(diǎn)的位置,并根據(jù)消失點(diǎn)的位置選取適當(dāng)?shù)目s 放區(qū)域,最后利用雙線性插值將縮放區(qū)域放大到原來(lái)的尺寸。將縮放的圖像和原始圖像都 與Sobel算子進(jìn)行卷積運(yùn)算,并將結(jié)果進(jìn)行多次迭代邏輯運(yùn)算,以消除大部分的異常點(diǎn)。本 發(fā)明能有效地去除干擾如樹木、車輛、建筑或者陰影等的邊緣,從而提高車道線特征提取的 準(zhǔn)確性。
【附圖說(shuō)明】
[0040] 圖1是本發(fā)明基于雙線性插值的車道線識(shí)別方法的流程圖;
[0041] 圖2是中值濾波原理示意圖;
[0042]圖3_a是本發(fā)明實(shí)施例中所選取的原始道路圖像;
[0043]圖3_b是本發(fā)明實(shí)施例中濾波后的道路圖像;
[0044]圖4是本發(fā)明實(shí)施例中選擇縮放區(qū)域示意圖;
[0045] 圖5是本發(fā)明實(shí)施例中所采用的改進(jìn)Sobel算子模板示意圖;
[0046] 圖6_a是本發(fā)明實(shí)施例中邊緣檢測(cè)結(jié)果示意圖;
[0047] 圖6_b是本發(fā)明實(shí)施例中第一次迭代結(jié)果示意圖;
[0048] 圖6-c是本發(fā)明實(shí)施例中第三次迭代結(jié)果示意圖;
[0049]圖6_d是本發(fā)明實(shí)施例中第五次迭代結(jié)果示意圖;
[0050]圖7-a是本發(fā)明實(shí)驗(yàn)例中所選取的雨天原始道路圖像;
[0051] 圖7_b是圖7_a米用Sobel邊緣檢測(cè)后得到車道線不意圖;
[0052] 圖7-c是圖7-a采用本發(fā)明方法識(shí)別出的車道線示意圖;
[0053]圖8-a是本發(fā)明實(shí)驗(yàn)例中所選取的帶有陰影的原始道路圖像;
[0054] 圖8_b是圖8_a米用Sobel邊緣檢測(cè)后得到車道線不意圖;
[0055] 圖8-c是圖8-a采用本發(fā)明方法識(shí)別出的車道線示意圖。
【具體實(shí)施方式】
[0056] 下面結(jié)合附圖對(duì)本發(fā)明的【具體實(shí)施方式】做進(jìn)一步的說(shuō)明。
[0057] 本發(fā)明的基于雙線性插值的車道線識(shí)別方法的實(shí)施例
[0058] 本發(fā)明的車道線識(shí)別方法是將原始道路圖像經(jīng)灰度化和中值濾波處理后,利用最 小二乘算法來(lái)檢測(cè)消失點(diǎn)的大概位置,根據(jù)消失點(diǎn)的位置選取適當(dāng)?shù)目s放區(qū)域。最后利用 雙線性插值將縮放區(qū)域放大到原來(lái)的尺寸。將縮放的圖像和原始圖像都與提出的Sobel算 子進(jìn)行卷積運(yùn)算,將結(jié)果進(jìn)行多次迭代邏輯運(yùn)算,可以消除大部分的異常點(diǎn),其流程如圖1 所示,具體實(shí)施步驟如下。
[0059]1、首先將車載視覺(jué)系統(tǒng)采集到的彩色圖像經(jīng)灰度化轉(zhuǎn)換為灰度圖像。灰度化采用 如下形式:
[0060]
⑴
[0061] 式中,Vgray代表灰度化后的像素灰度值,R、G、B分別代表RGB彩色模型的三個(gè)分 量。
[0062] 2、對(duì)灰度化后的圖像進(jìn)行中值濾波處理。采用3x3的窗口,把二維窗口中的數(shù)據(jù) 一維化,并排列其順序,由公式(2)求出其中值Me,然后用中值Me代替窗口中心X22原來(lái)的 灰度值,如圖2所示。本實(shí)施例中采集的原始道路圖像如圖3-a所示,經(jīng)中值濾波后得到圖 像如圖3_b所不。
[0063]Me=Median{χη,χ12,χ13···χ33} (2)
[0064] 3.對(duì)濾波后的灰度圖像進(jìn)行邊緣檢測(cè),以得到相應(yīng)的邊緣圖像。
[0065] 由于經(jīng)典Sobel算子只能夠檢測(cè)到水平方向和垂直方向,必然限制了道路圖像的 應(yīng)用范圍和檢測(cè)精度。并且,當(dāng)?shù)缆穲D像受到強(qiáng)烈陰影干擾或光照不足的情況下,無(wú)法達(dá)到 理想的分割效果。故而有必要對(duì)算子進(jìn)行改進(jìn),以增強(qiáng)檢測(cè)的效果,因此本實(shí)施例中的邊緣 檢測(cè)采用改進(jìn)的Sobel邊緣檢測(cè)算法,即將濾波后的灰度圖像與改進(jìn)的Sobel算子進(jìn)行卷 積運(yùn)算。
[0066]由于大多數(shù)車道線具有斜直線特性,所以將模板方向改為±45°。同時(shí),考慮到在 弱光照下,車道線和路面之間灰度級(jí)差別不大,將算子系數(shù)翻倍,因此構(gòu)造的用于提取左右 車道線的改進(jìn)Sobel算子模板如圖5所示。
[0067] 4、利用最小二乘法檢測(cè)消失點(diǎn)的大概位置。理想情況下,圖像中所有與車道線平 行的線都交于消失點(diǎn),就是說(shuō)消失點(diǎn)到平行線的距離為0。根據(jù)這個(gè)思想,可以將消失點(diǎn)的 檢測(cè)問(wèn)題轉(zhuǎn)換為一個(gè)求最小值的問(wèn)題。假設(shè)車道線的公式為:
[0068] p=xcosΘ+ysinΘ (3)
[0069] 假設(shè)存在的消失點(diǎn)坐標(biāo)為vp(vpm,vpn),橫坐標(biāo)為vpm縱坐標(biāo)為vpn,i表示圖像 中的某一個(gè)像素,Θi表示