[发明专利]一种车道线自适应检测的方法

说明书

技术领域

本发明涉及智能交通领域，尤其涉及一种车道线自适应检测的方法。

背景技术

随着交通事业的飞速扩展和汽车数量的迅速增加，交通事故也不断的上升。据统计，因驾驶员疲劳或注意力不集中，导致其驾驶的车辆偏离当前车道，所造成的事故约占整个交通事故的1/3。而车道偏离预警系统，就是给那些无意识地将车辆偏离本车道的驾驶员，提供报警唤醒。然而，车道线检测的效果直接影响到整个车道偏离预警系统的性能。

目前，车道线检测方法主要有基于特征的识别方法和基于模型的识别方法。其中，基于特征识别的方法主要是利用车道线的颜色特征、灰度特征、边缘特征将车道线识别出来。其中，颜色特征主要应用于非结构化道路，但需要彩色图像作为数据的输入，影响算法的执行效率；灰度特征，主要是利用车道线的亮度比路面高，但容易受尾灯、积水反光的影响；基于边缘特征的方法，其检测车道线的速度快、实时性好，但容易受阴影等干扰的影响。基于模型的识别方法，主要是针对车道标线相对规则的结构化道路。该方法虽能适应外部环境的影响，但是会受路面的文字、标记等干扰的影响。

发明内容

本发明为克服上述的不足之处，目的在于提供一种车道线自适应检测的方法，该方法能够较好的检测出车道线，且计算时间短，实现车道偏离预警。

本发明是通过以下技术方案达到上述目的：一种车道线自适应检测的方法，包括以下步骤：

1)感兴趣区域划分：

1.1)读取图像帧，图像帧上沿车身平行方向配置标志点，根据配置获取图像中的直线消失点；

1.2)利用消失点属性的相机标定原理，完成路面坐标到图像坐标转换；

1.3)计算出相对于相机中心的宽度范围为[3.5m,10m]处以及前方距离[3.5m,100m]处所对应的图像坐标，拟合出相应的直线，确定出下部分为矩形，上部分为梯形的感兴趣区域；

2)基于分层分块的图像分割：

将感兴趣区域分成4层，共16块，每一块区域采用高斯滤波算法和Sobel算子处理；然后统计各块区域内图像灰度平均值PixelMean及方差PixelStd，计算出分割阈值；根据分割阈值对边缘图像进行分割；

3)车道线特征的提取以及去干扰处理：

统计分割图像中的所有线段，计算每条线段的特征，包括：起点start，终点end，从起点到终点的实际距离HopWidth、平均亮度meanpixel，起止点位置之前平均亮度fmeanpixel，起止点位置之后平均亮度afmeanpixel，利用车道线的宽度特征对线段进行一次去干扰处理，再利用车道线亮度特征进行二次去干扰处理；

4)车道线确认：

在感兴趣区域内，以消失点为中心，将消失点左半部分为左车道线的搜索区域、消失点右半部分为右车道线的搜索区域，建立cos(θ)×w和sin(θ)×h的变换表格，根据变换表格搜索所有区域计算得到候选车道线；通过车道宽度特征及车道线相互平行特征筛候选车道线确定车道线。

作为优选，所述感兴趣区域的矩形区域包括第一层和第二层，最下方为第一层，第一层平分成3块，第二层平分成4块；感兴趣区域的梯形区域包括第三层和第四层，第三层平分成5块，第四层平分成6块。

作为优选，所述车道线确认步骤中，在搜索区域前，先对Hough变化进行初始化，确定以2度为搜索的步长，分配存储投影数目Hough_Matrix(θ,ρ)内存。

作为优选，所述投影直线ρ＝w×cos(θ)+h×sin(θ)，若在相应的直线上存在白点，则在其对应的投影数目Hough_Matrix(θ,ρ)中加1。

本发明的有益效果在于：通过对图像的分层分块，使算法在局部小区域里处理，再在边缘图上做分割处理，可以有效地降低光照不均的影响，增强对质量较差车道线的检测效果；利用车道线的宽度、亮度特征、车道的宽度、车道线相互平行等特征，可以有效地排除字符、车辆、阴影等干扰，增加检测的准确性；将cos(θ)×w和sin(θ)×h以查表的方式实现，可以有效地降低Hough变换过程中的计算量。

附图说明

图1是本发明的车道线自适应检测方法的流程图；

图2是本发明中，图像感兴趣区域分层分块的结果；

图3是本发明中，在晚上车道线模糊情况下，车道线检测的过程；其中(a)表示感兴趣区域，(b)表示分割后的结果，(c)表示根据车道线特征去干扰后的结果，(d)表示车道线检测的最终结果；