[发明专利]高级驾驶员辅助系统和方法

说明书

本发明涉及一种用于车辆的高级驾驶员辅助系统(100)，所述高级驾驶员辅助系统(100)用于检测在所述车辆前方道路的透视图像中的车道标记，所述透视图像定义了消失点。所述高级驾驶员辅助系统(100)包括：特征提取单元(101)，用于从所述透视图像中提取多个特征(尤其是车道标记)，用于生成特征坐标组(尤其是车道标记坐标)，其中所述特征坐标组定义了在所述透视图像中多个特征的各自位置；处理单元(109)，用于：生成多个特征坐标对，其中每个特征坐标对定义一条直线；基于所述多个特征坐标对的子集估计车道曲率，其中对于所述多个特征坐标对的所述子集的每个特征坐标对，所述特征坐标对定义的直线与所述透视图像的预定义的目标部分相交，所述预定义的目标部分包括所述消失点的多个可能位置。

技术领域

本发明涉及图像处理和分析领域。更为具体地，本发明涉及用于根据道路的车道标记的图像估计车道曲率的高级驾驶员辅助系统。

背景技术

高级驾驶员辅助系统(Advanced driver assistance system，简称ADAS)既在危险情况中警示驾驶员又积极参与驾驶，将逐渐被置入车辆中。在不久的将来，这些系统会变得越来越复杂，走向完全自主。开发此类系统的主要挑战之一就是给ADAS提供道路和车道感知能力。

道路颜色和纹理，道路边界以及车道标记都是人类驾驶的主要感知线索。半自主和全自主车辆想和人类驾驶员共享道路，因此很可能继续像人类一样取决于相同的感知线索。虽然，原则上讲，对于人类驾驶员和车辆，可能存在不同的基础设施线索(如针对人类的车道标记以及针对车辆的车辆与基础设施通信的一些形式)，但是期望巨额投资建造和维持这种双重基础设施是不现实的，因为不匹配的标记会带来相关风险。因此，通过传统线索感知道路和车道仍然是自主驾驶最可能的途径。

道路和车道理解包括在城市、农村和高速场景中检测道路的宽度，车道的数量和位置，车道和道路的汇合处、分裂处和终点。虽然近几年取得了很大的进展，但是这种理解超出了现有的感知系统的能力范围。

存在几种用于道路和车道理解的传感模态，包括视觉(即一个摄影机)、立体音响、LIDAR、从汽车里程计获得的车辆动力学信息或使用全球定位系统(Global PositioningSystem，简称GPS)和数字地图获得的带有全球定位信息的惯性测量单元(InertialMeasurement Unit，简称IMU)。基于车道标记为人类视觉而制作这一事实，视觉在车道和道路检测中是最突出的研究领域，而LIDAR和全球定位是重要补充。

一般而言，在ADAS中车道和道路检测包括从图像中提取低层特征(也称为“特征提取”)。对于道路检测，这些通常包括颜色和纹理统计，允许道路分割、道路补丁胶带分类或路缘检测。对于车道检测，收集车道标记的证据，例如以特征坐标的形式，即潜在车道标记坐标。特征提取阶段提供的特征坐标组(即车道候选坐标)，通常包括一些离群值，即车道候选坐标。为了估计车道曲率的最终目的，通常将线路拟合到所述特征坐标组上，任务是找到特征坐标组，该特征坐标组极有可能支持所述图像上的所述车道标记对应的线路模型。

对于线路拟合，通常采用一种被称为RANSAC的流行方法，该方法最初见于MartinA.Fischler和Robert C.Bolles，“随机抽样一致性：模型拟合应用于图像分析和自动制图中的应用范例”，ACM通信，24(6)：381–395，1981。RANSAC的计算成本与迭代次数成比例，迭代次数是在找到足够好的模型之前选择的假设集的数量。这通常不足以应用于实时应用程序，如ADAS。