[发明专利]基于阈值自适应二值化和连通域分析的车道线检测方法

说明书

本发明公开了一种基于阈值自适应二值化和连通域分析的车道线检测方法，所述方法包括：利用摄像机的几何信息，将采集到的图像分为道路部分和非道路部分；将彩色的道路图像通过自适应的二值化阈值转化成二值图像；对二值图像进行连通域分析，排除其他因素的干扰，检测出正确的车道线；利用连通域的几何矩拟合出直线用来表示车道线。本发明利用车道线像素在灰度图像中占有固定比例的特征实现了阈值自适应二值化，并根据车道线部分的连通域所具有的特征设计了一种连通域的筛选方法，在保证速度的前提下很大地提高了车道线检测的准确率。

技术领域

本发明涉及车道线检测领域，尤其涉及一种基于阈值自适应二值化和连通域分析的车道线检测方法。

背景技术

车道线检测是一种为了实现车辆辅助驾驶算法而对车道线进行定位的基本任务。车道线检测大致可以分成特征检测和特征细化两个部分。边缘是在车道表示和检测中应用最广泛的特征之一，现有的开源算法中较为常用的有通过检测具有强梯度幅值的像素来实现的Canny算法，还有利用梯度方向信息提取边缘特征的可引导高斯滤波器。然而这些方法中用于确定边缘的阈值是需要经过手动设置的常数，这使得这些算法并不完全适用于动态变化的交通场景。

而对于边缘特征的细化，过去较为常用的算法有阈值分割和高斯滤波器等经典的图像处理算法，这些方法需要手动设置阈值，并没有充分利用车道线的空间特征，而且并不能有效地去除路面的阴影、标识等噪声的影响。

后来有人提出了利用车道线是平行的这一空间特征，将道路图像转换为鸟瞰视角再进行筛选来消除噪声。但这一方法需要建立在道路是完全平坦的情况下，否则车道边界有可能被映射为非平行线。

发明内容

本发明提供了一种基于阈值自适应二值化和连通域分析的车道线检测方法，本发明利用车道线像素在灰度图像中占有固定比例的特征实现了阈值自适应二值化，并根据车道线部分的连通域所具有的特征设计了一种连通域的筛选方法，在保证速度的前提下很大地提高了车道线检测的准确率，详见下文描述：

一种基于阈值自适应二值化和连通域分析的车道线检测方法，所述方法包括：

利用摄像机的几何信息，将采集到的图像分为道路部分和非道路部分；将彩色的道路图像通过自适应的二值化阈值转化成二值图像；

对二值图像进行连通域分析，排除其他因素的干扰，检测出正确的车道线；利用连通域的几何矩拟合出直线用来表示车道线。

进一步地，所述将彩色的道路图像通过自适应的二值化阈值转化成二值图像具体为：

使用一个循环结构，令灰度级从255向0开始递减，依次累加各灰度级在灰度直方图中所占的比例，当总比例超过预设值时停止循环，此时的灰度值就是对当前图像进行二值化的最佳阈值；

用计算出的最佳二值化阈值对ROI区域进行二值化。

其中，所述对二值图像进行连通域分析具体为：根据连通域的属性对连通域进行筛选。

进一步，所述根据连通域的属性对连通域进行筛选具体为：

1)根据每个连通域所包含的像素个数area，筛选掉像素个数过少的连通域；

2)计算边框的高度和宽度的比值h/w、以及连通域的像素个数占边框所包含的总像素个数的比值；

3)根据连通域横坐标中点来区分连通域是否出现在图像的中部区域；

4)如果连通域出现在图像的中部区域，判断边框的宽度w是否小于阈值以及高度与宽度的比值h/w是否大于阈值；

5)如果连通域出现在图像的两旁，判断area/(h*w)的比值是否小于阈值；

6)将图像中的每一个连通域都按照上述步骤2)至5)的顺序进行处理，完成后保留下的连通域就是车道线部分。