[发明专利]一种基于道路特征信息的车道结构化解析方法

说明书

本发明公开了一种基于道路特征信息的车道结构化解析方法，包括如下步骤：S1：捕获车道图像；S2：对所捕获的车道图像进行边缘检测；S3：对边缘图像中感兴趣区域的所有点，在原图像的灰度图中计算梯度，以得到边缘点梯度统计直方图；S4：对图像进行Hough变换；S5：最大值抑制；S6：对优选Hough候选点进行动态规划以得到车道线。本发明的方法能够大幅降低算法的时间和空间复杂度，提高检测效率，并且能够定位道路上的所有车道，为动态执法提供结构化的道路信息。

技术领域

本发明是关于图像处理技术领域，特别是关于一种基于道路特征信息的车道结构化解析方法。

背景技术

目前道路执法的视觉监控系统中，从静态摄像头中抽取语义信息的自动化程度较高，往往能自动识别产记录违规违法行为；但是架设在执法车上的动态摄像头，其信息处理和自动化程度还较低，无法自动识别违规违法行为，甚至还无法准确解析道路结构。解析道路结构是自动化动态执法的基础和关键。尤其在高速道路上，识别出快车道和慢车道、路肩，随机动态执法，可以提高高速道路的通行效率，消除安全隐患。而且，道路结构化解析，也是无人驾驶、辅助行驶、自主导航等智能系统至关重要的基础技术。

近几十年来，各国的研究者提出了各种各样自顶向下、自底向上的人工设计算法，抽取道路特征解析道路，但是难于普适多种道路，而且往往侧重于当前车辆两侧的两条车道线。这其中最为经典的方法是基于Hough变换检测车道，但是计算速度低，因此Satzoda等提出利用多层次Hough变换来提高计算速度，Katru等采用分支、合并的并行方法提高计算速度。另一方面， Wang等提出基于B-snake的车道模型以描述更广泛的车道结构，Jung等提出近场采用线性函数、远场采用二次函数的抛物线车道模型，Bertozzi等采用附加非线性项的扩展双曲线来处理直线和曲线之间的过渡。另一方面，近十年来，深度学习的迅猛发展，迅速出现了lanenet、3D-LaneNet、LaneNet+H-Net、 LineNet、SCNN、UPSNet等等准确自动化解析道路的网络，往往能够结构化解析道路上的全部车道，但是计算设备复杂、昂贵，并不适合架设在车上。

传统的车道检测方法，往往把图像空间的边缘线经Hough变换到ρ-θ空间，根据车道线总是长线的特点定位到累加值比较大的候选点，再回到图像空间筛选候选线段。这种思路具有以下缺点：①需要把图像空间边缘上的所有点都要投影到离散的ρ-θ空间，然后对ρ-θ空间的每个点都要筛选，最后对每条候选线段要再次筛选，流程长，算法复杂，时间和空间复杂度都很高；②得到的ρ-θ空间候选点并不与道路线一一对应，而是零散、重复甚至包含不相关的线段，导致后面在图像空间筛选候选线段的处理比较复杂。检测结果不准确。因此Ding等采用增强RANSAC来进行线段筛选。事实上，图像空间边缘点上就有梯度信息，对此梯度计算直方图，长线总是峰值，而且此直方图比Hough 变换后的ρ-θ空间更直观。但是此直方图综合了整个图像各个位置相同角度线段的梯度，并不能独立筛选出车道线。而Hough变换后的ρ-θ空间中有距离ρ变量，因此能够将各个直线区分开来。如果结合这两种信息，就可以简化ρ-θ空间和直线段的筛选步骤，简化算法，提升检测效果。

公开于该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。

发明内容

本发明的目的在于提供一种基于道路特征信息的车道结构化解析方法，其能够克服现有技术的缺点。

为实现上述目的，本发明提供了一种基于道路特征信息的车道结构化解析方法，其特征在于，基于道路特征信息的车道结构化解析方法包括如下步骤：

S1：捕获车道图像；

S2：对所捕获的车道图像进行边缘检测；

S3：对感兴趣区域中的所有点，在原图像的灰度图中计算梯度，以得到边缘点梯度统计直方图；

S4：对图像进行Hough变换；