一種復(fù)雜路況場景下的車道線檢測方法
【專利摘要】本發(fā)明公開了一種復(fù)雜路況場景下的車道線檢測方法，用于智能車輛獲取道路圖像信息即時進(jìn)行車道線辨識處理，本發(fā)明在獲得路況圖像的邊緣信息之后，首先對邊緣圖像進(jìn)行掃描，同時計算出邊緣像素點連接的方向，從而濾除連接方向異常的噪聲邊緣。本發(fā)明充分利用了車道線的消失點這一特征信息，消失點的位置信息通過投票機(jī)制來獲得，消失點不僅作為濾除干擾線段的約束條件，而且作為車道線擬合的關(guān)鍵參數(shù)。本發(fā)明車道線檢測方法能夠克服樹木的陰影、路面的文字以及行駛車輛等干擾因素的影響，實現(xiàn)各種復(fù)雜環(huán)境下的車道線檢測，具有良好的準(zhǔn)確性和魯棒性。
【專利說明】
一種復(fù)雜路況場景下的車道線檢測方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明涉及機(jī)器視覺以及智能車領(lǐng)域，尤其涉及到復(fù)雜路況場景下的車道線檢測 方法。
【背景技術(shù)】
[0002] 近年來，隨著社會的迅速發(fā)展和汽車保有量的不斷增加，交通安全問題越來越受 到人們的關(guān)注。據(jù)統(tǒng)計，每年大約有30%的交通事故是由于駕駛員的注意力不集中、疲勞駕 駛、車道跑偏等因素造成的。因而，能夠為駕駛員提供危險預(yù)警和輔助駕駛的智能車輛系統(tǒng) 受到了人們的廣泛關(guān)注，車道標(biāo)志線（以下簡稱車道線)檢測作為智能車輛系統(tǒng)的關(guān)鍵技術(shù) 之一，也成為相關(guān)科研機(jī)構(gòu)和汽車生產(chǎn)廠家研發(fā)的熱點。
[0003] 基于視覺的車道線檢測技術(shù)因其提供的信息豐富和花費的成本低廉而被廣泛的 采用?；谝曈X的車道線檢測方法一般可以分為兩類:特征法和模型法。特征法通常是利用 車道線的顏色、寬度或梯度變化等特征信息將車道線從路面區(qū)域提取出來，或者利用路面 的紋理信息結(jié)合區(qū)域增長以及分類的方法來獲得整個道路區(qū)域。文獻(xiàn)l:C.Ma，L.Mao， Y.F.Zhang,et al.,"Lane Detection Using Heuristic Search Methods Based on Color Clusteringin Proc of the IEEE International Conference on Communications,Circuits and Systems(ICCCAS),Chengdu,China,2010,pp?368-372?先 將原始的RGB圖像轉(zhuǎn)換到Lab色彩空間，然后在Lab色彩空間使用聚類算法提取出車道線。與 文獻(xiàn) 1 不同的是，文獻(xiàn) 2:C.D.Cruz, and J.J.Zou, "Lane detection for driver assistance and intelligent vehicle applicationsInternational Symposium on Communications and Information Technologies,Sydney,Australia,2007,pp.1291-1296.利用車道線特定的顏色信息（主要是白色和黃色），首先計算出路況圖像的一個整體 最優(yōu)閾值，然后利用計算出的最優(yōu)閾值對圖像進(jìn)行二值化處理，進(jìn)而提取出車道線。文獻(xiàn)3: G.R.Liu,S.T.Li,and ff.R.Liu,uLane Detection Algorithm based on Local Feature Extractionin Proc of the Chinese Automation Congress(CAC),Changsha,China, 2013，pp. 59-64.則利用車道線的寬度特征信息結(jié)合形態(tài)學(xué)濾波來檢測車道線。由于以上所 提到的方法都利用了車道線的顏色，寬度等低層特征，因而容易受到光照，天氣變化的影 響。只有當(dāng)車道線與路面有較高的對比度時才具有良好的檢測效果。文獻(xiàn)4:Y.Sha， G.Y.Zhang,and Y.Yang,UA road detection algorithm by boosting using feature combination，''IEEE Symposium on Intelligent Vehicles , Istanbul,Turkey, 2007 , pp. 364-368.則利用路面的紋理信息，并結(jié)合區(qū)域增長的方法獲取整個道路區(qū)域。由于該方 法難以提取具有較好可分性的道路特征，因而容易受其它與路面相似的非道路區(qū)域的干 擾，而且提取和分析道路特征需要較大的系統(tǒng)開銷，實時性難以得到保證。
[0004] 模型法是將車道抽象成一個恰當(dāng)?shù)膸缀文Ｐ?，先采用邊緣檢測的方法獲得車道線 或道路的邊緣信息，然后通過隨機(jī)采樣一直算法(RANSAC)，最小二乘法，Hough變換等方法 獲得幾何模型的參數(shù)來擬合相應(yīng)的車道線。文獻(xiàn)5:Q.Chen，and H.Wang，"A Real-time Lane Detection Algorithm Based on a Hyperbola-Pair Model /'Intelligent Vehicles Symposium，Tokyo Japan，2006，pp. 510-515 ?將車道抽象成雙曲線對模型，模型 的擬合依賴于車道線內(nèi)邊界點的準(zhǔn)確位置信息，因而需要道路圖像有清晰的車道線邊界。 由于模型法一般都利用了車道線的邊緣信息，因而路面的陰影、文字和污漬以及路旁車輛 的遮擋等干擾因素的存在會影響車道線邊緣信息的提取，造成最后車道線擬合出現(xiàn)偏差甚 至錯誤。
[0005] 中國專利CN103996030A(申請?zhí)枺?01410223305.9)公開了一種車道線檢測方法。 它包括以下步驟:對采集的路況視頻圖像進(jìn)行邊緣增強(qiáng)處理;對邊緣增強(qiáng)處理后的圖像采 用自適應(yīng)閾值選擇的方法獲得二值化圖像，同時在二值化圖像中提取車道線的內(nèi)側(cè)邊緣 點；對提取的圖像數(shù)據(jù)采用分區(qū)Hough變換擬合車道線。該方法雖然實現(xiàn)了車道線的檢測， 但對于路面有強(qiáng)陰影、文字或路面破損的情況存在一定的缺陷。因為在對路況視頻圖像進(jìn) 行邊緣增強(qiáng)處理的過程中，在增強(qiáng)車道線邊緣的同時也增強(qiáng)了噪聲(包括路面的陰影、文字 等)邊緣，而噪聲邊緣的存在會影響車道線內(nèi)側(cè)邊緣點的提取，導(dǎo)致最后車道線的擬合存在 偏差。
[0006] 中國專利CN103617412A(申請?zhí)枺?01310534595.4)發(fā)明了一種實時的車道線檢測 方法。該方法通過車道線消失點的位置來確定感興趣區(qū)域(R〇I region of interest),去 掉沒有車道線的上半部分圖像，從而縮短了每幀圖像的處理時間。然而，消失點作為車道線 的重要結(jié)構(gòu)特征，僅用于感興趣區(qū)域劃分，顯得有些大材小用。
[0007] 總的來看，結(jié)合現(xiàn)有技術(shù)的不足有以下改善的方向：
[0008] 1)車道線擬合依賴于車道線的邊緣信息。當(dāng)路面有陰影、文字或者路面破損時，提 取的邊緣信息中存在著大量的噪聲邊緣點，會造成最后車道線的擬合出現(xiàn)偏差甚至錯誤。 因此，如何在路況圖像中準(zhǔn)確地提取車道線的邊緣信息是要解決的一個關(guān)鍵問題。
[0009] 2)根據(jù)透視投影的映射規(guī)則和人們的視覺特性，空間內(nèi)的一對平行直線，在觀察 者(或視覺成像設(shè)備)所獲得的圖像平面上所成的像有且僅有一個交點，稱為消失點?，F(xiàn)實 世界中的車道線往往是相互平行的，因此，在道路圖像中車道線會形成一個消失點，它不僅 指示著車道線的延伸方向，而且包含著車道線擬合所需的重要信息。因此，如何確定消失點 的位置信息，并利用消失點來濾除干擾的線段是需要解決的另外一個關(guān)鍵問題。

【發(fā)明內(nèi)容】

[0010] 本發(fā)明旨在克服發(fā)明專利公開號(CN)為103996030A的發(fā)明中當(dāng)路面有強(qiáng)陰影、文 字或路面破損等情況時車道線檢測存在的缺陷，并充分利用發(fā)明專利公開號（CN)為 103617412A的發(fā)明中提到的車道線消失點這一結(jié)構(gòu)特征。提出了一種基于消失點約束的車 道線檢測新方法，該方法能夠適應(yīng)各種復(fù)雜的路況場景。
[0011] 發(fā)明目的是通過以下手段實現(xiàn)的：一種復(fù)雜路況場景下的車道線檢測方法，用于 智能車輛獲取道路圖像信息即時進(jìn)行車道線辨識處理，包換如下的處理步驟：
[0012] (1)感興趣區(qū)域劃分
[0013] 提取道路圖像中包含路面的矩形區(qū)域部分作為車道線檢測的感興趣區(qū)域；
[0014] (2)圖像灰度化處理
[0015] 對路況圖像進(jìn)行灰度化處理，采用以下灰度化的轉(zhuǎn)換模型：
[0016] Gray = R+G-B (1)
[0017 ]其中，R、G、B分別代表RGB圖像的紅、綠、藍(lán)三個分量，其取值范圍為[0,255];
[0018] (3)邊緣信息提取
[0019] 使用Canny邊緣檢測算子提取灰度圖像的邊緣信息；
[0020] (4)噪聲邊緣處理
[0021] 對(3)提取邊緣信息后的圖像進(jìn)行逐行掃描并濾除連接方向異常的噪聲邊緣像 素;其具體步驟如下：
[0022] 1)從圖像底部的中間點開始由中間到兩邊，底端向頂端進(jìn)行掃描，尋找邊緣像素 的起始點；
[0023] 2):找到起始像素點后，在該起始像素點的鄰域內(nèi)掃描;根據(jù)左右車道線邊緣像素 點連接的方向特征，掃描起始像素點八鄰域中的三個；
[0024] 3):將鄰域中掃描到的點與起始點連接，并將該點作為新的起始點，同時記下邊緣 連接點總的數(shù)目；重復(fù)2)，若鄰域內(nèi)沒有邊緣像素點或掃描到圖像的頂端則返回最初的起 始點所在的行，直到掃描結(jié)束;為了避免重復(fù)掃描，將已經(jīng)連接的像素點在原圖像平面內(nèi)做 標(biāo)記；
[0025] 4):計算邊緣像素點連接的方向，該方向為相鄰像素點連線方向的平均值，如果該 方向不在規(guī)定的角度閾值范圍內(nèi)，則認(rèn)為是噪聲邊緣，直接將其濾除；
[0026] (5)線段檢測
[0027]濾除了噪聲邊緣像素之后，保留屬于同一直線的邊緣像素，接著使用改進(jìn)的概率 霍夫變換PPHT檢測邊緣圖像中的直線，左邊部分記為S1，右邊部分記為SR;
[0028] (6)利用消失點濾除干擾線段
[0029] S為PPHT檢測到的線段，其中S = {SL，SR}，IRQI為感興趣區(qū)域，消失點VP(vpx，vp y)的 定義如下：
[0030] VP=F(S,Iroi) (2)
[0031] 函數(shù)F的功能是將檢測到的線段S在IRQI平面內(nèi)延長，并在IRQI平面內(nèi)找出直線相交 次數(shù)最多的像素點，即為消失點；
[0032] 最后利用消失點來篩選出左邊存留的線段和右邊存留的線段，分別記為:<^,灣：
[0033] ^={s：| ||sf-：FP||< (3)
[0034] s^={sf \ ||sj-rp||<(?} (4)
[0035] 其中i = l，2,3."m，m為SL中的線段總數(shù)，]_ = 1，2,3."11，11為5[?中的線段總數(shù)，6為消 失點與線段之間偏移的程度；
[0036] (7)運(yùn)用K-means聚類算法將濾除干擾后的線段進(jìn)行分類
[0037] 在利用消失點去除了干擾的線段之后，左邊存留的線段碎根據(jù)其斜率大小的不同 將其進(jìn)行分類，使用K-means聚類算法將剩余的線段分為兩類，右邊存留的線段衫也使用相 同的方法進(jìn)行分類；
[0038] (8)車道線擬合
[0039]選出步驟(7)中聚類所得的兩類線段中斜率絕對值較大的一類作為確定車道線的 候選線段，最后，由消失點的位置信息VP(vpx，vpy)和候選線段的斜率中心值K擬合出左右車 道線。
[0040]發(fā)明方法的優(yōu)點和積極效果在于：
[00411 1)克服了發(fā)明專利公開號(CN)為103996030A的發(fā)明中存在的缺陷。該發(fā)明首先對 路況圖像進(jìn)行邊緣增強(qiáng)處理來突出車道線的邊緣信息，但是，邊緣增強(qiáng)處理在突出車道線 邊緣信息的同時也增強(qiáng)了噪聲(包括路面的陰影、文字，來往的車輛等)邊緣。而本發(fā)明在獲 得路況圖像的邊緣信息之后，首先對邊緣圖像進(jìn)行掃描，同時計算出邊緣像素點連接的方 向，從而濾除連接方向異常的噪聲邊緣，避免了噪聲邊緣點對車道線擬合的影響，提高了車 道線檢測的魯棒性。
[0042] 2)本發(fā)明充分利用了車道線的消失點這一特征信息。首先通過投票來獲得消失點 的位置信息，簡單易行。此外，在本發(fā)明中，消失點不僅作為濾除干擾線段的約束條件，而且 作為車道線擬合的關(guān)鍵參數(shù)。
[0043] 基于以上原因，本發(fā)明所提出的車道線檢測方法能夠克服樹木的陰影、路面的文 字以及行駛車輛等因素的影響，實現(xiàn)各種復(fù)雜環(huán)境下的車道線檢測，具有良好的準(zhǔn)確性和 魯棒性。
【附圖說明】
[0044] 圖1為本發(fā)明基于消失點約束的車道線檢測算法流程圖。
[0045] 圖2感興趣區(qū)域劃分示意圖。
[0046] 圖3灰度化效果對比圖。
[0047] 圖4 Canny邊緣檢測效果圖。
[0048]圖5邊緣像素掃描方式示意圖。
[0049 ]圖6 (a)邊緣像素點的連接方向估計示圖。
[0050]圖6(b)車道線的方向閾值范圍示意圖。
[00511圖7噪聲邊緣濾除后的效果圖。
[0052] 圖8(a)PPHT線段檢測圖。
[0053]圖8(b)消失點濾除干擾線段的示意圖。
[0054] 圖9 K-means聚類算法流程圖。
[0055]圖10 K-means聚類后的效果圖。
[0056]圖11車道線擬合結(jié)果圖。
[0057]圖12各種復(fù)雜路況場景下車道線檢測的效果圖。
【具體實施方式】
[0058]下面結(jié)合附圖以及具體的路況場景圖對本發(fā)明作進(jìn)一步描述：
[0059]如算法流程圖1所示，本發(fā)明的方法主要分為路況圖像預(yù)處理和車道線檢測兩個 部分。為了克服發(fā)明專利公開號(CN)為103996030A的發(fā)明中存在的缺陷，我們在得到路況 圖像的邊緣信息后，首先對邊緣圖像進(jìn)行掃描，計算邊緣像素點連接的方向，從而濾除噪聲 邊緣。避免了在后續(xù)的處理中因噪聲邊緣的干擾造成車道線擬合不準(zhǔn)確的問題。此外，我們 充分利用了發(fā)明專利公開號(CN)為103617412A的發(fā)明中提到的車道線消失點這一結(jié)構(gòu)特 征，首先通過投票的方法獲得消失點的位置信息，然后利用消失點這一約束條件來濾除干 擾線段，并將消失點的位置信息作為車道線擬合的關(guān)鍵參數(shù)，最終實現(xiàn)車道線的擬合。
[0060] 為了說明本發(fā)明方法的有效性，我們選取加州理工學(xué)院提供的車道數(shù)據(jù)庫中的一 幀路況圖像作為具體的實施例。
[0061] 本發(fā)明所涉及的具體方法包括以下步驟：
[0062] (1)感興趣區(qū)域劃分
[0063]合理地提取感興趣區(qū)域，不僅能夠降低背景圖像對車道線檢測的干擾，而且可以 減少后續(xù)步驟中計算處理所花費的時間，提高算法的實時性。車道線存在于路面區(qū)域，通常 情況下，路面區(qū)域位于道路圖像的中間部分，因此本發(fā)明提取道路圖像中間二分之一的部 分作為車道線檢測的感興趣區(qū)域。具體劃分的感興趣區(qū)域如圖2所示。
[0064] (2)圖像灰度化處理
[0065]路況圖像的顏色信息并非車道線擬合的有用信息，而顏色信息的存在會增加系統(tǒng) 的開銷，因此，我們首先需要對路況圖像進(jìn)行灰度化處理。
[0066]通常RGB圖像灰度化的轉(zhuǎn)換模型為：
[0067] Gray = 0.299*R+0.587*G+0.114*B (1)
[0068]其中，R、G、B分別代表RGB圖像的紅、綠、藍(lán)三個分量，其取值范圍為[0，255]。分析 路況圖像以及路面的車道線，可以發(fā)現(xiàn)，路面一般呈灰黑色，其R、G、B分量特征為VR~Vc~ Vb，而白色車道線的R、G、B分量特征為VR~Vg^Vb~255,黃色車道線的R、G、B分量特征為VR~ Vc~255，￥^〈<255。為了增強(qiáng)車道線與路面的對比度，本發(fā)明采用以下灰度化的轉(zhuǎn)換模型： [0069] Gray = R+G-B (2)
[0070]該方法增強(qiáng)了車道線的特征，從而提高了后續(xù)車道線邊緣信息提取的準(zhǔn)確性。兩 種方法的灰度化效果對比如圖3所示。
[0071] (3)邊緣信息提取
[0072]邊緣信息是用于車道線擬合的關(guān)鍵特征信息，好的邊緣檢測效果對于準(zhǔn)確地檢測 出車道線是至關(guān)重要的。常用的邊緣檢測算法有Roberts算法、Sobel算法、Laplacian算法 和Canny算法等。其中Canny算法具有對邊緣定位準(zhǔn)確，提取的邊緣整齊，而且對于較低的圖 像對比度仍然有良好的檢測效果等優(yōu)點，本發(fā)明使用Canny邊緣檢測算子提取灰度圖像的 邊緣信息。邊緣信息提取后的圖像如圖4所示。
[0073] (4)噪聲邊緣處理
[0074] 在提取了邊緣信息后，對圖像進(jìn)行逐行掃描并濾除連接方向異常的噪聲邊緣像 素。其具體步驟如下：
[0075] Stepl;如圖5所示，從圖像底部的中間點開始由中間到兩邊，底端向頂端進(jìn)行掃 描，尋找邊緣像素的起始點。
[0076] Step2:找到起始像素點后，在該起始像素點的鄰域內(nèi)掃描。根據(jù)左右車道線邊緣 像素點連接的方向特征，只需掃描起始像素點八鄰域中的三個。
[0077] S t e p 3:將鄰域中掃描到的點與起始點連接，并將該點作為新的起始點，同時記下 邊緣連接點總的數(shù)目。重復(fù)step2,若鄰域內(nèi)沒有邊緣像素點或掃描到圖像的頂端則返回最 初的起始點所在的行，直到掃描結(jié)束。為了避免重復(fù)掃描，將已經(jīng)連接的像素點在原圖像平 面內(nèi)做標(biāo)記。
[0078] Step4:計算邊緣像素點連接的方向，該方向為相鄰像素點連線方向的平均值，如 圖6(a)中箭頭方向，如果該方向不在規(guī)定的角度閾值范圍內(nèi)，則認(rèn)為是噪聲邊緣，直接將其 濾除。
[0079] 當(dāng)車輛行駛在車道的中間時，根據(jù)先驗知識，車道線與水平方向會成一定的角度， 本發(fā)明設(shè)定的角度閾值范圍為，左車道線[-15°，_75°]，右車道線[15°，75°]，如圖6(b)所 示。同時，本發(fā)明規(guī)定邊緣連接點的長度閾值為40,即邊緣連接點的總數(shù)小于40的視為噪聲 邊緣直接濾除。噪聲邊緣像素處理后的效果如圖7所示，從圖中可以看出，大量的背景噪聲 邊緣已經(jīng)被濾除。
[0080] (5)線段檢測
[0081] 濾除了噪聲邊緣像素之后，屬于同一直線的邊緣像素將被保留，接著使用改進(jìn)的 概率霍夫變換（PPHT)檢測邊緣圖像中的直線。PPHT檢測到的線段S如圖8(a)所示，分別記 為:左邊紗，右邊S R
[0082] (6)利用消失點濾除干擾線段
[0083]在圖像坐標(biāo)系中，車道線的方向相對比較集中，并且相交于消失點，而干擾線段則 是方向各異的，根據(jù)這一特性，可以利用消失點來移除干擾的線段。
[0084] S為PPHT檢測到的線段，其中S = {SL，SR} I為感興趣區(qū)域，消失點VP(vpx，vpy)的 定義如下：
[0085] VP=F(S,Iroi) (3)
[0086] 函數(shù)F的功能是將檢測到的線段S在Irw平面內(nèi)延長，并在Irw平面內(nèi)找出直線相交 次數(shù)最多的像素點，即為消失點。
[0087] 最后利用消失點來篩選出左邊和右邊的候選線段，分別記為匁，匁
[0088] = {s：f I I! sf- VP I j< (4)
[0089] 衫=付 | 11S?-哎 ||< 的（5)
[0090] 其中i = l，2,3~m，m為紗中的線段總數(shù)。j = l，2,3~n，n為S%的線段總數(shù)，S為消 失點與線段之間偏移的程度（簡稱為偏移度），本發(fā)明中取S的大小為8個像素單位。如圖8 (b)所示，消失點用圓點標(biāo)出，篩選出的候選線段宅和分別位于左右兩側(cè)。
[0091] (7)運(yùn)用K-means聚類算法將濾除干擾后的線段進(jìn)行聚類
[0092] 在利用消失點去除了干擾的線段之后，左邊存留的線段矣根據(jù)其斜率大小的不同 將其進(jìn)行分類，本發(fā)明使用K-means聚類算法(其算法流程圖如圖9所示)將剩余的線段分為 兩類，右邊存留的線段碎也可以使用相同的方法進(jìn)行分類。聚類后的效果如圖10所示。 [0093] (8)車道線擬合
[0094] 由于靠近車輛的左右車道線更有利于確定車輛的行駛區(qū)域，因此，選出步驟(7)中 聚類所得的兩類線段中斜率絕對值較大的一類作為確定車道線的候選線段，即圖10中靠近 道路中央的線段。最后，由消失點的位置信息VP(vp x，vpy)和候選線段的斜率中心值K擬合出 左右車道線。如圖11所示。
[0095] 圖12給出了在各種復(fù)雜的路況場景(包括路面有雜亂的陰影，文字，斑馬線以及行 駛的車輛干擾)下，使用本發(fā)明方法進(jìn)行車道線檢測的效果圖。從圖中可以看到，本發(fā)明提
【主權(quán)項】
1. 一種復(fù)雜路況場景下的車道線檢測方法，用于智能車輛獲取道路圖像信息即時進(jìn)行 車道線辨識處理，包換如下的處理步驟： (1) 感興趣區(qū)域劃分 提取道路圖像中包含路面的矩形區(qū)域部分作為車道線檢測的感興趣區(qū)域； (2) 圖像灰度化處理 對路況圖像進(jìn)行灰度化處理，采用以下灰度化的轉(zhuǎn)換模型： Gray = R+G-B (1) 其中，R、G、B分別代表RGB圖像的紅、綠、藍(lán)三個分量，其取值范圍為[O，255]; (3) 邊緣彳目息提取 使用Canny邊緣檢測算子提取灰度圖像的邊緣信息； (4) 噪聲邊緣處理 對(3)提取邊緣信息后的圖像進(jìn)行逐行掃描并濾除連接方向異常的噪聲邊緣像素；其 具體步驟如下： 1) 從圖像底部的中間點開始由中間到兩邊，底端向頂端進(jìn)行掃描，尋找邊緣像素的起 始點； 2) :找到起始像素點后，在該起始像素點的鄰域內(nèi)掃描;根據(jù)左右車道線邊緣像素點連 接的方向特征，掃描起始像素點八鄰域中的三個； 3) :將鄰域中掃描到的點與起始點連接，并將該點作為新的起始點，同時記下邊緣連接 點總的數(shù)目；重復(fù)2)，若鄰域內(nèi)沒有邊緣像素點或掃描到圖像的頂端則返回最初的起始點 所在的行，直到掃描結(jié)束；為了避免重復(fù)掃描，將已經(jīng)連接的像素點在原圖像平面內(nèi)做標(biāo) 記； 4) :計算邊緣像素點連接的方向，該方向為相鄰像素點連線方向的平均值，如果該方向 不在規(guī)定的角度閾值范圍內(nèi)，則認(rèn)為是噪聲邊緣，直接將其濾除； (5) 線段檢測 濾除了噪聲邊緣像素之后，保留屬于同一直線的邊緣像素，接著使用改進(jìn)的概率霍夫 變換(PPHT)檢測邊緣圖像中的線段，左邊部分記為S1，右邊部分記為Sr ; (6) 利用消失點濾除干擾線段 S為PPHT檢測到的線段，其中S= (S^SrKIrqi為感興趣區(qū)域，消失點VP(vpx，vpy)的定義 如下： VP = F(SJroi) (2) 函數(shù)F的功能是將檢測到的線段S在Irq1平面內(nèi)延長，并在Irq1平面內(nèi)找出直線相交次數(shù) 最多的像素點，即為消失點； 最后利用消失點來篩選出左邊存留的線段和右邊存留的線段，分別記為:碎其中i = 1，2，3···πι，πι為紗中的線段總數(shù)，j = 1，2，3···η，n為Sr*的線段總數(shù)，δ為消失點 與線段之間偏移的程度； (7) 運(yùn)用K-means聚類算法將濾除干擾后的線段進(jìn)行聚類 在利用消失點去除了干擾的線段之后，左邊存留的線段起根據(jù)其斜率大小的不同將其 進(jìn)行分類，使用K-means聚類算法將剩余的線段分為兩類，右邊存留的線段也使用相同的 方法進(jìn)行分類； (8)車道線擬合 選出步驟(7)中聚類所得的兩類線段中斜率絕對值較大的一類作為確定車道線的候選 線段，最后，由消失點的位置信息VP(vpx，vpy)和候選線段的斜率中心值K擬合出左右車道 線。2. 根據(jù)權(quán)利要求1所述的復(fù)雜路況場景下的車道線檢測方法，其特征在于，步驟(2)第4 步設(shè)定的方向角度閾值范圍為:左車道線[-15°，_75°]，右車道線[15°，75°];邊緣連接點數(shù) 的長度閾值為40。3. 根據(jù)權(quán)利要求1所述的復(fù)雜路況場景下的車道線檢測方法，其特征在于，步驟(6)取δ 的大小為8個像素單位。
【文檔編號】G06K9/32GK105893949SQ201610189306
【公開日】2016年8月24日
【申請日】2016年3月29日
【發(fā)明人】侯進(jìn), 侯長征
【申請人】西南交通大學(xué)