一種基于圖像視覺的車道線檢測方法與流程
本發明涉及智能駕駛技術領域，尤其涉及一種基于圖像視覺的車道線檢測方法。
背景技術：
隨著公路交通的飛速發展，交通安全越來越受到人們的廣泛關注，因此智能車輛的研究成為世界各國學者們關注的熱點，其中車道偏離預警系統是高級輔助駕駛系統的一種，該系統可以在探測到車輛出現非主動偏離當前車道時，向駕駛員發出警告信息，以提醒駕駛員及時矯正，很大限度的減少交通事故的發生。
在車道偏離預警系統中，車道線檢測是其中的關鍵技術。通常的車道線檢測方法分為兩步：(1)車道線特征提取，(2)車道線幾何模型的建立與匹配，其中車道線特征提取的精度直接影響下一步車道線幾何模型的擬合與匹配，因此車道線特征提取是最為關鍵的步驟。車道線特征提取的目的是最大限度地保留可能的車道區域，并濾除掉可能的非車道區域。傳統的區域分割主要采用閾值分割、Sobel算子或Canny算子來實現，其中針對亮度環境復雜的情形，自適應閾值或大津法都無法有效的進行分割；而通用的Sobel和Canny差分算子在實現邊緣分割時，僅僅依靠鄰域模板，沒有考慮車道線的寬度、方向等幾何特征，不僅增強了車道線信息，同時其它無用信息如車輛、行人、車道標識也被增強，從而可能導致車道線信息被淹沒。在車道線幾何模型擬合與匹配時，Hough變換(哈夫變換)也是廣泛應用的方法之一，該方法魯棒性強，但需要大量的計算量和存儲空間，速度較慢。因此，如何設計高效準確的車道線特征提取和幾何模型擬合與匹配算法是目前仍然需要解決的問題。
技術實現要素：
本發明所要解決的技術問題是，提供一種基于圖像視覺的車道線檢測技術方案，克服在車道線特征提取中，利用傳統邊緣檢測方法而產生的邊緣過度分割或者邊緣相應不強，而使車道線邊緣信息淹沒在車道標識、車輛、行人等干擾信息等缺陷，有效地濾除圖像中非車道線區域的干擾，降低運算量，提高車道線參數的精確度和提取速度，增強系統的魯棒性。
為解決以上技術問題，本發明實施例提供一種基于圖像視覺的車道線檢測方法，包括：
采集待檢測圖像，并對待檢測圖像進行預處理；
基于車道線幾何特征和灰度差異進行車道線特征提取，篩選出車道線區域；
對所述車道線區域進行采樣，采用隨機抽樣一致算法對采集數據進行直線擬合，計算出車道線參數。
在一種可實現的方式中，所述對待檢測圖像進行預處理，包括：
在所述待檢測圖像上設定ROI區域；所述ROI區域包含車輛前方與道路消失水平面之間的道路圖像；
對ROI區域的圖像進行灰度化處理；
對灰度圖像進行中值濾波處理，去除圖像采集與傳輸過程中的噪聲。
優選地，所述基于車道線幾何特征和灰度差異進行車道線特征提取，篩選出車道線區域，具體包括：
根據車道線的寬度約束關系與灰度差異對所述ROI區域的車道線進行標記，并對標記后的ROI區域進行圖像二值化處理；
對圖像二值化處理后的車道線區域的連通性進行分析，并根據車道線區域的幾何特征對車道線進行篩選，獲得目標的車道線區域；所述幾何特征包括車道線的方向、長度、寬度和連通域面積。
進一步地，所述根據車道線的寬度約束關系與灰度差異對所述ROI區域的車道線進行標記，并對標記后的ROI區域進行圖像二值化處理，具體包括：
從ROI區域首行開始遍歷ROI圖像，分別計算出車道線的寬度、兩邊區域的灰度值、中間區域的灰度值以及兩邊區域的灰度差之和；
當車道線的兩邊區域的灰度值均小于中間區域的灰度值，并且車道線寬度以及兩邊區域的灰度差之和在指定閾值范圍內時，對ROI區域內的車道線進行標記；
對標記后的ROI區域進行圖像二值化處理。
進一步地，所述對圖像二值化處理后的車道線區域的連通性進行分析，并根據車道線區域的幾何特征對車道線進行篩選，獲得目標的車道線區域，具體包括：
對圖像二值化處理后的ROI區域進行掃描，查找出所有被標記的車道線的連通區域并計算每個連通區域的面積；
依次計算出所有連通區域的最小外包絡矩形的形狀描述子及其幾何特征；
根據對目標的車道線區域的幾何特征的約束值，對ROI區域的車道線進行篩選，保留符合約束范圍的車道線區域。
優選地，對所述車道線區域進行采樣，采用隨機抽樣一致算法對采集數據進行直線擬合，計算出車道線參數，包括：
以ROI區域的中心點為起始點，分別從左右兩個方向進行車道線所屬點集進行掃描；
對掃描獲得的點集，采用隨機抽樣一致算法進行直線擬合，提取出ROI區域內的車道線參數。
優選地，所述以ROI區域的中心點為起始點，分別從左右兩個方向進行車道線所屬點集進行掃描，包括：
掃描以ROI區域的圖像中心點所在的橫坐標為起點；
每行向左掃描到的第一個灰度值為255的坐標作為左車道線待擬合點集，并結束該行掃描；每行向右掃描到的第一個灰度值為255的坐標作為右車道線待擬合點集，并結束該行掃描；其中，圖像二值化后的ROI區域圖像的車道線區域的所有坐標灰度值均為255，非車道線區域的所有坐標灰度值均為0。
優選地，所述對掃描獲得的點集，采用隨機抽樣一致算法進行直線擬合，提取出ROI區域內的車道線參數，包括：
將掃描獲得的車道線區域的所有點集構成集合P，在集合P中隨機抽取2個特征點構成集合S，并用S初始化車道線直線模型y＝krx+br，其中，kr、br分別為根據隨機抽取的2個特征點對直線模型進行初始化得到的斜率和截距；
計算余集Sc中的點與車道線直線模型y＝krx+br的距離d；集合Sc是集合S在集合P中的余集；
將距離d小于閾值容限di余集Sc中相應的點構成集合Q，集合Q與集合S構成內點集S*；
若內點集S*中的點的個數大于最小內點數量t，則利用內點集S*中的點和采用最小二乘法對所述車道線直線模型y＝krx+br進行更新，并存儲該模型參數；
若所述車道線直線模型y＝krx+br已經更新，或者，內點集S*中的點的個數不大于最小內點數量t，則在集合P中重新隨機抽取2個特征點構成集合S對車道線直線模型y＝krx+br進行初始化，重復以上步驟進行多次抽樣；
在完成多次抽樣后，選取內點個數最多的內點集S*的特征點計算出的車道線參數作為最終的車道線參數。
本發明實施例提供的基于圖像視覺的車道線檢測方法，根據預設的車道線寬度與灰度差分閾值實現車道線區域的初始提取，最大限度地保持了車道線區域；對圖像中所有的連通域進行分析，結合車道線的幾何特征進一步對車道線區域進行篩選，可以有效地濾除圖像中非車道線區域的干擾，完成車道線特征的提取，為車道線參數的準確提取奠定了基礎；由于本發明綜合考慮了車道線的灰度特征和幾何特征，因此無論是白天還是夜晚都能對車道線邊緣進行準確分割。因此，本發明提供的技術方案大大降低了運算量，提高了計算速度，準確高，魯棒性強。
附圖說明
圖1是本發明提供的基于圖像視覺的車道線檢測方法的一個實施例的步驟流程圖。
圖2是本發明提供的對ROI區域進行標記和二值化處理的一種實施例的步驟流程圖。
圖3是本發明提供的對圖像二值化處理后的車道線區域的連通性進行分析和篩選的一個實施例的步驟流程圖。
圖4是本發明提供的對圖像二值化處理后的車道線區域的連通性進行分析和篩選的結果示意圖。
圖5是本發明提供的采用隨機抽樣一致算法獲得車道線參數的一個實施例的步驟流程圖。
具體實施方式
下面將結合本發明實施例中的附圖，對本發明實施例中的技術方案進行清楚、完整地描述。
參見圖1，是本發明提供的基于圖像視覺的車道線檢測方法的一個實施例的步驟流程圖。
本實施例提供的基于圖像視覺的車道線檢測方法，主要包括以下步驟：
步驟S1：采集待檢測圖像，并對待檢測圖像進行預處理。
具體實施時，利用安裝在車輛前部區域(例如后視鏡下方)的攝像頭，可以采集車輛前方含有車道線的當前幀圖像；圖像預處理的主要目的是消除圖像采樣噪聲、陰影、天空等干擾物的影響，最大化保留車道線區域。
優選地，所述對待檢測圖像進行預處理，包括：
a.在所述待檢測圖像上設定ROI區域；所述ROI區域包含車輛前方與道路消失水平面之間的道路圖像。
ROI(Region Of Interest)又稱為感興趣區域。在圖像處理領域，感興趣區域(ROI)是從圖像中選擇的一個圖像區域，這個區域是圖像分析所關注的重點。在本實施例中，選取的ROI區域主要是車輛引擎蓋上部與道路消失水平面之間的道路圖像，主要集中在圖像的下部。通過選取ROI區域，可以加快圖像處理速度，同時避免周圍環境的干擾。在本實施例中，以下所有算法都是在ROI區域進行的，并且，ROI區域大小優選為320×240像素。
b.對ROI區域的圖像進行灰度化處理。灰度化處理可以過濾一些減少數據處理量，從而可以進一步加快圖像處理速度。
c.對灰度圖像進行中值濾波處理，去除圖像采集與傳輸過程中的噪聲，從而保證數據的準確度。
步驟S2：基于車道線幾何特征和灰度差異進行車道線特征提取，篩選出車道線區域。
在一種可實現的方式中，所述步驟S2具體包括以下兩個部分：
步驟S21：根據車道線的寬度約束關系與灰度差異對所述ROI區域的車道線進行標記，并對標記后的ROI區域進行圖像二值化處理；
步驟S22：對圖像二值化處理后的車道線區域的連通性進行分析，并根據車道線區域的幾何特征對車道線進行篩選，獲得目標的車道線區域；所述幾何特征包括但不限于車道線的方向、長度、寬度和連通域面積。
作為車道線特征提取階段，首先基于車道線的寬度約束關系與灰度差異特征對車道線進行初始標記，標記出所有可能是車道線的區域；然后基于車道線區域的幾何特征對車道線進行篩選，保留最強車道線的區域，該階段主要消除其他非車道線區域的干擾，如：箭頭、并線、人行道、車道提示字符等。
步驟S3：對所述車道線區域進行采樣，采用隨機抽樣一致算法對采集數據進行直線擬合，計算出車道線參數。
參看圖2，是本發明提供的對ROI區域進行標記和二值化處理的一種實施例的步驟流程圖。
在本實施例中，在對ROI區域的車道線進行標記和圖像二值化處理時，從ROI區域首行開始遍歷ROI圖像，分別計算出車道線的寬度、兩邊區域的灰度值、中間區域的灰度值以及兩邊區域的灰度差之和；當車道線的兩邊區域的灰度值均小于中間區域的灰度值，并且車道線寬度以及兩邊區域的灰度差之和在指定閾值范圍內時，對ROI區域內的車道線進行標記；對標記后的ROI區域進行圖像二值化處理。
具體地，如圖2所示，所述步驟S21可以采用以下方式進行實現：
步驟S211：對ROI區域進行遍歷，分別計算出車道線的寬度、兩邊區域的灰度值、中間區域的灰度值以及兩邊區域的灰度差之和。
具體地，采用以下方程分別計算出車道線相應的特征：
diff_L＝I(x,y)-I(x-δ,y) (1)
diff_R＝I(x,y)-I(x+δ,y) (2)
diff＝diff_L+diff_R-|(I(x+δ,y)-I(x-δ,y))| (3)
diff_Thresh＝θ*I(x,y) (4)
其中，式中I(x,y)為標記前圖像在坐標(x,y)處的灰度值，I(x-δ,y)為標記前圖像在坐標(x-δ,y)處的灰度值；diff_L為標記前圖像在坐標(x,y)的灰度值與左側一定距離的灰度值之差；I(x+δ,y)為標記前圖像在坐標(x+δ,y)處的灰度值，diff_R為標記前圖像在坐標(x,y)的灰度值與右側一定距離的灰度值之差；diff表示標記前圖像在坐標(x,y)左側一定距離的灰度差與右側一定距離的灰度差之和；diff_Thresh表示灰度差之和的閾值；θ為比例縮放系數，取值范圍為0<θ<1的小數，需要根據大量的樣本圖像數據統計計算后獲得，一般取值0.25～0.75之間，本實施例優選為0.5；δy為當前像素點(x,y)所在的第y行的車道線寬度，以像素為單位，其計算方程為：
由于透視效果，具有一定寬度的車道線在圖像中呈現近大遠小的視覺效果，因此，式(5)中min與max分別為整條車道線寬度的最大與最小值，height是圖像的高度，均以像素為單位，ε為誤差增益，其主要目的是為了減少噪聲的干擾，一般取值為5。其中最小值min和最大值max需要根據圖像的尺寸和攝像頭的固定位置進行調整，本實施例中優選將min取值為0，max取值13。
步驟S212：逐一判斷當前像素是否符合標記條件。
根據車道線的寬度約束，充分考慮圖像中每一行車道線與非車道線區域的灰度差異，標記出所有可能的車道線區域。只有在車道線寬度范圍內，兩邊區域的灰度值同時小于中間區域的灰度值，并且兩邊區域的灰度差之和在指定閾值范圍內的區域才被標記為可能的車道線區域。即，當diff_L>0，且，diff_R>0，且，diff大于灰度差之和的閾值diff_Thresh，當前像素會被劃入車道線的區域。
步驟S213：對ROI區域進行二值化處理：
其中，G(x,y)為標記后圖像在(x,y)處的灰度值。步驟S214：判斷當前ROI區域的所有像素是否遍歷完成，若否，則返回步驟S211進行計算。
在一種可實現的方式中，所述步驟S22，在對圖像二值化處理后的車道線區域的連通性進行分析和篩選時，首先對圖像二值化處理后的ROI區域進行掃描，查找出所有被標記的車道線的連通區域并計算每個連通區域的面積；然后，依次計算出所有連通區域的最小外包絡矩形的形狀描述子及其幾何特征；最后，根據對目標的車道線區域的幾何特征的約束值，對ROI區域的車道線進行篩選，保留符合約束范圍的車道線區域，作為目標的車道線。
具體地，參看圖3，是本發明提供的對圖像二值化處理后的車道線區域的連通性進行分析和篩選的一個實施例的步驟流程圖。
步驟S221：計算出當前被標記的車道線的連通區域的面積contourArea。
其中，連通區域又簡稱為連通域，在本實施例中是指二值圖像中由一批連通的像素點集構成的形狀。
步驟S222：將當前被標記的車道線的連通區域的面積contourArea與預設的面積閾值minSize進行比較。若當某個連通區域的面積contourArea小于所設定的閾值minSize時，則刪除該區域的點集，否則執行步驟S223。其中，閾值minSize的取值范圍根據圖像的尺寸進行調整。
在本實施例中，閾值minSize的取值優選為圖像的高度與寬度的乘積的0.00015倍，經過此步驟可以去掉了一些小區域噪聲的影響。
步驟S223：檢測獲得連通區域的最小外包絡矩形，并計算出其面積minAreaRect。
在本實施例中，最小外包絡矩形作為車道線的形狀描述子，其表示場景中的某個物體(車道線)，為了描述和識別該物體，需要通過某些幾何特征描述其形狀，該幾何特征就是形狀描述子。現有的形狀描述子包括但不限于最小外接圓、最小外包絡矩形等。
步驟S224：計算該連通區域的最小外包絡矩形的幾何特征，包括該最小外包絡矩形的長度、寬度和旋轉角度(即方向)。
步驟S225：將該連通區域的最小外包絡矩形的長度與長度閾值進行比較。當最小外包絡矩形的長(bounding_length)滿足bounding_length>longLane時，直接保留該連通區域的點集，其中longLane為最小外包絡矩形長的閾值，本實施例中閾值longLane取值為圖像高height的0.3倍。
步驟S226：檢測該連通區域的最小外包絡矩形的旋轉角度所處的角度范圍，當最小外包絡矩形的旋轉角度angle_deg滿足-70°<angle_deg<-10°或者10°<angle_deg<70°時，進一步通過步驟S227對最小外包絡矩形的長度和寬度進行檢測。
步驟S227：當該最小外包絡矩形的長度bounding_length與寬度bounding_width的比值ratio＝bounding_length/bounding_width≥4時，直接保留該連通區域點集；若比值ratio＝bounding_length/bounding_width≥2并且連通區域面積contourArea與最小外包絡矩形的面積minAreaRect的比值大于0.75時，同樣保留該連通區域點集。此過程的篩選既滿足車道線的角度要求，又兼顧了車道線是實線、虛線、斷裂的現象。
參看圖4，是本發明提供的對圖像二值化處理后的車道線區域的連通性進行分析和篩選的結果示意圖。其中，圖4a是車道線被初次標記之后的二值化圖像；圖4b是車道線的連通域的區域圖像；圖4c是連通域的最小外包絡矩形形狀；圖4d是對ROI車線連通域進行篩選后獲得的目標車道線，可以看出，實施上述過程的篩選后，本發明實施例可以準確保留少量的車道線信息。
在本實施例中，完成對當前幀ROI區域的車道線標記與篩選之后，分別對左右車道線區域的點集應用RANSAC算法進行直線模型的車道線參數提取。
RANSAC是Random Sample Consensus(隨機抽樣一致)的簡稱，運用RANSAC的思想，可以根據一組包含異常數據的樣本數據集，通過迭代的方法計算出數據的數學模型參數，得到有效樣本數據的非確定性的算法。
參看圖5，是本發明提供的采用隨機抽樣一致算法獲得車道線參數的一個實施例的步驟流程圖。
在本實施例中，對所述車道線區域進行采樣，采用隨機抽樣一致算法對采集數據進行直線擬合，計算出車道線參數，包括：
步驟S51：以ROI區域的中心點為起始點，分別從左右兩個方向進行車道線所屬點集進行掃描；
步驟S52：對掃描獲得的點集，采用隨機抽樣一致算法進行直線擬合，提取出ROI區域內的車道線參數。
其中，所述以ROI區域的中心點為起始點，分別從左右兩個方向進行車道線所屬點集進行掃描，包括：
掃描以ROI區域的圖像中心點所在的橫坐標為起點；每行向左掃描到的第一個灰度值為255(即數字圖像中的白點)的坐標作為左車道線待擬合點集Pl，并結束該行掃描；每行向右掃描到的第一個灰度值為255的坐標作為右車道線待擬合點集Pr，并結束該行掃描；其中，圖像二值化后的ROI區域圖像的車道線區域的所有坐標灰度值均為255，非車道線區域的所有坐標灰度值均為0(即數字圖像中的黑點)。需要說明的是，本發明還可以采用其它灰度值進行車道線的擬合，僅需將車道線區域和非車道線區域進行區分即可。以此方法得到的都是車道上距車輛最近的內側點，不會因為車道線寬度而產生抖動，而且避免了對全圖進行掃描，提高了效率。
其中，所述S52可以采用以下方式進行實現，包括：
步驟S521：將掃描獲得的車道線區域的所有點集構成集合P(即左車道線待擬合點集Pl和右車道線待擬合點集Pr)
步驟S522：在集合P中隨機抽取2個特征點構成集合S，并用S初始化車道線直線模型y＝krx+br，其中，kr、br分別為根據隨機抽取的2個特征點對直線模型進行初始化得到的斜率和截距；
步驟S523：計算余集Sc中的點與車道線直線模型y＝krx+br的距離d；集合Sc是集合S在集合P中的余集；
步驟S524：判斷距離d與閾值容限di的大小；
步驟S525：將距離d小于閾值容限di余集Sc中相應的點構成集合Q，集合Q與集合S構成內點集S*；
步驟S526：將內點集S*中的點的個數與最小內點數量t進行比較。若內點集S*中的點的個數大于最小內點數量t，則執行步驟S527；
步驟S527：利用內點集S*中的點和采用最小二乘法對所述車道線直線模型y＝krx+br進行更新，并存儲該模型參數；
若所述車道線直線模型y＝krx+br已經更新，或者，內點集S*中的點的個數不大于最小內點數量t，則返回步驟S522，在集合P中重新隨機抽取2個特征點構成集合S對車道線直線模型y＝krx+br進行初始化；
步驟S528：重復以上步驟S522～步驟S527進行多次抽樣；
步驟S529：在完成多次抽樣后，選取內點個數最多的內點集S*的特征點計算出的車道線參數作為最終的車道線參數。具體地，完成K次抽樣后，選取內點個數最多的S*內點集合計算出的車道線參數作為最終(左或右)車道線參數。其中K為抽樣次數，其值主要取決于步驟S522中隨機抽取的2個特征點之間的相關性。一般在已知先驗概率的情況下，K由計算統計均值獲得，本發明中K優選為50。
本發明實施例提供的基于圖像視覺的車道線檢測方法，根據預設的車道線寬度與灰度差分閾值實現車道線區域的初始提取，最大限度地保持了車道線區域；對圖像中所有的連通域進行分析，結合車道線的幾何特征進一步對車道線區域進行篩選，可以有效地濾除圖像中非車道線區域的干擾，完成車道線特征的提取，為車道線參數的準確提取奠定了基礎；由于本發明綜合考慮了車道線的灰度特征和幾何特征，因此無論是白天還是夜晚都能對車道線邊緣進行準確分割。因此，本發明提供的技術方案大大降低了運算量，提高了計算速度，準確高，魯棒性強。
以上所述是本發明的優選實施方式，應當指出，對于本技術領域的普通技術人員來說，在不脫離本發明原理的前提下，還可以做出若干改進和潤飾，這些改進和潤飾也視為本發明的保護范圍。
- 還沒有人留言評論。精彩留言會獲得點贊！