本發(fā)明屬于計算機視覺和智能駕駛環(huán)境感知技術(shù)領域，特別涉及一種基于視覺的車道線特征提取方法。

背景技術(shù)：

車道線是道路場景中最基本的標志元素，在道路交通系統(tǒng)中起著重要地作用，它不僅約束了車輛運行中的橫向位置，而且指示了道路的延伸方向，決定了車輛正確運行的軌跡。因此，無論是在車道偏離預警(lanedeparturewarning，ldw)、車道保持(lanekeepingassistance，lka)，自適應巡航(adaptivecruisecontrol，acc)等低級別的駕駛輔助系統(tǒng)還是在高級別的自動駕駛和無人駕駛，車道線識別都是必不可少的基礎功能模塊。

現(xiàn)有的車道線識別方法大都已以邊界作為車道特征，為了剔除圖像中其他干擾邊界，往往利用車道寬度及角度等車道模型先驗知識進行篩選。由于邊界特征維度較低(只是二維特征)，因此辨識率較低。當?shù)缆房諘鐣r，現(xiàn)有的車道線識別方法可以達到不錯的識別效果，而當圖像場景中存在大量其他車輛干擾時則很難獲得可靠的特征提取。為了提高車道線特征提取的精度，一方面要拓展車道標志特征描述的維度，另一方面在拓展特征描述維度的同時應當盡量選擇能夠增大車道標志與非車道標志類間差的特征元素。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的是：為解決車道線識別過程中，車道特征信息維度低，且容易受道路環(huán)境干擾造成提取精度差的問題，提供一種具有較強抗干擾能力的車道線識別方法。

本發(fā)明的技術(shù)方案是：一種基于視覺關聯(lián)雙空間的車道線特征提取方法，包括以下步驟：

s1.通過攝像頭獲取原始圖像，定義攝像頭視角為cv-視角，獲取cv-視角roi的二值圖像ic；

s2.分析提取二值圖像ic內(nèi)的斑塊，即blobs特征；

s3.對二值圖像ic進行逆透視變換獲得俯視視角，即bv-視角下的二值圖像ib；

s4.分析提取二值圖像ib內(nèi)的blobs特征；

s5.將二值圖像ib、ic內(nèi)的blobs配對，獲得雙空間關聯(lián)blobs特征對；

s6.對雙空間關聯(lián)blobs特征對進行特征提取建立多維特征描述子，并根據(jù)各描述特征建立分類決策點；

s7.利用部分或全部分類決策點建立車道線blobs特征分類決策樹，完成車道線提取。

有益效果：本發(fā)明提出了一種具有較強抗干擾能力的車道線識別方法。該方法采用信息維度發(fā)更高的斑塊特征(blobs)作為車道特征進行提取，并通過挖掘不同視角下車道blobs與其他干擾的類間差，提出了基于關聯(lián)雙空間的車道blobs分類模型，大大提高了車道線特征的描述維度，解決了車道線識別過程中特征信息維度低且容易受道路環(huán)境干擾造成提取精度差的問題。

附圖說明

圖1是本發(fā)明的流程示意圖；

圖2是本發(fā)明中二值圖像blobs提取示意圖；

圖3是本發(fā)明中blob寬度、傾角、最小外接矩形定義示意圖；

圖4是本發(fā)明中車道線blobs與非車道線blobs凹凸特性差異示意圖；

圖5是本發(fā)明中分類決策樹對blobs特征進行分類的流程示意圖。

具體實施方式

參見附圖1，實施例1，一種基于視覺關聯(lián)雙空間的車道線特征提取方法，包括以下步驟：

s1.通過攝像頭獲取原始圖像，定義攝像頭視角為cv-視角，獲取cv-視角roi的二值圖像ic；

s2.分析提取二值圖像ic內(nèi)的斑塊(blobs)特征；

s3.對二值圖像ic進行逆透視變換獲得俯視視角(bv-視角)下的二值圖像ib；

s4.分析提取俯視視角(bv-視角)下的二值圖像ib內(nèi)的斑塊(blobs)特征；

s5.將二值圖像ib、ic內(nèi)的斑塊配對，獲得雙空間關聯(lián)blobs特征對；

設為關聯(lián)圖像空間中一一對應的n對blobs特征，其中rc(i)和rb(i)分別表示cv-視角和bv-視角中下標為i的blobs；

s6.對雙空間關聯(lián)blobs特征對進行特征提取建立多維特征描述子，并根據(jù)各描述特征建立分類決策點；

s7.利用部分或全部分類決策點建立車道線blobs特征分類決策樹，完成車道線提取。

實施例2，步驟s1中，首先將車輛前方l米的區(qū)域作為車道線檢驗roi區(qū)域；其次，利用自適應閾值方法獲得roi區(qū)域二值圖像ic；自適應閾值方法利用采樣窗口對任一像素的局部灰度分布特性進行分析,從而確定該像素的二值化閾值；給定圖像中的像素i(x,y)，令采樣窗口尺寸為2d+1，d為自然數(shù)，則該像素的灰度閾值可以通過利用采樣窗口核函數(shù)(如高斯核函數(shù))與其領域像素進行卷積獲得。

實施例3，步驟s2、s4中，通過像素標記和連通域分析提取blobs特征；

參見附圖2，二值圖像blobs特征提取一般是通過對圖像進行連通域分析和像素標記(pixellabelling)完成的。連通區(qū)域反應像素與其相接鄰域關系，常見的鄰接關系有兩種：四鄰接域和八鄰接域。選用八鄰接域關系，并在此基礎上利用two-pass方法對二值圖像中各像素點逐行進行連通域標記，最終提取出所有相互獨立的blobs特征。

實施例4，步驟s6中的特征描述子包括：寬度特征：

參見附圖3，根據(jù)道路設計施工標準，車道線寬度一般在30cm左右。由于透視效應，cv-視角圖像中車道標線標志一般呈現(xiàn)為寬度隨距離增加而遞減的梯形，所以車道標志線的寬度很難準確估計，但在bv-視角圖像中該值可以根據(jù)ρresolution(分辨率)通過計算對應blob的寬度計算得出，因此bv-視角圖像中各車道線標志的寬度可以作為一個強判別條件對blobs進行篩選。此外，雖然cv-視角圖像中車道線標志的真實寬度難以估計，但其在某一距離范圍內(nèi)的寬度是在一定范圍內(nèi)，因此可以作為一個弱判別條件對blobs進行篩選。在求取blobs的像素寬度時，首先獲得blob連通區(qū)域的最小外接矩形，最小外接矩形的兩邊長度分別為l1，l2，則該blob的寬w和長l分別為l1，l2其中的較小邊長和較大邊長；

設分別為關聯(lián)blobs對的像素寬度；

定義基于寬度信息的決策節(jié)點為：

其中：wcmax和wcmin分別為cv-視角圖像內(nèi)rc(i)的最大和最小寬度門限值；wbmax和wbmin為bv-視角圖像內(nèi)rb(i)的最大和最小寬度門限值，為了彌補車道磨損，逆透視變換誤差和測量誤差的影響，該邊界值定義應相對松弛。

實施例5，步驟s6中的特征描述子包括：長寬比特征：

由于車道線標志為矩形長條狀，所以其長寬比應明顯滿足長方形假設，因此長寬比也可以作為區(qū)分blobs是否為車道線標志的特征?？紤]到cv-視角圖像中，遠處車道線形狀發(fā)生較大畸變，長寬比嚴重失真，因此僅對bv-視角圖像中對應的blobs進行該特征的校驗；設關聯(lián)blobs對中rb(i)的像素長寬分別為wb(i)和lb(i)，其長寬比定義基于長寬比特征的決策節(jié)點為：

其中：為像素長寬比閾值。由于近視角內(nèi)某些車道標志線縱向被主車遮擋，以至于長寬比相對較小，為了避免將近視角內(nèi)的部分遮擋的車道線過早剔除，應對該特征判別的最小閾值定義較為寬松。

實施例6，步驟s6中的特征描述子包括：傾角特征：

在車道線識別中，車道線在圖像內(nèi)的傾角是其被篩選的重要特征，因此被廣泛應用于傳統(tǒng)的基于邊界的車道線識別算法。由于車道標志也繼承了車道方向特性，因此blobs的傾角，即blob主軸與圖像坐標系x軸的夾角也可用來判斷其是否為車道線標志。給定關聯(lián)blobs對令其cv-bv空間下對應的傾角為根據(jù)車道線在不同視角圖像空間中的角度范圍，定義基于傾角特征的決策節(jié)點為，

其中：αcmax，αcmin分別為cv-視角圖像中blobs傾角上下門限；αbmax，αbmin分別為bv-視角圖像中blobs傾角上下門限；為防止錯誤刪除車道標志，此處對bv和cv視角下的blobs傾角角度范圍定義應相對松弛。

實施例7，步驟s6中的特征描述子包括：凹凸特征：

參見附圖4，如上述所說，車道線一般為矩形長條，因此無論在bv和cv視角下，其在形態(tài)學上均屬于凸多邊形。雖然車道線的破損及臟污會造成局部殘缺或破壞，相對于其最小外接凸多邊形仍舊有良好的填充特性。相反，二值圖像中存在的好多諸如箭頭，車體，道路污漬等干擾blobs往往具有較強的凹多邊形特性；因此，凸凹特性可以用來對blobs進行篩選。給定關聯(lián)blobs對首先求取其最小外接凸多邊形然后求其填充度，即blobs面積和其最小外接凸多邊形的面積之比：

其中，λc(i)、λb(i)分別為cv視角、bv視角下的blobs填充度，area[.]表示區(qū)域面積；

根據(jù)上述車道線標志凸凹特性，車道線標志的填充度一般較大，而填充度較小的blobs則可以判斷為干擾噪聲，定義凹凸特征的決策節(jié)點為，

其中，λcth，λbth為cv視角，bv視角圖像中blobs填充度的門限。

實施例8，如實施例4-7所述，在二值圖像中提取得到的任一blob都可以在關聯(lián)bv-cv雙空間下建立一個具有多維參數(shù)的特征描述子；根據(jù)公式(1)至(4)可建立4個決策節(jié)點：

參見附圖5，步驟s7中，本例通過對4個決策點進行級聯(lián)(也可任選1個、2個或3個決策點)獲得分類決策樹，完成對車道線blobs的提取。通過對各決策節(jié)點參數(shù)進行定義，則可以對二值化圖像中提取到的blobs特征進行分類，從而獲得可靠的車道線特征。