一種基于自適應(yīng)感興趣區(qū)域的車道檢測方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種基于自適應(yīng)感興趣區(qū)域的車道檢測方法，屬于計(jì)算機(jī)視覺和車輛 智能輔助駕駛技術(shù)領(lǐng)域。
【背景技術(shù)】
[0002] 隨著交通條件的改善，結(jié)構(gòu)化道路成為車輛行駛的主要環(huán)境。同時(shí)，計(jì)算機(jī)視覺、 車輛智能輔助駕駛技術(shù)也在快速發(fā)展，結(jié)構(gòu)化道路環(huán)境下的輔助駕駛得到廣泛應(yīng)用。車道 檢測作為智能輔助駕駛的關(guān)鍵和基礎(chǔ)技術(shù)，受到研究人員的高度重視?；谝曈X的方法是 研究人員關(guān)注的主要領(lǐng)域，因?yàn)橐曈X數(shù)據(jù)能夠直觀反映車輛駕駛狀態(tài)，從實(shí)際應(yīng)用的角度 講，攝像機(jī)具有經(jīng)濟(jì)、穩(wěn)定的優(yōu)勢。當(dāng)前，基于視覺的車道檢測方法主要分為兩大類：基于特 征的方法和基于模型的方法。基于特征的方法是在灰度圖像或彩色圖像中通過提取道路的 邊緣、顏色、紋理、梯度等特征檢測車道線。基于模型的方法是根據(jù)不同的道路采用不同的 參數(shù)模型實(shí)現(xiàn)車道檢測，常用的參數(shù)模型有直線、雙曲線、樣條曲線模型等。
[0003] 基于視覺的車道檢測方法在車輛智能輔助駕駛中得到了廣泛的應(yīng)用，體現(xiàn)了車道 檢測的發(fā)展趨勢和方向。但是，現(xiàn)有的基于視覺的車道檢測方法存在以下問題：一是算法復(fù) 雜，計(jì)算量大，降低了數(shù)據(jù)處理速度；二是適應(yīng)性差，在干擾噪聲多、光照變化大、車道破損、 彎道等情況下達(dá)不到車道檢測的預(yù)定效果；三是模型單一，車道感興趣區(qū)域固定，無法滿足 實(shí)際行車車道變化。

【發(fā)明內(nèi)容】

[0004] 針對現(xiàn)有技術(shù)的不足，本發(fā)明提供了一種基于自適應(yīng)感興趣區(qū)域的車道檢測方 法。
[0005] 術(shù)語解釋
[0006] 1、感興趣區(qū)域，即R0I，是指：機(jī)器視覺、圖像處理中，從被處理的圖像以方框、圓、 橢圓、不規(guī)則多邊形等方式勾勒出需要處理的區(qū)域。
[0007] 2、Hough變換，是一種使用表決原理的參數(shù)估計(jì)技術(shù)。其原理是利用圖像空間和 Hough參數(shù)空間的點(diǎn)一線對偶性，把圖像空間中的檢測問題轉(zhuǎn)換到參數(shù)空間。通過在參數(shù)空 間里進(jìn)行簡單的累加統(tǒng)計(jì)，然后在Hough參數(shù)空間尋找累加器峰值的方法檢測直線。Hough 變換的實(shí)質(zhì)是將圖像空間內(nèi)具有一定關(guān)系的像元進(jìn)行聚類，尋找能把這些像元用某一解析 形式聯(lián)系起來的參數(shù)空間累積對應(yīng)點(diǎn)。
[0008] 3、最小二乘法，又稱最小平方法，是一種數(shù)學(xué)優(yōu)化技術(shù)。它通過最小化誤差的平方 和尋找數(shù)據(jù)的最佳函數(shù)匹配。利用最小二乘法可以簡便地求得未知的數(shù)據(jù)，并使得這些求 得的數(shù)據(jù)與實(shí)際數(shù)據(jù)之間誤差的平方和為最小。最小二乘法還可用于曲線擬合。其他一些 優(yōu)化問題也可通過最小化能量或最大化熵用最小二乘法來表達(dá)。
[0009] 4、孤立點(diǎn)，通常情況下，車道像素是連續(xù)或分段連續(xù)的直線和曲線。當(dāng)圖像中出現(xiàn) 不連續(xù)的或單個(gè)像素點(diǎn)時(shí)，我們將這些點(diǎn)視為非車道干擾，即孤立點(diǎn)。
[0010] 本發(fā)明的技術(shù)方案為：
[0011] -種基于自適應(yīng)感興趣區(qū)域的車道檢測方法，具體步驟包括：
[0012] (1)獲取道路圖像；
[0013] (2)對步驟（1)獲取的道路圖像進(jìn)行預(yù)處理，消除非車道噪聲，所述非車道噪聲是 指由天空、樹木、路面、護(hù)欄等其它非車道因素產(chǎn)生的噪聲；得到主要信息為車道的圖像：
[0014] ①采用改進(jìn)的Sobel邊緣檢測算法對步驟（1)獲取的道路圖像進(jìn)行邊緣檢測；
[0015] ②采用最優(yōu)閾值二值化方法將步驟①得到的道路圖像進(jìn)行圖像二值化處理：
[0016] a、設(shè)定大小為MXN的道路圖像在坐標(biāo)（m，n)處的灰度值x(m，n)如式（I)所 示：
[0017]X(m,n) =s(m,n)+w(m,η) (I)
[0018] 式（I)中，M為道路圖像的列數(shù)；N為道路圖像的行數(shù)；1彡m彡M，1彡n彡N， s(m, η)是x(m, η)的高頻分量，w(m, η)是x(m, η)的噪聲分量，w(m, η)是均值為0、方差為 :?的尚斯白噪聲；
[0019] b、計(jì)算w(m, η)的標(biāo)準(zhǔn)差σ w，計(jì)算公式如式（II )所示；計(jì)算s (m, η)的標(biāo)準(zhǔn)差σs， 計(jì)算公式如式（III)所示；
[0020]
[0021]
[0022]
[0023] c、計(jì)算最優(yōu)閾值T，將式（II)、式（III)代入式（IV)，求得最優(yōu)閾值T:
[0024]
[0025] d、根據(jù)步驟c求取的閾值T將道路圖像二值化。
[0026] ③采用形態(tài)學(xué)消除步驟②獲取的道路圖像中的孤立點(diǎn)；
[0027](3)對步驟⑵得到的道路圖像線性預(yù)測自適應(yīng)感興趣區(qū)域，檢測車道：
[0028] ④利用一次Hough變換確定車道起始位置，保留車道起始位置的上端點(diǎn)；
[0029] ⑤結(jié)合最小二乘法擬合對車道進(jìn)行線性預(yù)測，得到隨車道方向變化的自適應(yīng)感興 趣區(qū)域；
[0030] ⑥在步驟⑤得到的自適應(yīng)感興趣區(qū)域內(nèi)檢測車道；
[0031] ⑦判斷是否檢測到完整車道，如果沒有，進(jìn)入步驟④，否則進(jìn)入步驟（4);
[0032] (4)判斷步驟（3)檢測到的車道是直道還是彎道，如果是直道，則采用最小二乘直 線擬合跟蹤車道，輸出標(biāo)記車道的視頻；如果是彎道，則采用最小二乘曲線擬合跟蹤車道輸 出標(biāo)記車道的視頻。
[0033] Hough變換是車道檢測中常用的方法，檢測精確、穩(wěn)定，但是算法復(fù)雜，實(shí)時(shí)性差。 最小二乘法的運(yùn)算速度快，但是對噪聲敏感，抗干擾性差。本發(fā)明利用了Hough變換和最小 二乘法的優(yōu)點(diǎn)，解決了采用單一方法準(zhǔn)確性和實(shí)時(shí)性之間的矛盾。利用一次Hough變換確 定車道起始位置，后續(xù)線性預(yù)測過程中采用運(yùn)算速度更快的最小二乘法，保證了準(zhǔn)確性和 實(shí)時(shí)性。
[0034] 根據(jù)本發(fā)明優(yōu)選的，所述改進(jìn)的Sobel邊緣檢測算法的卷積因子Gx、Gy分別為：
[0035]
[0036] 現(xiàn)有的Sobel邊緣檢測算法具有方法簡單、處理速度快和檢測效果好的優(yōu)點(diǎn)，但 是，現(xiàn)有的Sobel邊緣檢測算法只在水平和垂直方向進(jìn)行邊緣檢測，根據(jù)車道以一定的 傾斜角度存在于圖像中對Sobel算子加以改進(jìn)，改進(jìn)的Sobel邊緣檢測算法采用45°和 135°方向模板檢測車道邊緣。
[0037] 根據(jù)本發(fā)明優(yōu)選的，通過步驟④得到的車道起始位置包括左車道的起始位置 (H)、右車道的起始位置（xR，yR)，左車道的起始位置（H)所在線段的方程式如式 (V)所示，右車道的起始位置（xR，yR)所在線段的方程式如式（VI)所示：
[0038] yL=kL ·xL+bL (V)
[0039] yR=kR ·xR+bR (VI)
[0040] 式（V)中，h為左車道的起始位置（xdyj所在線段的斜率、b#左車道的起始 位置（H)所在線段的截距，式（VI)中，kR為右車道的起始位置（xR，yR)所在線段的斜 率、bR為右車道的起始位置（xR，yR)所在線段的截距。
[0041] 根據(jù)本發(fā)明優(yōu)選的，保留車道起始位置的上端點(diǎn)，具體包括：
[0042] 根據(jù)式（V)、式（VI)，通過Hough變換獲取左車道的起始位置（xL，yL)所在線 段的上端點(diǎn)通過Hough變換獲取右車道的起始位置（xR，yR)所在線段的上端點(diǎn) (X0R，y〇R)〇
[0043] 根據(jù)本發(fā)明優(yōu)選的，結(jié)合最小二乘法擬合對車道進(jìn)行線性預(yù)測，得到隨車道方向 變化的自適應(yīng)感興趣區(qū)域；具體包括：
[0044] 限定一個(gè)（2w)Xh的矩形自適應(yīng)感興趣區(qū)域，該矩形自適應(yīng)感興趣區(qū)域的中線為 左車道的起始位置（H)所在線段，并且該矩形自適應(yīng)感興趣區(qū)域經(jīng)過;與此同 時(shí)，限定另一個(gè)（2w)Xh的矩形自適應(yīng)感興趣區(qū)域，另一個(gè)（2w)Xh的矩形自適應(yīng)感興趣區(qū) 域的中線為右車道的起始位置（xR，yR)所在線段，并且另一個(gè)（2w)Xh的矩形自適應(yīng)感興趣 區(qū)域經(jīng)過（X(]R，yJ，2w為矩形自適應(yīng)感興趣區(qū)域的寬，單位為像素，h為矩形自適應(yīng)感興趣 區(qū)域的高，單位為像素。
[0045]根據(jù)本發(fā)明優(yōu)選的，所述步驟（4)，具體步驟包括：
[0046] 根據(jù)步驟（3)得到左車道起始位置所在線段的斜率為h，左車道終止位置所在線 段的斜率為k2，根據(jù)兩角差的正切公式定義判別式ε，判定車道方向變化，判別式ε如式 (W)所示：
[0047]
C\H)
[0048] 當(dāng)0彡ε彡0.0875時(shí)，則采用最小二乘直線擬合跟蹤車道，輸出標(biāo)記車道的視 頻；否則，采用最小二乘曲線擬合跟蹤車道，輸出標(biāo)記車道的視頻，輸出標(biāo)記車道的視頻。
[0049] 根據(jù)本發(fā)明優(yōu)選的，當(dāng)ε= 〇. 0875時(shí)，則采用最小二乘直線擬合跟蹤車道，輸出 標(biāo)記車道的視頻；否則，采用最小二乘曲線擬合跟蹤車道，輸出標(biāo)記車道的視頻，輸出標(biāo)記 車道的視頻。
[0050] 本發(fā)明的有益效果為：
[0051] 1、本發(fā)明在圖像預(yù)處理過程中采用最優(yōu)閾值二值化方法，提高了對不同車道環(huán)境 的適應(yīng)能力，能夠適應(yīng)車道環(huán)境變化，具有良好的抗干擾能力，特別是在光照變化大、車道 與道路對比度低、車道破損等復(fù)雜環(huán)境下能夠保留車道信息，消除噪聲干擾。
[0052] 2、本發(fā)明采用自適應(yīng)感興趣區(qū)域檢測車道，可以實(shí)現(xiàn)直道和彎道的檢測，同時(shí)防 止車道線以外的干擾像素點(diǎn)進(jìn)入檢測區(qū)域，通過線性預(yù)測車道方向確定左右車道檢測的感 興趣區(qū)域，解決了傳統(tǒng)技術(shù)中車道感興趣區(qū)域固定的問題。
[0053] 3、本發(fā)明利用了Hough變換和最小二乘法的優(yōu)點(diǎn)，解決了采用單一方法準(zhǔn)確性和 實(shí)時(shí)性之間的矛盾。利用一次Hough變換確定車道起始位置，后續(xù)線性預(yù)測過程中采用運(yùn) 算速度更快的最小二乘法，保證了準(zhǔn)確性和實(shí)時(shí)性。
【附圖說明】
[0054] 圖1為實(shí)施例1中步驟⑴獲取的道路圖像示意圖；
[0055] 圖2為實(shí)施例1中步驟⑵預(yù)處理后圖像示意圖；
[0056]圖3為實(shí)施例1中左車道的起始位置hyj所在線段示意圖；
[0057]圖4為實(shí)施例1中右車道的起始位置（xR，yR)所在線段示意圖；
[0058] 圖5為實(shí)施例1中預(yù)測自適應(yīng)感興趣區(qū)域的示意圖；
[0059] 圖6為實(shí)施例1中在預(yù)測到若干個(gè)自適應(yīng)感興趣區(qū)域的示意圖；
[0060] 圖7 (a)為通過本發(fā)明所述方法獲取的安徽重汽實(shí)驗(yàn)場標(biāo)記車道示意圖一；
[0061] 圖7 (b)為通過本發(fā)明所述方法獲取的安徽重汽實(shí)驗(yàn)場標(biāo)記車道示意圖二；
[0062] 圖7 (c)為通過本發(fā)明所述方法獲取的夜間濟(jì)南繞城高速標(biāo)記車道示意圖；
[0063] 圖7(d)為通過本發(fā)明所述方法獲取的309國道標(biāo)記車道示意圖。
【具體實(shí)施方式】
[0064] 下面結(jié)合說明書附圖與實(shí)施例對本發(fā)明作進(jìn)一步限定，但不限于此。
[0065] 實(shí)施例
[0066] -種基于自適應(yīng)感興趣區(qū)域的車道檢測方法，具體步驟包括：
[0067] (1)獲取道路圖像；如圖1所示。
[0068] (2)對步驟（1)獲取的道路圖像進(jìn)行預(yù)處理，消除非車道噪聲，所述非車道噪聲是 指由天空、樹木、路面、護(hù)欄等其它