一种复杂路况场景下的车道线检测方法

摘要

本发明公开了一种复杂路况场景下的车道线检测方法，用于智能车辆获取道路图像信息即时进行车道线辨识处理，本发明在获得路况图像的边缘信息之后，首先对边缘图像进行扫描，同时计算出边缘像素点连接的方向，从而滤除连接方向异常的噪声边缘。本发明充分利用了车道线的消失点这一特征信息，消失点的位置信息通过投票机制来获得，消失点不仅作为滤除干扰线段的约束条件，而且作为车道线拟合的关键参数。本发明车道线检测方法能够克服树木的阴影、路面的文字以及行驶车辆等干扰因素的影响，实现各种复杂环境下的车道线检测，具有良好的准确性和鲁棒性。

主权项

一种复杂路况场景下的车道线检测方法，用于智能车辆获取道路图像信息即时进行车道线辨识处理，包换如下的处理步骤：(1)感兴趣区域划分提取道路图像中包含路面的矩形区域部分作为车道线检测的感兴趣区域；(2)图像灰度化处理对路况图像进行灰度化处理，采用以下灰度化的转换模型：Gray＝R+G‑B   (1)其中，R、G、B分别代表RGB图像的红、绿、蓝三个分量，其取值范围为[0,255]；(3)边缘信息提取使用Canny边缘检测算子提取灰度图像的边缘信息；(4)噪声边缘处理对(3)提取边缘信息后的图像进行逐行扫描并滤除连接方向异常的噪声边缘像素；其具体步骤如下：1)从图像底部的中间点开始由中间到两边，底端向顶端进行扫描，寻找边缘像素的起始点；2)：找到起始像素点后，在该起始像素点的邻域内扫描；根据左右车道线边缘像素点连接的方向特征，扫描起始像素点八邻域中的三个；3)：将邻域中扫描到的点与起始点连接，并将该点作为新的起始点，同时记下边缘连接点总的数目；重复2)，若邻域内没有边缘像素点或扫描到图像的顶端则返回最初的起始点所在的行，直到扫描结束；为了避免重复扫描，将已经连接的像素点在原图像平面内做标记；4)：计算边缘像素点连接的方向，该方向为相邻像素点连线方向的平均值，如果该方向不在规定的角度阈值范围内，则认为是噪声边缘，直接将其滤除；(5)线段检测滤除了噪声边缘像素之后，保留属于同一直线的边缘像素，接着使用改进的概率霍夫变换(PPHT)检测边缘图像中的线段,左边部分记为S^L,右边部分记为S^R；(6)利用消失点滤除干扰线段S为PPHT检测到的线段,其中S＝{S^L,S^R}，I_ROI为感兴趣区域，消失点VP(vp_x,vp_y)的定义如下：VP＝F(S,I_ROI)   (2)函数F的功能是将检测到的线段S在I_ROI平面内延长，并在I_ROI平面内找出直线相交次数最多的像素点，即为消失点；最后利用消失点来筛选出左边存留的线段和右边存留的线段，分别记为：$S_C^L=\left\{\begin{array}{cc}{s}_i^L|& \left|\right|s_i^L-VP\left|\right|<\delta \end{array}\right\}---\left(3\right)$$S_C^R=\left\{\begin{array}{cc}{s}_j^R|& \left|\right|s_j^R-VP\left|\right|<\delta \end{array}\right\}---\left(4\right)$其中i＝1,2,3…m,m为S^L中的线段总数，j＝1,2,3…n,n为S^R中的线段总数,δ为消失点与线段之间偏移的程度；(7)运用K‑means聚类算法将滤除干扰后的线段进行聚类在利用消失点去除了干扰的线段之后，左边存留的线段根据其斜率大小的不同将其进行分类，使用K‑means聚类算法将剩余的线段分为两类，右边存留的线段也使用相同的方法进行分类；(8)车道线拟合选出步骤(7)中聚类所得的两类线段中斜率绝对值较大的一类作为确定车道线的候选线段，最后，由消失点的位置信息VP(vp_x,vp_y)和候选线段的斜率中心值K拟合出左右车道线。