一种基于动态ROI和改进萤火虫算法的车道线提取方法技术

本发明专利技术公开了一种基于动态ROI和改进萤火虫算法的车道线提取方法，涉及车道线检测领域。该方法包括：(1)将车道线视频帧进行预处理；(2)对于第一视频帧，选取视频帧的下1/2图像作为ROI区域；(3)对ROI区域通过改进的萤火虫算法进行边缘检测，得到车道线的边缘坐标；(4)对步骤(3)得到的车道线的边缘坐标进行概率Hough变换，找出ROI区域的直线，并使用最小二乘法对检测出的直线进行拟合，获得车道线方程；(5)对于第二帧以后的视频帧基于上一帧的ROI区域进行动态调整，得到所述预处理视频帧的ROI区域，然后重复步骤(3)

【技术实现步骤摘要】
一种基于动态ROI和改进萤火虫算法的车道线提取方法


[0001]本专利技术涉及定位
，特别涉及一种基于动态ROI和改进萤火虫算法的车道线提取方法。

技术介绍

[0002]近年来，无人驾驶汽车成为研究热点。无人驾驶汽车通过车载传感系统感知道路环境，根据感知到的环境信息给车辆导航，从而使车辆能够安全可靠地在道路上行驶，其中车道线的正确检测是实现无人驾驶的前提，通过检测车道线实时对车辆进行调整，可以极大的降低事故发生率。
[0003]车道线检测的准确率低和鲁棒性差的首要原因是选取的ROI范围太大，除了车道线区域包含太多干扰因素，此外由于传统方法中的Canny算子过于敏感，易把噪声误检为边缘。因此需要一种新的ROI调整方法和新的边缘检测方法来解决上述问题。

技术实现思路

[0004]针对现有技术中存在的问题，本专利技术提出一种基于动态ROI和改进萤火虫算法的车道线提取方法，该车道线提取方法通过对ROI进行动态调整，准确提取出车道线边缘，提高车道线检测的准确性和鲁棒性。
[0005]为实现上述目的，本专利技术采用如下技术方案：一种基于动态ROI和改进萤火虫算法的车道线提取方法，具体包括如下步骤：
[0006](1)实时获取车辆行使过程中的车道线视频，将视频帧进行畸变校正、灰度化处理和高斯模糊处理，得到预处理视频帧；
[0007](2)对于第一帧预处理视频帧，选取所述预处理视频帧的下1/2图像作为ROI区域；
[0008](3)对所述ROI区域通过改进的萤火虫算法进行边缘检测，得到车道线的边缘坐标；
[0009](4)对步骤(3)得到的车道线的边缘坐标进行概率Hough变换，找出ROI区域的直线，保留直线斜率在的直线，并使用最小二乘法对检测出的直线进行拟合，获得车道线方程；
[0010](5)对于第二帧以后的预处理视频帧基于上一帧的ROI区域进行动态调整，得到所述预处理视频帧的ROI区域，然后重复步骤(3)
‑
(4)，直至车辆停止运行，完成车道线方程的提取。
[0011]进一步地，步骤(3)包括如下子步骤：
[0012](3.1)在ROI区域中随机选取像素点作为萤火虫的分布点，并将萤火虫分为m组，分别计算萤火虫亮度L(x,y)：
[0013][0014]其中，H
x,y
表示像素点坐标(x,y)的灰度值，H
x+1,y+1
表示像素点坐标(x+1,y+1)的灰度值，H
x
‑
1,y
‑1表示像素点坐标(x
‑
1,y
‑
1)的灰度值，H
x
‑
1,y+1
表示像素点坐标(x
‑
1,y+1)的灰度值，H
x+1,y
‑1表示像素点坐标(x+1,y
‑
1)的灰度值，H
x,y
‑1表示像素点坐标(x,y
‑
1)的灰度值，H
x,y+1
表示像素点坐标(x,y+1)的灰度值，H
x
‑
1,y
表示像素点坐标(x
‑
1,y)的灰度值，H
x+1,y
表示像素点坐标(x+1,y)的灰度值；
[0015](3.2)将每组中萤火虫亮度超过边缘阈值的萤火虫亮度均设为本组中萤火虫亮度最大的值，并将组内萤火虫亮度超过边缘阈值的萤火虫作为本组中的目标萤火虫，以本组中的目标萤火虫为中心，求取3
×
3区域的发光亮度的平均值，再结合本组内萤火虫与所述目标萤火虫之间的距离，计算目标萤火虫对萤火虫的吸引度β(r)；
[0016](3.3)根据吸引度更新组内萤火虫的坐标，并找出每组中萤火虫亮度最小的萤火虫，随机更新亮度最小的萤火虫的坐标，获得更新的萤火虫坐标；
[0017](3.4)将更新的萤火虫坐标分别计算萤火虫亮度L(x,y)，重复步骤(3.2)
‑
(3.3)30次，获得最终的萤火虫坐标，将其作为车道线的边缘坐标。
[0018]进一步地，所述边缘阈值取值为150。
[0019]进一步地，步骤(3.2)中吸引度β(r)的计算过程为：
[0020][0021]其中，β0表示亮度对吸引度的影响系数，γ为介质对光的吸收系数，r为本组内萤火虫与所述目标萤火虫之间的距离。
[0022]进一步地，步骤(5)中对于第二帧以后的预处理视频帧基于上一帧的ROI区域进行动态调整的具体过程为：以消失点的纵坐标为所述ROI区域的纵坐标，将纵坐标分割成等高的box，将box的顶点纵坐标带入上一帧获取的车道线方程中，得到所述ROI区域的横坐标。
[0023]进一步地，所述消失点通过以下方法获得：使用36个方向，角度分辨率为5
°
的gLoG滤波器对预处理视频帧进行滤波，对滤波后的视频帧求取明亮纹理特征点，并用255减去滤波后的视频帧中的所有像素点值，并求取黑暗纹理特征点，然后将36组gLoG内核产生的卷积核叠加，与明亮纹理特征点、黑暗纹理特征点做卷积，投票选取出消失点。
[0024]进一步地，对于第一帧预处理视频帧，步骤(4)中H表示第一帧预处理视频帧中ROI区域的高度，W表示第一帧预处理视频帧中ROI区域的宽度；对于第二帧以后的预处理视频帧，步骤(4)中H表示box的高度，W表示box的宽度。
[0025]与现有技术相比，本专利技术具有如下有益效果：本专利技术的车道线提取方法通过动态
调整ROI区域，实现只对车道线区域进行图像处理，然后基于改进的萤火虫算法进行边缘检测，以解决传统方法中canny算子对噪声敏感的问题，再对车道线的边缘像素点进行使用加以斜率限制的概率Hough变换找到在直线上的点，最后基于最小二乘法先拟合出车道线方程。本专利技术的车道线提取方法提高了车道线检测的准确性和鲁棒性。
附图说明
[0026]图1为本专利技术的基于动态ROI和改进萤火虫算法的车道线提取方法的流程图；
[0027]图2为本专利技术的动态ROI调整流程图；
[0028]图3为本专利技术的应用效果图：图3中的(a)为真实车道线图；图3中的(b)为通过本专利技术车道线提取方法提取的车道线效果图。
具体实施方式
[0029]下面将结合附图对本专利技术作进一步地解释说明。
[0030]如图1为本专利技术基于动态ROI和改进萤火虫算法的车道线提取方法流程图，该车道线提取方法具体包括以下步骤：
[0031](1)实时获取车辆行使过程中的车道线视频，将视频帧进行畸变校正、灰度化处理和高斯模糊处理，得到预处理视频帧。
[0032](2)对于第一帧预处理视频帧，选取预处理视频帧的下1/2图像作为ROI区域。
[0033](3)对ROI区域通过改进的萤火虫算法进行边缘检测，得到车道线的边缘坐标；步骤(3)包括如下子步骤：
[0034](3.1)在ROI区域中随本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于动态ROI和改进萤火虫算法的车道线提取方法，其特征在于，具体包括如下步骤：(1)实时获取车辆行使过程中的车道线视频，将视频帧进行畸变校正、灰度化处理和高斯模糊处理，得到预处理视频帧；(2)对于第一帧预处理视频帧，选取所述预处理视频帧的下1/2图像作为ROI区域；(3)对所述ROI区域通过改进的萤火虫算法进行边缘检测，得到车道线的边缘坐标；(4)对步骤(3)得到的车道线的边缘坐标进行概率Hough变换，找出ROI区域的直线，保留直线斜率在的直线，并使用最小二乘法对检测出的直线进行拟合，获得车道线方程；(5)对于第二帧以后的预处理视频帧基于上一帧的ROI区域进行动态调整，得到所述预处理视频帧的ROI区域，然后重复步骤(3)
‑
(4)，直至车辆停止运行，完成车道线方程的提取。2.根据权利要求1所述基于动态ROI和改进萤火虫算法的车道线提取方法，其特征在于，步骤(3)包括如下子步骤：(3.1)在ROI区域中随机选取像素点作为萤火虫的分布点，并将萤火虫分为m组，分别计算萤火虫亮度L(x,y)：其中，H
x,y
表示像素点坐标(x,y)的灰度值，H
x+1,y+1
表示像素点坐标(x+1,y+1)的灰度值，H
x
‑
1,y
‑1表示像素点坐标(x
‑
1,y
‑
1)的灰度值，H
x
‑
1,y+1
表示像素点坐标(x
‑
1,y+1)的灰度值，H
x+1,y
‑1表示像素点坐标(x+1,y
‑
1)的灰度值，H
x,y
‑1表示像素点坐标(x,y
‑
1)的灰度值，H
x,y+1
表示像素点坐标(x,y+1)的灰度值，H
x
‑
1,y
表示像素点坐标(x
‑
1,y)的灰度值，H
x+1,y
表示像素点坐标(x+1,y)的灰度值；(3.2)将每组中萤火虫亮度超过边缘阈值的萤火虫...

【专利技术属性】
技术研发人员：沈业辉，毕云蕊，杨振，柴鑫波，方英达，张岩，
申请(专利权)人：南京工程学院，
类型：发明
国别省市：