一种基于鲁棒统计的行道线检测方法技术

本发明专利技术公开了一种基于鲁棒统计的行道线检测方法，从原图上提取出包含行道线的道路区域图像，使用局部阈值穷举法分割兴趣区域图像，并筛选出特定长度的RL线段，对RL线段进行累积，在累积图像上利用鲁棒统计方法估计行道线模型参数，最后根据道路几何约束去除虚假道路边。本发明专利技术可以准确的检测结构化、半结构化道路上的行道线，对于一些标记退化的道路和干扰较重的道路也有很好的适应性，具有高实时性、高鲁棒性的优点，易于推广到机器人导航、车辆主动安全等应用领域。

【技术实现步骤摘要】

本专利技术属于车辆自主导航与主动安全领域，特别是。
技术介绍
行道线是高速公路、省级公路、城市道路中最普遍的交通引导标志。在智能车辆导航中，行道线是最主要的视觉感知对象，鲁棒的检测跟踪道路行道线，就能给智能车辆正确的导引，为高层次的知识融合、行为规划提供可靠的依据。如机器人导航系统通过前视摄像机拍摄正前方道路图像，利用图像分析软件从图像中检测行道线，并通过视觉标定将检测的行道线由二维图像坐标系投射到三维空间坐标系中，构建真实道路边界线，再将车辆位置与行道线位置作比较，判断车辆行驶状态是居中、靠左还是靠右，以及结合雷达等传感器判断各车道是否有其它机动车辆，使车辆能智能的直行、避障、超车和跟随等 ([1] Young Uk Yimj Se-Young Oh. Three-Feature based automatic lane detection algorithm (TFALDA) for Autonomous Driving. IEEE Transaction on intelligent transportation systems. Vol. 4, No. 4 2003·)。行道线检测也是车辆主动安全中的一个重要环节，对行道线的准确检测是让车辆在一个安全区域行驶的基础。智能车辆一旦有了自主导航的能力，遇到突发情况，就可以根据情况做出决策，改变自身的相对位置，保证车辆行驶的安全性。基于行道线检测技术的驾驶员辅助驾驶系统或预警系统，可以提高行驶的安全性，减少交通事故的发生 ([2] Mohamed Aly. Real time Detection of Lane Markers in Urban Streets. IEEE intelligent vehicles Symoposiumj 2008.)。行道线检测技术还可以和其它技术相结合，提高系统性能。如车辆遥控驾驶、工厂、仓库的巡逻、星球探险、危险区域采样、军事用途等。
技术实现思路
本专利技术的目的在于提供，实现行道线的准确检测，能做到实时处理，具有较强的抗干扰能力。本专利技术的技术方案为，步骤为 步骤1 图像预处理，依据指定的参数设置兴趣处理区域；步骤2 行道线分割，依据灰度、线宽特性从兴趣处理区域中分割行道线； 步骤3 依据鲁棒统计方法，对行道线几何形状进行描述；步骤4 使用行道线的消失点、行道线与兴趣区域上下底边围成区域的面积大小约束剔除不可靠、置信度低的行道线，提高检测结果的鲁棒性。本专利技术与现有技术相比，其显著优点为(1)直接对单幅图像进行处理；(2)无需根据不同的环境改变算法参数；(3)受光照不均、阴影、路面非行道线标记干扰等影响较小；(4)时间复杂度低，能实时处理；(5)系统配置简单、硬件成本低、易于大规模推广。下面结合附图对本专利技术作进一步详细描述。 附图说明图1是本专利技术基于鲁棒统计的行道线检测方法的流程图。图2是本专利技术的 兴趣处理区域设置示意图。图3是本专利技术的不同阈值下的二值化图像与找到的特定RL线段示意图(a)分割前图像；(b)阈值4 = 94下的分割结果；(c)行和列方向RL线段选择结果；(d)阈值Ii =128下的分割结果；(e)行和列方向RL线段选择结果；(f)阈值4 = 194下的分割结果；(g)行和列方向RL线段选择结果。图4是本专利技术的在PW94]范围内穷举分割并选择合适的RL线段累积得到的RL 累积图。图5是本专利技术的在RL累积图寻找行道线示意图(a)检测左行道线；(b)将检测出的左行道线区域置0 ； (c)检测右行道线；(d)将检测出的右行道线区域置0。图6是本专利技术的典型行道线检测结果(a)路段l;(b)路段2; (c)路段3 ； (d) 路段4;(e)路段5;(f)路段6。具体实施例方式本专利技术基于鲁棒统计的行道线检测方法，步骤如下 第一步，图像预处理，依据指定的参数设置兴趣处理区域。手工指定图像上一个矩形区域，矩形区域上边的图像行坐标Yl根据行道线检测的最远距离要求设定，下边的图像行坐标Y2设为车头最前端在图像上的行坐标，左右边的图像列坐标分别设为X和Width-X (Width为图像宽度)，图像的左右最外边的X列像素不作处理，该矩形区域即为兴趣区域，X为摄像机采集到图像的无效区宽度。如X为8时，图2 给出了兴趣处理区域设置示意图，白色矩形框即为感兴趣区域。第二步，行道线分割，依据灰度、线宽特性从兴趣处理区域中分割行道线。(1)将兴趣处理区域图像灰度化，对于RGB空间中的一点，计算原点至该点向量在对角线上的投影即可得到该颜色的灰度值Γ ；考虑到视觉效果的不同，可以调整R、G、B各分量在灰度化时对灰度值的贡献，设它们的贡献分别为Q，cf，q，这样就可以得，其中系数^ O且满足Q +Q = 1 ；对于光照充足的白天道路图像其灰度化系数的任意选择对后续的检测算法没有实质性的影响，但是对于光照恶劣的天气下，RGB彩色图像的R分量和B分量信噪比很低，因此，本专利技术取G分量作为灰度化图像，即T = g 0(2)统计兴趣处理区域内的灰度直方图，利用灰度直方图形状特性找到两个灰度级Tl、T2(T1<T2)，作为分割阈值，即利用灰度直方图计算均值和均万差^取 Tl = max(70, u_ σ、’ Tl = mm( 250,a + 2σ)作为最小最大分割阈值，分别用[Τ 1，Τ2]之间每一个灰度值4作为分割阈值二值化兴趣处理区域图像，即兴趣处理区域图像内灰度值大于4的像素灰度值变为255 (白点)，反之变为0(黑点)，在二值化后的黑白图像中，每行、每列分别找特定长度(长度大于10)的连续为白点的线段，称为RL线段。图3表示了部分分割结果。其中(a)表示分割前图像，由灰度直方图获得参数#=8435,σ= 54.89, T1 = 70,T2 = 194 ； (b)、(d)、(f)分别表示对(a)进行不同阈值分割的结果，(c)、(e)、(g)表示对(b)、(d)、(f)经过行和列方向RL线段选择的结果。建立与兴趣处理区域图像等宽高的累积图像，初始像素值设为0，对于每个用4阈值分割得到的二值图像中的每个满足要求的RL线段所包含的像素点，使累积图像对应位置的像素点灰度值递增1。图4表示在[7CU94]范围内穷举分割并选择合适的RL线段累积得到的RL累积图。本专利技术的行道线分割方法，在小范围内穷举阈值分割行道线，考虑了线的结构特征，能有效避免光照不均、阴影以及无效标记干扰的影响。第三步，采用鲁棒统计方法，对行道线几何形状进行描述。累积图像上灰度值越大的象素点越可能是行道线上的点。利用Hough变换在累积图像上按直线显著性顺次寻找可能的直线，即先寻找显著性最强的直线，将找到的直线包含的像素点从累积图像上去除(灰度值赋0)，再寻找次强的，依次类推。直线显著性是指该直线极坐标方程的参数在Hough变换的参数空间上对应的累积值。在累积图像上寻找直线，直线方程采用极坐标参照系，极坐标方程表示为其中包含,A曰两个未知参数，需要依靠鲁棒统计方法进行预测，鲁棒统计方法主要目的是在含有特定的内点(符合模型参数的样本)和外点(噪声样本)比例下， 可靠的利用内点估计出模型参数。常用的鲁棒统计方法有基于参数空间变换的Hough方法， 基于残差空间的RANSAC方法等。本文档来自技高网...

【技术保护点】
１．一种基于鲁棒统计的行道线检测方法，其特征在于步骤为：步骤１：图像预处理，依据指定的参数设置兴趣处理区域；步骤２：行道线分割，依据灰度、线宽特性从兴趣处理区域中分割行道线；步骤３：依据鲁棒统计方法，对行道线几何形状进行描述；步骤４：使用行道线的消失点、行道线与兴趣区域上下底边围成区域的面积大小约束剔除不可靠、置信度低的行道线，提高检测结果的鲁棒性。

【技术特征摘要】
1.一种基于鲁棒统计的行道线检测方法，其特征在于步骤为步骤1 图像预处理，依据指定的参数设置兴趣处理区域；步骤2 行道线分割，依据灰度、线宽特性从兴趣处理区域中分割行道线；步骤3 依据鲁棒统计方法，对行道线几何形状进行描述；步骤4 使用行道线的消失点、行道线与兴趣区域上下底边围成区域的面积大小约束剔除不可靠、置信度低的行道线，提高检测结果的鲁棒性。2.根据权利要求1所述的基于鲁棒统计的行道线检测方法，其特征在于在步骤1中，即在图像预处理中采用的步骤如下手工指定图像上一个矩形区域，矩形区域上边的图像行坐标Yl根据行道线检测的最远距离要求设定，下边的图像行坐标Y2设为车头最前端在图像上的行坐标，左右边的图像列坐标分别设为X和Width-X，图像的左右最外边的X列像素不作处理，该矩形区域即为兴趣区域，X为摄像机采集到图像的无效区宽度。3.根据权利要求1所述的基于鲁棒统计的行道线检测方法，其特征在于在步骤2中，即在行道线分割...

【专利技术属性】
技术研发人员：王欢，任明武，唐振明，赵春霞，陆建峰，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：84