[发明专利]一种基于单目视觉的车道线检测方法

说明书

技术领域

本发明属于交通涉及一种在高速或者快速公路条件下，能够实时识别汽车当前行驶所在车道左右两侧车道线的检测方法，属于图像处理技术领域，主要适用于智能交通领域中的智能车辆辅助驾驶系统，属于汽车主动安全技术领域。

背景技术

随着工业化进程，汽车保有量越来越多，这给人们带来方便快捷生活的同时，也带来了频发的交通事故。而车辆在行驶中无意识的偏离车道是交通事故的一个主要原因。美国联邦公路局统计显示，2002年美国发生的致命交通事故有44％与车辆偏离车道有关。若车辆在行驶过程中发生无意识侧向偏离时，有一驾驶辅助装置发出警告提醒驾驶员或直接对转向系统进行控制，此类交通事故将大大减少。因此，作为智能车辆系统的关键技术之一，车道线检测以及在其基础上发展起来的车道保持系统已经成为相关科研机构以及汽车生产厂家研发的焦点，如美国的ALVINN系统、德国的AutoVue系统、中国清华大学THMR系列等。

智能车辆辅助驾驶系统中，多采用视觉、雷达、激光、超声波、红外线等传感器对道路环境进行感知。而相对于其它类型的传感器，视觉传感系统具有信息获取量大、设备价格低廉、直观、通用性强等诸多优点，因此现在很多研究机构都采用机器视觉和图像处理的方法对智能车辆辅助驾驶系统进行研究。

目前应用于智能车辆的机器视觉系统根据摄像机的多少一般分为两种，采用多个摄像机的双目或多目视觉系统和采用单个摄像机的单目视觉系统。双目或多目视觉系统虽然对于恢复深度信息及确定景物距离比较容易，测量精度高，但是计算速度较慢，成本较大，同时存在图像特征点匹配和协同性的难题。单目视觉系统方法简单，具有更快的图像处理速度和更好的控制实时性，在设备成本上具有价格优势。因此，单目视觉方法是当前智能车辆辅助驾驶系统的研究重点。

当前，基于单目视觉的车道线检测一般经过图像预处理、车道线分割提取、车道线识别三个阶段完成。

图像预处理阶段一般采用传统的图像处理方法，如边缘检测、阈值分割、形态学变换等方法，该阶段是后续车道线提取和识别阶段的基础。

车道线分割提取阶段，可以分为基于特征和基于模型的处理方法。基于特征的方法一般采用车道线的颜色特征、灰度特征、宽度特征、边缘特征、梯度方向特征等，可参考文献刘富强，张姗姗，朱文红，李志鹏.一种基于视觉的车道线检测与跟踪算法[J].同济大学学报(自然科学版).2010，38(2)：223～229。它们算法简单，但是对噪声敏感，抗干扰能力差。基于模型的方法如直线模型、曲线模型、反透视变换模型、B-Snake模型等，(如文献Claudio Rosito Jung，Christian Roberto Kelber.Lane following and lane departure using a linear-parabolic model[J].Image and Vision Computing.2005，23：1192-1202，远方采用曲线模型，近处采用直线模型。)它们一般检测效果较好，但是都基于特定的模型假设，而往往不能完全满足实际情况，同时有的模型复杂，算法复杂度高。

车道线识别阶段，大多采用Hough变换法(如文献Yue Wang，Eam Khwang Teoh，Dinggang Shen.Lane Detection and tracking using B-Snake[J].Image and Vision Computing.2004，22：269～280)，还有如扫描法、聚类分析法、神经网络法、动态规划法等。Hough变换法把直线或曲线检测问题转换为参数空间的求极值问题，利于计算机实现。但在虚车道线和实车道线同时存在时，无法准确识别虚车道线。有些研究机构根据左右车道线对称性构造虚拟车道线，或者根据车道线的形态特征对虚车道线进行连线都取得一定成果，但是也同时增加了算法复杂度。另外如果存在较大的背景干扰，Hough变换法检测车道线准确率无法保证，同时Hough变换本身需要在参数空间投票且求极值，算法实时性不好。

发明内容

在高速或者快速公路条件下，车道线识别方法应首先满足实时性的要求，其次还要在不同光照环境下，周围存在如车辆、隔离带等复杂图像背景干扰条件下，仍能满足可靠性要求。本发明的目的在于克服现有基于单目视觉的相关研究不能兼顾实时性和可靠性两方面要求的缺点，提供一种鲁棒的车道线检测方法，对汽车行驶过程中所处的当前车道左右两侧车道线进行快速而准确识别。为此，本发明采用如下的技术方案：

一种基于单目视觉的车道线检测方法，包括下列步骤：