[发明专利]一种车道线边缘提取的动态阈值方法

说明书

技术领域

本发明涉及视觉导航和车辆安全辅助驾驶领域，特别是涉及一种基于视觉的车道线边缘提取方法。

背景技术

基于视觉的车道线检测在智能车控制、车辆安全辅助驾驶(如车道偏离告警)等系统中不可或缺。目前，大部分车道线检测方法可归纳为两类，基于特征的方法和基于模型的方法。其中，基于特征的方法居多，主要提取和利用了车道线边缘、结构、颜色等特征。基于模型的方法则主要通过嵌入车道边界的平行性、道路的平坦性等约束建立车道线的数学模型，如抛物线模型、样条模型等。此外，也有基于机器学习(如人工神经网络、支持向量机等)对车道线图像进行分类的检测方法。

在基于特征的车道线检测方法中，应用较普遍的特征是边缘。一般而言，这些算法先采用如Canny或Sobel等算子进行边缘提取，获取车道线边缘点集；然后，基于边缘点集，通过感兴趣区域(region of interest,ROI)划分、Hough变换等方法检测出车道线。而且，后续常伴有车道线跟踪、车道线偏离告警等处理。由此可见，边缘提取方法对车道线检测及其它后续处理的正确率和速度都有着重要的影响。

然而，边缘提取方法的阈值设置对车道线检测性能有着较大影响。因为普遍的做法是，大于等于阈值的被视为边缘点，而小于阈值的被视为非边缘点。这样一来，如果阈值过大，一些正确的边缘点将被去除；反之，如果阈值过小，很多非边缘干扰点将被错误地纳入边缘点集。当车道线本身存在污损、行车环境变化较快或存在较大噪声(如白天树木/建筑阴影、夜晚路灯等造成的不均匀光照)时，阈值的选择更是一大难题。为此，多种动态阈值策略相继被提出。典型的方法有，采用传统或改进的OTSU方法计算区分车道线和路面的阈值；根据图像的像素灰度平均值和方差判断路况环境，再根据经验值获取不同路况环境下的阈值；根据用户经验设定图像中是边缘点的像素比例或者肯定不是边缘点的像素比例，并据此确定阈值。不难看出，这些动态阈值方法主体上反映的仍然是图像的全局特性，而未能充分反映图像的局部特性，有的还依赖于用户经验，其结果是，车道线边缘提取的性能仍受到限制，车道线检测的效果也不可避免地受到影响。

发明内容

本发明的目的在于，提供一种能兼顾图像的全局和局部特征，且无需用户经验的动态阈值方法，通过与一种逐行扫描策略相配合，使提取的车道线边缘点集具有单像素宽、目的性强、干扰点少等特性，以期进一步提高后续车道线检测的正确率和速度。

本发明的技术方案是，将大小是N×M(列×行，或宽×高)的一帧行车图像分成左右两部分，左侧图像的每一行具有自己的动态阈值集合thL_i，右侧图像的每一行也具有自己的动态阈值集合thR_i，i是行索引，且i＝1,…,M。也就是说，大小是N×M的行车图像共有2M个动态阈值集合。具体的动态阈值集合构建方法以及车道线边缘提取步骤如下：

首先，将彩色行车图像转换为灰度图像，得到图像灰度矩阵，大小为N×M。

然后，将图像灰度矩阵与边缘增强算子进行卷积计算，得到图像锐化矩阵，大小也是N×M。

其次，将图像锐化矩阵中小于0的元素置零，其余值不变。在接下来的步骤中，不再对图像锐化矩阵的0值元素做处理。由于图像锐化矩阵中的大部分元素都是0，本步骤可有效提高后续的处理速度。

再次，将图像锐化矩阵分成左右两部分。因为车辆通常行驶在车道的中间位置，所以简单的划分方法是从中间划分。也可以根据行车方向进行斜向划分。