[发明专利]一种车道线识别方法及系统

说明书

本发明提供一种车道线识别方法及系统，其中，车道线识别方法包括：对获取的包含车道线的灰度图像划定感兴趣区域；采用匹配滤波器进行多尺度匹配滤波；对经多尺度匹配滤波后的图像感兴趣区域进行顶帽变换；通过设定灰度自适应门限与待检测像素点进行比较，筛选车道线特征点；对筛选出的车道线特征点进行逆投影变换，获取二维栅格地图；对二维栅格地图进行邻域聚类处理，再对车道线像素点进行曲线拟合，结合车辆当前的位置确定该车辆所在车道的车道线。本发明实现对多种环境下车道线区域的特征增强，极大减弱外界条件的变化对基于机器视觉的车道线识别的影响，提高后续车道线识别的准确率。

技术领域

本发明涉及汽车辅助驾驶领域，尤其涉及一种车道线识别方法及系统。

背景技术

随着汽车保有量的增加，道路交通事故已成为全世界面临的一个严重问题，因此在智能交通系统领域，智能车辆的发展已受到广泛关注，利用计算机视觉进行自主驾驶与辅助导航是目前的主流研究方向，车道线的检测与跟踪定位是驾驶辅助系统及无人驾驶发展的一项核心技术。针对车道线识别，很多学者开展了广泛的研究。总体归纳起来，基于机器视觉车道线识别技术主要包括三个步骤：车道线特征点提取、车道线边界拟合和车道线跟踪技术。

车道线特征点的提取通常采用图像分割的方式，将其从背景图像中分离出来。其中，常用的预处理方法包括各种边缘检测方法，如Sobel算子，Canny算子，Roberts算子等；常用的阀值分割方法有最大类间方差法、自适应阈值等。然而，这些方法易受各种环境条件的干扰，要求车道线有较高的对比度，否则会引起分割阈值的过高或过低，从而导致车道线特征点的遗漏或噪声点增多。鉴于车道线的方向性，许多学者采用基于梯度的方法来实现特征提取。这种方法在直道模型中具有较强的适应性，但容易受噪声点的干扰，且计算量大。此外，基于颜色的特征也被应用到了车道线检测中。基于RGB颜色通道，根据图像中车道线颜色特征设计转移函数来标记车道线区域，但当背景物体颜色与车道线颜色相近时，在检测出车道线的同时，背景区域也会被标记出来。

车道线边界拟合及跟踪是建立在车道线数学模型的基础上。车道线边界可被划分为直线、抛物线、样条曲线等模型。Hough变换算法被经常应用到直线车道模型中。另外，线性-抛物线模型也被广泛应用到车道线模型中，但该方法一般都假设在初始检测时刻，车道线是平直的、车辆与车道线平行、图像视野内除了车道边界外不存在其他的线性物体边界等，这就限制了该模型算法的适用范围。

综上，现有的技术条件下，车道线的识别容易受外界因素的影响，识别的效果不佳，准确率也不高。

发明内容

本发明所要解决的技术问题在于，提供一种能够适应外界环境变化，提高识别准确率的车道线的识别方法及系统。

为解决上述技术问题，本发明提供一种车道线识别方法，包括下述步骤：

S100、对获取的包含车道线的灰度图像划定感兴趣区域；

S200、采用匹配滤波器对图像感兴趣区域进行多尺度匹配滤波，完成所述图像感兴趣区域的特定增强；

S300、对经多尺度匹配滤波后的所述图像感兴趣区域进行顶帽变换；

S400、通过在所述图像感兴趣区域设定灰度自适应门限与待检测像素点进行比较，筛选车道线特征点；

S500、对筛选出的所述车道线特征点进行逆投影变换，获取所述车道线特征点对应的二维栅格地图；

S600、对所述二维栅格地图进行车道线特征点的邻域聚类处理，再对完成邻域聚类处理的车道线像素点进行曲线拟合，根据曲线拟合结果及车辆的当前位置确定车辆所在车道的车道线。

其中，所述步骤S100之前还包括下述步骤：