[发明专利]基于视觉多特征的复杂道路线提取方法

说明书

本发明公开了一种基于视觉多特征的复杂道路线提取方法，包括如下步骤：(1)摄像头标定；(2)透视变换矫正；(3)图像滤波及兴趣点提取；(4)快速LSD线检测；(5)伪道路线剔除及合并；(6)左右边界查找；(7)道路线信息提取。本发明的有益效果为：本发明解决了复杂场景下道路线提取的实时性差与鲁棒性低的问题；在两个挑战性数据集Caltech和SLD都获得较高的性能，道路线提取完整性平均精度达到92％，单帧平均运行时间35ms，充分验证了本发明的有效性。

技术领域

本发明涉及道路安全技术领域，尤其是一种基于视觉多特征的复杂道路线提取方法。

背景技术

道路线提取是车道偏离预警系统和辅助/自动驾驶的重要环节。由于实际场景中道路线复杂多变、油漆量不足及光照环境影响等，给成像设备带来诸多挑战，同时也影响道路线信息提取，因此，针对复杂道路线提取方法研究是亟需攻破的难题。

针对传统道路线提取，当前主要方法是通过提取道路线边缘图或二值图，利用直线检测技术Hough或Radon生成道路线，结合图像信息去除干扰噪声。目前，国内外学者在复杂道路线提取方面的研究很少。樊超等在论文“基于改进RANSAC算法的车道线识别方法”中提出在特征提取基础上提出一种改进的随机抽样一致算法，能有效解决光照变化和车道线破损等路况，但不适用于车道曲线转弯场景，且算法的时间复杂度较高。Ajaykumar R等在论文“Automated Lane Detection by K-means Clustering:A MachineLearningApproach”中提出应用k-means聚类对得到道路线轮廓进行修正，该算法优点是能提取到全部车道线，对车道线形状并不敏感，然而对于光照的变化却不够鲁棒。

发明内容

本发明所要解决的技术问题在于，提供一种基于视觉多特征的复杂道路线提取方法，能够解决复杂场景下道路线提取的实时性差与鲁棒性性低的问题。

为解决上述技术问题，本发明提供一种基于视觉多特征的复杂道路线提取方法，包括如下步骤：

(1)摄像头标定；将输入图像转化灰度图像，计算灰度图像的梯度，得到梯度图像；利用梯度图像计算棋盘网格的特征点坐标，通过迭代获取对应位置的坐标映射关系，计算标定参数点矩阵；

(2)透视变换矫正；利用标定参数点矩阵将道路图转化为自上而下的俯视图，俯视图的计算主要是通过透视变换完成，透视变换要求识别道路形状中的四个顶点坐标，并且四个坐标点应保持一定的排列顺序，坐标数据排列顺序采用逆时针且数据进行归一化处理；

(3)图像滤波及兴趣点提取；对透视变换得到的俯视图进行快速高斯滤波；对滤波后图像进行竖直方向上的边缘增强，计算竖直方向上Sobel边缘Image1，利用HSV颜色空间的S通道和RGB颜色空间的R通道进行阈值化处理得到Image2和Image3，通过滑动窗口搜索计算Image1、Image2和Image3满足组合条件下的二值图像；

(4)快速LSD线检测；利用快速LSD线检测对上步骤(3)得到二值图像进行直线提取，获得直线集合L；检测方式采用增强改进方法LSD_REFINE_ADV，将带弧度的线或曲线拆成多个可以逼近原线段的直线，计算出虚警数量参数，通过增加精度阈值，减少尺寸进一步精确查找直线；

(5)伪道路线剔除及合并；根据道路线与摄像头成像关系对直线集合L进行修正和处理；通过仰角范围限定能排除不符合道路曲线的直线，接着对确定两个或多个直线进行合并，评估两个直线合并条件应满足距离阈值和倾角阈值；

(6)左右边界查找；对线检测结果计算其列投影，设定峰值截取阈值，利用投影向量峰值位置关系判断得到道路线左右边界的中心点坐标；在左右边界中心周围向上滑动窗口来查找并计算道路线延伸区域，延伸区域可由多个子窗口构成，多个子窗口相互连接从二值图像的底部到顶部；子窗口由底部起点搜索，子窗口中心坐标排列方向表示道路线延伸方向；