[发明专利]一种辅助驾驶的基于车道线检测的车辆检测测距方法

权利要求书

1.一种辅助驾驶的基于车道线检测的车辆检测测距方法，其特征在于，包括以下步骤，

步骤1：相机安装标定，采集道路图像；

步骤2：直车道线检测；

步骤3：提取弯道特征点；

步骤4、通过基于双稳态逻辑损失函数的Bagging决策树算法对弯道线进行拟合；

步骤5、假设与验证结合的车辆特征检测；

步骤6、基于surf算法和ransac算法的车辆测距；

所述步骤4具体包括以下步骤：

(a)取第n帧图像弯曲车道线的可见部分的特征点P_n1，P_n2，P_n3......P_nm，使用Bagging决策树算法拟合特征点，拟合方法是从特征点数据中随机抽取n个样本，重复s次，于是就有个s个训练集，每个训练集都可以训练出一个分类器，最终生成s个分类器，选择分类器投票结果中最多的类别作为最后拟合的结果，形成一条弯曲的曲线C_n；

(b)提取第n+1帧图像弯曲车道线的可见部分的特征点P_(n+1)1，P_(n+1)2，P_(n+1)3，P_(n+1)4......P_(n+1)m，使用Bagging决策树算法拟合特征点，形成一条弯曲的曲线C_(n+1)；

(c)在第n帧与第n+1帧中的特征点P_nλ与P_(n+1)λ处各作一条C_n与C_(n+1)的切线L_n与L_(n+1)，记L_n与L_(n+1)的夹角为θ_n，当θ_n超过限定的值M的时候，调整拟合算法，使温度参数t1变小，增加约束，使得θ_n小于限定的值M；

(d)引入双稳态逻辑损失函数，温度参数t1是一个介于0到1之间的参数，它的数值越小，对逻辑损失函数界限的约束就越大，尾部重量t2定义为一个大于等于1的参数，其数值越大，相比指数函数来说衰减也就越慢，softmax函数为：

引入t1，t2前

引入t1，t2后

σ(z)为K维向量，z为样本，j，k为第j，k个样本；分子通过指数函数，将实数输出映射到零到正无穷；分母将所有结果相加，进行归一化；

所述步骤6具体包括使用随机蕨算法训练车牌分类器，对车辆的车牌进行定位，训练分类器；训练片元为以稳定特征点为中心选取的邻域图像块，作为识别与分类的基本单位，为获得丰富的训练样本集，需要对训练片元进行大量的变换，离线分类器训练的关键在于计算训练样本中每个类别的出现频率，估计各个蕨对每个类别的条件概率，生成分类器，来识别定位车牌位置；使用surf算法提取车牌的特征点，ransac算法剔除误匹配的特征点，精确特征点匹配；选取合适的特征点坐标代入三维测距数学模型，得到测距结果。

2.根据权利要求1所述的一种辅助驾驶的基于车道线检测的车辆检测测距方法，其特征在于，所述的步骤1中相机采用双目相机，相机安装时，使相机采集的图像中，图像从上往下2/5高度区域的天空部分为远场区域，图像自下往上3/5高度区域的道路部分为近场区域。

3.根据权利要求1所述的一种辅助驾驶的基于车道线检测的车辆检测测距方法，其特征在于，所述的步骤2包括在待检测的图片中的近场区域，首先根据车道线黄白的颜色特征提取ROI感兴趣区域，再用Sobel边缘检测和霍夫变换技术检测可能存在的车道标记，在图像中和地面所成的角度来筛选提取车道线。

4.根据权利要求1所述的一种辅助驾驶的基于车道线检测的车辆检测测距方法，其特征在于，所述的步骤3包括对近视觉区域的直车道线图像进行二值化，再用Sobel边缘检测算法检测图中车道线的边缘信息，根据车道线的宽度因子，剔除图中无用的边缘信息，留下车道线的边缘信息，再用Surf算法对直车道线图像的特征点进行提取。