[发明专利]一种多车道车道线检测方法

说明书

本发明公开了一种多车道车道线检测方法，包括以下步骤：S1，采集道路图像，选取其感兴趣区域，然后灰度化得到灰度图像；S2，通过边缘检测算法提取灰度图像中的图像轮廓，然后转换为二值图像；S3，通过霍夫直线检测识别本车道车道线候选线；S4，基于S3获取的本车道车道线候选线确定滑窗检测位置，采用滑窗方法进一步检测本车道车道线；S5，本车道车道线颜色判断，若车道线的一侧为黄线，则不进行该侧侧车道检测；若车道线的一侧不是黄线，则进行该侧侧车道检测；S6，基于本车道车道线，通过灭点检测和霍夫直线检测识别侧车道候选线；S7，基于S6获取的侧车道车道线候选线确定滑窗检测位置，采用滑窗方法进一步检测侧车道车道线。

技术领域

本发明涉及图像检测领域，具体涉及一种多车道车道线检测方法。

背景技术

车道线检测功能是道路环境感知系统的重要组成部分。车道线检测主要基于摄像头的图像进行检测识别。目前主流的检测方法分为两种，一种是以霍夫直线检测及滑窗检测为核心的传统图像处理算法；另一种是以深度学习中语义分割网络为基础的深度网络检测算法。传统图像处理算法中，先对原图像进行二值化，然后以霍夫直线检测为核心的算法，检测二值图中的直线区域并筛选获得车道线；以滑窗检测为核心的算法通过逆透视获得更好预处理效果，通过滑窗获取车道线关键点并拟合获得车道线。语义分割网络可以分割多种目标，算法以数据驱动，将大量标注完备的车道线数据输入语义分割网络进行训练，利用训练好的网络检测除图像中属于车道线的像素，再将点拟合为车道线。

传统图像处理算法，感兴趣区域直接截取图像地平线以下的图像作为感兴趣区域，车道检测时易受车道边事物的影响，即由于对感兴趣区域选取限制大，导致检测区域受限，误检漏检较多，对不同环境适应性较差；使用逆透视方法可以将图像中成梯形路面区域通过相机标定变为俯视图，有利于车道线特征提取，但是，当前摄像头越来越高清，意味着处理图像的像素点越来越多，逆透视的时间消耗过大，同时，侧方车道极容易出现在逆透视区域以外，造成漏检，即无法进行多车道车道线提取且在弯道时难以进行检测，仅适用于单车道车道线识别；通过霍夫检测只能识别直线，在弯道处难以进行检测，而通过全图滑窗检测来识别弯道，不仅耗时，同时易受环境光照的影响，难以滤出干扰，不能准确定位车道线。

采用深度网络学习的方法，输出为全图像素点置信度，不具有原图像特征的特性，使得误检的滤除存在较高的难度。同时在网络执行检测后，再将像素点聚类拟合为车道线的两步耗时普遍较高，实时性难以得到保证。

发明内容

本发明的目的在于克服现有技术中不能准确实时识别多车道车道线的不足，提供一种多车道车道线检测方法，其在结构化道路上适用性较强，同时具有较高的精确性与实时性。

为了实现上述发明目的，本发明提供了以下技术方案：

一种多车道车道线检测方法，包括以下步骤：

S1，采集道路图像，选取道路图像的感兴趣区域，得到第一图像，第一图像灰度化，得到灰度图像；

S2，通过边缘检测算法提取灰度图像中的图像轮廓，然后二值化操作，将图像转换为二值图像；

S3，通过霍夫直线检测识别本车道车道线候选线；

S4，基于步骤S3获取的本车道车道线候选线确定滑窗检测位置，采用滑窗方法进一步检测本车道车道线；

S5，本车道车道线颜色判断，若本车道车道线的一侧为黄线，则不进行该侧侧车道检测；若本车道车道线的一侧不是黄线，则进行该侧侧车道检测；

S6，基于本车道车道线，通过灭点检测和霍夫直线检测识别侧车道候选线；

S7，基于步骤S6获取的侧车道车道线候选线确定滑窗检测位置，采用滑窗方法进一步检测侧车道车道线。

优选地，所述步骤S2具体包括以下步骤：