專利名稱：復(fù)雜路況的車道線特征提取、識別方法
技術(shù)領(lǐng)域：
本發(fā)明涉及復(fù)雜路況下的車道線檢測方法，特別是一種基于對稱局部閾值和去相關(guān)RANSAC的實(shí)時魯棒車道線檢測方法，屬于汽車智能輔助駕駛系統(tǒng)技術(shù)領(lǐng)域。
背景技術(shù)：
近年來，隨著我國經(jīng)濟(jì)的快速發(fā)展，客貨運(yùn)量的增加，我國公路建設(shè)路程迅猛增長，特別是高速公路的快速發(fā)展，大大緩解了我國經(jīng)濟(jì)發(fā)展給交通運(yùn)輸業(yè)帶來的壓力。但是隨著公路建設(shè)路程的增長、汽車保有量的增加、車流量的加大以及行車速度的提高，道路交通事故呈逐年惡化的態(tài)勢，特別是特大惡性交通事故頻繁發(fā)生，給人們的生命財(cái)產(chǎn)和國民經(jīng)濟(jì)造成了巨大的損失。例如，2009年，中國汽車保有量約占世界汽車保有量的百分之三， 但交通事故死亡人數(shù)卻占世界的百分之十六。據(jù)公安部交通管理局通報(bào)，2009年，全國共發(fā)生道路交通事故238351起，造成67759人死亡、275125人受傷，直接財(cái)產(chǎn)損失9. I億元。 因此研究車道偏離預(yù)警系統(tǒng)，輔助駕駛員在單調(diào)駕駛環(huán)境中保持車輛在車道內(nèi)行駛，已經(jīng)成為國內(nèi)外的研究重點(diǎn)。在安全輔助駕駛系統(tǒng)中，車道線的正確檢測是該系統(tǒng)正常工作的基本前提和關(guān)鍵技術(shù)。目前，已經(jīng)提出了很多基于視覺的車道線識別方法。按照識別方法的不同總體上可分為兩大類基于特征的識別方法和基于模型的識別方法?；谔卣鞯淖R別方法主要是結(jié)合道路圖像的一些特征(如顏色特征、灰度梯度特征等)，從所獲取的圖像中識別出車道線。基于特征的識別方法可分為基于灰度特征和基于彩色特征的識別。基于模型的車道線識別方法主要是基于不同的道路圖像模型(2D或3D 模型)，采用不同的識別技術(shù)(Hough變換、模板匹配技術(shù)、神經(jīng)網(wǎng)絡(luò)技術(shù)等)來對車道線進(jìn)行識別。一方面，由于基于特征的方法通過結(jié)合底層特征(如邊緣)對路面圖像分割定位車道線，當(dāng)?shù)缆仿访娼Y(jié)構(gòu)不均勻、光照變化、陰影遮擋、車道線破損以及污痕存在使得車道線不規(guī)則時，在此情況下該方法就無能為力了。另一方面，基于模型的方法僅采用少量的參數(shù)描述車道線，如事先假定車道線的形狀為直線或雙曲線，那么車道線識別過程可看作是計(jì)算這些模型參數(shù)的過程，同樣當(dāng)?shù)缆仿访娼Y(jié)構(gòu)不均勻、光照變化、陰影遮擋、車道線破損以及污痕存在使得車道線不規(guī)則、不清晰或是某段完全失去標(biāo)識信息時，無法找到足夠的車道線特征點(diǎn)來擬合假定的模型或者擬合出錯誤的模型，所以此情況下，該方法有時也不能有效地識別出正確的車道線。

發(fā)明內(nèi)容
本發(fā)明的目的是提供一種復(fù)雜路況的車道線特征提取、識別方法，以解決現(xiàn)有方法對車道線存在光照變化、陰影遮擋、破損或污跡覆蓋等復(fù)雜路況下魯棒性和實(shí)時性都偏低甚至誤識別的問題。為實(shí)現(xiàn)上述目的，本發(fā)明的復(fù)雜路況的車道線特征提取方法步驟如下
(I)將車載視覺系統(tǒng)采集到的彩色道路圖像轉(zhuǎn)換為灰度圖像；(2)對灰度圖像進(jìn)行中值濾波處理；(3)根據(jù)道路圖像對車道線特征提取的重要程度將濾波處理后的圖像劃分為不考慮區(qū)域和感興趣區(qū)域；(4)對感興趣區(qū)域利用對稱局部閾值分割法進(jìn)行二值化處理，從而實(shí)現(xiàn)車道線特征提取。進(jìn)一步的，所述步驟(4)中利用對稱局部閾值分割法進(jìn)行二值化處理的具體步驟如下I)定義感興趣區(qū)域的左上角為坐標(biāo)原點(diǎn)，縱向?yàn)閄軸、橫向?yàn)閥軸，設(shè)感興趣區(qū)域大小為M行N列；2)對于感興趣區(qū)域中任一點(diǎn)坐標(biāo)為(Xi，y」)的像素，以其橫坐標(biāo)y」為基準(zhǔn)，在同一橫行上分別向左、右延伸c個像素距離，分別構(gòu)成關(guān)于I = Yj對稱的左邊像素區(qū)域、右邊像素區(qū)域；計(jì)算左像素區(qū)域和右像素區(qū)域的灰度平均值VmMnL和Vm_K ；3)判斷感興趣區(qū)域中任一點(diǎn)像素的橫坐標(biāo)y」的值，若y」的值小于等于c，則比較此像素點(diǎn)的灰度值V(Xi，Yj)與vm_K+T的大小，當(dāng)V(Xi，Yj) > VmeanE+T時置此像素點(diǎn)的灰度值為255，否則就置為0，所述T是用最大類間方差法得到的感興趣區(qū)域的分割閾值的二分之一;4)若y」的值大于c且小于N-c，分別比較此點(diǎn)的灰度值V(Xi，yj) % VmeanL+T,VmeanE+T 的大小，當(dāng)VUi, Yj) > max{VmeanL+T, VmeanE+T}時置此像素點(diǎn)的灰度值為255，否則就置為O ;5)若y」的值大于等于N-c,比較此點(diǎn)的灰度值V(Xpyj)與VmeanI+T的大小，當(dāng)V(Xi, Yj) > VmeanL+T時,置此像素點(diǎn)的灰度值為255，否則就置為O ;6)所有感興趣區(qū)域內(nèi)的像素點(diǎn)重復(fù)步驟(3)、⑷和(5)，就實(shí)現(xiàn)了感興趣區(qū)域的二值化，得出車道線特征提取結(jié)果。進(jìn)一步的，所述步驟(4)的2)步中，根據(jù)透視投影影響和實(shí)時性要求，對于第一行到第M行的各像素點(diǎn)，c值按下式依次取值為c = [A^^ + 0.5ZJ，Λ = 0，1，2，···Μ-1其中M是圖像中感興趣區(qū)域的行數(shù)，L1是
正常情況下測得的完好的車道線的像素寬度。進(jìn)一步的，所述步驟(I)中將彩色道路圖像轉(zhuǎn)換為灰度圖像的灰度化公式為=Vgray =O. 30R+0. 59G+0. 11Β,式中Vgray為灰度化后的像素灰度值，R、G、B分別代表RGB彩色模型的三個分量。進(jìn)一步的，所述步驟(3)中感興趣區(qū)域的劃分是根據(jù)道路圖像對車道線識別的重要程度將圖像劃分為3個區(qū)域左車道線存在區(qū)域、右車道線存在區(qū)域和不考慮區(qū)域，其中，左車道線存在區(qū)域和右車道線存在區(qū)域大小相同，一起構(gòu)成感興趣區(qū)域。本發(fā)明的復(fù)雜路況的車道線識別方法步驟如下(I)將車載視覺系統(tǒng)采集到的彩色道路圖像轉(zhuǎn)換為灰度圖像，對灰度圖像進(jìn)行中值濾波處理，并進(jìn)行感興趣區(qū)域劃分，利用對稱局部閾值分割法分割、提取車道線特征信 (2)將感興趣區(qū)域中提取出的所有一側(cè)車道線特征點(diǎn)存入該側(cè)車道線特征點(diǎn)集合
(3)在該側(cè)車道線特征點(diǎn)集合Pk內(nèi)隨機(jī)抽取β個特征點(diǎn)構(gòu)成抽取集合，并用其初始化該側(cè)車道線模型Mk;(4)計(jì)算該側(cè)車道線特征點(diǎn)集合Pk中其余各點(diǎn)與車道線模型Mk之間的垂直距離， 選取模型誤差容限Cli,設(shè)垂直距離小于該誤差容限的特征點(diǎn)個數(shù)為Y ；(5) β個特征點(diǎn)與Y個特征點(diǎn)的合集構(gòu)成誤差容限集合S，設(shè)定閾值t，若集合S 內(nèi)特征點(diǎn)個數(shù)(β + Υ)小于t，則重復(fù)步驟(3)、(4);若集合S內(nèi)特征點(diǎn)個數(shù)大于等于t，則利用集合S，采用最小二乘法構(gòu)建新的車道線模型M/。(6)計(jì)算特征點(diǎn)集合Pk中各點(diǎn)與新車道線模型M/之間的垂直距離，選取刪除誤差容限(1。，從匕中刪除步驟(5)中選定的集合S中的全部特征點(diǎn)以及所有與M/的垂直距離小于d0的特征點(diǎn)，由此得到新的特征點(diǎn)集合Ρκ。進(jìn)一步的，重復(fù)步驟(3)、⑷、(5)和(6)不斷建立新的車道線模型并且保留每次建立的新車道線模型參數(shù)，完成設(shè)定的抽取次數(shù)后，選取包含特征點(diǎn)最多的誤差容限集合， 并以該誤差容限集合構(gòu)建的車道線模型為識別的最優(yōu)車道線模型。進(jìn)一步的，所述設(shè)定的抽取次數(shù)為2E(K)，E(K)為隨機(jī)抽取次數(shù)K的統(tǒng)計(jì)均值， E(K) =w_e，其中w為集合Pk中車道線特征點(diǎn)個數(shù)與Pk中特征點(diǎn)總數(shù)(包含車道線特征點(diǎn)與噪聲點(diǎn))的比值，β為步驟(3)中初始化車道線模型時從Pk中隨機(jī)抽取的特征點(diǎn)個數(shù)。進(jìn)一步的，所述步驟(5)中閾值t的設(shè)定是根據(jù)擬合出的車道線模型是正確車道模型的置信度計(jì)算得到。本發(fā)明所提出的復(fù)雜路況的車道線特征提取方法是將原始道路圖像經(jīng)灰度化和中值濾波處理后，應(yīng)用對稱局部閾值分割方法對其進(jìn)行分割以提取車道線信息。此分割方法利用對稱局部信息來確定最終分割的閾值，對于光照變化、陰影遮擋或污跡覆蓋造成的低對比度道路圖像，此方法可有效地確定合理的閾值對其進(jìn)行分割從而提取出正確的車道線特征信息。本發(fā)明所提出的復(fù)雜路況的車道線識別方法，根據(jù)提取出的特征點(diǎn)數(shù)量較少、分布不規(guī)則并且包含干擾點(diǎn)多的特點(diǎn)，應(yīng)用去相關(guān)RANSAC方法進(jìn)行識別，通過設(shè)定刪除誤差容限，不斷刪除前次擬合模型時所用到的所有特征點(diǎn)，降低模型之間的相關(guān)性。因此，相對于傳統(tǒng)RANSAC方法不僅實(shí)時性得到很大提高而且魯棒性得到明顯增強(qiáng)，對于由于光照變化、陰影遮擋、破損或污跡覆蓋造成提取出的車道線特征點(diǎn)少、干擾點(diǎn)多并且特征點(diǎn)分布不規(guī)則的情況下，可以有效地對車道線進(jìn)行識別。本方法克服了大多道路圖像預(yù)處理方法在光照變化以及車道線存在光照變化、陰影遮擋、污跡覆蓋等情況下，不能有效提取車道線特征信息的缺點(diǎn)，適應(yīng)性更廣；在提取出的車道線特征點(diǎn)分布很不規(guī)則并且存在大量干擾點(diǎn)的情況下，本方法能有效地識別出車道線，相比經(jīng)典識別方法魯棒性大大增強(qiáng)；由于建模時使用的特征點(diǎn)少并且在迭代過程中不斷使用誤差容限刪除原有特征點(diǎn)，因此去相關(guān)RANSAC 方法相對于原有的RANSAC方法實(shí)時性得到很大提高。


圖I是車道線檢測算法的整體流程2是中值濾波示意圖3是道路圖像分區(qū)示意圖；圖4是基于對稱局部閾值分割方法不意圖；圖5是車道線區(qū)域特征點(diǎn)集合示意圖；圖6是初始化車道線模型示意圖；圖7是基于對稱局部閾值的道路圖像特征提取方法流程圖；圖8是道路圖像特征提取方法實(shí)驗(yàn)結(jié)果比較圖；圖9是基于去相關(guān)RANSAC算法的車道線識別方法流程圖；圖10是不同路況下的車道線檢測實(shí)驗(yàn)結(jié)果圖。
具體實(shí)施例方式一、應(yīng)用對稱局部閾值分割的車道線特征提取本發(fā)明的車道線特征提取方法包括道路圖像的灰度化、中值濾波、感興趣區(qū)域的劃分以及應(yīng)用對稱局部閾值分割提取車道線特征信息。具體實(shí)施步驟I、首先將車載視覺系統(tǒng)采集到的彩色圖像經(jīng)灰度化轉(zhuǎn)換為灰度圖像。灰度化采用如下形式
=0.30i +0.59G+ 0.115\y =r = g=B
gray^(丄)式中，Vgray代表灰度化后的像素灰度值，R、G、B分別代表RGB彩色模型的三個分量。2、對灰度化后的圖像進(jìn)行中值濾波處理。采用3x3的窗口，把二維窗口中的數(shù)據(jù)一維化，并排列其順序，由公式⑵求出其中值Me，然后用中值Me代替窗口中心X22原來的灰度值，如圖2所示。Me = Median {xn, x12, X13*** X33I(2)3、將中值濾波后圖像進(jìn)行感興趣區(qū)域的劃分。根據(jù)道路圖像對車道線識別的重要程度將其按圖3劃分為3個區(qū)域左車道線存在區(qū)域Al、右車道線存在區(qū)域A2以及不考慮區(qū)域A3，且左車道線存在區(qū)域Al、右車道線存在區(qū)域A2大小相同，一起構(gòu)成感興趣區(qū)域。設(shè)整幅圖像平面面積為S，區(qū)域Al、A2、A3的面積分別為7S/24、7S/24、5S/12。由于A3區(qū)域主要為天空區(qū)域，基本不含車道線信息，車道線特征提取時直接將其作為背景處理，只在感興趣區(qū)域Al和A2中進(jìn)行特征提取。4、在感興趣區(qū)域內(nèi)利用對稱局部閾值分割方法進(jìn)行車道線特征提取。如圖4所示，定義感興趣區(qū)域的左上角為坐標(biāo)原點(diǎn)，縱向?yàn)閄軸、橫向?yàn)閥軸；設(shè)感興趣區(qū)域大小為M 行N列，用I(x，y)表示道路圖像感興趣區(qū)域，用V(Xi，yj)表示像素點(diǎn)(Xi，yj)的灰度值。5、判斷像素點(diǎn)(Xi, Yj)的橫坐標(biāo)y」的值，當(dāng)y」彡c時,計(jì)算像素區(qū)域[I (Xi, Yj), Kxi, Yj+c)]的灰度平均值，記考慮到透視投影影響和實(shí)時性要求，對于第一行到第M行的各像素點(diǎn)，c按(3)式依次取值c = [k L[ +0-5^], k = 0,l,2,---M-I
M-I(3)式中M是圖像中感興趣區(qū)域的行數(shù)，L1是正常情況下測得的完好的車道線的像素覽度。6、計(jì)算像素點(diǎn)(Xpyj)的灰度值 V(Xi，y」)，當(dāng) V(Xi，y」)> VmeanE+T 時置 V(Xi, y」)= 255，否則置V(Xi，y」)=0。上述關(guān)系式中，T是一個閾值常量，取T = IATtrtsuJrtsu為利用最大類間方差法(otsu)獲得的感興趣區(qū)域的全局閾值，這里取的是“去歸一化”后的值。7、當(dāng) c < y」< N_c 時,分別計(jì)算像素區(qū)域[I (Xi, y「c), I (Xi, y」)]和[I (Xi, y」), I(Xi，Yj+c)]的均值，并分別記為 VmeanL 和 VmeanE;當(dāng) V(Xi，Yj) >max{VffleanL+T, VffleanE+T}時置
V(Xi, Yj) = 255,否則置 V (Xi, Yj) = O。8、當(dāng)y」彡N-c時,計(jì)算像素區(qū)域[I (X^yj-C)，I (x^yj)]的均值記為Nmesnh ;當(dāng)V(Xi, Yj) > VmeanL+T 時置 V(Xi，Yj) = 255，否則置 V (Xi，Yj) = O。9、重復(fù)步驟5、6、7、8遍歷感興趣區(qū)域所有像素點(diǎn)，得出分割后圖像S(Xi，yj)，分割后圖像S (xi; Yj)為
權(quán)利要求
1.一種復(fù)雜路況的車道線特征提取方法，其特征在于，該方法的步驟如下(1)將車載視覺系統(tǒng)采集到的彩色道路圖像轉(zhuǎn)換為灰度圖像；(2)對灰度圖像進(jìn)行中值濾波處理；(3)根據(jù)道路圖像對車道線特征提取的重要程度將濾波處理后的圖像劃分為不考慮區(qū)域和感興趣區(qū)域；(4)對感興趣區(qū)域利用對稱局部閾值分割法進(jìn)行二值化處理，從而實(shí)現(xiàn)車道線特征提取。
2.根據(jù)權(quán)利要求I所述的復(fù)雜路況的車道線特征提取方法，其特征在于，所述步驟(4) 中利用對稱局部閾值分割法進(jìn)行二值化處理的具體步驟如下1)定義感興趣區(qū)域的左上角為坐標(biāo)原點(diǎn)，縱向?yàn)閄軸、橫向?yàn)閥軸，設(shè)感興趣區(qū)域大小為M行N列；2)對于感興趣區(qū)域中任一點(diǎn)坐標(biāo)為(Xi，yj)的像素，以其橫坐標(biāo)y」為基準(zhǔn)，在同一橫行上分別向左、右延伸c個像素距離，分別構(gòu)成關(guān)于I = Yj對稱的左邊像素區(qū)域、右邊像素區(qū)域；計(jì)算左像素區(qū)域和右像素區(qū)域的灰度平均值VmMnL和Vm_K ；3)判斷感興趣區(qū)域中任一點(diǎn)像素的橫坐標(biāo)Yj的值，若&的值小于等于C，則比較此像素點(diǎn)的灰度值V(Xi，Yj)與Vm_K+T的大小，當(dāng)V(Xi，Yj) > VmeanE+T時置此像素點(diǎn)的灰度值為 255，否則就置為0，所述T是用最大類間方差法得到的感興趣區(qū)域的分割閾值的二分之一；4)若y」的值大于c且小于N-c，分別比較此點(diǎn)的灰度值V(Xi, y」)與V_L+T、VmeanE+T的大小，當(dāng)VUi, Yj) > max{VmeanL+T, VmeanE+T}時置此像素點(diǎn)的灰度值為255，否則就置為O ;5)若Yj的值大于等于N-c,比較此點(diǎn)的灰度值V(Xi,Yj)與VmeanI+T的大小，當(dāng)V(Xi, yp > VmeanL+T時,置此像素點(diǎn)的灰度值為255,否則就置為O ;6)所有感興趣區(qū)域內(nèi)的像素點(diǎn)重復(fù)步驟(3)、(4)和(5)，就實(shí)現(xiàn)了感興趣區(qū)域的二值化，得出車道線特征提取結(jié)果。
3.根據(jù)權(quán)利要求2所述的復(fù)雜路況的車道線特征提取方法，其特征在于所述步驟(4) 的2)步中，根據(jù)透視投影影響和實(shí)時性要求，對于第一行到第M行的各像素點(diǎn)，c值按下式依次取值為C =+ 0-5l^ k = 0^-'-M~l其中M是圖像中感興趣區(qū)域的行數(shù)，L1是正常情況下測得的完好的車道線的像素寬度。
4.根據(jù)權(quán)利要求1-3中任一項(xiàng)所述的復(fù)雜路況的車道線提取方法，其特征在于，所述步驟(I)中將彩色道路圖像轉(zhuǎn)換為灰度圖像的灰度化公式為=Vgray = O. 30R+0. 59G+0. 11B， 式中Vgray為灰度化后的像素灰度值，R、G、B分別代表RGB彩色模型的三個分量。
5.根據(jù)權(quán)利要求4所述的復(fù)雜路況的車道線特征提取方法，其特征在于，所述步驟(3) 中感興趣區(qū)域的劃分是根據(jù)道路圖像對車道線識別的重要程度將圖像劃分為3個區(qū)域左車道線存在區(qū)域、右車道線存在區(qū)域和不考慮區(qū)域，其中，左車道線存在區(qū)域和右車道線存在區(qū)域大小相同，一起構(gòu)成感興趣區(qū)域。
6.一種復(fù)雜路況的車道線識別方法，其特征在于，該方法的步驟如下(I)將車載視覺系統(tǒng)采集到的彩色道路圖像轉(zhuǎn)換為灰度圖像，對灰度圖像進(jìn)行中值濾波處理，并進(jìn)行感興趣區(qū)域劃分，利用對稱局部閾值分割法分割、提取車道線特征信息；(2)將感興趣區(qū)域中提取出的所有一側(cè)車道線特征點(diǎn)存入該側(cè)車道線特征點(diǎn)集合Pk；(3)在該側(cè)車道線特征點(diǎn)集合Pk內(nèi)隨機(jī)抽取β個特征點(diǎn)構(gòu)成抽取集合，并用其初始化該側(cè)車道線模型Mk;(4)計(jì)算該側(cè)車道線特征點(diǎn)集合Pk中其余各點(diǎn)與車道線模型塢之間的垂直距離，選取模型誤差容限屯，設(shè)垂直距離小于該誤差容限的特征點(diǎn)個數(shù)為Y ；(5)β個特征點(diǎn)與Y個特征點(diǎn)的合集構(gòu)成誤差容限集合S，設(shè)定閾值t，若集合S內(nèi)特征點(diǎn)個數(shù)(β + Y )小于t，則重復(fù)步驟(3)、(4);若集合S內(nèi)特征點(diǎn)個數(shù)大于等于t，則利用集合S，采用最小二乘法構(gòu)建新的車道線模型M/ ；(6)計(jì)算特征點(diǎn)集合匕中各點(diǎn)與新車道線模型M/之間的垂直距離，選取刪除誤差容限 (1。，從匕中刪除步驟(5)中選定的集合S的全部特征點(diǎn)以及所有與M/的垂直距離小于d。 的特征點(diǎn)，由此得到新的特征點(diǎn)集合PR。
7.根據(jù)權(quán)利要求6所述的復(fù)雜路況的車道線識別方法，其特征在于重復(fù)步驟(3)、(4)、(5)和(6)不斷建立新的車道線模型并且保留每次建立的新車道線模型參數(shù)，完成設(shè)定的抽取次數(shù)后，選取包含特征點(diǎn)最多的誤差容限集合，并以該誤差容限集合構(gòu)建的車道線模型為識別的最優(yōu)車道線模型。
8.根據(jù)權(quán)利要求7所述的復(fù)雜路況的車道線識別方法，其特征在于所述設(shè)定的抽取次數(shù)為2E⑷，E⑷為隨機(jī)抽取次數(shù)K的統(tǒng)計(jì)均值，E(K) = w_e，其中，w為集合Pk中車道線特征點(diǎn)個數(shù)與Pk中特征點(diǎn)總數(shù)(包含車道線特征點(diǎn)與噪聲點(diǎn))的比值，β為步驟(3)中初始化車道線模型時從Pk中隨機(jī)抽取的特征點(diǎn)個數(shù)。根據(jù)權(quán)利要求6-8中任一項(xiàng)所述的復(fù)雜路況的車道線識別方法，其特征在于，所述步驟(5)中閾值t的設(shè)定是根據(jù)擬合出的車道線模型是正確車道模型的置信度計(jì)算得到。
全文摘要
本發(fā)明涉及一種復(fù)雜路況的車道線檢測方法，該方法首先將彩色道路圖像轉(zhuǎn)換為灰度圖像并進(jìn)行中值濾波處理；然后，對濾波后的圖像進(jìn)行感興趣區(qū)域的劃分，并應(yīng)用對稱局部閾值分割方法在感興趣區(qū)域內(nèi)對道路圖像進(jìn)行二值化處理，從而提取車道線特征信息；最后，基于提取出的車道線特征點(diǎn)分布規(guī)律，采用去相關(guān)RANSAC方法對左、右車道線分別進(jìn)行并行識別。本發(fā)明所提出的車道線檢測方法相對于傳統(tǒng)RANSAC方法不僅實(shí)時性得到很大提高而且魯棒性得到顯著增強(qiáng)；本發(fā)明對由于光照變化、陰影遮擋、車道線破損以及污跡覆蓋等原因造成的復(fù)雜路況，可快速、有效地檢測出車道線。
文檔編號G06K9/00GK102592114SQ20111044169
公開日2012年7月18日 申請日期2011年12月26日 優(yōu)先權(quán)日2011年12月26日
發(fā)明者侯利龍, 傅洪亮, 張德賢, 張瑞, 李永鋒, 楊鐵軍, 樊超, 狄?guī)? 馬海華 申請人:河南工業(yè)大學(xué)