一種車道線邊緣提取的動態(tài)閾值方法
【專利摘要】本發(fā)明公開了一種車道線邊緣提取的動態(tài)閾值方法，屬于視覺導航和車輛安全輔助駕駛領域。其特征在于，將一幀行車圖像分成左右兩部分，左側圖像的每一行具有自己的動態(tài)閾值集合，右側圖像的每一行也具有自己的動態(tài)閾值集合。動態(tài)閾值集合由每行每側圖像銳化矩陣的幾個較大值構成，即可細致體現圖像的局部特征，又能兼顧圖像的全局特性。自左右分界處進行自內向外、自下向上的逐行掃描，將第一次遇到閾值集合中元素的位置記為左側或右側惟一的邊緣位置。本發(fā)明適于檢測車輛行進所在車道，所輸出的車道線邊緣只有單像素寬、目的性強、干擾點少，大大簡化了后續(xù)的車道線檢測處理。與現有固定或自適應閾值方法相比，車道線檢測正確率和速度都得到提高。
【專利說明】一種車道線邊緣提取的動態(tài)閾值方法

【技術領域】
[0001] 本發(fā)明涉及視覺導航和車輛安全輔助駕駛領域，特別是涉及一種基于視覺的車道 線邊緣提取方法。

【背景技術】
[0002] 基于視覺的車道線檢測在智能車控制、車輛安全輔助駕駛（如車道偏離告警）等 系統(tǒng)中不可或缺。目前，大部分車道線檢測方法可歸納為兩類，基于特征的方法和基于模型 的方法。其中，基于特征的方法居多，主要提取和利用了車道線邊緣、結構、顏色等特征?；?于模型的方法則主要通過嵌入車道邊界的平行性、道路的平坦性等約束建立車道線的數學 模型，如拋物線模型、樣條模型等。此外，也有基于機器學習（如人工神經網絡、支持向量機 等）對車道線圖像進行分類的檢測方法。
[0003] 在基于特征的車道線檢測方法中，應用較普遍的特征是邊緣。一般而言，這些算法 先采用如Canny或Sobel等算子進行邊緣提取，獲取車道線邊緣點集；然后，基于邊緣點集， 通過感興趣區(qū)域（region of interest, R0I)劃分、Hough變換等方法檢測出車道線。而且， 后續(xù)常伴有車道線跟蹤、車道線偏離告警等處理。由此可見，邊緣提取方法對車道線檢測及 其它后續(xù)處理的正確率和速度都有著重要的影響。
[0004] 然而，邊緣提取方法的閾值設置對車道線檢測性能有著較大影響。因為普遍的做 法是，大于等于閾值的被視為邊緣點，而小于閾值的被視為非邊緣點。這樣一來，如果閾值 過大，一些正確的邊緣點將被去除；反之，如果閾值過小，很多非邊緣干擾點將被錯誤地納 入邊緣點集。當車道線本身存在污損、行車環(huán)境變化較快或存在較大噪聲（如白天樹木/ 建筑陰影、夜晚路燈等造成的不均勻光照）時，閾值的選擇更是一大難題。為此，多種動態(tài) 閾值策略相繼被提出。典型的方法有，采用傳統(tǒng)或改進的0TSU方法計算區(qū)分車道線和路面 的閾值；根據圖像的像素灰度平均值和方差判斷路況環(huán)境，再根據經驗值獲取不同路況環(huán) 境下的閾值；根據用戶經驗設定圖像中是邊緣點的像素比例或者肯定不是邊緣點的像素比 例，并據此確定閾值。不難看出，這些動態(tài)閾值方法主體上反映的仍然是圖像的全局特性， 而未能充分反映圖像的局部特性，有的還依賴于用戶經驗，其結果是，車道線邊緣提取的性 能仍受到限制，車道線檢測的效果也不可避免地受到影響。


【發(fā)明內容】

[0005] 本發(fā)明的目的在于，提供一種能兼顧圖像的全局和局部特征，且無需用戶經驗的 動態(tài)閾值方法，通過與一種逐行掃描策略相配合，使提取的車道線邊緣點集具有單像素寬、 目的性強、干擾點少等特性，以期進一步提高后續(xù)車道線檢測的正確率和速度。
[0006] 本發(fā)明的技術方案是，將大小是NXM(列X行，或寬X高）的一幀行車圖像分成 左右兩部分，左側圖像的每一行具有自己的動態(tài)閾值集合thQ，右側圖像的每一行也具有 自己的動態(tài)閾值集合thRpi是行索引，且i = 1，···，Μ。也就是說，大小是NXM的行車圖像 共有2Μ個動態(tài)閾值集合。具體的動態(tài)閾值集合構建方法以及車道線邊緣提取步驟如下 ：
[0007] 首先，將彩色行車圖像轉換為灰度圖像，得到圖像灰度矩陣，大小為NXM。
[0008] 然后，將圖像灰度矩陣與邊緣增強算子進行卷積計算，得到圖像銳化矩陣，大小也 是 NXM。
[0009] 其次，將圖像銳化矩陣中小于0的元素置零，其余值不變。在接下來的步驟中，不 再對圖像銳化矩陣的〇值元素做處理。由于圖像銳化矩陣中的大部分元素都是〇,本步驟可 有效提商后續(xù)的處理速度。
[0010] 再次，將圖像銳化矩陣分成左右兩部分。因為車輛通常行駛在車道的中間位置，所 以簡單的劃分方法是從中間劃分。也可以根據行車方向進行斜向劃分。
[0011] 最后，從左右分界處進行自內向外、自下向上的逐行掃描，分別確定左右車道線邊 緣提取的動態(tài)閾值集合，同時輸出左右車道線的邊緣點集。由于車道線的亮度、對比度、完 整度等特征隨環(huán)境不斷發(fā)生變化，其邊緣在銳化矩陣中的對應元素值不一定最大，但一定 是較大，即在視覺上車道線與非車道線部分仍存在較明顯的對比度。因此，第i行的兩個動 態(tài)閾值集合分別由左右兩側圖像銳化矩陣第i行的P個較大值構成，較大值定義為排在左 側或右側圖像銳化矩陣第i行所有元素值前P位的值。P實質為動態(tài)閾值集合大小，P = 3?5,P越小，計算量越小，處理速度越快。下面以左側圖像處理且P = 3為例，說明動態(tài)閾 值集合構建和邊緣點集確定方法，右側圖像與左側圖像做法相同，且每行的左右兩側同時 進行。具體而言，對于第i行，動態(tài)閾值集合thLi由左側圖像銳化矩陣第i行的前三個較 大值構建；左側邊緣點集的確定方法是，自內向外對左側圖像銳化矩陣第i行進行行掃描， 當第一次遇到動態(tài)閾值集合thLi中任一元素，即左側第i行的最終閾值時，將該閾值所在 位置記為第i行左側惟一的邊緣位置，并將該點納入邊緣點集，也就是在最終輸出的邊緣 點集矩陣（大小NXM)中，將邊緣位置的元素值設置為最大灰度值，如對于8bit圖像而言 設置為255,同時將其余非邊緣位置的元素值設置為0。自下而上（i =Μ，···，1)對Μ行進 行相同的處理，便可得到車輛行進所在車道左右兩條車道線的全部邊緣點集。
[0012] 本專利閾值的動態(tài)性體現在，圖像的每行每側都有自己的閾值集合，且最終閾值 為閾值集合中Ρ個元素之一。這樣做的好處在于，一方面，一幅ΝΧΜ大小的行車圖像共有 2Μ個動態(tài)閾值集合，可細致體現圖像的局部特征；另一方面，動態(tài)閾值集合由每行每側的Ρ 個較大值組成，兼顧了圖像的全局特性。此外，動態(tài)閾值集合大小Ρ取決于運算速度需求， 而無需利用用戶經驗設定。在這樣的動態(tài)閾值方法保障下，輔以自內向外、自下向上的逐行 掃描策略，可屏蔽車道線外的大量干擾而集中體現車道信息，且左右車道線的邊緣都只有 一個像素寬，這些特性均大大簡化了后續(xù)的車道線檢測處理。
[0013] 本發(fā)明所達到的效果和益處是，與現有方法相比，在車道線本身存在污損、行車環(huán) 境變化較快或存在不均勻光照等不利干擾下，可獲得進一步提高的車道線檢測正確率和 檢測速度。例如，當應用幀圖像大小為672X378的四組行車視頻（共9605幀）進行車 道線檢測實驗時，本專利方法可達到97. 53%?100%的檢測正確率。據報道，目前采用 自適應閾值0&]1117方法的檢測正確率為93.19(%?99.43 (%(}11111」36￥〇〇，111^1￥31^，已11(1 Kwanghoon Sohn, "Gradient-enhancing conversion for illumination-robust lane detection,''IEEE Transactions on Intelligent Transportation Systems, vol. 14, no. 3 ，pp. 1083-1094, 2013)。在檢測速度方面，固定閾值Canny的速度快于自適應閾值Canny,所 以將本專利方法與固定閾值Canny方法進行了比較，結果如下：本專利邊緣提取速度高于 固定閾值Canny方法3-5倍，后續(xù)基于ROI劃分和Hough變換的車道線檢測速度則是固定 閾值Canny方法的6-15倍。其中，本專利實現車道線邊緣提取的最大平均用時為4. 42ms/ 幀，實現Hough變換車道線檢測的最大平均用時為6. 57ms/幀。所以，對上述行車視頻的車 道線檢測速度可超過90幀/秒。

【專利附圖】

【附圖說明】
[0014] 附圖是本發(fā)明進行車道線邊緣提取的流程圖。

【具體實施方式】
[0015] 下面結合技術方案和附圖，詳細敘述本發(fā)明的一個具體實施例。
[0016] 現有一組實際錄制的行車視頻。已知每幀圖像大小為672X378,動態(tài)閾值集合大 小P取為3。車輛行進所在車道的車道線邊緣提取步驟如圖所示。
[0017] 第一步，將彩色圖像轉換為灰度圖像。
[0018] 第二步，將大小為672X378(列X行）的圖像灰度矩陣與Sobel邊緣增強算子進 行卷積計算，結果存入圖像銳化矩陣，大小也是672X378。
[0019] 第三步，將圖像銳化矩陣中小于0的元素置零，其余值不變。
[0020] 第四步，從中間將圖像銳化矩陣劃分為左右兩部分。
[0021] 第五步，從分界處自內向外（左側：列1 -列336 ;右側：列337 -列672)、自下向 上（行378 -行1)進行逐行掃描，分別確定左右兩側車道線邊緣提取的動態(tài)閾值集合，同 時輸出左右車道線的邊緣點集。其中，由左側銳化矩陣掃描行的前三個較大值構建左側動 態(tài)閾值集合，由右側銳化矩陣掃描行的前三個較大值構建右側動態(tài)閾值集合，將第一次遇 到左側動態(tài)閾值集合元素的位置記為左側車道線的惟一邊緣位置，將第一次遇到右側動態(tài) 閾值集合元素的位置記為右側車道線的惟一邊緣位置。在邊緣點集矩陣（大小672X378) 中，將左右邊緣位置置為最大灰度值，其余置零。當所有行掃描結束時，輸出邊緣點集矩陣， 車道線邊緣提取完畢。
【權利要求】
1. 一種車道線邊緣提取的動態(tài)閾值方法，其特征是，將列X行是NXM的一幀行車圖像 分成左右兩部分，左側圖像的每一行具有自己的動態(tài)閾值集合thQ，右側圖像的每一行也 具有自己的動態(tài)閾值集合thRi，i是行索弓丨，且i = 1，···，Μ;ΝΧΜ的行車圖像共有2M個動 態(tài)閾值集合；具體的動態(tài)閾值集合構建方法以及車道線邊緣提取步驟如下： 首先，將彩色行車圖像轉換為灰度圖像，得到圖像灰度矩陣，大小為ΝΧΜ; 然后，將圖像灰度矩陣與邊緣增強算子進行卷積計算，得到圖像銳化矩陣，大小也是 ΝΧΜ ； 其次，將圖像銳化矩陣中小于〇的元素置零，其余值不變；在接下來的步驟中，不再對 圖像銳化矩陣的〇值元素做處理； 再次，將圖像銳化矩陣分成左右兩部分； 最后，從左右分界處進行自內向外、自下向上的逐行掃描，分別確定左右車道線邊緣提 取的動態(tài)閾值集合，同時輸出左右車道線的邊緣點集；第i行的兩個動態(tài)閾值集合分別由 左右兩側圖像銳化矩陣第i行的P個較大值構成，較大值定義為排在左側或右側圖像銳化 矩陣第i行所有元素值前P位的值，P為動態(tài)閾值集合大?。粚τ诘趇行，左側圖像動態(tài)閾 值集合thLi由左側圖像銳化矩陣第i行的前P個較大值構建；自內向外對左側圖像銳化 矩陣第i行進行行掃描，當第一次遇到動態(tài)閾值集合thLi中任一元素時，將該位置記為第 i行左側惟一的邊緣位置，并將該點納入邊緣點集，在最終輸出的NXM邊緣點集矩陣中，將 邊緣位置的元素值設置為最大灰度值，將其余非邊緣位置的元素值設置為0 ;右側圖像與 左側圖像做法相同，且每行的左右兩側同時進行；自下而上，i = M，…，1，進行相同的處理， 得到車輛行進所在車道左右兩條車道線的全部邊緣點集。
2. 根據權利要求1所述的一種車道線邊緣提取的動態(tài)閾值方法，其特征是，動態(tài)閾值 集合大小P = 3?5。
3. 根據權利要求1所述的一種車道線邊緣提取的動態(tài)閾值方法，其特征是，簡單的左 右劃分方法是從中間劃分或根據行車方向進行斜向劃分。
【文檔編號】G06K9/46GK104091166SQ201410321214
【公開日】2014年10月8日 申請日期:2014年7月7日 優(yōu)先權日:2014年7月7日
【發(fā)明者】林秋華, 曹建超 申請人:大連理工大學