本發(fā)明屬于計(jì)算機(jī)視覺和智能駕駛環(huán)境感知技術(shù)領(lǐng)域，特別涉及一種基于視覺的車道線特征提取方法。

背景技術(shù)：

車道線是道路場景中最基本的標(biāo)志元素，在道路交通系統(tǒng)中起著重要地作用，它不僅約束了車輛運(yùn)行中的橫向位置，而且指示了道路的延伸方向，決定了車輛正確運(yùn)行的軌跡。因此，無論是在車道偏離預(yù)警(lanedeparturewarning，ldw)、車道保持(lanekeepingassistance，lka)，自適應(yīng)巡航(adaptivecruisecontrol，acc)等低級(jí)別的駕駛輔助系統(tǒng)還是在高級(jí)別的自動(dòng)駕駛和無人駕駛，車道線識(shí)別都是必不可少的基礎(chǔ)功能模塊。

現(xiàn)有的車道線識(shí)別方法大都已以邊界作為車道特征，為了剔除圖像中其他干擾邊界，往往利用車道寬度及角度等車道模型先驗(yàn)知識(shí)進(jìn)行篩選。由于邊界特征維度較低(只是二維特征)，因此辨識(shí)率較低。當(dāng)?shù)缆房諘鐣r(shí)，現(xiàn)有的車道線識(shí)別方法可以達(dá)到不錯(cuò)的識(shí)別效果，而當(dāng)圖像場景中存在大量其他車輛干擾時(shí)則很難獲得可靠的特征提取。為了提高車道線特征提取的精度，一方面要拓展車道標(biāo)志特征描述的維度，另一方面在拓展特征描述維度的同時(shí)應(yīng)當(dāng)盡量選擇能夠增大車道標(biāo)志與非車道標(biāo)志類間差的特征元素。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的是：為解決車道線識(shí)別過程中，車道特征信息維度低，且容易受道路環(huán)境干擾造成提取精度差的問題，提供一種具有較強(qiáng)抗干擾能力的車道線識(shí)別方法。

本發(fā)明的技術(shù)方案是：一種基于視覺關(guān)聯(lián)雙空間的車道線特征提取方法，包括以下步驟：

s1.通過攝像頭獲取原始圖像，定義攝像頭視角為cv-視角，獲取cv-視角roi的二值圖像ic；

s2.分析提取二值圖像ic內(nèi)的斑塊，即blobs特征；

s3.對(duì)二值圖像ic進(jìn)行逆透視變換獲得俯視視角，即bv-視角下的二值圖像ib；

s4.分析提取二值圖像ib內(nèi)的blobs特征；

s5.將二值圖像ib、ic內(nèi)的blobs配對(duì)，獲得雙空間關(guān)聯(lián)blobs特征對(duì)；

s6.對(duì)雙空間關(guān)聯(lián)blobs特征對(duì)進(jìn)行特征提取建立多維特征描述子，并根據(jù)各描述特征建立分類決策點(diǎn)；

s7.利用部分或全部分類決策點(diǎn)建立車道線blobs特征分類決策樹，完成車道線提取。

有益效果：本發(fā)明提出了一種具有較強(qiáng)抗干擾能力的車道線識(shí)別方法。該方法采用信息維度發(fā)更高的斑塊特征(blobs)作為車道特征進(jìn)行提取，并通過挖掘不同視角下車道blobs與其他干擾的類間差，提出了基于關(guān)聯(lián)雙空間的車道blobs分類模型，大大提高了車道線特征的描述維度，解決了車道線識(shí)別過程中特征信息維度低且容易受道路環(huán)境干擾造成提取精度差的問題。

附圖說明

圖1是本發(fā)明的流程示意圖；

圖2是本發(fā)明中二值圖像blobs提取示意圖；

圖3是本發(fā)明中blob寬度、傾角、最小外接矩形定義示意圖；

圖4是本發(fā)明中車道線blobs與非車道線blobs凹凸特性差異示意圖；

圖5是本發(fā)明中分類決策樹對(duì)blobs特征進(jìn)行分類的流程示意圖。

具體實(shí)施方式

參見附圖1，實(shí)施例1，一種基于視覺關(guān)聯(lián)雙空間的車道線特征提取方法，包括以下步驟：

s1.通過攝像頭獲取原始圖像，定義攝像頭視角為cv-視角，獲取cv-視角roi的二值圖像ic；

s2.分析提取二值圖像ic內(nèi)的斑塊(blobs)特征；

s3.對(duì)二值圖像ic進(jìn)行逆透視變換獲得俯視視角(bv-視角)下的二值圖像ib；

s4.分析提取俯視視角(bv-視角)下的二值圖像ib內(nèi)的斑塊(blobs)特征；

s5.將二值圖像ib、ic內(nèi)的斑塊配對(duì)，獲得雙空間關(guān)聯(lián)blobs特征對(duì)；

設(shè)為關(guān)聯(lián)圖像空間中一一對(duì)應(yīng)的n對(duì)blobs特征，其中rc(i)和rb(i)分別表示cv-視角和bv-視角中下標(biāo)為i的blobs；

s6.對(duì)雙空間關(guān)聯(lián)blobs特征對(duì)進(jìn)行特征提取建立多維特征描述子，并根據(jù)各描述特征建立分類決策點(diǎn)；

s7.利用部分或全部分類決策點(diǎn)建立車道線blobs特征分類決策樹，完成車道線提取。

實(shí)施例2，步驟s1中，首先將車輛前方l米的區(qū)域作為車道線檢驗(yàn)roi區(qū)域；其次，利用自適應(yīng)閾值方法獲得roi區(qū)域二值圖像ic；自適應(yīng)閾值方法利用采樣窗口對(duì)任一像素的局部灰度分布特性進(jìn)行分析,從而確定該像素的二值化閾值；給定圖像中的像素i(x,y)，令采樣窗口尺寸為2d+1，d為自然數(shù)，則該像素的灰度閾值可以通過利用采樣窗口核函數(shù)(如高斯核函數(shù))與其領(lǐng)域像素進(jìn)行卷積獲得。

實(shí)施例3，步驟s2、s4中，通過像素標(biāo)記和連通域分析提取blobs特征；

參見附圖2，二值圖像blobs特征提取一般是通過對(duì)圖像進(jìn)行連通域分析和像素標(biāo)記(pixellabelling)完成的。連通區(qū)域反應(yīng)像素與其相接鄰域關(guān)系，常見的鄰接關(guān)系有兩種：四鄰接域和八鄰接域。選用八鄰接域關(guān)系，并在此基礎(chǔ)上利用two-pass方法對(duì)二值圖像中各像素點(diǎn)逐行進(jìn)行連通域標(biāo)記，最終提取出所有相互獨(dú)立的blobs特征。

實(shí)施例4，步驟s6中的特征描述子包括：寬度特征：

參見附圖3，根據(jù)道路設(shè)計(jì)施工標(biāo)準(zhǔn)，車道線寬度一般在30cm左右。由于透視效應(yīng)，cv-視角圖像中車道標(biāo)線標(biāo)志一般呈現(xiàn)為寬度隨距離增加而遞減的梯形，所以車道標(biāo)志線的寬度很難準(zhǔn)確估計(jì)，但在bv-視角圖像中該值可以根據(jù)ρresolution(分辨率)通過計(jì)算對(duì)應(yīng)blob的寬度計(jì)算得出，因此bv-視角圖像中各車道線標(biāo)志的寬度可以作為一個(gè)強(qiáng)判別條件對(duì)blobs進(jìn)行篩選。此外，雖然cv-視角圖像中車道線標(biāo)志的真實(shí)寬度難以估計(jì)，但其在某一距離范圍內(nèi)的寬度是在一定范圍內(nèi)，因此可以作為一個(gè)弱判別條件對(duì)blobs進(jìn)行篩選。在求取blobs的像素寬度時(shí)，首先獲得blob連通區(qū)域的最小外接矩形，最小外接矩形的兩邊長度分別為l1，l2，則該blob的寬w和長l分別為l1，l2其中的較小邊長和較大邊長；

設(shè)分別為關(guān)聯(lián)blobs對(duì)的像素寬度；

定義基于寬度信息的決策節(jié)點(diǎn)為：

其中：wcmax和wcmin分別為cv-視角圖像內(nèi)rc(i)的最大和最小寬度門限值；wbmax和wbmin為bv-視角圖像內(nèi)rb(i)的最大和最小寬度門限值，為了彌補(bǔ)車道磨損，逆透視變換誤差和測量誤差的影響，該邊界值定義應(yīng)相對(duì)松弛。

實(shí)施例5，步驟s6中的特征描述子包括：長寬比特征：

由于車道線標(biāo)志為矩形長條狀，所以其長寬比應(yīng)明顯滿足長方形假設(shè)，因此長寬比也可以作為區(qū)分blobs是否為車道線標(biāo)志的特征?？紤]到cv-視角圖像中，遠(yuǎn)處車道線形狀發(fā)生較大畸變，長寬比嚴(yán)重失真，因此僅對(duì)bv-視角圖像中對(duì)應(yīng)的blobs進(jìn)行該特征的校驗(yàn)；設(shè)關(guān)聯(lián)blobs對(duì)中rb(i)的像素長寬分別為wb(i)和lb(i)，其長寬比定義基于長寬比特征的決策節(jié)點(diǎn)為：

其中：為像素長寬比閾值。由于近視角內(nèi)某些車道標(biāo)志線縱向被主車遮擋，以至于長寬比相對(duì)較小，為了避免將近視角內(nèi)的部分遮擋的車道線過早剔除，應(yīng)對(duì)該特征判別的最小閾值定義較為寬松。

實(shí)施例6，步驟s6中的特征描述子包括：傾角特征：

在車道線識(shí)別中，車道線在圖像內(nèi)的傾角是其被篩選的重要特征，因此被廣泛應(yīng)用于傳統(tǒng)的基于邊界的車道線識(shí)別算法。由于車道標(biāo)志也繼承了車道方向特性，因此blobs的傾角，即blob主軸與圖像坐標(biāo)系x軸的夾角也可用來判斷其是否為車道線標(biāo)志。給定關(guān)聯(lián)blobs對(duì)令其cv-bv空間下對(duì)應(yīng)的傾角為根據(jù)車道線在不同視角圖像空間中的角度范圍，定義基于傾角特征的決策節(jié)點(diǎn)為，

其中：αcmax，αcmin分別為cv-視角圖像中blobs傾角上下門限；αbmax，αbmin分別為bv-視角圖像中blobs傾角上下門限；為防止錯(cuò)誤刪除車道標(biāo)志，此處對(duì)bv和cv視角下的blobs傾角角度范圍定義應(yīng)相對(duì)松弛。

實(shí)施例7，步驟s6中的特征描述子包括：凹凸特征：

參見附圖4，如上述所說，車道線一般為矩形長條，因此無論在bv和cv視角下，其在形態(tài)學(xué)上均屬于凸多邊形。雖然車道線的破損及臟污會(huì)造成局部殘缺或破壞，相對(duì)于其最小外接凸多邊形仍舊有良好的填充特性。相反，二值圖像中存在的好多諸如箭頭，車體，道路污漬等干擾blobs往往具有較強(qiáng)的凹多邊形特性；因此，凸凹特性可以用來對(duì)blobs進(jìn)行篩選。給定關(guān)聯(lián)blobs對(duì)首先求取其最小外接凸多邊形然后求其填充度，即blobs面積和其最小外接凸多邊形的面積之比：

其中，λc(i)、λb(i)分別為cv視角、bv視角下的blobs填充度，area[.]表示區(qū)域面積；

根據(jù)上述車道線標(biāo)志凸凹特性，車道線標(biāo)志的填充度一般較大，而填充度較小的blobs則可以判斷為干擾噪聲，定義凹凸特征的決策節(jié)點(diǎn)為，

其中，λcth，λbth為cv視角，bv視角圖像中blobs填充度的門限。

實(shí)施例8，如實(shí)施例4-7所述，在二值圖像中提取得到的任一blob都可以在關(guān)聯(lián)bv-cv雙空間下建立一個(gè)具有多維參數(shù)的特征描述子；根據(jù)公式(1)至(4)可建立4個(gè)決策節(jié)點(diǎn)：

參見附圖5，步驟s7中，本例通過對(duì)4個(gè)決策點(diǎn)進(jìn)行級(jí)聯(lián)(也可任選1個(gè)、2個(gè)或3個(gè)決策點(diǎn))獲得分類決策樹，完成對(duì)車道線blobs的提取。通過對(duì)各決策節(jié)點(diǎn)參數(shù)進(jìn)行定義，則可以對(duì)二值化圖像中提取到的blobs特征進(jìn)行分類，從而獲得可靠的車道線特征。