[發(fā)明專利]一種基于Bézier曲線的車道線重構(gòu)方法

有效

• 申請?zhí)枺?/td>: 201310043750.2
• 申請日: 2013-02-04
• 公開（公告）號(hào): CN103150337A
• 公開（公告）日: 2013-06-12
• 發(fā)明（設(shè)計(jì)）人: 徐國艷;高峰;丁能根;黃小云;邢龍龍;劉建行
• 申請（專利權(quán)）人: 北京航空航天大學(xué)
• 主分類號(hào): G06F17/30
• 分類號(hào): G06F17/30
• 代理公司: 北京永創(chuàng)新實(shí)專利事務(wù)所 11121
• 代理人: 周長琪

技術(shù)領(lǐng)域

本發(fā)明屬于智能車輛安全輔助駕駛領(lǐng)域，涉及一種基于Bézier曲線的車道線重構(gòu)方法。

背景技術(shù)

縱觀汽車發(fā)展的歷史，對安全性問題的研究始終是重中之重。尤其是近年來，如何提高交通安全已經(jīng)成為急需解決的社會(huì)性問題。汽車安全研究熱點(diǎn)已經(jīng)從以碰撞安全為核心的被動(dòng)安全發(fā)展到以預(yù)防碰撞為核心的主動(dòng)安全，很多國家和國際汽車電子公司早已啟動(dòng)了多項(xiàng)研究計(jì)劃來尋找提高安全性、減少事故的新技術(shù)。于是，智能車輛(Intelligent?Vehicle)的概念應(yīng)運(yùn)而生，成為了智能交通系統(tǒng)(Intelligent?Transportation?System)的關(guān)鍵技術(shù)之一。而車輛安全輔助駕駛作為智能車輛研究領(lǐng)域的一個(gè)重要分支在近一二十年也得到迅速的發(fā)展。

計(jì)算機(jī)視覺作為車輛安全輔助駕駛系統(tǒng)獲得行駛環(huán)境信息最有效的感知方式在近些年得到了廣泛研究。它是將單個(gè)或多個(gè)攝像頭安裝在車體上，通過圖像采集模塊獲得車輛周圍環(huán)境圖像，然后經(jīng)過智能圖像處理模塊為后續(xù)決策模塊提供所需信息。其中，車道線識(shí)別對于安全輔助駕駛至關(guān)重要，是車道保持、車道偏離預(yù)警及自主導(dǎo)航等技術(shù)的基礎(chǔ)之一，而車道線的重構(gòu)不僅是在圖像中識(shí)別出車道線位置，還用具體數(shù)學(xué)模型準(zhǔn)確擬合出車道線，以便為后續(xù)決策模塊提供道路曲率等重要參數(shù)支持。

車輛的行駛環(huán)境一般比較復(fù)雜，為應(yīng)對光照變化、道路陰影、車道線間斷以及障礙物等噪聲干擾，車道線識(shí)別應(yīng)具有較強(qiáng)適應(yīng)性，而現(xiàn)有的基于邊緣提取的車道標(biāo)識(shí)線識(shí)別方法，由于對圖像進(jìn)行了全局二值化處理造成道路位置信息丟失，從而使其對于一些復(fù)雜環(huán)境的識(shí)別難以適應(yīng)，而且普遍需要對圖像進(jìn)行預(yù)處理，降低了實(shí)時(shí)性；而單純利用提取局部高像素值點(diǎn)的車道標(biāo)識(shí)線識(shí)別方法在光線變化及路面存在其他標(biāo)志時(shí)準(zhǔn)確性較低。從道路的彎曲程度看，在結(jié)構(gòu)化道路中，車輛可能行駛于直道，小彎道或者大彎道，現(xiàn)有的局部直線提取、Hough變換以及模板匹配等方法無法滿足彎道識(shí)別的需求；已提出的分段直線擬合及拋物線模型擬合一定程度上實(shí)現(xiàn)了彎道的重構(gòu)，但對于大彎道準(zhǔn)確性不高；已有的基于高次曲線或者多曲線模型結(jié)合的擬合方法雖然準(zhǔn)確性較強(qiáng)，可計(jì)算量大，難以滿足實(shí)時(shí)性要求。

發(fā)明內(nèi)容

本發(fā)明針對車道線重構(gòu)中對復(fù)雜環(huán)境適應(yīng)性和彎道擬合準(zhǔn)確性及實(shí)時(shí)性問題，提出了一種基于Bézier曲線的車道線重構(gòu)方法。

本發(fā)明提供的一種基于Bézier曲線的車道線重構(gòu)方法，包括下列處理步驟：

步驟101：等待圖片輸入，建立圖像坐標(biāo)系，設(shè)定最大圖像處理區(qū)域；

輸入的是安裝在車輛前擋風(fēng)玻璃上攝像頭采集的灰度圖像，圖像尺寸為320像素×240像素，深度為8bit，坐標(biāo)系以圖像左下角點(diǎn)為坐標(biāo)原點(diǎn)，水平向右x為正，垂直向上y為正；

步驟102：在搜索區(qū)域內(nèi)，分別利用灰度特征和梯度特征1，搜索左車道線和右車道線起始點(diǎn)所在的塊，若搜索到，采用最大類間方差法對塊進(jìn)行二值化處理，得到塊中車道線的外側(cè)邊緣線上的最低點(diǎn)，也就是當(dāng)前段左、右車道線的局部起始點(diǎn)；若左車道線和右車道線起始點(diǎn)的所在塊均未搜索到，則轉(zhuǎn)步驟101讀取下一幅圖片。所述起始點(diǎn)表示的是整幅圖像中左、右車道線外側(cè)邊緣線最低點(diǎn)。

采用梯度特征1搜索左側(cè)車道線時(shí)，搜索像素作為左側(cè)最低點(diǎn)像素，擴(kuò)展得到n×n的塊，n為像素個(gè)數(shù)，取3、5或9，并設(shè)第i（1≤i<n）行中從左到右的第1個(gè)至第n-i個(gè)像素點(diǎn)位于道路上，塊中剩余像素點(diǎn)位于車道線上，根據(jù)式（1）確定梯度特征值；采用梯度特征1搜索右側(cè)車道線時(shí)，搜索像素作為右側(cè)最低點(diǎn)像素，擴(kuò)展得到n×n的塊，n為像素個(gè)數(shù)，取3、5或9，并設(shè)第i（1≤i<n）行中從右到左的第1個(gè)至第n-i個(gè)像素點(diǎn)位于道路上，塊中剩余像素點(diǎn)位于車道線上，根據(jù)式（1）確定梯度特征值；當(dāng)y∈[0,45]時(shí)，n取9，當(dāng)y∈(45,90]時(shí)，n取5；y∈(90,150]時(shí)，n取3；塊大小的單位為像素；像素個(gè)數(shù)n定義為塊的大小。

T＝M₁-M₂???（1）

其中，T表示梯度特征值，M₁表示車道線上的像素點(diǎn)和搜索像素點(diǎn)的灰度均值；M₂表示道路上的像素點(diǎn)的灰度均值。

步驟103：設(shè)置下一個(gè)包含有車道線外側(cè)邊緣線塊的搜索范圍，在范圍內(nèi)搜索梯度特征1值最大的塊，如果搜索到的塊的灰度特征值大于灰度特征閾值且梯度特征1值大于梯度特征1閾值，則得到一個(gè)包含有車道線外側(cè)邊緣線的塊，進(jìn)入步驟104，否則，進(jìn)入步驟105；