[發明專利]車道線檢測方法、裝置及計算機可讀存儲介質

在審

• 申請號: 202010834782.4
• 申請日: 2020-08-18
• 公開（公告）號: CN112069924A
• 公開（公告）日: 2020-12-11
• 發明（設計）人: 顧一新
• 申請（專利權）人: 東莞正揚電子機械有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00
• 代理公司: 廣州三環專利商標代理有限公司 44202
• 代理人: 張艷美;劉光明

本發明公開一種車道線檢測方法、裝置及計算機可讀存儲介質，其中方法包括：實時獲取待檢測的常規圖像；利用預設算法對所述常規圖像進行濾波，所述預設算法具有動態的濾波核，所述濾波核的大小根據車道線在所述常規圖像中的像素寬度大小漸進變化，所述濾波核將車道線所在區域的像素預設為特定灰度值并對所述常規圖像進行三值化處理；從三值化處理后的三值圖像中獲取候選車道線上的像素點；對所有候選車道線進行誤檢和噪聲處理；根據對應的像素點擬合車道線。本發明能夠避免在逆透視變換過程導致的車道線特征丟失和算法的耗時開銷，且能夠提高圖像濾波時的魯棒性。

技術領域

本發明涉及車道線檢測技術領域，尤其涉及一種車道線檢測方法、裝置及計算機可讀存儲介質。

背景技術

隨著汽車電子、芯片制造、計算機視覺等技術的快速發展，高級駕駛員輔助系統(Advanced Driver Assistance System)由于其對行車安全的一種保障，也漸漸成為了現代汽車的標配。而在實際的行車過程中，能準確的獲取當前車道線的信息對于ADAS中包括車道線偏移預警、前向碰撞預警等系統來說，都具有十分重要的意義。目前主流的車道線檢測方法主要包括基于深度學習的車道線檢測方法和基于圖像處理及機器學習結合的方法。這兩種方法最大的不同在于前期對圖像中車道線特征的提取方式，前者采用深度學習中語義分割的方法，通過訓練好的模型來提取車道線區域，后者主要采用圖像濾波及圖像預處理等方式完成車道線特征的提取工作。基于深度學習的車道線檢測方法常常需要一定的算力保證，對于部分平臺算力受限的條件下往往較難滿足實時性的要求。在基于傳統圖像處理的車道線檢測方法中，通用的霍夫變換等濾波方法和常用的圖像預處理方法均無法保證魯棒性的要求。除此之外，該方法常需要對原始視圖像逐幀的進行逆透視變換操作，這一方面提高了算法的時間開銷，另一方面也造成原始車道線信息的部分丟失。

發明內容

本發明的目的在于提供一種車道線檢測方法、裝置及計算機可讀存儲介質，能夠避免在逆透視變換過程導致的車道線特征丟失和算法的耗時開銷，且能夠提高圖像濾波時的魯棒性。

為了實現上述目的，本發明提供了一種車道線檢測方法，包括如下步驟：

實時獲取待檢測的常規圖像；

利用預設算法對所述常規圖像進行濾波，所述預設算法具有動態的濾波核，所述濾波核的大小根據車道線在所述常規圖像中的像素寬度大小漸進變化，所述濾波核將車道線所在區域的像素預設為特定灰度值并對所述常規圖像進行三值化處理；

從三值化處理后的三值圖像中獲取候選車道線上的像素點；

根據對應的像素點擬合車道線。

可選地，所述“實時獲取待檢測的常規圖像”包括：

通過攝像頭實時獲取前方道路的RGB通道圖像；

將所述RGB通道圖像轉換為YUV通道圖像，并取所述YUV通道圖像中的Y通道作為所述常規圖像輸出。

可選地，所述濾波核為：

其中，N為奇數，N的最小取值為7，N的大小隨所述像素寬度大小漸進變化。

可選地，所述“利用預設算法對所述常規圖像進行濾波”包括：

將所述常規圖像的車道線消失點以內區域劃分為若干行；

利用所述預設算法對所述常規圖像進行分行濾波。

可選地，所述“從三值化處理后的三值圖像中獲取候選車道線上的像素點”包括：

在所述三值圖像中上逐行進行搜索，根據灰度值變化關系確定該行是否存在符合車道線特征的像素點p_i(x,y)，若存在，將該點存入點序列L；