[發明專利]一種基于聚類的自適應逆透視變換車道線識別方法及系統

在審

• 申請號: 202011183873.2
• 申請日: 2020-10-29
• 公開（公告）號: CN112307953A
• 公開（公告）日: 2021-02-02
• 發明（設計）人: 常琳;蔣華濤;陳大鵬
• 申請（專利權）人: 無錫物聯網創新中心有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/32;G06K9/38;G06K9/46;G06K9/62;G06T5/00;G06T7/13;G06T7/277
• 代理公司: 無錫市大為專利商標事務所(普通合伙) 32104
• 代理人: 殷紅梅

1.一種基于聚類的自適應逆透視變換車道線識別方法，其特征在于，包括：

步驟S110：獲取路面原始圖像；

步驟S120：從所述路面原始圖像中選取ROI區域，從所述ROI區域中提取車道線特征，并將提取所述車道線特征后的車道線圖像二值化，其中，所述車道線特征包括顏色特征和邊緣特征；

步驟S130：在二值化圖像中獲取車道線的上下端點坐標，并依據車道線的上下端點坐標獲取逆透視變換矩陣，并通過逆透視變換矩陣將二值化圖像轉換為車道線鳥瞰圖；

步驟S140：在所述車道線鳥瞰圖中使用窗口搜索的方式存儲獲取到的車道線的像素坐標，選擇符合車道線特征的模型并使用最小二乘法進行擬合獲取模型參數，得到擬合的車道線模型；

步驟S150：通過卡爾曼濾波的方法進行幀間追蹤，并對下一幀圖像的模型進行預測，設置閾值，判斷當前擬合的車道線模型與使用卡爾曼濾波追蹤的預測模型之間的誤差大小，若誤差大于所述閾值，則當前幀最終輸出的車道線模型使用卡爾曼預測模型，否則，使用當前擬合的車道線模型。

2.根據權利要求1所述的基于聚類的自適應逆透視變換車道線識別方法，其特征在于，所述步驟S120中，還包括：通過canny算子與sobel算子相結合的方式對車道線的邊緣特征進行提取。

3.根據權利要求1所述的基于聚類的自適應逆透視變換車道線識別方法，其特征在于，所述步驟S120中，還包括：采用中值濾波方式消除二值化圖像后存在的椒鹽噪聲。

4.根據權利要求1所述的基于聚類的自適應逆透視變換車道線識別方法，其特征在于，所述步驟S130中，還包括：在二值化圖像中獲取車道線的上下端區域，通過K-Means聚類算法分別獲取左右兩條車道線的上下端點坐標，根據所述左右兩條車道線的上下端點坐標獲取逆透視變換矩陣，并轉換得到車道線鳥瞰圖。

5.根據權利要求1所述的基于聚類的自適應逆透視變換車道線識別方法，其特征在于，所述步驟S140中，還包括：在所述車道線鳥瞰圖中計算二值化圖像中的像素峰值位置，左右兩峰值分別作為左右車道線檢測窗口的初始位置，通過計算當前窗口像素的平均值作為窗口搜索的下一坐標，以此類推，最終將整個車道線的像素坐標存儲起來。

6.一種基于聚類的自適應逆透視變換車道線識別系統，其特征在于，包括：

獲取模塊，用于獲取路面原始圖像；

提取模塊，用于從所述路面原始圖像中選取ROI區域，從所述ROI區域中提取車道線特征，并將提取所述車道線特征后的車道線圖像二值化，其中，所述車道線特征包括顏色特征和邊緣特征；

轉換模塊，用于在二值化圖像中獲取車道線的上下端點坐標，并依據車道線的上下端點坐標獲取逆透視變換矩陣，并通過逆透視變換矩陣將二值化圖像轉換為車道線鳥瞰圖；

擬合模塊，用于在所述車道線鳥瞰圖中使用窗口搜索的方式存儲獲取到的車道線的像素坐標，選擇符合車道線特征的模型并使用最小二乘法進行擬合獲取模型參數，得到擬合的車道線模型；

卡爾曼濾波模塊，用于通過卡爾曼濾波的方法進行幀間追蹤，并對下一幀圖像的模型進行預測，設置閾值，判斷當前擬合的車道線模型與使用卡爾曼濾波追蹤的預測模型之間的誤差大小，若誤差大于所述閾值，則當前幀最終輸出的車道線模型使用卡爾曼預測模型，否則，使用當前擬合的車道線模型。

7.根據權利要求6所述的基于聚類的自適應逆透視變換車道線識別系統，其特征在于，所述提取模塊，還用于通過canny算子與sobel算子相結合的方式對車道線的邊緣特征進行提取。

8.根據權利要求6所述的基于聚類的自適應逆透視變換車道線識別系統，其特征在于，還包括中值濾波模塊，所述中值濾波模塊用于消除二值化圖像后存在的椒鹽噪聲。