[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

本發明涉及車道線檢測技術領域，具體公開了一種基于聚類的自適應逆透視變換車道線識別方法，包括：從獲取到的路面原始圖像中選取ROI區域，從ROI區域中提取車道線特征，并將提取車道線特征后的車道線圖像二值化；通過聚類算法獲取逆透視變換矩陣并轉換為車道線鳥瞰圖；在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，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；通過卡爾曼濾波的方法進行幀間追蹤，輸出相應的車道線模型；本發明提供的基于聚類的自適應逆透視變換車道線識別方法，使獲取的鳥瞰圖更為準確，從而提高了在坡度路面車道線的檢測精度，并采用卡爾曼濾波加強幀間魯棒性。

技術領域

本發明涉及車道線檢測技術領域，更具體地，涉及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。

背景技術

隨著先進駕駛輔助技術的興起，車道線檢測作為其中的重要一環受到越來越廣泛的關注。

目前的車道檢測分為兩類大類：一類是基于深度學習的車道檢測技術，主要應用多層的卷積神經網絡，無需人為的定義特征，能夠通過不斷學習完成車道線的檢測，此方法具有檢測精度比較高魯棒性較好的特點，缺點是計算復雜度高，計算成本較高需要應用性能較高GPU協作；另一類是基于傳統機器學習方法的車道線匹配技術，分為圖像特征提取和模型匹配兩個部分，此方法在路面平緩的路段有較好的實現效果，但是對于路面坡度變化較大的情況魯棒性較差。

目前采用獲取鳥瞰圖的方法多為在特征提取的圖像中選取定點獲取逆透視變換矩陣，這種方法在復雜路面中獲取的鳥瞰圖會出現車道線像素缺失以及車道線未轉換成鳥瞰圖的情況，導致窗口搜索存儲兩個車道線像素有重疊或者像素有缺失，導致車道線擬合效果較差。

發明內容

本發明的目的在于克服現有技術中存在的不足，提供了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，使獲取的鳥瞰圖更為準確，從而提高了在坡度路面車道線的檢測精度，并采用卡爾曼濾波加強幀間魯棒性。

作為本發明的第一個方面，提供一種基于聚類的自適應逆透視變換車道線識別方法，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。

進一步地，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。

進一步地，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。

進一步地，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。