本發(fā)明屬于車輛主動(dòng)安全系統(tǒng)技術(shù)領(lǐng)域，更為具體地講，涉及一種基于塊匹配的車道線檢測(cè)方法。

背景技術(shù)：

據(jù)不完全統(tǒng)計(jì)，在所有事故原因中，約有44％的汽車事故與車輛偏離正常車道行駛有關(guān)，其主要原因是駕駛員心神煩亂、注意力不集中或者疲勞駕駛，造成車輛的無意識(shí)偏離。若車輛在行駛過程中發(fā)生無意識(shí)側(cè)向偏離時(shí)，有一駕駛輔助裝置發(fā)出告警以提醒駕駛員謹(jǐn)慎駕駛，此類交通事故將大大減少。因此，車道偏離報(bào)警系統(tǒng)的研究與開發(fā)在國內(nèi)外得到了高度重視。其中，道路邊界及車道標(biāo)識(shí)線檢測(cè)與跟蹤是實(shí)現(xiàn)車道偏離預(yù)警系統(tǒng)的基礎(chǔ)。

車道線檢測(cè)技術(shù)是指利用圖像傳感等手段檢測(cè)出道路車道虛實(shí)標(biāo)線的技術(shù)，它是汽車主動(dòng)安全領(lǐng)域的關(guān)鍵技術(shù)之一。在基于視覺的車道保持系統(tǒng)中，車道線的檢測(cè)和跟蹤是一個(gè)基本的、必要的功能，它能防止汽車偏離車道，同時(shí)也可以給包括碰撞預(yù)警等其它主動(dòng)安全系統(tǒng)提供重要的道路環(huán)境信息。

目前，道路邊界及車道標(biāo)識(shí)線識(shí)別方法基本上可歸結(jié)為兩大類方法，一類為基于特征的識(shí)別方法，另一類為基于模型的識(shí)別方法。基于特征的檢測(cè)方法是結(jié)合圖像中道路邊界的一些特征檢測(cè)出車道或道路邊界，這些特征包括形狀、灰度、紋理、顏色、對(duì)比度和不連續(xù)性等。算法大致分兩步:特征提取和特征描述。先進(jìn)行圖像預(yù)處理，找到易于識(shí)別道路的特征，接著提取特征；然后根據(jù)這些道路特征，用數(shù)學(xué)方式把車道直觀的描述出來。其中，道路的特征主要有顏色特征和邊緣特征等，尤以基于邊緣特征的方法應(yīng)用較多。基于模型的方法主要有直線模型、曲線模型。與基于特征的方法相比，基于模型的方法能有效克服路面污漬、光照變化、陰影等環(huán)境因素的影響，但當(dāng)?shù)缆窢顩r發(fā)生突變時(shí)，如轉(zhuǎn)彎、上坡等等，模型就會(huì)失效。一般為了提高其魯棒性，通常使用更通用的道路模型，如B樣條曲線模型，若模型太復(fù)雜，參數(shù)太多，又會(huì)降低其實(shí)時(shí)性。

基于圖像處理的車道偏離預(yù)警系統(tǒng)大都依賴于道路中的車道標(biāo)識(shí)線或道路邊界信息。如何快速、準(zhǔn)確地提取出道路中車道標(biāo)識(shí)線或道路邊界信息是該類系統(tǒng)必須解決的關(guān)鍵問題。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于克服現(xiàn)有技術(shù)的不足，提供一種基于塊匹配的車道線檢測(cè)方法，通過灰度塊匹配來識(shí)別車道線，具有識(shí)別速度快、檢測(cè)效果好、準(zhǔn)確度高的特點(diǎn)。

為實(shí)現(xiàn)上述發(fā)明目的，本發(fā)明一種基于塊匹配的車道線檢測(cè)方法，其特征在于，包括以下步驟：

(1)、采集原始視頻圖像

利用車輛前視攝像頭連續(xù)采集車輛前方的視頻圖像，再以幀為單位，將每一幀圖像處理成大小相等；

(2)、設(shè)置感興趣區(qū)域

選取每幀圖像中主要包含車道線的區(qū)域，并設(shè)置為車道檢測(cè)的感興趣區(qū)域，命名為ROI圖像；

(3)、圖像預(yù)處理

利用加權(quán)平均法將ROI圖像轉(zhuǎn)換為灰度圖像，再使用中值濾波對(duì)灰度圖像進(jìn)行圖像去噪，最后采用直方圖均衡化算法對(duì)去噪后的灰度圖像進(jìn)行對(duì)比度增強(qiáng)，得到標(biāo)準(zhǔn)灰度圖像；

(4)、邊緣檢測(cè)

使用Canny邊緣檢測(cè)算子對(duì)標(biāo)準(zhǔn)灰度圖像進(jìn)行邊緣檢測(cè)，得到邊緣檢測(cè)圖像；

(5)、霍夫變換Hough檢測(cè)直線

對(duì)邊緣檢測(cè)圖像進(jìn)行Hough變換，獲取邊緣檢測(cè)圖像中的直線，分別命名為L_i，i表示第i直線；

對(duì)每一條檢測(cè)到的直線，獲取該直線兩端的端點(diǎn)坐標(biāo)(i1，j1)、(i2，j2)，再求得該直線的中點(diǎn)坐標(biāo)(0.5*(i1+i2)、0.5*(j1+j2))；

判斷該直線位于邊緣檢測(cè)圖像的區(qū)域：若(0.5*(i1+i2)小于等于邊緣檢測(cè)圖像的半寬，則該直線位于邊緣檢測(cè)圖像的左邊區(qū)域；若(0.5*(i1+i2)大于邊緣檢測(cè)圖像的半寬，則該直線在邊緣檢測(cè)圖像的右邊區(qū)域；

以邊緣檢測(cè)圖像的中心像素線為界，將邊緣檢測(cè)圖像左邊的直線集命名為Left-L，將邊緣檢測(cè)圖像的右邊的直線集命名為Right-L；

(6)、角度篩選

在Left-L直線集中，保留視角角度在45°～90°之間的直線；在Right-L直線集中，保留視角角度在90°～135°之間的直線；其他不符合此角度條件的直線全部刪除；

(7)、灰度塊匹配

(7.1)、在邊緣檢測(cè)圖像的中間選取一m*m灰度小方塊，小方塊中心位于邊緣檢測(cè)圖像的中心點(diǎn)，再檢測(cè)灰度小方塊中的m*m個(gè)像素點(diǎn)的灰度值g₁～g_m*m；

(7.2)、遍歷角度篩選后保留的所有直線上的像素點(diǎn)，以當(dāng)前檢測(cè)的直線上的像素點(diǎn)為中心，取m*m鄰域并依次獲取該鄰域的m*m個(gè)像素點(diǎn)的灰度值f₁～f_m*m，再通過下式求出一個(gè)灰度判斷值gray1：

(7.3)、從邊緣檢測(cè)圖像的底端開始，利用柵格掃描的方式對(duì)邊緣檢測(cè)圖像進(jìn)行逐行向上搜索，獲取掃描線與檢測(cè)到的直線的交點(diǎn)的灰度值gray，并與灰度判斷值gray1進(jìn)行比較，若該交點(diǎn)的灰度值gray>gray1，則認(rèn)為該交點(diǎn)是車道線上的點(diǎn)，并將該點(diǎn)保存到點(diǎn)集Point，若該交點(diǎn)的灰度值gray≤gray1，則認(rèn)為該交點(diǎn)不是車道線上的點(diǎn)并將該點(diǎn)舍棄；直至處理到邊緣檢測(cè)圖像的上限邊界，完成整幅邊緣檢測(cè)圖像的遍歷，最后統(tǒng)計(jì)出每條直線上保留的像素點(diǎn)的個(gè)數(shù)Num-i；

(7.4)、遍歷Left-L直線集中的所有直線，比較每條直線上保存在點(diǎn)集Point中的車道線點(diǎn)的數(shù)量，將車道線點(diǎn)最多的一條直線保留，作為左邊的車道線L_Lane；

(7.5)、遍歷Right-L直線集中的所有直線，比較每條直線上保存在點(diǎn)集Point中的車道線點(diǎn)的數(shù)量，將車道線點(diǎn)最多的一條直線保留，作為右邊的車道線R_Lane；

(8)、檢測(cè)車道線

根據(jù)步驟(7)選出的車道線L_Lane或R_Lane，利用cvLine函數(shù)畫出在原始視頻圖像中。

本發(fā)明的發(fā)明目的是這樣實(shí)現(xiàn)的：

本發(fā)明一種基于塊匹配的車道線檢測(cè)方法，首先利用車輛前視攝像頭對(duì)道路采集原始視頻圖像，通過對(duì)原始圖像進(jìn)行一系列的圖像預(yù)處理，主要包括圖像灰度化、圖像濾波增強(qiáng)、邊緣檢測(cè)等步驟，然后對(duì)圖像進(jìn)行霍夫變換檢測(cè)到圖像中的直線，在這個(gè)基礎(chǔ)上對(duì)檢測(cè)到的直線進(jìn)行灰度塊匹配從而得到正確的左右車道線。在以往的車道線檢測(cè)的基礎(chǔ)上加入灰度塊匹配步驟，使得車道線檢測(cè)的正確率明顯提高，由于灰度塊匹配步驟的計(jì)算簡(jiǎn)單，運(yùn)行效率高，實(shí)時(shí)性好，能夠在實(shí)際運(yùn)用中取得較好的效果。

同時(shí)，本發(fā)明一種基于塊匹配的車道線檢測(cè)方法還具有以下有益效果：

(1)、通過基于塊匹配的車道線檢測(cè)方法可以實(shí)時(shí)快速的檢測(cè)出當(dāng)前車道中的車道線，正確率高，檢測(cè)效果好；

(2)、良好的車道線檢測(cè)是車道偏離預(yù)警系統(tǒng)的基礎(chǔ)，使用灰度塊匹配的車道線檢測(cè)方法相比其他車道線檢測(cè)方法，對(duì)于車道線的檢測(cè)率更高，識(shí)別速度更快，可以為車道偏離預(yù)警系統(tǒng)提供更好的車道線檢測(cè)結(jié)果，使得車道偏離預(yù)警系統(tǒng)的準(zhǔn)確率和實(shí)時(shí)性都有所提高。

附圖說明

圖1是本發(fā)明基于塊匹配的車道線檢測(cè)方法流程圖；

圖2是夜間車道線原始圖；

圖3是夜間車道線灰度圖；

圖4是夜間車道線邊緣檢測(cè)圖；

圖5是夜間車道線直線檢測(cè)圖；

圖6是采用本發(fā)明所述方法的夜間車道線檢測(cè)結(jié)果圖；

圖7是白天車道線原始圖；

圖8是白天車道線灰度圖；

圖9是白天車道線邊緣檢測(cè)圖；

圖10是白天車道線直線檢測(cè)圖；

圖11是采用本發(fā)明所述方法的白天車道線檢測(cè)結(jié)果圖；

圖12是不采用本發(fā)明所述方法的白天車道線檢測(cè)結(jié)果圖。

具體實(shí)施方式

下面結(jié)合附圖對(duì)本發(fā)明的具體實(shí)施方式進(jìn)行描述，以便本領(lǐng)域的技術(shù)人員更好地理解本發(fā)明。需要特別提醒注意的是，在以下的描述中，當(dāng)已知功能和設(shè)計(jì)的詳細(xì)描述也許會(huì)淡化本發(fā)明的主要內(nèi)容時(shí)，這些描述在這里將被忽略。

實(shí)施例

圖1是本發(fā)明基于塊匹配的車道線檢測(cè)方法流程圖。

在本實(shí)施例中，如圖1所示，本發(fā)明一種基于塊匹配的車道線檢測(cè)方法，包括以下步驟：

S1、采集原始視頻圖像

利用安裝在車輛前方的前視魚眼攝像頭連續(xù)采集車輛前方視圖影像，再以幀為單位，將每一幀圖像處理成大小相等；

由于魚眼攝像頭的廣角特性，采集到的圖像會(huì)產(chǎn)生圖形畸變，經(jīng)過大量實(shí)驗(yàn)驗(yàn)證此畸變不會(huì)影響到車道線檢測(cè)的后續(xù)處理，故此處不再對(duì)圖像做形變校正處理；

在本實(shí)施例中，將圖2所示的夜間車道線原始圖處理成大小為550*302的圖像，將圖7所示的白天間車道線原始圖處理成大小為704*576的圖像。

S2、設(shè)置感興趣區(qū)域

選取每幀圖像中主要包含車道線的區(qū)域，并設(shè)置為車道檢測(cè)的感興趣區(qū)域，命名為ROI圖像；

車道線主要位于圖像的下半部分，上半部分主要為遠(yuǎn)景和天空?qǐng)D像。因?yàn)閳D2中基本都是天空，不影響后續(xù)處理步驟，此處未做ROI選擇。而圖7中可以看出車道線主要位于圖像的下半部分，上半部分主要為遠(yuǎn)景和天空?qǐng)D像，影響因素較多，所以此處選擇車輛前方視圖影像的下半部分為ROI區(qū)域，ROI區(qū)域的具體尺寸為原始圖像高度的二分之一，大小為704*288。

S3、圖像預(yù)處理

利用加權(quán)平均法將ROI圖像轉(zhuǎn)換為灰度圖像，再使用中值濾波對(duì)灰度圖像進(jìn)行圖像去噪，最后采用直方圖均衡化算法對(duì)去噪后的灰度圖像進(jìn)行對(duì)比度增強(qiáng)，得到標(biāo)準(zhǔn)灰度圖像，其中，如圖3、圖8所示的灰度圖像分別對(duì)應(yīng)圖2和圖7的預(yù)處理結(jié)果；

此處選取加權(quán)平均法對(duì)圖像進(jìn)行灰度處理，采用Gray＝0.3R+0.59G+0.11B將彩色圖像ROI轉(zhuǎn)化為灰度圖像，同時(shí)還可以采用均值濾波去噪、高斯去噪和雙邊濾波去噪等算法進(jìn)行圖像去噪。

S4、邊緣檢測(cè)

使用Canny邊緣檢測(cè)算子對(duì)標(biāo)準(zhǔn)灰度圖像進(jìn)行邊緣檢測(cè)，得到邊緣檢測(cè)圖像；

在本實(shí)施例中，采用Canny算子由于采用了最優(yōu)邊緣檢測(cè)原則，使提取的邊緣十分完整，細(xì)節(jié)表現(xiàn)明晰，邊緣的連續(xù)性也很好，效果優(yōu)于其它算子，如圖4、圖9所示，分別對(duì)應(yīng)圖3和圖8的邊緣檢測(cè)結(jié)果。

除了Canny算子，本實(shí)施例還可以采用Roberts Cross算子、Prewitt算子、Sobel算子和LoG算子進(jìn)行邊緣檢測(cè)。

S5、霍夫變換Hough檢測(cè)直線

對(duì)邊緣檢測(cè)圖像進(jìn)行Hough變換，獲取邊緣檢測(cè)圖像中的直線，分別命名為L_i，i表示第i直線；

在本實(shí)施例中，圖4中共檢測(cè)到5條直線，如圖5所示，圖9共檢測(cè)到6條直線，如圖10所示；

對(duì)每一條檢測(cè)到的直線，獲取該直線兩端的端點(diǎn)坐標(biāo)(i1，j1)、(i2，j2)，再求得該直線的中點(diǎn)坐標(biāo)(0.5*(i1+i2)、0.5*(j1+j2))；

判斷該直線位于邊緣檢測(cè)圖像的區(qū)域：若(0.5*(i1+i2)小于等于邊緣檢測(cè)圖像的半寬，即(0.5*(i1+i2)≤0.5*width，則該直線位于邊緣檢測(cè)圖像的左邊區(qū)域；若(0.5*(i1+i2)大于邊緣檢測(cè)圖像的半寬，即(0.5*(i1+i2)＞0.5*width，則該直線在邊緣檢測(cè)圖像的右邊區(qū)域；

以邊緣檢測(cè)圖像的中心像素線為界，即以邊緣檢測(cè)圖像中間像素0.5*width為界，將邊緣檢測(cè)圖像左邊的直線集命名為Left-L，將邊緣檢測(cè)圖像的右邊的直線集命名為Right-L；

S6、角度篩選

進(jìn)行Hough變換后得到的直線很多，其中包含很多非車道線的直線，由于車輛前方視圖影像中車道線的角度具有明顯特征，對(duì)得到的直線進(jìn)行角度篩選，刪除角度明顯有誤的直線，保留符合角度條件的直線，角度篩選的具體范圍在45°～135°之間；

在Left-L直線集中，保留視角角度在45°～90°之間的直線；在Right-L直線集中，保留視角角度在90°～135°之間的直線；其他不符合此角度條件的直線全部刪除；

S7、灰度塊匹配

S7.1、在邊緣檢測(cè)圖像的中間選取一3*3灰度小方塊，小方塊中心位于邊緣檢測(cè)圖像的中心點(diǎn)，即width*0.5，height*0.5，再檢測(cè)灰度小方塊中的3*3個(gè)像素點(diǎn)的灰度值g₁～g₉；

由于圖像中間道路面積很大，灰度小方塊的大小可以稍作選擇，本實(shí)施例給出的灰度小方塊的大小設(shè)置范圍為1*1～7*7，在這個(gè)范圍內(nèi)的灰度小方塊對(duì)于車道線匹配效果都很好，不建議將灰度小方塊的大小設(shè)置為大于7*7，在本實(shí)施例中，選取3*3灰度小方塊；

S7.2、遍歷角度篩選后保留的所有直線上的像素點(diǎn)，以當(dāng)前檢測(cè)的直線上的像素點(diǎn)為中心，取3*3鄰域并依次獲取該鄰域的3*3個(gè)像素點(diǎn)的灰度值f₁～f₉，再通過下式求出一個(gè)灰度判斷值gray1：

S7.3、從邊緣檢測(cè)圖像的底端開始，利用柵格掃描的方式對(duì)邊緣檢測(cè)圖像進(jìn)行逐行向上搜索，獲取掃描線與檢測(cè)到的直線的交點(diǎn)的灰度值gray，并與灰度判斷值gray1進(jìn)行比較，因?yàn)榈缆返念伾蛙嚨谰€的顏色不同，所以道路的灰度值和車道線的灰度值有明顯差別，若該交點(diǎn)的灰度值gray>gray1，則認(rèn)為該交點(diǎn)是車道線上的點(diǎn)，并將該點(diǎn)保存到點(diǎn)集Point，若該交點(diǎn)的灰度值gray≤gray1，則認(rèn)為該交點(diǎn)不是車道線上的點(diǎn)并將該點(diǎn)舍棄；直至處理到邊緣檢測(cè)圖像的上限邊界，完成整幅邊緣檢測(cè)圖像的遍歷，最后統(tǒng)計(jì)出每條直線上保留的像素點(diǎn)的個(gè)數(shù)Num-i；

S7.4、遍歷Left-L直線集中的所有直線，比較每條直線上保存在點(diǎn)集Point中的車道線點(diǎn)的數(shù)量，將車道線點(diǎn)最多的一條直線保留，作為左邊的車道線L_Lane；

S7.5、遍歷Right-L直線集中的所有直線，比較每條直線上保存在點(diǎn)集Point中的車道線點(diǎn)的數(shù)量，將車道線點(diǎn)最多的一條直線保留，作為右邊的車道線R_Lane；

S8、檢測(cè)車道線

根據(jù)步驟S7選出的車道線L_Lane或R_Lane，利用cvLine函數(shù)畫出在原始視頻圖像中。

最后，將本發(fā)明所提供的一種基于塊匹配的車道線檢測(cè)方法與普通的不經(jīng)過塊匹配步驟的車道線檢測(cè)方法進(jìn)行對(duì)比，本發(fā)明所提供的車道線檢測(cè)方法對(duì)于實(shí)時(shí)圖像的車道線檢測(cè)結(jié)果如圖6和圖11所示，其中，如圖6所示為夜間車道線檢測(cè)的檢測(cè)結(jié)果圖，圖11為白天車道線檢測(cè)的檢測(cè)結(jié)果圖，從兩幅檢測(cè)結(jié)果圖中可以看出本方法可以有效的檢測(cè)出車輛當(dāng)前行駛車道的左右車道線，盡管車道線可能出現(xiàn)模糊的情況也可以正確的檢測(cè)出來，而不會(huì)錯(cuò)誤檢測(cè)出旁邊車道的車道線或者漏檢當(dāng)前車道的車道線；而普通的不經(jīng)過塊匹配步驟的車道線檢測(cè)方法的車道線檢測(cè)結(jié)果如圖12所示，從圖中看出該方法只檢測(cè)到比較明顯的左邊車道線，而較為靠邊的右邊車道線并沒有檢測(cè)出來，可以看出普通的車道線檢測(cè)方法在實(shí)際應(yīng)用時(shí)會(huì)出現(xiàn)不能完全檢測(cè)出車道線的情況。經(jīng)過對(duì)比，可以看出本發(fā)明提供的一種基于塊匹配的車道線檢測(cè)方法檢測(cè)率明顯高于普通的不經(jīng)過塊匹配步驟的車道線檢測(cè)方法的檢測(cè)率，這說明本發(fā)明提供的一種基于塊匹配的車道線檢測(cè)方法確實(shí)優(yōu)于普通的車道線檢測(cè)方法。

盡管上面對(duì)本發(fā)明說明性的具體實(shí)施方式進(jìn)行了描述，以便于本技術(shù)領(lǐng)域的技術(shù)人員理解本發(fā)明，但應(yīng)該清楚，本發(fā)明不限于具體實(shí)施方式的范圍，對(duì)本技術(shù)領(lǐng)域的普通技術(shù)人員來講，只要各種變化在所附的權(quán)利要求限定和確定的本發(fā)明的精神和范圍內(nèi)，這些變化是顯而易見的，一切利用本發(fā)明構(gòu)思的發(fā)明創(chuàng)造均在保護(hù)之列。