本發(fā)明涉及高級駕駛輔助系統(tǒng)的計算機視覺技術，特別涉及一種用于車道線檢測的梯度增強轉換方法及系統(tǒng)，可用于光照魯棒的車道線檢測。

背景技術：

隨著車輛數(shù)量的增加，車禍受害者的數(shù)量每年都在增加。許多事故是由于駕駛員粗心或視覺干擾對駕駛條件缺乏意識造成的。高級駕駛員輔助系統(tǒng)(adas)是減少此類事故的重要技術。車道檢測和跟蹤是adas的基本模塊，是車道偏離警告系統(tǒng)和車道保持系統(tǒng)的核心。另外，檢測到的車道位置的信息可以用于檢測接近的車輛和障礙物。

通常車道線檢測算法使用以下三個步驟：

車道特征提取，異常值刪除和跟蹤。特征提取是車道線檢測中的重要步驟。許多特征，如顏色，角點，邊緣和幾何形狀可用于表示車道。邊緣是最重要的特點之一，因為車道線在道路上創(chuàng)造了強大的邊緣。換句話說，由于其強度的差異，在道路和車道之間存在大的梯度。因此，目前的方法多使用基于梯度的特征。這些基于梯度的車道檢測算法將梯度特征提取應用于從一定比例的rgb或ycbcr的亮度系數(shù)獲得的灰度級圖像。然而，它們在檢測與道路相比具有大梯度的車道特征方面存在一些問題，例如：由于彩色車道線被轉換為類似于道路的灰度值，所以彩色車道線和道路之間的梯度被高度抑制，可能導致車道線檢測失敗。這可能在實際應用中引起關鍵問題，因為彩色車道線可以傳達更重要的信息，例如中心線。

傳統(tǒng)的灰度圖像轉換方法沒有考慮常規(guī)灰度級圖像轉換方法的問題。常規(guī)方法使用在諸如ycbcr的顏色空間中的平均rgb通道或亮度通道。雖然在彩色圖像中清楚地區(qū)分了車道線和道路，但是在轉換后的圖像中二者相似，難以適當?shù)靥崛√荻忍卣?。如果使用較大的閾值，則不能檢測到黃色車道的邊緣。如果使用較小的閾值，則在檢測車道邊緣的同時，也檢測到太多的不需要的邊緣。

一些改進方式是，基于直方圖的對比度增強方法[q.-b.truongandb.-r.lee,“newlanedetectionalgorithmforautonomousvehiclesusingcomputervision,”inproc.int.conf.control,autom.syst.,seoul,korea,oct.2008,pp.1208–1213.]可以用于增強白色車道和道路之間的梯度。然而，在許多情況下，黃色車道線的強度類似于道路的強度，則基于直方圖的方法不能很好地工作。

另一些改進方法是，改進的基于rgb比率的梯度增強轉換方法，[z.kim,“robustlanedetectionandtrackinginchallengingscenarios,”ieeetrans.intell.transp.syst.,vol.9,no.1,pp.16–26,mar.2008.]用具有神經(jīng)網(wǎng)絡的分類性能模擬具有兩種不同比率的彩色和灰度圖像。由它們的比率轉換(0.5為紅色，0.4為綠色，0.1為藍色)的灰度級圖像優(yōu)于由平均權重轉換的用于檢測黃色車道標記的灰度級圖像。這種觀察在日光條件下可能是合理的，因為在紅色和綠色通道中，黃色和白色車道線比道路具有更高的值。然而，問題仍然存在于不同的色溫照明下，例如傍晚日照或人工照明條件。

還有一些改進方法是，基于灰度聚類的亮度補償方法，wang等人[j.-g.wang,c.-j.lin,ands.-m.chen,“applyingfuzzymethodtovisionbasedlanedetection,”exp.syst.appl.,vol.37,no.1,pp.113–126,jan.2010.]提出了一種用于解決由天氣條件引起的照明問題的車道檢測算法。他們在yiq色彩空間的y通道圖像中執(zhí)行亮度補償，其中i表示同相，q表示正交。他們分析了y通道圖像的直方圖，并通過sca和模糊c均值聚類將y通道圖像分成亮和暗分量。對于每個分量，基于伽馬校正來實現(xiàn)補償。如果道路和車道被分類為不同的集群，則梯度被充分增強。如果分類失敗，亮度不能很好地補償。因為在許多情況下車道和道路具有相似的強度值，錯誤分類依然可能發(fā)生。

由此可見，上述基于灰度圖像增強的所有方法(例如對比度增強和亮度補償)都有一定的局限性。如果原始灰度級相似，則增強值也是類似的。因此，由灰度圖像轉換處理丟失的信息不能被恢復。此外，上述改進的基于rgb比率的方法不能保證在各種照明條件下車道線和道路之間的梯度保持適當。因此，需要一種新的轉換方法，用以在各種照明條件下在車道和道路之間產生更大的梯度，從而適當?shù)貦z測車道。

技術實現(xiàn)要素：

本發(fā)明要解決的技術問題是，提供一種用于車道線檢測的梯度增強轉換方法，以適用于光照魯棒的車道線檢測，通過產生最佳的rgb權重，使得道路上車道線邊界梯度最大化，從而能夠更好地區(qū)分車道線和道路。

解決上述技術問題，本發(fā)明提供了一種用于車道線檢測的梯度增強轉換方法，包括如下步驟：

s1建立一彩色rgb圖像采集模型，用以捕獲圖像的rgb值，

s2基于rgb值的變化動態(tài)生成一轉換向量，通過所述轉換向量將圖像的當前幀轉換為灰度圖像用以提供最大車道梯度，

s3對轉化后的灰度圖像進行車道線檢測，并提取訓練數(shù)據(jù)，

s4根據(jù)所述訓練數(shù)據(jù)采用lda算法訓練更新上述轉換向量，更新后的轉換向量中包括：增強白色車道梯度和增強黃色車道梯度，

重復上述s2～s4，實現(xiàn)連續(xù)地轉換。

更進一步，所述彩色rgb圖像采集模型為：

其中，λ表示光的波長；ri，gi和bi是圖像的第i個像素的rgb值；e(λ)表示光的光譜功分布；si(λ)是第i個像素的物體表面反射率，rgb傳感器的光譜靈敏度分別用qr(λ)，qg(λ)和qb(λ)表示。

更進一步，通過所述轉換向量將圖像的當前幀轉換為灰度圖像用以提供最大車道梯度滿足如下方程：

g1(ωmax)＝max(g1(ω))＝max(|ω·x^r-ω·x^l|)，

其中,x^r和x^l分別是道路和車道區(qū)域的rgb像素值,其中yr和y1分別表示道路和車道線的灰度值,ω表示rgb轉換向量(ωr,ωg,ωb)。

更進一步，提取訓練數(shù)據(jù)包括：圖像道路和車道區(qū)域的rgb像素值的x^r和x^l，設在時間t幀的類c的訓練數(shù)據(jù)定義如下：

其中是在時間t的幀的類c的訓練數(shù)據(jù)，c是車道線或道路，表示在t時間的幀中提取的類c的訓練數(shù)據(jù)，k是要用于當前幀的訓練數(shù)據(jù)的先前幀的數(shù)目。

更進一步，提取訓練數(shù)據(jù)的過程中還包括基于當前幀中的車道檢測結果更新下一幀的訓練數(shù)據(jù)，進一步包括如下步驟：

選擇檢測到的車道附近的感興趣區(qū)域，基于t-1時刻的幀的訓練數(shù)據(jù)的統(tǒng)計特性收集類別c的新訓練數(shù)據(jù)然后采用馬氏距離用于測量在t-1時刻的幀與之間的相似性，

其中，x是在t-1幀中的像素的rgb向量，mc是類c的平均向量，sc是類c的協(xié)方差矩陣，mdc是x和mc之間的馬氏距離，若mdc(x)小于特定值，則選擇x作為類c的新訓練數(shù)據(jù)。

更進一步，lda算法訓練更新上述轉換向量的方法具體包括：

使用兩個不同的方差來找到類間散射sb和類內散射sw之間的線性組合，具體地每項定義如下：

其中，x是數(shù)據(jù)，ni是類i中的數(shù)據(jù)的數(shù)量，mi是類i的平均值，m是所有數(shù)據(jù)的平均值，c是類的數(shù)量，ci是類i中的所有數(shù)據(jù)的集合。

更進一步，方法還包括：將轉換向量的類間散射配置為最大化，轉換向量

更進一步，上述提取訓練數(shù)據(jù)時對于圖像序列的初始幀，采用手動裁剪出車道線和道路區(qū)域并將其用作初始訓練數(shù)據(jù)；

對于之后的圖像，通過獲取先前幀圖像中的車道線和道路的rgb值，提取訓練數(shù)據(jù)用于更新轉換向量。

更進一步，所述車道線檢測進一步包括：

利用自適應的canny邊緣檢測算子對轉換后的圖像提取特征；

基于提取的邊緣信息，采用霍夫變換ht和邊緣連接方法進行初始車道線估計；

車道線模型擬合生成車道檢測結果。

基于上述，本發(fā)明還提供了一種用于車道線檢測的梯度增強轉換系統(tǒng)，包括：

彩色圖像采集建模單元，用以建立一彩色rgb圖像采集模型，用以捕獲圖像的rgb值，

轉換向量單元，用以基于rgb值的變化動態(tài)生成一轉換向量，通過所述轉換向量將圖像的當前幀轉換為灰度圖像用以提供最大車道梯度，

訓練數(shù)據(jù)提取單元，用以對轉化后的灰度圖像進行車道線檢測，并提取訓練數(shù)據(jù)，

lda計算單元，用以根據(jù)所述訓練數(shù)據(jù)采用lda算法訓練更新上述轉換向量，更新后的轉換向量中包括：增強白色車道梯度和增強黃色車道梯度

本發(fā)明的有益效果：

本發(fā)明中提出以線性判別分析(lda)為基礎的梯度增強轉換，該梯度增強轉換方法能夠產生最佳的rgb權重，使得道路上車道線邊界梯度最大化。該過程在各種照明條件下使邊界提供強邊緣，即對于照明改變是魯棒的，有效提高了在各種照明條件下的梯度特征值。所提出的梯度增強圖像可以提高基于梯度特征的車道檢測算法的性能。通過對比實驗，本發(fā)明的方法顯示出最佳性能，并且當使用本發(fā)明的梯度增強圖像時，每種方法的車道檢測率提高10％以上。

附圖說明

圖1是本發(fā)明一實施例中的方法流程示意圖；

圖2是本發(fā)明一實施例中的系統(tǒng)結構示意圖；

圖3是將本發(fā)明用于車道線檢測的工作流程；

圖4是在不同環(huán)境中本文提出算法的車道線檢測率；

圖5是對比方法的車道檢測率。

具體實施方式

現(xiàn)在將參考一些示例實施例描述本公開的原理?？梢岳斫猓@些實施例僅出于說明并且?guī)椭绢I域的技術人員理解和實施例本公開的目的而描述，而非建議對本公開的范圍的任何限制。在此描述的本公開的內容可以以下文描述的方式之外的各種方式實施。

如本文中所述，術語“包括”及其各種變體可以被理解為開放式術語，其意味著“包括但不限于”。術語“基于”可以被理解為“至少部分地基于”。術語“一個實施例”可以被理解為“至少一個實施例”。術語“另一實施例”可以被理解為“至少一個其它實施例”。

圖1是本發(fā)明一實施例中的方法流程示意圖，具體包括如下步驟：步驟s100建立一彩色rgb圖像采集模型，用以捕獲圖像的rgb值，步驟s101基于rgb值的變化動態(tài)生成一轉換向量，通過所述轉換向量將圖像的當前幀轉換為灰度圖像用以提供最大車道梯度，步驟s102對轉化后的灰度圖像進行車道線檢測，并提取訓練數(shù)據(jù)，步驟s103根據(jù)所述訓練數(shù)據(jù)采用lda算法訓練更新上述轉換向量，更新后的轉換向量中包括：增強白色車道梯度和增強黃色車道梯度，重復上述步驟s101～s103，實現(xiàn)連續(xù)地轉換。通過本實施例中的梯度增強轉換方法，能夠產生最佳的rgb權重，使得道路上車道線邊界梯度最大化。作為本實施例中的優(yōu)選，在所述步驟s100中，所述彩色rgb圖像采集模型為：

其中，λ表示光的波長；ri，gi和bi是圖像的第i個像素的rgb值；e(λ)表示光的光譜功分布；si(λ)是第i個像素的物體表面反射率，rgb傳感器的光譜靈敏度分別用qr(λ)，qg(λ)和qb(λ)表示。由同一相機捕獲的相同顏色對象的圖像的rgb值可隨著照明變化而變化。這意味著固定rgb比率法不能產生最佳解來解決在各種照明條件下的車道梯度最大化問題。

作為本實施例中的優(yōu)選，在所述步驟s101中，通過所述轉換向量將圖像的當前幀轉換為灰度圖像用以提供最大車道梯度滿足如下方程：

g1(ωmax)＝max(g1(ω))＝max(|ω·x^r-ω·x^l|)，

其中,x^r和x^l分別是道路和車道區(qū)域的rgb像素值,其中yr和yl分別表示道路和車道線的灰度值,ω表示rgb轉換向量(ωr,ωg,ωb)。為適應各種照明和道路條件，需動態(tài)生成轉換向量。此轉換向量將彩色圖像轉換為灰度圖像，并提供最大車道梯度，用于轉換當前幀。

作為本實施例中的優(yōu)選，在所述步驟s102中當前圖像的訓練數(shù)據(jù)由先前幀的車道和道路顏色信息提供，訓練數(shù)據(jù)包括道路和車道線類，具體地提取訓練數(shù)據(jù)包括：圖像道路和車道區(qū)域的rgb像素值的x^r和x^l，設在時間t幀的類c的訓練數(shù)據(jù)定義如下：

其中是在時間t的幀的類c的訓練數(shù)據(jù)，c是車道線或道路，表示在t時間的幀中提取的類c的訓練數(shù)據(jù)，k是要用于當前幀的訓練數(shù)據(jù)的先前幀的數(shù)目。更進一步地，提取訓練數(shù)據(jù)的過程中還包括基于當前幀中的車道檢測結果更新下一幀的訓練數(shù)據(jù)，還包括如下步驟：

選擇檢測到的車道附近的感興趣區(qū)域，基于t-1時刻的幀的訓練數(shù)據(jù)的統(tǒng)計特性收集類別c的新訓練數(shù)據(jù)然后采用馬氏距離用于測量在t-1時刻的幀與之間的相似性，

其中，x是在t-1幀中的像素的rgb向量，mc是類c的平均向量，sc是類c的協(xié)方差矩陣，mdc是x和mc之間的馬氏距離，若mdc(x)小于特定值，則選擇x作為類c的新訓練數(shù)據(jù)。

在一些實施例中，上述提取訓練數(shù)據(jù)時對于圖像序列的初始幀，采用手動裁剪出車道線和道路區(qū)域并將其用作初始訓練數(shù)據(jù)；對于之后的圖像，通過獲取先前幀圖像中的車道線和道路的rgb值，提取訓練數(shù)據(jù)用于更新轉換向量。

作為本實施例中的優(yōu)選，在所述步驟s103中的lda算法訓練更新上述轉換向量，lda使用兩個不同的方差來找到類間散射sb和類內散射sw之間的線性組合的方法具體包括：

使用兩個不同的方差來找到類間散射sb和類內散射sw之間的線性組合，具體地每項定義如下：

其中，x是數(shù)據(jù)，ni是類i中的數(shù)據(jù)的數(shù)量，mi是類i的平均值，m是所有數(shù)據(jù)的平均值，c是類的數(shù)量，ci是類i中的所有數(shù)據(jù)的集合，將轉換向量的類間散射配置為最大化，轉換向量由于現(xiàn)實場景中的車道類分為黃線類和白線類，因為車道通常用白色或黃色標記。為了最大化梯度增強，科確定兩個轉換向量：一個增強白色車道梯度，另一個增強黃色車道梯度。

在一些實施例中，在所述步驟s102中所述車道線檢測進一步包括：利用自適應的canny邊緣檢測算子對轉換后的圖像提取特征；基于提取的邊緣信息，采用霍夫變換ht和邊緣連接方法進行初始車道線估計；車道線模型擬合生成車道檢測結果。

圖2是本發(fā)明一實施例中的系統(tǒng)結構示意圖，本實施例中的一種用于車道線檢測的梯度增強轉換系統(tǒng)，包括：

彩色圖像采集建模單元1，用以建立一彩色rgb圖像采集模型，用以捕獲圖像的rgb值，彩色圖像采集建模彩色圖像采集過程建模為如下：

其中λ表示光的波長；ri，gi和bi是圖像的第i個像素的rgb值；e(λ)表示光的光譜功分布；si(λ)是第i個像素的物體表面反射率。rgb傳感器的光譜靈敏度分別用qr(λ)，qg(λ)和qb(λ)表示。換句話說，e(λ)由照明條件確定，si(λ)由物體表面顏色確定，而q(λ)由攝像頭傳感器的特性確定。因此，由同一相機捕獲的相同顏色對象的圖像的rgb值可隨著照明變化而變化。這意味著固定rgb比率法不能產生最佳解來解決在各種照明條件下的車道梯度最大化問題。

轉換向量單元2，用以基于rgb值的變化動態(tài)生成一轉換向量，通過所述轉換向量將圖像的當前幀轉換為灰度圖像用以提供最大車道梯度，為了解決上述問題，在本發(fā)明中動態(tài)生成可以適應各種照明和道路條件的轉換向量。此轉換向量將彩色圖像轉換為灰度圖像以提供最大車道梯度。轉換向量由先前幀的車道和道路顏色信息更新。

通常由rgb的加權和轉換成灰度級，如下：

y＝ωrr+ωgg+ωbb(2)

其中ωr，ωg和ωb是rgb的權重，y是(r,g,b)的轉換值。轉換后圖像中的車道線梯度在數(shù)學上表示如下：

其中yr和yl分別表示道路和車道線的灰度值。等式(2)可以表示為轉換向量和rgb向量之間的內積。據(jù)此，在本發(fā)明中通過如下的轉換向量ω表示圖像的第i個像素的轉換值：

yi(ω)＝ω·xi(4)

其中ω表示rgb轉換向量(ωr,ωg,ωb)，xi表示rgb向量(ri,gi,bi)。內積被幾何解釋為一個向量到另一個向量的標量投影。因此，公式(6)中的yi是xi在權重向量ω上的標量投影。換句話說，yi可以通過從3-d向量到1-d標量的維度減小來實現(xiàn)。根據(jù)(4)，(3)中的gl可以表示如下：

gl＝|yr(ω)-yl(ω)|

＝|ω·x^r-ω·x^l|(5)

其中x^r和x^l分別是道路和車道區(qū)域的rgb像素值。因此，梯度增強轉換涉及找到滿足以下方程的向量ωmax:

gl(wmax)＝max(gl(ω))

＝max(|ω·x^r-ω·x^l|)(6)

由于(4)中的灰度圖像轉換是一種維度降低，因此可以通過找到一種維數(shù)縮減向量，使道路和多類車道線得到不同轉換值，來求解(6)。

訓練數(shù)據(jù)提取單元3，用以對轉化后的灰度圖像進行車道線檢測，并提取訓練數(shù)據(jù)，對轉換后的圖像進行車道線檢測。

本發(fā)明利用訓練數(shù)據(jù)，基于式(6)計算的降維向量ωmax。在本發(fā)明中需要準備訓練數(shù)據(jù)包括圖像道路和車道區(qū)域的rgb像素值的x^r和x^l。

在時間t幀的類c的訓練數(shù)據(jù)定義如下：

其中是在時間t的幀的類c的訓練數(shù)據(jù)，c是車道線或道路，表示在t時間的幀中提取的類c的訓練數(shù)據(jù)，而k是要用于當前幀的訓練數(shù)據(jù)的先前幀的數(shù)目。

(6)中的問題變?yōu)樽R別使不同類之間區(qū)別最大化的維數(shù)縮減向量的問題?；诋斍皫械能嚨罊z測結果更新下一幀的訓練數(shù)據(jù)。首先，在本發(fā)明中選擇檢測到的車道附近的感興趣區(qū)域?；趖-1時刻的幀的訓練數(shù)據(jù)的統(tǒng)計特性，即收集類別c的新訓練數(shù)據(jù)，即馬氏距離用于測量在t-1時刻的幀與之間的相似性，因此

其中x是在t-1幀中的像素的rgb向量，mc是類c的平均向量，sc是類c的協(xié)方差矩陣，mdc是x和mc之間的馬氏距離。如果mdc(x)小于特定值，則選擇x作為類c的新訓練數(shù)據(jù)。

在一些實施例中，可以使用如下車道線檢測流程：利用自適應的canny邊緣檢測算子對轉換后的圖像提取特征；基于提取的邊緣信息，采用霍夫變換(ht)和邊緣連接方法進行初始車道線估計；車道線模型擬合生成最終車道檢測結果。

lda計算單元4，用以根據(jù)所述訓練數(shù)據(jù)采用lda算法訓練更新上述轉換向量，更新后的轉換向量中包括：增強白色車道梯度和增強黃色車道梯度。lda是找到特征的線性組合，用以表征或分離兩個或多個類別的對象或事件，在統(tǒng)計學，模式識別和機器學習中被頻繁使用。lda使用兩個不同的方差來找到類間散射sb和類內散射sw之間的線性組合。每項定義如下：

其中x是數(shù)據(jù)，ni是類i中的數(shù)據(jù)的數(shù)量，mi是類i的平均值，m是所有數(shù)據(jù)的平均值，c是類的數(shù)量，ci是類i中的所有數(shù)據(jù)的集合。

為了區(qū)分不同的類，wx的類間散射應當被最大化，并且類內散射應該被最小化。因此：

車道類分為黃線類和白線類，因為車道通常用白色或黃色標記。為了最大化梯度增強，在本發(fā)明中確定兩個轉換向量：一個增強白色車道梯度，另一個增強黃色車道梯度。因此，使用兩類lda方法，從一個彩色圖像生成兩個轉換圖像。

在上述系統(tǒng)中能夠產生最佳的rgb權重，使得道路上車道線邊界梯度最大化。該增強轉換的過程中在各種照明條件下使邊界提供強邊緣，從而對于照明改變是魯棒的，有效提高了在各種照明條件下的梯度特征值。所提出的梯度增強圖像可以提高基于梯度特征的車道檢測算法的性能。

圖3是將本發(fā)明用于車道線檢測的工作流程，本發(fā)明的效果可以通過以下實驗進一步證實，將本發(fā)明描述的圖像轉換技術用于車道線檢測，從本發(fā)明的基于梯度增強矢量的圖像轉換開始。然后用邊緣檢測作為特征提取方法?；舴蜃儞Q(ht)和邊緣連接方法用于初始車道線估計。通過擬合車道模型產生最終車道檢測結果。更新訓練數(shù)據(jù)以適應照明變化。在更新步驟中，在本發(fā)明中提取新訓練數(shù)據(jù)供下一幀圖像使用。算法的整體過程如圖1所示。每個步驟的細節(jié)表示如下。

第一，特征提取

在邊緣檢測算法中，在本發(fā)明中使用具有自適應閾值的canny邊緣檢測器。canny邊緣檢測器使用兩個閾值來確定邊緣。具有高于較大閾值thl的梯度值的像素被選擇為邊緣。另一方面，具有低于較小閾值ths的值的像素被確定為非邊緣。兩個閾值之間的像素被設置為邊緣候選，并且如果存在從像素到邊緣的路徑，則將其分類為邊緣。因此，兩個閾值顯著影響邊緣檢測的性能。

由于轉換圖像中的車道線梯度可隨照明而變化，所以需要用于canny邊緣檢測器的自適應閾值。這些自適應閾值從道路和車道類的統(tǒng)計特性計算。由于道路和車道線的rgb分量是正態(tài)分布的，且梯度增強轉換是一種投影，那么每個類的轉換值也是正態(tài)分布的。每個類的轉換值的分布可以表示如下：

其中c是某個類，mc是類c的平均值，ω是在車道類別和道路類別之間的梯度增強轉換向量，ωx^t是x經(jīng)過ω的梯度增強轉換值。因為在先前的梯度增強轉換步驟中計算了類的平均值和方差，故可以在沒有附加過程的情況下對類的分布進行建模。那么canny邊緣檢測器的大閾值即是確定邊緣的標準，定義如下：

th1＝|ω·m^l-ω·m^r|(12)

其中th1是車道梯度增強圖像的canny邊緣檢測器的大閾值。canny邊緣檢測器的小閾值可以如下確定：

ths＝max(|ω·m^l-d|，|ω·m^r-d|)(13)

其中ths是梯度增強圖像的canny邊緣的較小閾值，d是車道線和道路概率相等的值。由于canny邊緣檢測算法獨立地應用于每個轉換的圖像，所以canny邊緣檢測器的閾值分別定義，且從一個彩色圖像生成兩個邊緣圖。通過或運算將這兩個圖合并在一個邊緣圖內。

第二，初始車道線估計

在生成邊緣圖之后，ht被用于車道候選的初始估計。ht將全局模式檢測問題改變?yōu)楦菀椎姆逯迭c檢測問題。在霍夫變換中，為可能的線路累積投票的過程可以表示如下：

h(ρ，θ)＝∫∫i(u，v)δ(ρ-ucosθ-vsinθ)dudv(14)

其中h(ρ，θ)是由ρ和θ參數(shù)化的線的投票數(shù)，i(u，v)是圖像空間中的基準?；趆t-算法一般假定車道被表示為直線。用霍夫變換(ht)車道候選的初始估計?；舴蜃儞Q可以正確識別直線車道線。對于曲線車道線，其在圖像底部仍然可以被視為直線，霍夫變換仍然可以用作用于車道檢測的初始估計。

第三，車道線模型擬合。

選擇初始感興趣區(qū)域來提取由ht建立的初始線附近的車道線邊緣。通過使用感興趣區(qū)域中的邊緣方向約束來找到通道邊緣。斜坡彎曲車道被改變?yōu)榕c道路區(qū)域的上部區(qū)域中的ht線的斜率不同的值。如果初始感興趣區(qū)域中的邊緣具有與ht線類似的斜率，則將其作為車道線邊緣收集。因為車道線邊緣通常是連接的，對于上部區(qū)域，在本發(fā)明中在下部區(qū)域中沿著車道邊緣的切線方向搜索上部區(qū)域。在虛線車道或移除車道的情況下，在上部鄰域中可以沒有邊緣分量。在這種情況下，在本發(fā)明中沿著先前車道邊緣的切線方向逐行掃描，直到滿足車道邊緣的候選點。

由于大多數(shù)彎曲車道近似由恒定曲率模型表示，在本發(fā)明中使用二次曲線模型，其復雜程度低于其他模型。

其中x和y是坐標值，c0是車道的曲率，m是斜率，b是車道的偏移。由于相機坐標系中的通道由二次曲線模型的投影變換表示，所以應該修改模型以估計圖像中的車道模型。在本發(fā)明中使用與直線和二次曲線組合的模型來近似投影車道模型。因為車道模型是可微且連續(xù)的，線參數(shù)從曲線參數(shù)導出。

需要三個參數(shù)的二次曲線來估計車道模型。用最小二乘法找到二次曲線的參數(shù)。有

第四，根據(jù)本發(fā)明的圖像轉換方法對圖像做梯度轉換，并對轉換后的圖像進行車道線檢測。在本發(fā)明中用幾個數(shù)據(jù)庫模擬車道檢測算法。在來自數(shù)據(jù)庫的各種照明條件下的超過8000幀被用于表明所提出的車道檢測算法的照明魯棒性。為了評估所提出的車道檢測算法，在本發(fā)明中測量檢測率。在本發(fā)明中手動計數(shù)正確的檢測幀的數(shù)量，如果檢測車道在實際車道標記上并且它們的彎曲方向正確，則確定檢測幀是正確的。在大多數(shù)情況下，檢測率接近95％，即使在較差的照明條件下，檢測率仍然大于93％。平均檢測率為96.37％，如圖4所示。所提出的車道檢測算法的性能不受照明變化的很大影響。此外，在本發(fā)明中模擬其他車道檢測方法[m.aly,“realtimedetectionoflanemarkersinurbanstreets,”inproc.ieeeintell.veh.symp.,jun.2008,pp.7–12.][a.borkar,m.hayes,andm.smith,“anovellanedetectionsystemwithefficientgroundtruthgeneration,”ieeetrans.intell.transp.syst.,vol.13,no.1,pp.365–374,mar.2012.]來與本文提出的方法車道線檢測率比較。兩種對比算法都基于一種梯度特征和逆透視映射(ipm)。每種方法的泳道檢測率如圖5所示。對于在本發(fā)明中的數(shù)據(jù)庫，aly的方法的檢測率約為72％，因為它不考慮環(huán)境變化和彎曲的車道。borkar等人的方法基于自適應閾值，表現(xiàn)出比aly更好的性能，但是仍然在81％左右?；趇pm的車道檢測方法容易對前方車輛進行錯誤檢測，因為ipm將前方車輛變換為類似于車道組件。本發(fā)明的方法顯示出最佳性能，并且當使用本發(fā)明的梯度增強圖像時，每種方法的車道檢測率提高10％以上。這種提高是因為對比方法也使用一種梯度特征。這意味著所提出的梯度增強方法可以應用于基于梯度特征的其他車道檢測方法，以提高環(huán)境魯棒性。

應當理解，本發(fā)明的各部分可以用硬件、軟件、固件或它們的組合來實現(xiàn)。在上述實施方式中，多個步驟或方法可以用存儲在存儲器中且由合適的指令執(zhí)行系統(tǒng)執(zhí)行的軟件或固件來實現(xiàn)。例如，如果用硬件來實現(xiàn)，和在另一實施方式中一樣，可用本領域公知的下列技術中的任一項或他們的組合來實現(xiàn)：具有用于對數(shù)據(jù)信號實現(xiàn)邏輯功能的邏輯門電路的離散邏輯電路，具有合適的組合邏輯門電路的專用集成電路，可編程門陣列(pga)，現(xiàn)場可編程門陣列(fpga)等。

在本說明書的描述中，參考術語“一個實施例”、“一些實施例”、“示例”、“具體示例”、或“一些示例”等的描述意指結合該實施例或示例描述的具體特征、結構、材料或者特點包含于本發(fā)明的至少一個實施例或示例中。在本說明書中，對上述術語的示意性表述不一定指的是相同的實施例或示例。而且，描述的具體特征、結構、材料或者特點可以在任何的一個或多個實施例或示例中以合適的方式結合。

總體而言，本公開的各種實施例可以以硬件或專用電路、軟件、邏輯或其任意組合實施。一些方面可以以硬件實施，而其它一些方面可以以固件或軟件實施，該固件或軟件可以由控制器、微處理器或其它計算設備執(zhí)行。雖然本公開的各種方面被示出和描述為框圖、流程圖或使用其它一些繪圖表示，但是可以理解本文描述的框、設備、系統(tǒng)、技術或方法可以以非限制性的方式以硬件、軟件、固件、專用電路或邏輯、通用硬件或控制器或其它計算設備或其一些組合實施。

此外，雖然操作以特定順序描述，但是這不應被理解為要求這類操作以所示的順序執(zhí)行或是以順序序列執(zhí)行，或是要求所有所示的操作被執(zhí)行以實現(xiàn)期望結果。在一些情形下，多任務或并行處理可以是有利的。類似地，雖然若干具體實現(xiàn)方式的細節(jié)在上面的討論中被包含，但是這些不應被解釋為對本公開的范圍的任何限制，而是特征的描述僅是針對具體實施例。在分離的一些實施例中描述的某些特征也可以在單個實施例中組合地執(zhí)行。相反對，在單個實施例中描述的各種特征也可以在多個實施例中分離地實施或是以任何合適的子組合的方式實施。