一种适用于无人方程式赛车的直线加速车道标志线检测方法

摘要

本发明涉及一种适用于无人方程式赛车的直线加速车道标志线检测方法，主要适用于赛道的起始线和终止线检测以及直线加速赛道的车道标志线检测，将图像进行灰度化处理，采用高斯滤波器去除噪声，基于Sobel算子进行道路边缘增强，通过将图像进行二值化处理得到道路预处理图像；采用Canny边缘检测算子进行车道线边缘的提取，接着结合车道线特征建立自适应三角形感兴趣区域，将图像分为左右两部分，采用Hough变换分别拟合识别车道标志线检测出道路边界，最后输出两条车道线并叠加到原始图像中；本发明可应用于无人驾驶领域的驾驶辅助系统，减少由于驾驶员分心而造成的伤亡事故。

说明书

技术领域

本发明涉及一种适用于无人方程式赛车的直线加速车道标志线检测方法，属于无人驾驶技术领域。

背景技术

中国大学生无人驾驶方程式大赛融合了无人驾驶车辆的顶尖技术，涵盖了多元信息融合、视觉SLAM、车辆路径规划与跟踪等关键性技术，其中动态赛事分为直线加速测试、8字绕环测试、操控性测试(有人)以及高速循迹追踪测试，重点测试参赛车辆的感知、规划、决策和控制等各项功能；直线加速动态赛主要测试赛车的加速能力，因此赛车的车道起始线和终止线的检测以及直线加速时的车道线检测显得尤为重要，无人方程式的车道线检测技术可应用无人驾驶领域的驾驶辅助系统，车道线的检测方法有利于减少驾驶员因注意力不集中致使车辆偏离正常赛道造成的伤亡事故。

目前基于视觉的车道线检测方法主要为基于特征的方法和基于模型的方法，基于特征的方法是在灰度图像或者彩色图像中提取道路的纹理、边、颜色梯度等特征检测车道线；基于模型的方法是根据不同的到道路采取不同的参数模型实现车道线检测，主要有双曲线、样条曲线模型等；另外，目前的道路检测算法中感兴趣区域主要采用固定不变的感兴趣区域，感兴趣区域通常为矩形，矩形感兴趣区域存在大量的无用面积，增加了计算复杂程度，降低了车道线检测算法效率，难以满足车载视频车道线检测算法对道路前方信息的实时性检测；最后，由于道路可能存在车道标示线缺损、受污染严重，车道起止线容易受路面干扰等因素，基于道路模型现有算法存在适应性不强、识别准确率低、受干扰等严重问题，因此需要一种识别准确率高、鲁棒性好、实时性好的车道识别算法。

发明内容

本发明提供一种适用于无人方程式赛车的直线加速车道标志线检测方法，减小了噪声干扰，提高了算法速度，满足了无人驾驶赛车的实时性要求。

本发明解决其技术问题所采用的技术方案是：

一种适用于无人方程式赛车的直线加速车道标志线检测方法，具体包括以下步骤：

第一步：基于无人方程式直线加速赛道视频进行道路图像采集，获取起始线图像；

第二步：对起始线图像进行预处理，即将彩色图像变为灰度图进行灰度化处理后，进行高斯滤波处理，采用自适应阈值法提取阈值，将起始线图像进行二值化处理得到起始线预处理图像；

第三步：通过对二值化处理得到的起始线图像进行霍夫变换，检测直线，得到起始线中所有可能的直线；

第四步：在所有可能的直线的上下固定像素点范围内观察像素值，记录符合颜色约束以及不符合颜色约束的点的集合，计算每条直线符合颜色约束的点所占的比例，若该比例大于设定的阈值则认为是起始线，此时发送信号给赛车底盘控制系统，启动赛车，若该比例小于或等于设定的阈值则认为为非起始线，此时回到第一步重新检测；

第五步：启动赛车后，获取车道线图像，对车道线图像进行预处理，即将彩色图像变为灰度图进行灰度化处理后，进行高斯滤波处理，基于Sobel算子进行道路边缘增强，消除车道线图像中的无用消息，采用自适应阈值法提取阈值，将车道线图像进行二值化处理得到车道线预处理图像；

第六步：采用Canny边缘检测算子进行车道线边缘的提取；

第七步：建立三角形自适应感兴趣区域的提取，生成道路预处理图像；

第八步：将道路预处理图像分为左图像和右图像两个部分，利用霍夫变换进行左图像以及右图像内的左右车道线检测；

第九步：将左图像、右图像检测输出的两条车道线叠加至原始图像中，获取终止线图像；

第十步：将终止线图像进行预处理，即将彩色图像变为灰度图进行灰度化处理后，进行高斯滤波处理，采用自适应阈值法提取阈值，将终止线图像进行二值化处理得到终止线预处理图像；

第十一步：基于霍夫变换进行终止线检测，将获取的反馈信号输送至赛车底盘控制系统，对赛车进行制动，完成直线加速比赛；

作为本发明的进一步优选，前述第六步中采用Canny边缘检测算子进行车道线边缘的提取具体包括：

第61步，对车道线图像的亮度梯度进行求解，在平滑的车道线图像上使用Sobel沿x轴和y轴检测道路边缘是否为水平线、垂直线或对角线；

第62步，采用非极大值抑制思想进行边缘的细化，检测每个像素值在先前计算的梯度方向是否为局部最大值；

第63步，非极大抑制后确认强像素在最终边缘映射中，对弱像素进行分析，确认是否为车道线边缘或者噪声；

作为本发明的进一步优选，前述的第七步中建立三角形自适应感兴趣区域的提取，生成道路预处理图像具体包括：

第71步，将车道线边缘增强后的首幅图像内设置三角形初始化区域，以三角形图像的左下角、右下角、图像顶边中心三个点作为三角形定点坐标；

第72步，将原图片所有像素值填充为0，其中将三角形区域内像素填充为255，其余区域保留0，进行按位与操作，重新生成道路预处理图片；

作为本发明的进一步优选，前述第八步中将道路预处理图像分为左图像和右图像两个部分，依次对左图像、右图像进行霍夫变换，获得左图像中的左车道线以及右图像中的右车道线，采用直线极坐标霍夫变换，利用图像空间和霍夫参数空间的对偶性关系，对图像感兴趣区域内每一个像素点进行霍夫变换，通过求解霍夫空间的曲线交点得到二维空间的直线，二维空间与霍夫空间转换关系为

ρ＝x cosθ+y sinθ

上述式中，ρ为笛卡尔坐标系中原点到直线的距离，即极径，θ为该直线的垂线和x轴的夹角，x，y分别为直线上像素点在图像中的二维坐标；

其中，θ角度范围为[0，360]，极径范围为[0，ρ

上述式中，w为图像的宽度，h为图像的高度；

作为本发明的进一步优选，将左图像、右图像中所有可能车道线的ρ和θ分别进行平均值求解，输出两条车道线，将两条车道线叠加至原始图像中；

作为本发明的进一步优选，前述车道线检测基于的道路模型假设包括以下三种，

第一种，左右加速车道线平行假设，即假设近视场范围内左右车道线平行；

第二种，直线模型假设，即假设近视范围内左右车道线可用直线模型拟合；

第三种，车道连续性假设，即假设车道线破损、遮挡等间断点区域存在虚拟边缘点，车道线状态连续。

通过以上技术方案，相对于现有技术，本发明具有以下有益效果：

1、传统的道路检测算法中感兴趣区域主要采用固定不变的感兴趣区域，感兴趣区域通常为矩形，该区域存在大量的无用面积，本发明采用分割路面区域生成三角形自适应感兴趣区域的方法，将图像分为左右两部分，可以有效规避噪音的干扰，减少筛选道路边界点的范围，提高了车道线检测算法效率满足车辆的实时性检测；

2、针对道路可能存在车道标示线缺损、受污染严重等情况，车道起止线容易受路面干扰，本发明提出的基于改进Hough变换的FSAC车道线检测技术以及车道起止线识别算法，能够提高算法识别的准确率，在道路状况良好的条件下，车道线识别率可以达到98％，具有很好的鲁棒性，满足了无人驾驶赛车的实时性要求。

附图说明

下面结合附图和实施例对本发明进一步说明。

图1是本发明提供的无人方程式赛车的车道标志线检测算法流程图；

图2是本发明提供的检测方法中涉及到的三角形自适应感兴趣区域图；

图3是本发明提供的检测方法中将车道线叠加到原始图像后的示意图。

具体实施方式

现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。

在目前的道路检测算法中，感兴趣区域主要采用固定不变的感兴趣区域，通常感兴趣区域为矩形，因此在矩形感兴趣区域内存在大量的无用面积，增加了计算复杂程度，降低了车道线检测算法的效率，同时由于道路可能存在车道标示线缺损、受污染严重，车道起止线容易受路面干扰等因素，由此现有算法存在适应性不强、识别准确率低、受干扰等严重问题。

基于上述现有技术中的问题，本申请提供一种图1所示的适用于无人方程式赛车的直线加速车道标志线检测方法，需要说明的是，本申请中提供的检测方法，其基于以下三种道路模型假设：

第一种：左右加速车道线平行假设，即假设近视场范围内左右车道线平行；

第二种：直线模型假设，即假设近视范围内左右车道线可用直线模型拟合；

第三种：车道连续性假设，即假设车道线破损、遮挡等间断点区域存在虚拟边缘点，车道线状态连续；

在上述三种道路模型假设前提下，具体包括以下步骤：

第一步：基于无人方程式直线加速赛道视频进行道路图像采集，获取起始线图像；

在本申请中，车载视频采集设备安装在所设计的无人方程式赛车头正上方，与赛车主环固定，采集设备为MANTAG-504C，数据处理平台为ARK-3520p，摄像头光轴平行于赛车底盘所在平面，方向与车辆行驶方向相同；赛前调试好摄像头光圈、曝光时间和采集速度等硬件参数，调整采集速度为25帧每秒，曝光时间为动态设置，将摄像机的焦距、光圈调试到最佳位置，使得采集的图像为最清晰状态；

第二步：对起始线图像进行预处理，即将彩色图像变为灰度图进行灰度化处理后，进行高斯滤波处理，采用自适应阈值法提取阈值，将起始线图像进行二值化处理得到起始线预处理图像；

第三步：通过对二值化处理得到的起始线图像进行霍夫变换，检测直线，得到起始线中所有可能的直线；

第四步：在所有可能的直线的上下固定像素点范围内观察像素值，记录符合颜色约束以及不符合颜色约束的点的集合，计算每条直线符合颜色约束的点所占的比例，若该比例大于设定的阈值则认为是起始线，此时发送信号给赛车底盘控制系统，启动赛车，若该比例小于或等于设定的阈值则认为为非起始线，此时回到第一步重新检测；

第五步：启动赛车后，获取车道线图像，对车道线图像进行预处理，即将彩色图像变为灰度图进行灰度化处理后，进行高斯滤波处理，基于Sobel算子进行道路边缘增强，消除车道线图像中的无用消息，采用自适应阈值法提取阈值，将车道线图像进行二值化处理得到车道线预处理图像；

第六步：采用Canny边缘检测算子进行车道线边缘的提取，取得抑制噪声和边缘检测的平衡，通过检测亮度的急剧变化以及梯度变化较大的方向，与预先设定阈值进行比较，检测出图像中所有可能线条，具体步骤如下：

第61步，对车道线图像的亮度梯度进行求解，在平滑的车道线图像上使用Sobel沿x轴和y轴检测道路边缘是否为水平线、垂直线或对角线；

第62步，采用非极大值抑制思想进行边缘的细化，检测每个像素值在先前计算的梯度方向是否为局部最大值；

第63步，非极大抑制后确认强像素在最终边缘映射中，对弱像素进行分析，确认是否为车道线边缘或者噪声；

假设最大阈值为maxVal，最小阈值为minVal，若梯度大于最大阈值maxVal，检测线条为道路边缘；若梯度小于最小阈值minVal，则检测线条不是道路边缘并将其删除；若梯度小于最大阈值maxVal且大于最小阈值minVal，则只有在和梯度大于最大阈值maxVal的像素相连时才是边缘；

第七步：分割路面区域生成三角形自适应感兴趣区域，根据相机的安装情况、拍摄图像信息可知，一般车道线的感兴趣区域为图像的下半部分，其他区域主要为天空、路面、树木等非车道因素产生的噪声，为了减少预处理时间，图像处理主要集中于图像下半部分的三角形区域，需要对参数进行区间约束得到感兴趣区域，具体的步骤如下：

第71步，将车道线边缘增强后的首幅图像内设置三角形初始化区域，手动指定一个三角形来分割出路面区域，以三角形图像的左下角、右下角、图像顶边中心三个点作为三角形定点坐标，缩小搜索区域，去除天空等其他背景区域干扰，在首幅图像内形成图2所示的三角形感兴趣区域；

第72步，将原图片所有像素值填充为0，其中将三角形区域内像素填充为255，其余区域仍然保留0，进行按位与操作，重新生成道路预处理图片；

第八步：将道路预处理图像分为左图像和右图像两个部分，依次对左图像、右图像进行霍夫变换，获得左图像中的左车道线以及右图像中的右车道线，由于赛车道路车道线在图像中可能存在车道线与底边垂直情况，故采用直线极坐标霍夫变换，利用图像空间和霍夫参数空间的对偶性关系，将图像中的二维空间和直线极坐标空间进行转换，可将笛卡尔坐标系中的点映射到霍夫空间曲线；对图像感兴趣区域内每一个像素点进行霍夫变换，通过求解霍夫空间的曲线交点得到二维空间的直线，二维空间与霍夫空间转换关系为

ρ＝x cosθ+y sinθ

上述式中，ρ为笛卡尔坐标系中原点到直线的距离，即极径，θ为该直线的垂线和x轴的夹角，x,y分别为直线上像素点在图像中的二维坐标；

其中，θ角度范围为[0，360]，极径范围为[0，ρ

上述式中，w为图像的宽度，h为图像的高度；

第九步：将左图像、右图像中所有可能车道线的ρ和θ分别进行平均值求解，输出两条车道线，将左图像、右图像检测输出的两条车道线叠加至原始图像中，图3所示，获取终止线图像；

第十步：将终止线图像进行预处理，即将彩色图像变为灰度图进行灰度化处理后，进行高斯滤波处理，采用自适应阈值法提取阈值，将终止线图像进行二值化处理得到终止线预处理图像；

第十一步：基于霍夫变换进行终止线检测，将获取的反馈信号输送至赛车底盘控制系统，对赛车进行制动，完成直线加速比赛。

通过上述的无人方程式车道线检测技术可以应用于无人驾驶领域的驾驶辅助系统，减少了由于驾驶员分心而造成的伤亡事故。

本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本申请所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。

本申请中所述的“和/或”的含义指的是各自单独存在或两者同时存在的情况均包括在内。

本申请中所述的“连接”的含义可以是部件之间的直接连接也可以是部件间通过其它部件的间接连接。

以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。