基于单目视觉高速公路分道线快速检测方法.docVIP

基于单目视觉高速公路分道线快速检测方法【摘要】提出了一种针对高速公路图像特点的，采用图像分区域处理的快速分道线检测方法。该方法抓住图像中亮度远近不一，车道线标在图像中近大远小的特点，分别将图像按由近及远逐块划分，利用以上特点直接提取分道线标，避免了采用传统方法中必须的梯度方向计算，插值或拟合等步骤，增强了实时性，每帧所得结果和相邻帧互相约束，增加了该文方法的健壮性。通过高速公路上采集的视频数据进行实验，证明了算法的可行性和实时性。 【关键词】机器视觉；特征提取；车道检测 中图分类号：TP3文献标识码：A文章编号：1006-0278(2012)02-109-02 一、介绍 在高速公路交通和汽车业迅猛发展的今天，越来越多的人对汽车安全性提出了更高的要求，而计算机行业的进步使得汽车的智能安全成为可能。基于机器视觉的车道检测技术作为车辆智能导航的重要一环，成为了研究热点。 过去十五年里，研究者们提出了多种车道检测的系统。例如：一般障碍物和车道检测（GOLD）系统①，图像形状近似度车道检测系统等。文中提出一种基于单目视觉的主车道快速提取方法。 本文提出的方法根据车道图像中光照强度分布不均，采用分区域二值化处理图像，然后根据车辆行驶规律和车道满足一定几何约束的特点，搜索主车道分道线油漆标志得到待选标示，按照统计规律，排除干扰区域，提取出车道。 二、算法实现 （一）待处理车道视频感兴趣区域处理 待处理视频由安装在车辆内部，前挡风玻璃后方，所得视频当前帧示例如图1所示： 图1中左上角０为图像坐标系原点，W代表图像宽度，H代表图像高度。由于摄像机在车内安装固定，假设汽车行驶路面和摄像机光轴始终保持水平，因此待处理图像中有用的部分为图1中红色区域，该红色区域宽度为：W，高度为：H-h。 若摄像机采集到的视频数据高度和宽度过大，可以将视频数据宽高适当的缩小，缩小比例为：z。此时图像宽度变为：z(H-h)。我们称此时的红色区域为ROI。 以上步骤可为后续处理减少计算量。 （二）分区域二值化处理ROI 安装在车内的摄像机捕获的视频如果在白天公路上拍摄，假如没有树枝等阴影，视频当前帧会服从离摄像头越远的景物投影到摄像机坐标系中亮度越大的规律；视频如果在晚上拍摄，假如没有除去自车之外的辅助照明，视频当前帧会服从离摄像头越远的景物投影到摄像机坐标系中亮度越暗的规律；对于有阴影，污渍或者是车辆的情况下，也需要区域处理，降低复杂度。结果如图2所示。 由于上述处理的图片是在雨天采集，因此存在一些干扰点，但是道路边缘已经比较明显，干扰点在后续步骤中去除。如果在天气较好的白天或者黑夜行驶拍摄，结果如图3所示： 图4中可以看出，采用区域二值化的方法，有效的去除了非主车道的车道标示，主车道标示却被较为完整的保存了下来；图5中较为模糊的主车道标线通过区域二值化也强化了出来。 （三）主车道标线识别 车辆在公路上行驶拍摄的视频，有如下规律： 1. 主车道左右标线离摄像头越远，长度越短，左右标线之间的距离越小； 2. 弯道线标离摄像头越近，越接近直线 3. 离摄像头拍摄画面中线最近左右标线即为主车道标线； 根据2.2得出的区域二值化图像，我们从二值化图像中线底部依次向左右搜索，遇到 因此，我们构造如下算法： 算法中采用的坐标系如图4所示： 以图像左下角作为坐标原点，row代表行号和纵坐标，col代表列号和横坐标，图像宽度为W，高度为H,中线和底边交点为(x,0), 其中x=w/2。 算法如下： 1．将图像分为如图5所示三个区域（图中加以不同颜色以示区别） 2．从三个区域底部中点开始，分别寻找中线左右两边离中线最近，并且图像灰度值为255的连通体，三个区域设置不同的连通体像素总数阈值，小于此阈值的离中线最近连通体排除，干扰区域，继续寻找次临近于中线的连通体。与中线没有相交部分连通体，在中线左边的作为车道左标线，中线右边作为车道右标线，转到步骤e；若左半边的连通体与中线相交，记下交点最小纵坐标y（如示例图6所示），转步骤c；若右半边的连通体与中线先相交，记下交点最小纵坐标，转到步骤d； 3．在中线右边纵坐标大于y的区域（如图8中淡绿色区域）中寻找离中线最近作为车道左标线，离中线次近的连通体作为车道右标线，转e； d．在中线左边纵坐标大于y的区域中寻找离中线最近作为车道右标线，离中线次近的连通体作为车道左标线，转e； e．记录下左标线右边界点和右标线左边界点，分别将左标线各个连通体的右边界点按纵坐标从小到大首尾相连，将右标线各个连通体的左边界点纵坐标从小到大首尾相连，分道线提取完毕。 当前帧所得到