自动驾驶汽车急转弯时车道线检测的3种技术.pdf

自动驾驶汽车急转弯时车道线检测的3种技术

重磅干货，第一时间送达

自动驾驶汽车需要感知不同颜色以及在不同的照明条件下的车道

线，以便准确地检测车道。除了速度和汽车动力学特性外，还应该知

道车道曲率，以确定停留在车道上所需的转向角。

三种技术：

1.色彩空间

2.索贝尔算子

3.曲率半径

色彩空间

RGB色彩空间非常适合带有白色通道的图像。它在其他彩色车道

上有局限性。因此我们可以探索其他颜色空间，例如HSV（色相，饱

和度，值）和HLS（色相，亮度，饱和度）等。

色相表示与亮度变化无关的颜色。亮度和值是测量颜色的明暗度

的不同方法。饱和度是色彩度的量度。带有黄色车道线的图像被分为

RGB和HLS，如下所示。

仅R，G和S通道显示与黄色车道线相对应的高像素强度。蓝色通

道的黄色像素强度为零。通过选择最佳通道和该通道的正确颜色阈值，

我们现在可以更准确地识别黄色车道线，如下所示。

索贝尔算子

由于车道线是垂直的，因此我们可以以更智能的方式使用渐变来

检测车道的陡峭边缘。将Sobel运算符应用于图像是一种在x或y方

向上获取图像导数的方法。

通过选择x方向上的坡度（Sobelx运算符）并调整该坡度的强度，

我们现在可以找到车道的那些部分，这是S通道无法检测到的（在前

面的部分中），如下所示。

现在，我们可以结合以上每种技术（Sobelx和S通道）识别的像

素，以在变化的照明条件下更准确地找到黄色车道线，如下所示。

即使我们的算法现在可以检测到不同颜色，在不同光照条件下的

车道，但遇到突然的弯道时，它仍然可能会失败。

曲率半径

车道曲率的知识对于汽车停留在车道上是必不可少的。透视变换

改变了我们的视角，可以从不同的视角和角度观看同一场景。鸟瞰，

让我们将多项式拟合到车道线。然后，我们从多项式中提取车道曲率。

绘制直方图并在上图的左右两边找到峰值，可以得出左右车道的

起始位置，如下所示。

滑动窗

使用起始位置，并在图像上应用滑动窗口技术，我们能够将多项

式拟合到车道线，如下所示。

车道中心的曲率半径和偏移

像素被转换为米，并重新计算多项式拟合以确定以米为单位的曲

率半径，如下所示。

结论

连续框架的车道线位置相似。因此，要在下一帧中查找车道像素，

我们可以在一定距离内搜索先前检测到的车道线位置。

上述技术的应用使汽车能够在变化的照明条件（明亮的光线和阴

影区域）和陡峭的弯道上准确识别不同颜色（黄色和白色）的车道，

如下所示。

下载1：OpenCV-Contrib扩展模块中文版教程