技术领域
[0001] 本
发明涉及车辆辅助驾驶技术领域，具体涉及一种基于计算机视觉的高速公路弯道检测方法。
背景技术
[0002] 近年来，中国道路交通事故数量高居难下，仅2009年全国共发生238351起交通事故，导致67759人死亡和275125人受伤，直接财产损失9.1亿元。因此，增强道路行驶安全，保障生命财产安全意义重大。
[0003] 目前，不少围绕增强道路行驶安全这一课题的研究已展开，如前向碰撞预警、车道跑偏告警和驾驶员状态监测。基于雷达的前向碰撞系统对于在直道上行驶的车辆安全性高，但对于在弯道行驶的车辆却作用较小，因此弯道检测在弯道碰撞预警中至关重要；车道跑偏告警系统通过道路和车体的相对
位置来判断是否跑偏，而弯道检测也是其重要研究内容之一；驾驶员状态检测可以通过弯道处驾驶员的
刹车和转
方向盘的反应速度来判断驾驶员状态情况，弯道检测是实现该方法的前提条件。由上可见，弯道检测是这些预警系统研究的主要内容。
[0004] 基于计算机视觉的高速公路弯道检测方法是当前研究的热点，目前常见的由基于神经网络的检测法、基于形态学的分
水岭检测法、基于
鸟瞰的方法、基于可
变形模型的检测法和基于区域生长的弯道检测法等。H.Rowley和S.Baluja等人采用基于神经网络法的检测方法，优势在于系统具有很强大的非线性拟合性，然而最严重的问题是无法解释推理过程和推理依据；Beucher等人提出的基于形态学的分水岭检测法对微弱的边缘有良好的响应，但该
算法需要较高的计算开销，并且
边缘检测效果较为粗糙；M.Bertozzi和A.Broggi.提出了鸟瞰的方法，这些方法利用世界坐标判别车道方向，因而具有较高的准确性，但是这对鸟瞰图像的实时处理性能具有很高要求；Qiang Chen和Hong Wang提出了一种基于双曲线建模的方法，该方法将两条车道线看作一对双曲线，对噪声环境下具有良好的 鲁棒性，但双曲线模拟在精确度上仍然存在劣势；刘涛等人提出的算法对车道线建立简单模型，将近40m车道近似为直线并用最小二乘法进行拟合，然后利用远40m车道线上的点统计到该直线的距离并据此判断是否有弯道及弯道方向，该方法计算复杂度较低，但在偏离点较多的情况下，采用最小二乘法拟合容易造成较大误差，且算法对光照变化较大、车道线断裂、车道线被车辆遮挡和有
桥梁的车道线的场景不能很好的适应。
发明内容
[0005] 本发明要解决的技术问题是：提供一种计算开销小、精确度高、对
图像采集要求低、适应性好的基于计算机视觉的高速公路弯道检测方法。
[0006] 为了解决上述技术问题，本发明采用的技术方案为：一种基于计算机视觉的高速公路弯道检测方法，其实施步骤如下：
[0007] 1)建立具有曲线车道区域、直线车道区域信息的弯道曲线直线模型； [0008] 2)采集车辆前方的图像；
[0009] 3)根据采集的
图像识别白色或者黄色的车道线
像素点；
[0010] 4)根据所述弯道曲线直线模型，将车道线图像中直线车道区域内的车道线像素点进行拟合得到车道直线，通过
叠加计算曲线车道区域内的车道线像素点到车道直线的距离来获取公路弯道的弯曲度和方向。
[0011] 作为本发明的进一步改进：
[0012] 所述步骤3)中识别车道线像素点预先设定用于判定单位区域内车道线像素点数量的临界值，然后采用区域生长法识别车道线像素点并对区域内被识别的车道线像素点进行统计，如果某一区域内的车道线像素点数量超过所述临界值，则重新寻找
种子点并重新进行扫描该区域内的车道线像素点。
[0013] 所述步骤4)拟合车道直线时，首先通过区域生长法获得车道直线上的两个车道线像素点，然后采用Hough变换将该两个车道线像素点拟合为车道线段，然后沿着该车道线段延伸方向进行搜索，如果搜到其他的车道线像素点，则将车道线段与新的车道线像素点之间进行连续闭合。
[0014] 所述步骤3)识别车道线像素点时首先将图像转换为HIS
颜色空间，然后分离其中的白色或者黄色的像素点作为车道线像素点。
[0015] 所述步骤1)中建立的弯道曲线直线模型中，图像从下往上的1/2高 度区域为直线车道区域，图像从上往下的1/6高度区域为曲线车道区域。
[0016] 所述步骤3)识别车道线像素点之前将图像从上往下1/7高度区域从图像中除去。 [0017] 所述步骤3)之前预先根据图像采集装置的位置设定
车身环境背景区域，所述步骤3)识别车道线像素点之前将车身环境区域背景从图像中除去。
[0018] 所述步骤2)中采集图像时采集车辆正前方的图像。
[0019] 本发明具有下述优点：
[0020] 1、本发明无需对图像灰度处理，最大保留了图像中的色彩信息，干扰因素少；通过识别白色或者黄色的车道线像素点，并根据弯道曲线直线模型，将车道线图像中直线车道区域内的车道线像素点进行拟合得到车道直线，通过叠加计算曲线车道区域内的车道线像素点到车道直线的距离来获取公路弯道的弯曲度和方向，具有计算开销小、精确度高、对图像采集要求低、适应性好的优点。
[0021] 2、本发明进一步采用区域生长法识别车道线像素点并对区域内被识别的车道线像素点进行统计，如果某一区域内的车道线像素点数量超过所述临界值，则重新寻找种子点并重新进行扫描该区域内的车道线像素点，从而可以有效克服容易对车道线识别造成干扰的桥梁等，提高了车道线检测的精确度。
[0022] 3、本发明拟合车道直线时，进一步对车道线段延伸方向进行搜索，如果搜到其他的车道线像素点，则将车道线段与新的车道线像素点之间进行连续闭合，从而对对断裂的车道线、有车辆遮挡的车道线、有箭头或字符干扰的车道线等情况都有良好的适应性。
附图说明
[0024] 图2为本发明实施例的弯道曲线直线模型。图3为本发明实施例通过链表识别车道线像素点的流程示意图。
图4为本发明实施例对两段断裂车道线的复原示意图。
具体实施方式
[0025] 如图1所示，本发明实施例的基于计算机视觉的高速公路弯道检测方法的实施步骤如下：
[0026] 1)建立具有曲线车道区域、直线车道区域信息的弯道曲线直线模型； [0027] 2)采集车辆前方的图像；
[0028] 3)根据采集的图像识别白色或者黄色的车道线像素点；
[0029] 4)根据弯道曲线直线模型，将车道线图像中直线车道区域内的车道线像素点进行拟合得到车道直线，通过叠加计算曲线车道区域内的车道线像素点到车道直线的距离来获取公路弯道的弯曲度和方向。
[0030] 如图2所示，步骤1)中建立的弯道曲线直线模型中，图像从下往上的1/2高度区域作为直线车道区域，图像从上往下的1/6高度区域作为曲线车道区域，图像的高度为H，曲线车道区域的高度为H/6，直线车道区域的高度为H/2。图像从下往上的1/2高度区域大约为车辆前40m左右，图像从上往下的1/6高度区域为车辆40m以外的区域，本模型是针对针对高速公路的道路建设标准，其极限弯道半径为650m。此外，也可以根据不同公路的参数设置相应的弯道曲线直线模型，本发明同样也可以适用。
[0031] 步骤2)中采集图像时采集车辆正前方的图像。本实施例中，采用SuperDVR车载摄像头以每秒25
帧实时采集杭徽高速车道视频图像，每帧图像大小设置为352*288像素。光线强度检测采用TES公司的TES 1330ADigital Lux Meter检测仪，量程调节在20000lux档。场景分为高速公路场景和隧道场景两种，高速公路场景中光强一般大于20000lux，隧道内光强一般小于10000lux。
[0032] 经过试验发现采集的图像中，天空等环境背景对车道线检测的干扰比较大，因此要识别车道线之前需要将环境背景除去。本实施例中，步骤3)识别车道线之前将环境背景除去，除去环境背景包括除去天空环境背景和除去车身环境背景。除去天空环境背景时，将图像从上往下1/7高度区域从图像中除去；除去车身环境背景时，预先根据图像采集装置的位置设定车身环境背景区域，然后将车身环境区域背景从图像中除去。由于车载摄像头的位置是固定的，因此车身环境背景也是相对固定的，因此可以预先根据图像采集装置的位置设定车身环境背景，从而除去环境背景时将车身环境背景除去。通过除去环境背景，一方面可以减少环境背景对车道线检测的干扰，另一方面还可以减少
图像处理区域，从而提高图像处理的性能。
[0033] 由于HIS颜色空间更加适用
图像分割和颜色识别，本实施例中步骤3)识别车道线像素点时首先将图像转换为HIS颜色空间，然后分离其中的白 色或者黄色的像素点作为车道线像素点。
RGB颜色空间转换为HSI颜色空间的表达式为：
[0034]
[0035] H＝H+360 (if H＜0)
[0036]
[0037] I＝(max+min)/2
[0038] 式中：H(Hue)为
色度值，与光波的
波长有关，它表示人的感官对不同颜色的感受，如红色、绿色、蓝色等，它也可表示一定范围的颜色，如暖色、冷色等；S(Saturation)为
饱和度值，表示颜色的纯度，纯
光谱色是完全饱和的，加入白光会稀释饱和度。饱和度越大，颜色看起来就会越鲜艳，反之亦然；I(Intensity)为强度值，对应成像
亮度和图像灰度，是颜色的明亮程度。
[0039] 区域生长法时图像处理领域的一种常见方法，根据事先定义的准则将像素或子区域聚合成更大区域的过程。基本方法是以一组种子点开始，将与种子性质相似(诸如灰度级或颜色的特定范围)的相邻像素附加到生长区域的每个种子上。统计大量实验数据统计发现：在实际的车道视频图像中，由于桥梁等背景与车道线区域的颜色相似性，在利用HSI色彩空间进行车道线区域提取后，桥梁等区域会对该区域的提取产生干扰，首先桥梁像素点太多会导致处理时间增加，其次将桥梁作为车道线进行处理会导致检测错误，区域生长法基本算法无法处理可能遇到的大区域。
[0040] 步骤3)中识别车道线像素点预先设定用于判定单位区域内车道线像素点数量的临界值，然后采用区域生长法识别车道线像素点并对区域内被识别的车道线像素点进行统计，如果某一区域内的车道线像素点数量超过临界值，则重新寻找种子点并重新进行扫描该区域内的车道线像素点。通过对区域生长法的统计改进，可以有效识别处理可能遇到的大区域，可以有效防止桥梁等大区域对车道线检测的干扰，检测精确度更高。如图3所示，本实施例通过count用来统计区域生长点的个数，此外还通过链表用于存放区域生长的点的坐标。
[0041] Hough直线检测法是图像处理领域一种常见的直线拟合方法，其核心是通过Hough变换。Hough直线检测法能够适应所有连续实线，但是车道线因为
风吹日晒、维修不及时，某些地方的油漆会剥落；实时采集车道图像时，由于
前方车辆的遮挡，也会造成车道线区域提取的不正确性，最终导致车道线检测的失败。为了解决上述问题，步骤4)采用Hough直线检测法拟合车道直线时，首先通过区域生长法获得车道直线上的两个车道线像素点，然后采用Hough变换将该两个车道线像素点拟合为车道线段，然后沿着该车道线段延伸方向进行搜索，如果搜到其他的车道线像素点，则将车道线段与新的车道线像素点之间进行连续闭合。如图4所示，本实施例中，线段AB和CD是断裂的两段车道线。通过区域生长法获得AB两个车道线像素点并存入链表，然后车道线区域提取中取出链表中数据，通过Hough变换拟合直线得到AB车道线段。然后，从沿着AB车道线段的B端开始逐行向上搜索车道线。沿着虚线搜索，包括其左右领域，因此逐行对延伸方向进行搜索，直到搜索到车道线像素点C后停止，则将AB车道线段与新的车道线像素点C之间进行连续闭合。最后通过叠加计算曲线车道区域内的车道线像素点到车道直线的距离来获取公路弯道的弯曲度和方向，本实施例中，公路弯道的弯曲度通过曲线车道区域内的车道线像素点到车道直线的距离最大的点到车道直线之间的距离来表达；根据车道直线可以确定公路弯道的方向，方向结果则包括左弯道、直道和右弯道。
[0042] 以上仅为本发明的优选实施方式，本发明的保护范围并不仅限于上述实施方式，凡是属于本发明原理的技术方案均属于本发明的保护范围。对于本领域的技术人员而言，在不脱离本发明的原理的前提下进行的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
