[发明专利]一种适用于城市道路车道线预测及预警方法

权利要求书

1.一种适用于城市道路车道线预测及预警方法，其特征在于，包括以下几个步骤：

步骤1：实时获取行车道路图像，并以道路图像的下半部分作为道路感兴趣区域ROI；

步骤2：图像预处理；

对道路感兴趣区域ROI依次进行灰度化处理、高斯滤波处理、边缘检测及二值化处理获得道路预处理图像；

步骤3：采用Hough变换对道路预处理图像进行车道线检测，获得当前帧图像的车道线的直线方程y＝kx+b，设置预测次数T初始值为0；

利用Hough变换对道路预处理图像进行车道线检测，获得车道线方程y＝kx+b，其中，x和y表示车道线上任意点的横坐标和纵坐标，图像的底边为x轴，图像底边的中垂线为y轴，垂直向上为y轴正方向，以x轴和y轴的交点作为坐标原点，k和b由车道线的极坐标参数极径ρ和极角转换获得；

步骤4：若当前帧为第一帧图像，则将车道线检测值存储到存储器中；否则，将当前帧图像的车道线检测值与预测器对上一帧图像输出的车道线参数预测值做差值，将获得的差值c与设定的阈值范围[m,n]进行比较，如果差值满足m≤c≤n，则将当前帧图像的车道线检测值代替存储器中的车道线参数，否则以预测器输出的车道线参数预测值代替存储器中的车道线参数；

步骤5：判断预测次数T是否小于设定阈值T0，若小于，则将存储器中的车道线参数输入Kalman预测器建立车道线感兴趣区域，预测次数T加1，并进入步骤6；否则，进入步骤7；

步骤6：从车道线感兴趣区域中任意提取n个数据点，采用最小二乘法进行拟合，获得当前帧图像的车道线参数预测值；

步骤7：利用前面步骤中获取的车道线参数、车道线位置和道路图像大小，对车辆行车路线进行偏离报警；

计算车辆与所在车道左右车道线之间的横向距离，如果任一横向距离小于预先设定的安全距离阈值，则判定车辆发生了车道偏离，否则，车辆未发生车道偏离，返回步骤1。

2.根据权利要求1所述的适用于城市道路车道线预测及预警方法，其特征在于，所述步骤5将存储器中的车道线参数输入Kalman预测器建立车道线感兴趣区域，具体过程如下：

步骤A：建立Kalman预测器的状态方程、观测方程和预测器方程；

把第n帧的车道线参数作为观测值输入Kalman预测器，得到下一帧(n+1帧)图像车道线位置的预测，计算出搜索区域；

Kalman预测器的状态方程和观测方程如下:

x(n+1)=Gx(n)+w(n)z(n)=Hx(n)+v(n)---(1)]]>

式中，x(n+1)和x(n)分别为系统第n+1帧和第n帧的状态向量；w(n)为系统噪声向量，v(n)观测噪声向量；G是状态转移矩阵；H是测量矩阵；z(n)为观测向量；

设定车道线为左车道线，x_l和z_l的定义如下：

xl=(arctan(kl),bl,u,v)zl=(arctan(kl),bl)---(2)]]>

上式中,k_l和b_l为左边车道线的斜率和截距；u和v分别表示直线斜率k_l和截距b_l对应的变化速度；

Kalman预测器方程如下式：

k(n)=p(n|n-1)HT[Hp(n|n-1)HT+R]-1kp=Gk(n)ϵ(n)=z(n)-Hx(n|n-1)x(n+1|n)=Gx(n|n-1)+kp(n)ϵ(n)p(n+1|n)=G[p(n|n-1)-p(n|n-1)HT(Hp(n|n-1)HT+R)-1Hp(n|n-1)]GT+Q---(3)]]>

方程中，x(n+1|n)为根据第n帧状态预测第n+1帧的预测值；p(n+1|n)是对应于x(n+1|n)的预测误差协方差矩阵；k(n)为Kalman预测器增益；ε(n)为n帧的观测值与预测值之间的偏差量；Q和R分别为系统动态方程和测量方程的误差协方差矩阵；

步骤B：对步骤A方程式中的各矩阵设定初始值；

状态转移矩阵G为:

G=1010010100100001]]>

系统测量矩阵H为：

H=10000100]]>

以相邻两帧图像第t帧和第t+1帧为例，初始状态向量x_l(0)为：

xl(0)=arctan(kl(t+1))bl(t+1)arctan(kl(t+1))-arctan(kl(t))bl(t+1)-bl(t)]]>

预测误差协方差矩阵初始值p_l(0)定义为：

pl(0)=90000250000400004]]>

系统动态方程的误差协方差矩阵Q表示如下：

Q=[xl(0)(1)*0.2]20000[xl(0)(2)*0.2]20000[xl(0)(3)*0.2]20000[xl(0)(4)*0.2]2]]>

测量方程的误差协方差矩阵R表述为：

Q=[xl(0)(1)*0.1]200[xl(0)(2)*0.1]2]]>

步骤C：根据步骤A和步骤B中的状态预测方程和更新方程以及各初始值，每一帧图像的状态向量x_l(n+1)和相应的预测误差协方差矩阵p_l(n+1)将被估计，利用卡尔曼预测算法预测左边车道线的感兴趣区域；

进入跟踪后，道路左边车道线斜率搜索的范围界定为tan[x_l(n+1|n)(1)±p₁(1,1)]，截距搜索范围界定为x_l(n+1|n)(2)±p₁(2,2)；得到下一帧图像的状态向量和相应的协方差矩阵；

利用卡尔曼预测算法最终确定左边车道的感兴趣区域为：

(kl₁,bl₁,kl₂,bl₂)＝(tan[x_l(n+1|n)(1)-p₁(1,1)],x_l(n+1|n)(2)-p₁(2,2)),tan[x_l(n+1|n)(1)+p₁(1,1)],x_l(n+1|n)(2)+p₁(2,2))  (4)

等式左边(kl₁,bl₁)和(kl₂,bl₂)为左边车道线感兴趣区域的限定边界线，其中kl₁和bl₁分别为上面那条限定边界线的斜率和截距，kl₂和bl₂为下面限定边界线的斜率和截距；右边是用卡尔曼滤波方程式相关结果表示的计算式；其中p₁(1,1)和p₁(2,2)分别为对应于x_l(n+1|n)的预测误差协方差矩阵p_l(n+1|n)中的元素，x_l(n+1|n)为根据第n帧状态预测第n+1帧的预测值，x_l(n+1|n)(1)是x_l(n+1|n)中的第一个元素，x_l(n+1|n)(2)是x_l(n+1|n)中的第二个元素。

重复上述步骤，得到右边车道线感兴趣区域为：

(kr₁,br₁,kr₂,br₂)＝(tan[x_r(n+1|n)(1)-p_r(1,1)],x_r(n+1|n)(2)-p_r(2,2)),tan[x_r(n+1|n)(1)+p_r(1,1)],x_r(n+1|n)(2)+p_r(2,2))  (5)

等式左边(kr₁,br₁)和(kr₂,br₂)为右边车道线感兴趣区域的限定边界线，其中kr₁和br₁分别为上面那条限定边界线的斜率和截距，kr₂和br₂为下面限定边界线的斜率和截距；右边是用卡尔曼滤波方程式相关结果表示的计算式；其中p_r(1,1)和p_r(2,2)分别为对应于x_r(n+1|n)的预测误差协方差矩阵p_r(n+1|n)中的元素，x_r(n+1|n)为根据第n帧状态预测第n+1帧的预测值，x_r(n+1|n)(1)是x_r(n+1|n)中的第一个元素，x_r(n+1|n)(2)是x_r(n+1|n)中的第二个元素。

3.根据权利要求1或2所述的适用于城市道路车道线预测及预警方法，其特征在于，所述采用Hough变换对道路预处理图像进行车道线检测时，将道路预处理图像平均分为左右两半，得到左半图像和右半图像，依次对左半图像和右半图像进行Hough变换获得左半图像中左车道线和右半图像中右车道线在极坐标上的参数ρ和θ：左半图像中的像素点的Hough变换范围是-5°<θ_l<-85°，右半图像中的像素点的Hough变换范围是5°<θ_r<85°，其中θ_l和θ_r分别表示左半图像中的像素点的极角和右半图像中的像素点的极角。