[发明专利]一种车道线追踪方法及系统

权利要求书

1.一种车道线追踪方法，其特征在于，该方法包括：

获取车辆前方视频帧图像；

根据事先采用半自动化标定车道边缘图像进行非监督学习得到的至少两个边缘卷积核，对帧图像进行横向边缘检测，得到边缘图；

根据前一帧获取的车道线的位置和所述边缘图获取当前帧的车道线；

根据所述当前帧的车道线的位置，计算并输出当前车辆相对追踪车道的横向位置。

2.根据权利要求1所述的车道线追踪方法，其特征在于，事先采用半自动化标定车道边缘图像进行非监督学习得到的至少两个边缘卷积核包括：

获取训练车道的样本视频图像集；

对所述样本视频图像进行边缘检测，得到样本边缘图；

对所述样本边缘图进行人工筛选，并进行归一化处理；

对样本归一化的像素点值展开得到的向量l×w进行聚类；

将各个聚类中心点的向量变换为对应的l×w的矩阵作为卷积核；

其中，l为长，w为宽。

3.根据权利要求1所述的车道线追踪方法，其特征在于，所述根据事先采用半自动化标定车道边缘图像进行非监督学习得到的至少两个边缘卷积核，对帧图像进行横向边缘检测，得到边缘图包括：

获取所述帧图像的灰度图；

分别使用所有边缘卷积核与所述灰度图进行卷积；

取所有卷积核在该像素点卷积的最大值作为该点的数值；

将每一个像素点的数值归一化，得到边缘图。

4.根据权利要求1所述的车道线追踪方法，其特征在于，所述根据前一帧获取的车道线的位置和所述边缘图获取当前帧的车道线包括：

根据前一帧获取的车道线的位置，在所述边缘图中确定当前帧的左、右初始车道线检测区域；

将所述左、右初始车道线检测区域分别划分为至少两个小检测区域；

根据每个小检测区域的边缘图数值和每个小检测区域的像素点的总数，确定精确车道线检测区域；

从所述精确车道线检测区域中获取当前帧的车道线。

5.根据权利要求4所述的车道线追踪方法，其特征在于，

所述初始车道线检测区域为前一帧获取的车道线的两端点分别在上边和下边上的平行四边形；

所述小检测区域为将所述初始车道线检测区域的上边和下边分别分割为N个小线段，将所述上边的小线段分别与所述下边的小线段相连形成N×N个面积相等的平行四边形，其中，N大于2。

6.根据权利要求5所述的车道线追踪方法，其特征在于，所述从所述精确车道线检测区域中获取当前帧的车道线包括：将确定为精确车道线检测区域的小检测区域的上下边的中线作为当前帧的车道线的边缘线。

7.根据权利要求4-6任意一项权利要求所述的车道线追踪方法，其特征在于，所述方法还包括：

当检测到所述当前帧的车道线位于所述车辆前方图像的中间区域时，扩大所述每个小检测区域，所述中间区域的宽度小于等于所述车辆前方图像宽度的1/2；

当检测到车道宽度突变或者连续超过预设的帧数找不到车道线后，重新确定左、右初始车道线检测区域。

8.一种车道线追踪系统，其特征在于，该系统包括：

视频采集模块，用于获取车辆前方视频帧图像；

边缘检测模块，用于根据事先采用半自动化标定车道边缘图像进行非监督学习得到的至少两个边缘卷积核，对所述视频帧图像进行横向边缘检测，得到边缘图；

车道线获取模块，用于根据前一帧获取的车道线的位置和所述边缘图获取当前帧的车道线；

横向位置输出模块，用于根据所述当前帧的车道线的位置，计算并输出当前车辆相对追踪车道的横向位置。

9.根据权利要求8所述的车道线追踪系统，其特征在于，所述系统还包括学习模块，用于事先采用半自动化标定车道边缘图像进行非监督学习得到的至少两个边缘卷积核；所述学习模块包括：

样本图像获取单元，用于获取训练车道的样本视频图像集；

样本边缘检测单元，用于对所述样本视频图像进行边缘检测，得到样本边缘图；

归一化单元，用于对所述样本边缘图进行人工筛选，并进行归一化处理；

聚类单元，用于对样本归一化的像素点值展开得到的向量l×w进行聚类，其中，l为长，w为宽；

变换单元，用于将各个聚类中心点的向量变换为对应的l×w的矩阵作为卷积核。

10.根据权利要求8所述的车道线追踪系统，其特征在于，所述边缘检测模块包括：

灰度图获取单元，用于获取所述帧图像的灰度图；

卷积单元，用于分别使用所有边缘卷积核与所述灰度图进行卷积；

数值获取单元，用于取所有卷积核在该像素点卷积的最大值作为该点的数值；

归一化单元，用于将每一个像素点的数值归一化，得到边缘图。