[发明专利]一种自适应场景切换的高速交通全车道线自动检测方法

说明书

一种自适应场景切换的高速交通全车道线自动检测方法，涉及基于视频图像的目标识别、应用于高速公路交通场景下的视频监控数据的智能分析系统。本发明方法对高速监控设备视频信息进行采集、分析和控制，它的方法步骤为：1）视频数据的场景预处理：2）所有车辆的运动轨迹方向分析，即灭点估计：3）透视投影处理：4）建立车道模型：5）车辆跟踪处理：6）检测收敛迭代处理。同现有技术相比，本发明能在不依赖相机内外参数、所有天气条件、所有道路交通状况下，对高速公路上的各车道完成检测、分析和定位。

技术领域

本发明涉及基于视频图像的目标识别、应用于高速公路交通场景下的视频监控数据的智能分析系统，特别是自适应场景切换的高速交通全车道线自动检测方法。

背景技术

车道线的识别是图像处理和交通智能化领域的一个重要分支，特别是近年来，随着智能汽车、驾驶辅助、甚至无人驾驶的研究，车道线识别的技术得到了研发人员的重视，并且会在未来随着人们对识别精度、速度和场景适应性的要求越来越高，使得车道线识别的研究愈发迫切。

在过去几十年中，国内外许多专家学者在车道线识别和跟踪系统方面已经做出了很多积极有意义的探索。国外一些关于智能车辆辅助驾驶系统的研究成果已经比较成熟，有些已经投入到商业化应用中。其中，具有代表性的系统主要由：意大利帕尔玛大学开发的GOLD系统；美国密歇根州立大学人工智能实验室开发的LOIS系统；美国卡内基梅隆大学开发的RALPH系统；美国卡内基梅隆大学机器人学院NavLab实验室和VisionAutonomousSystem Center联合开发的SCARF系统和ALVINN系统。

近年来，我国在该领域也做了一些积极的探索和研究，但是与其他发达国家相比起步比较晚，因此，国内在该领域的研究和探索还存在一定的改进空间。国内比较成熟的研究成果主要有：清华大学计算机智能技术与系统国家重点实验室研制的THMR系统：该项目采用的道路模型是直线模型，利用多窗口的双阈值二值化进行特征提取，在后续处理中采用增强转移网络来完成，在算法实时性方面做得比较好，但由于采用的是直线模型，因此只能对直线车道进行检测和识别。吉林工业大学研制的JUTIV系统：该项目采用3D回旋曲线为道路模型，用最大类方差方法来设定阈值提取道路边缘，利用随即采用的LmedSquare方法进行车道线曲线拟合，同时结合了驾驶员稳态预瞄原理，建立了车道线拟合的预测区域，并进一步利用多传感器信息融合技术对复杂环境下的车道线检测识别与跟踪等关键技术做了系统研究。

但上述国内的探索和研究成果均没有应用于实际交通项目，没有可供参考的现有专利，也无从分析现有技术在实际道路应用中的缺陷，那么在此就分析一下将车载ADAS车道线检测系统所涉及到的相关技术应用在高速交通视频全车道线检测系统上存在的问题：

首先，ADAS用到了相机的内外参数，内参数是描述相机内参感光元器件的固有物理指标的参数，在硬件制造成型就已经确定，而大多数高速监控相机的内参数是常数；外参数是描述相机安装完成后，相机的主光轴与道路平面道路方向之间的几何关系，而每个相机的安装后姿态都不一致，因此我们需要对外参数进行估计。基于高速监控的视频数据由于其可能经常发生焦距、角度的调整使得车道线检测系统无法获取相机的姿态信息，这使得传统的投影变换无法满足全车道线检测的要求。

其次，由于国内高速道路交通系统复杂，有的道路处于匝道口、有的道路车道间有多个绿化隔离带，车道线检测很难用一个统一的模型来解决所有的场景差异问题。例如系统不能自动检测整个道路的车道数目，因此车道数是作为系统的配置参数来解决的。最后，由于道路所处的天气等外界因素影响，使得车道线标记在极端天气条件下（如雨雪、大雾等）、车道线磨损、被其他物体或者拥堵车辆遮挡等情况下，传统方法很难精确地检测到车道线。

发明内容

针对上述现有技术中存在的问题，本发明的目的是提供一种自适应场景切换的高速交通全车道线自动检测方法。它能在不依赖相机内外参数、所有天气条件、所有道路交通状况下，对高速公路上的各车道完成检测、分析和定位。

为了达到上述发明目的，本发明的技术方案以如下方式实现：