[发明专利]基于三叉树遍历的车道线检测方法

说明书

本发明公开了基于三叉树遍历的车道线检测方法，涉及图像处理领域，通过提取代表车道线中心线的候选特征点，减少了需要处理的像素点数，提高了算法的计算效率。通过对车道线和噪声的特征点进行分析，提出了一个与参数空间无关的滤除伪特征点的方法，避免使用参数空间转换和复杂的数学运算，提高了车道线检测的准确性。并提出了一个车道线预测模型对特殊的路况进行车道线预测，该模型保存内部记忆，根据图像序列过去至现在的变化趋势预测特殊路况下的车道线。对车道线适当合理的预测，提高了检测结果的正确率。

技术领域

本发明涉及图像处理领域，特别是涉及基于三叉树遍历的车道线检测方法。

背景技术

道路标志检测和道路车道线检测、车道偏离报警等应用的引入使车载智能系统的发展更为迅速。道路车道线检测是车载智能系统体系架构中的一个关键技术。因为道路场景的多变性和不确定性，使得车道线检测成为一个具有挑战性的课题。在车道线检测技术中，实时性和准确性是主要研究目标，也是体现一个系统整体性能好坏的主要指标。

在众多道路车道线检测方法中，基于机器视觉的方法已成为主流的发展趋势。根据其检测原理，大体上可以分为四类：基于霍夫变换的方法，基于立体视觉的方法，基于线性回归的方法，基于机器学习的方法。

基于霍夫变换的改进方法有较高的误判率和计算复杂度，当路况信息比较复杂时，经典霍夫变换不具有可行性，且该类方法对于弯曲道路的检测效果较差。基于立体视觉的方法的检测范围有很大的局限性，鲁棒性较差。基于线性回归的方法有较低的计算成本，但对噪声非常敏感，严重降低检测算法的准确性。基于机器学习的方法作为一个比较好的数据分类工具已经在一些实际场景中应用，然而，当构建的数据集不充分时，其检测效果会大幅下降。

发明内容

本发明实施例提供了基于三叉树遍历的车道线检测方法，可以解决现有技术中存在的问题。

本发明提供了一种基于三叉树遍历的车道线检测方法，其特征在于，该方法包括以下步骤：

选择原始图像中的感兴趣区域，该感兴趣区域是以中心线L_mid为中心向两侧扩展的一片区域；

对感兴趣区域中的图像进行分割和膨胀处理，以获取有意义的前景像素，进而提取有效特征点；

在膨胀图像的基础上，采用基于车道线左右边缘点的中间点提取算法，获取代表车道线的候选特征点；

把一串连续的候选特征点称作一个像素条B(x,y)，把每个像素条看做三叉树，顺序地遍历所有的三叉树，以滤除候选特征点中的伪特征点；

伪特征点被滤除之后，根据中心线y＝L_mid将图像分为左右两部分，使用RANSAC算法分别对其中的有效特征点进行拟合，得到拟合的车道线；

当有效特征点图内无特征点时，拟合算法无法进行，使用预测算法来预测车道线：

假设已扫描n帧图像，检测结果集R和权重集W分别为：

R＝{(k_i,b_i)|i＝1,2....n} (1)

其中，w_i为第i帧图像的预测权值，k_i、b_i分别为第i帧图像检测到的或预测的斜率值和截距值；

则第n+1帧图像的车道线预测模型为：

其中，k_n+1、b_n+1分别为第n+1帧图像的斜率和截距的预测值。