[发明专利]一种基于局部线段模式特征的车道线检测方法

说明书

本发明涉及模式识别技术领域，涉及一种基于局部线段模式特征的车道线检测方法，包括以下步骤，S1、建立图像库；S2、计算图像库的LLP纹理特征向量；S3、根据LLP纹理特征向量，对神经网络算法进行迭代优化。本发明对图像进行碎化成若干片段后再利用车道线检测算法进行LLP特征识别出相对应的车道线，有效避免噪声干扰，有利于直线和曲线检测，提高车道线检测精度，解决了现有技术中由于道路图像受阴影干扰严重，车道通常有弯道以及部分道路颠簸不平，导致在车道线检测时对城市道路图像质量要求过高，检测精度较低的缺陷，能有效提高阴影抗干扰性能，对局部信息提取精细且兼顾弥补周边远端信息的缺失，达到提高车道线检测精度的目的。

技术领域

本发明涉及模式识别技术领域，更具体地说，涉及一种基于局部线段模式特征的车道线检测方法。

背景技术

车道线检测就是对摄像机拍摄的图像进行预处理，从图像中提取出车道标示线或道路边界信息。车道线检测技术主要用于汽车无人驾驶、军事安全辅助驾驶、车联网、智能物流、计算机视觉等领域。随着汽车工业的快速发展，道路交通运输给人们带来巨大便利的同时，由此引发的交通事故已成为全球安全问题之一，因此，车道偏离预警等智能驾驶系统显得尤为重要。车辆偏离预警最重要的问题就是车道线检测与跟踪，对于如何快速准确地提取出车道线，在过去的十多年中国内外学者进行了大量的研究并开发出了一些基于视觉的车道线检测系统。

现在的城市结构化道路的车道线检测过程主要有以下三种方法：一、利用机器视觉采集车道图像，通过Soble算子和Hough变换提取车道线，缺点是对图像质量要求太高，对阴影区域无法正确识别。二、利用前向视觉采集道路环境信息，双阈值法二值化图像，后续处理采用的是增强转移网络技术，道路模型是直线模型，缺点是只能对直道进行检测和识别，对弯道检测功能不完善。三、将透视图像通过逆透视变换(IPM)转换为逆透视图像，然后在逆透视图像中检测车道线，逆透视图像可以很真实的反映路面的大小形状，在逆透视图像中中车道线是保持恒宽的；但当摄像机姿态发生变化或道路出现颠簸不平时，得到的逆透视图像是变形的，车道线检测会完全失败。

发明内容

有鉴于此，本发明提供了一种基于局部线段模式特征的车道线检测方法，解决现有技术中由于道路图像受阴影干扰严重，车道通常有弯道以及部分道路颠簸不平，导致在车道线检测时对城市道路图像质量要求过高，检测精度较低的缺陷。

一种基于局部线段模式特征的车道线检测方法，包括以下步骤：S1、建立图像库，具体为：S11、采集图像；S12、对图像进行灰度转换；S13、将灰度转换后的图像划分为原始道路图像库和测试道路图像库；S14、对原始道路图像库中的图像进行切割标记后生成区域道路数据库。

S2、利用车道线检测算法计算图像库的LLP纹理特征向量；具体为：S21、计算区域道路数据库的图像中所有像素点的LLP特征值；S22、对区域道路数据库中的所有图像样本进行细化分割成若干个样本块；S23、对样本块进行类别频率统计得到LLP特征直方图；S24、对LLP直方图进行归一化处理；S25、将经归一化处理后的所有样本块的LLP特征直方图连接成特征向量，建立LLP纹理特征向量。

S3、根据LLP纹理特征向量，对神经网络算法进行迭代优化；具体为：S31、建立样本：在区域道路数据库所有正负样本中，随机选取已经提取LLP纹理特征向量后的x个正样本，x个负样本作为神经网络的训练样本，剩下的y个正样本和y个负样本作为训练完成后的测试样本；S32、建立样本矩阵：从神经网络的训练样本中随机选取正样本和负样本一正一负组成样本矩阵；S33、建立神经网络模型；预设神经网络模型；S34、优化神经网络模型：将样本矩阵放入到神经网络模型中，调整神经网络模型各个参数，得到最高精度，保存该最高精度下训练完成后的神经网络权值模型，得到经优化后最佳的神经网络算法；S35、测试神经网络算法：将图像库中的初始图像带入到经优化后最佳的神经网络算法中进行测试，得到最终的神经网络模型。

优选地，该车道线检测算法具体为：