[发明专利]一种适用于无人方程式赛车的直线加速车道标志线检测方法

说明书

本发明涉及一种适用于无人方程式赛车的直线加速车道标志线检测方法，主要适用于赛道的起始线和终止线检测以及直线加速赛道的车道标志线检测，将图像进行灰度化处理，采用高斯滤波器去除噪声，基于Sobel算子进行道路边缘增强，通过将图像进行二值化处理得到道路预处理图像；采用Canny边缘检测算子进行车道线边缘的提取，接着结合车道线特征建立自适应三角形感兴趣区域，将图像分为左右两部分，采用Hough变换分别拟合识别车道标志线检测出道路边界，最后输出两条车道线并叠加到原始图像中；本发明可应用于无人驾驶领域的驾驶辅助系统，减少由于驾驶员分心而造成的伤亡事故。

技术领域

本发明涉及一种适用于无人方程式赛车的直线加速车道标志线检测方法，属于无人驾驶技术领域。

背景技术

中国大学生无人驾驶方程式大赛融合了无人驾驶车辆的顶尖技术，涵盖了多元信息融合、视觉SLAM、车辆路径规划与跟踪等关键性技术，其中动态赛事分为直线加速测试、8字绕环测试、操控性测试(有人)以及高速循迹追踪测试，重点测试参赛车辆的感知、规划、决策和控制等各项功能；直线加速动态赛主要测试赛车的加速能力，因此赛车的车道起始线和终止线的检测以及直线加速时的车道线检测显得尤为重要，无人方程式的车道线检测技术可应用无人驾驶领域的驾驶辅助系统，车道线的检测方法有利于减少驾驶员因注意力不集中致使车辆偏离正常赛道造成的伤亡事故。

目前基于视觉的车道线检测方法主要为基于特征的方法和基于模型的方法，基于特征的方法是在灰度图像或者彩色图像中提取道路的纹理、边、颜色梯度等特征检测车道线；基于模型的方法是根据不同的到道路采取不同的参数模型实现车道线检测，主要有双曲线、样条曲线模型等；另外，目前的道路检测算法中感兴趣区域主要采用固定不变的感兴趣区域，感兴趣区域通常为矩形，矩形感兴趣区域存在大量的无用面积，增加了计算复杂程度，降低了车道线检测算法效率，难以满足车载视频车道线检测算法对道路前方信息的实时性检测；最后，由于道路可能存在车道标示线缺损、受污染严重，车道起止线容易受路面干扰等因素，基于道路模型现有算法存在适应性不强、识别准确率低、受干扰等严重问题，因此需要一种识别准确率高、鲁棒性好、实时性好的车道识别算法。

发明内容

本发明提供一种适用于无人方程式赛车的直线加速车道标志线检测方法，减小了噪声干扰，提高了算法速度，满足了无人驾驶赛车的实时性要求。

本发明解决其技术问题所采用的技术方案是：

一种适用于无人方程式赛车的直线加速车道标志线检测方法，具体包括以下步骤：

第一步：基于无人方程式直线加速赛道视频进行道路图像采集，获取起始线图像；

第二步：对起始线图像进行预处理，即将彩色图像变为灰度图进行灰度化处理后，进行高斯滤波处理，采用自适应阈值法提取阈值，将起始线图像进行二值化处理得到起始线预处理图像；

第三步：通过对二值化处理得到的起始线图像进行霍夫变换，检测直线，得到起始线中所有可能的直线；

第四步：在所有可能的直线的上下固定像素点范围内观察像素值，记录符合颜色约束以及不符合颜色约束的点的集合，计算每条直线符合颜色约束的点所占的比例，若该比例大于设定的阈值则认为是起始线，此时发送信号给赛车底盘控制系统，启动赛车，若该比例小于或等于设定的阈值则认为为非起始线，此时回到第一步重新检测；

第五步：启动赛车后，获取车道线图像，对车道线图像进行预处理，即将彩色图像变为灰度图进行灰度化处理后，进行高斯滤波处理，基于Sobel算子进行道路边缘增强，消除车道线图像中的无用消息，采用自适应阈值法提取阈值，将车道线图像进行二值化处理得到车道线预处理图像；

第六步：采用Canny边缘检测算子进行车道线边缘的提取；

第七步：建立三角形自适应感兴趣区域的提取，生成道路预处理图像；