[发明专利]一种基于滑动窗口搜索的车道线检测方法

说明书

本发明公开了一种基于滑动窗口搜索的车道线检测方法，其包括：建立含有同一场景的车道线数据集，并将其转化为灰度图，将同一场景的车道线灰度图叠加后平均以减少车辆等其他信息的干扰；将叠加后的灰度图利用固定阈值法进行二值化处理；统计图片下方的每一列上像素为255的点的个数，选取ROI作为初始滑动窗口的位置；从初始滑动窗口开始，统计每一滑动窗口内属于车道线的像素数量，对其进行直线拟合，根据得到的斜率计算下一个滑动窗口所在的位置直到整张图片搜索完毕；将图片中所有滑动窗口内的车道线像素进行直线拟合，提取车道线。本发明方法大大减少寻找行道线的计算量，同时由于能够获取足够多的点，在之后的直线拟合中也能获得较高的精度。

技术领域

本发明属于人工智能领域中的图像识别技术领域，具体涉及一种基于滑动窗口搜索的车道线检测方法。

背景技术

道路上的行车秩序一直是交通部门管理的重点，而很多司机常常不注意遵守交通规则随意变道，极易发生交通事故。现阶段对于违法变道的检测仍然是处于人工检测的状态，效率低，耗时高并且检测准确率低。车道线检测作为判别违章变道的核心技术，其检测的精确度和高效性直接关乎其判别性能。因此提出一种能够根据视屏监控判别车道线的算法极为必要。

在传统的计算机视觉方法中，通常是将摄像头采集到的路面图像由彩色域图像转变为灰度值图像，并对图像进行滤波处理，除去图片中的无效区域，保留其中的路面道路信息以便减少计算量；再对处理后的图片进行边缘检测提取车道线，由于车道线的灰度值较大而路面灰度值较小，故而可以采用Canny算法通过梯度信息检测并提取出车道线的边缘点；在获取车道线边缘点图像后得到二值图像，运用Hough变换对二值图像进行处理得到霍夫矩阵，将霍夫矩阵中的两个局部最大值确定为一条车道线。该类传统方法计算量小性能稳定，但检测效果较差，难以满足检测的实际需求。

另一类方法是基于深度学习卷积神经网络的车道线检测方法，此类方法通过图像分割的方法将车道线从图像背景中分割出来。卷积神经网络通过大量的车道线数据学习车道线特征，其检测准确率往往较高。但深度学习的方法所涉及的参数量大，对计算机性能要求较高，检测速度较慢，同样难以满足检测的实际需要。

发明内容

针对现有技术中的不足与难题，本发明旨在提供一种切实可行、性能优良、环境适应性强的基于滑动窗口搜索的车道线检测方法，该方法针对存在车辆及其他噪声干扰的路况，该方法不仅能够有效减少道路中车辆的干扰，还可以有效提取图中的车道线信息。

本发明通过以下技术方案予以实现：

一种基于滑动窗口搜索的车道线检测方法，其包括以下步骤：

S1，建立含有同一场景的车道线数据集，并将其转化为灰度图，将同一场景的车道线灰度图叠加后平均以减少车辆等其他信息的干扰；

S2，根据灰度图的特性，将叠加后的灰度图利用固定阈值法进行二值化处理；

S3，统计图片下方的每一列灰度为255的像素数量，选取感兴趣区域(ROI)作为初始滑动窗口的位置；

S4，从初始滑动窗口开始，统计每一滑动窗口内属于车道线的像素数量，对其进行直线拟合，根据得到的斜率计算下一个滑动窗口所在的位置直到整张图片搜索完毕；将图片中所有滑动窗口内的车道线像素进行直线拟合，从而提取车道线。

进一步地，步骤S1中需要将同一场景下的彩色图片转换为灰度图片，其转换公式为：

Gray＝0.3R+0.59G+0.11B

式中，Gray为图片中像素的灰度值，R为红色基准色的像素值，G为绿色基准色的像素值，B为蓝色基准色的像素值；

对拥有大量处于同一个摄像头的照片的每一个像素点，使用如下公式来求其均值：