[发明专利]一种车道边界和主车方位检测方法

摘要

本发明公开了一种车道边界和主车方位检测方法，首先设置最佳车载摄像机外参数；然后根据车道图像像素梯度幅值自适应设置边缘阈值，并提取边缘点、计算边缘点方向；再根据车道边界投影模型、边缘点及其方向利用蚁群优化搜索定位车道边界；最后计算车道平面线形参数值和主车方位；本发明的检测方法能够快速有效搜索定位车道边界，能够适应各种车道线形以及天气和光照变化，并能够测算出车道平面线形参数值和主车在车道中的偏向角和位置。

主权项

1.一种车道边界和主车方位检测方法，其特征在于包括下述步骤：步骤1：将摄像机架设于车辆顶部中轴线前端位置，摄像机光轴与车辆中轴线位于同一垂直面，定义摄像机的俯仰角α向下为正、面向摄像机前方滚动角γ顺时针方向为正，设置摄像机的俯仰角α＝arctan(r_Od_y/f_c)、摄像机的滚动角γ＝0、摄像机距离路面的高度其中f_c为摄像机焦距，d_x、d_y分别为摄像机拍摄的图像像素点在水平和垂直方向上的物理尺寸，c_O和r_O分别为图像中心点的像素横坐标和纵坐标，W_lane为车道宽度；步骤2：根据摄像机拍摄的车道图像像素梯度幅值自适应设置边缘阈值，并提取边缘点、计算边缘点方向，包括以下步骤：步骤2.1：计算车道图像除第一行、最后一行、第一列、最后一列像素点外的其它各个像素点水平方向和垂直方向上的梯度幅值G_x(c，r)＝f(c+1，r-1)+2f(c+1，r)+f(c+1，r+1)         -f(c-1，r-1)-2f(c-1，r)-f(c-1，r+1)G_y(c，r)＝f(c-1，r+1)+2f(c，r+1)+f(c+1，r+1)         -f(c-1，r-1)-2f(c，r-1)-f(c+1，r-1)其中c、r分别表示像素点的横坐标和纵坐标，G_x(c，r)、G_y(c，r)分别表示像素点(c，r)水平方向和垂直方向的梯度幅值，f(c，r)表示像素点(c，r)的像素值，然后计算车道图像像素点的梯度幅值G_m(c，r)＝|G_x(c，r)|+|G_y(c，r)|；步骤2.2：计算提取边缘像素点的梯度阈值其中H、W分别表示车道图像的高和宽，w_G为系数，其取值范围为0.1≤w_G≤1；步骤2.3：将图像像素点(c，r)的梯度幅值G_m(c，r)与梯度阈值G_mth相比较，其中c＝1，2，...，W-2，r＝1，2，...，H-2，若G_m(c，r)≥G_mth，则将该像素点标记为边缘像素点，若G_m(c，r)＜G_mth，则将该像素点标记为非边缘像素点，然后计算边缘像素点的边缘方向θ(c_edge，r_edge)＝arctan[G_y(c_edge，r_edge)/G_x(c_edge，r_edge)]，其中c_edge、r_edge分别表示边缘像素点的横坐标和纵坐标；步骤3：根据车道边界投影模型、边缘点及其方向利用蚁群优化搜索定位车道边界，包括以下步骤：步骤3.1：设置车道模型，将车道左、右边界线的投影曲线方程设置为B1rlane+B3+B4rlane-1+B5rlane-2-clane,L=0]]>B2rlane+B3+B4rlane-1+B5rlane-2-clane,R=0]]>其中r_lane表示车道边界曲线上像素点的纵坐标，c_lane，L和c_lane，R分别表示车道左、右边界曲线上像素点的横坐标，B₁、B₂、B₃、B₄、B₅为车道边界投影曲线的参数，并定义B＝(B₁，B₂，B₃，B₄，B₅)^T为车道边界投影模型参数向量，其取值范围为(-5，0，0，-2000，-3000)^T＜B＜(0，5，300，2000，3000)^T；步骤3.2：蚁群搜索初始化，初始化迭代计数器t＝0、最大迭代次数Iter_max，其取值范围为10≤Iter_max≤200，并将搜索空间B_min＜B＜B_max的每一维空间平均划分为M个子区间，分别标记为1，...，M，M的取值范围为5≤M≤200，其中B_min＝(B_1，min，B_2，min，B_3，min，B_4，min，B_5，min)＝(-5，0，0，-2000，-3000)^TB_max＝(B_1，max，B_2，max，B_3，max，B_4，max，B_5，max)＝(0，5，300，2000，3000)^T子区间的半径为Ω=(Ω1,...,Ω5)=12(R1,max-B1,minM,...,B5,max-B5,minM)]]>子区间的边界值为2(m-1)Ω_n和2mΩ_n，其中m＝1，...，M，n＝1，...，5，对应于搜索空间的每一维子空间建立记录表[τ_nm(t)，Δτ_nm(t)，F_nm，max(t)，B_nm，max(t)]，其中t表示迭代次数，τ_nm(t)表示第n维第m子区间蚂蚁信息素的残留，Δτ_nm(t)表示当前第n维第m子区间的信息素增量即所有当前蚂蚁在第n维第m子区间留下的信息素，F_nm，max(t)表示对应子区间的历史最大启发函数值即车道边界曲线置信度，B_nm，max(t)表示相应的路径即车道边界投影模型参数值，初始化τ_nm(t)，其取值范围为0.1≤τ_nm(t)≤30，初始化Δτ_nm(t)＝0，B_nm，max(t)＝(2m-1)Ω_n，F_nm，max(t)＝0，其中n＝1，...，5、m＝1，...，M，并初始化信息素挥发系数ρ，其取值范围为0＜ρ＜1；初始化蚁群规模即蚂蚁数量S，其取值范围为5≤S≤200且S≤M；定义分别表示第i只蚂蚁经过的子区间、路径即车道模型参数向量值，定义表示期望信息即第i只蚂蚁选择第n维第m子区间的期望值，初始化蚂蚁经过的路径Bⁱ(t)＝[B_1i，max(t)，...，B_5i，max(t)]、子区间Uⁱ(t)＝(i，i，i，i，i)、期望信息其中i＝1，...，S、n＝1，...，5、m＝1，...，M；然后计算启发函数值即车道边界曲线置信度F[Bⁱ(t)]，更新F_ni，max(t)＝F[Bⁱ(t)]，其中n＝1，...，5，并比较所有蚂蚁的启发函数值，进而初始化蚁群启发函数的历史最小值F^min(t)＝min{F[Bⁱ(t)]|i＝1，...，S}、历史最大值F^max(t)＝max{F[Bⁱ(t)]|i＝1，...，S}、对应历史最大值的最优路径B^max(t)及其子区间U^max(t)，并计算当前蚁群启发函数值的平均值初始设定局域搜索的正态分布标准差σ＝(σ₁，...，σ₅)的值、蚂蚁选择概率的信息启发式因子α和期望启发式因子β的值，其取值范围分别为0.2Ω≤σ≤3Ω、0＜α≤5、0＜β≤5；进一步初始设置Uⁱ(t+1)＝Uⁱ(t)，其中i＝1，...，S；所述启发函数即车道边界曲线置信度F[Bⁱ(t)]的计算方法为其中Λ表示车道边界曲线的邻域，其半径的取值范围为[4，20]，μ_W、为常数，其取值范围分别为0.8×dyWlanecosαdxhc≤μW≤1.2×dyWlanecosαdxhc,]]>0<σW2<1,]]>0<σD2≤100,]]>D(c_edge，r_edge)表示边缘点(c_edge，r_edge)到车道边界曲线的距离，其计算方法为其中DL(cedge,redge)=|B1i(t)redge+B3i(t)+B4i(t)redge-1+B5i(t)redge-2-cedge|[-B1i(t)+B4i(t)redge-2+2B5i(t)redge-3]2+1]]>DR(cedge,redge)=|B2i(t)redge+B3i(t)+B4i(t)redge-1+B5i(t)redge-2-cedge|[-B1i(t)+B4i(t)redge-2+2B5i(t)redge-3]2+1]]>表示边缘点的边缘方向θ(c_edge，r_edge)与车道边界曲线的夹角，其计算方法为其中ψL=arctan[-B1i(t)+B4i(t)redge-2+2B5i(t)redge-3]]]>ψR=arctan[-B2i(t)+B4i(t)redge-2+2B5i(t)redge-3]]]>步骤3.3：将迭代计数器t加1；步骤3.4：蚁群局域搜索，根据蚂蚁所在区域Uⁱ(t)按高斯分布12πσnexp{-[Bni(t)-BnUni(t),max(t-1)]22σn2}]]>随机产生新的路径其中i＝1，...，S、n＝1，...，5，将新路径Bⁱ(t)与Uⁱ(t)子区间的边界值相比较，若超出子区间边界则更新蚂蚁所在的子区间Uⁱ(t)，若超出搜索空间边界值则将Bⁱ(t)设为相应边界值，计算启发函数值F[Bⁱ(t)]，其中i＝1，...，S，再更新启发函数历史最大值F^max(t)＝max{F^max(t-1)，F[Bⁱ(t)]|i＝1，...，S}、F^max(t)对应的最优路径B^max(t)和子区间U^max(t)、当前蚁群的启发函数最小值F^min(t)＝min{F[Bⁱ(t)]|i＝1，...，S}，并计算更新当前蚁群的启发函数平均值步骤3.5：更新信息素表，初始化信息素增量Δτ_nm(t)＝0，其中n＝1，...，5、m＝1，...，M，计算当前蚂蚁留下的信息素ΔτnUni(t)i(t)=expF[Bi(t)]-F‾(t)Fmax(t)-Fmin(t)]]>其中i＝1，...，S、n＝1，...，5，更新信息素增量和信息素残留τ_nm(t)＝(1-ρ)τ_nm(t-1)+Δτ_nm(t)，其中n＝1，...，5、m＝1，...，M；然后将蚂蚁的启发函数值F[Bⁱ(t)]与相比较，若F[Bi(t)]>FnUni(t),max(t-1)]]>则更新FnUni(t),max(t)=F[Bi(t)],]]>BnUni(t),max(t)=Bni(t),]]>若F[Bi(t)]≤FnUni(t),max(t-1)]]>则更新FnUni(t),max(t)=FnUni(t),max(t-1),]]>BnUni(t),max(t)=BnUni(t),max(t-1),]]>其中i＝1，...，S、n＝1，...，5；步骤3.6：将迭代次数t和最大迭代次数Iter_max相比较，若t＞Iter_max，则跳转到步骤3.8，若t≤Iter_max，则执行下一步骤3.7；步骤3.7：蚁群全局搜索，计算蚂蚁的期望信息ηnmi(t)=expfnm,max(t)-F[Bi(t)]Fmax(t)-Fmin(t)]]>和蚂蚁选择路径的选择概率pnmi(t)=[τnm(t)]α[ηnmi(t)]βΣk=1M[τnk(t)]α[ηnki(t)]β,]]>其中i＝1，...，S、n＝1，...，5、m＝1，...，M，分别对每只蚂蚁产生(0，1)均值分布上的随机数Rand，更新蚂蚁的路径子区间其中i＝1，...，S、n＝1，...，5，然后跳转到步骤3.3；步骤3.8：输出车道边界曲线，根据最优路径B^max(t)以及车道边界投影模型，在图像上画出检测到的车道左、右边界曲线B1max(t)r+B2max(t)+B4max(t)r-1+B5max(t)r-2-c=0]]>B2max(t)r+B3max(t)+B4max(t)r-1+B5max(t)r-2-c=0;]]>步骤4：计算车道平面线形参数值和主车方位，计算主车所在点处的车道曲率C0=[B4max(t)fc+32B5max(t)Q1]Q3]]>和主车前方车道曲率的变化率C1=3B5max(t)Q2Q3cosα]]>其中Q₁＝d_y sin 2α、Q2=dycosαhc,]]>Q3=2dxcos2αfc3Q2;]]>计算主车在车道中的偏向角β=-dxcosαfc3[(B3max(t)-co)fc2+B4max(t)fcQ1+34B5max(t)Q12]]]>和车辆偏离车道中心线的距离