一种自适应的道路鸟瞰图变换方法和道路车道检测方法
【技术领域】
[0001] 本发明涉及机器视觉领域，尤其涉及一种自适应的道路鸟瞰图变换方法和基于该 方法对道路车道进行检测的方法。
【背景技术】
[0002] 智能车辆感知可以拯救人类生命，减少经济损失，其中道路检测是智能车辆感知 不可或缺的一部分。汽车主动安全技术使得汽车能够积极主动地检测事故，解决了传统汽 车安全只能在事发后被动地减轻事故伤害的缺陷。汽车主动安全关键技术之一是环境感 知，旨在通过分析传感器采集的数据得到周围的信息。驾驶中最基本的任务是跟随道路，因 此道路检测在车辆感知中扮演着重要的角色，对交通安全问题有重大研究意义。绝大多数 道路都有白色或者黄色的车道线标志，与深色的道路有很好的视觉区分性。通常采用挂载 在车前窗的摄像头采集道路图像，从一幅驾驶员视角的道路图片中定位车道标记，从而完 成道路检测的任务。
[0003] 针对目标检测问题，通常的实现方法一般包括自底而上或者自顶向下两种方法。 其中，自底而上的方法先从图像中一级一级地提取特征，然后用提取出的最高层特征去匹 配对象模型，这类方法从特征出发，因此也称为基于特征的方法。另一种方法与之相反，从 上层模型出发，用预定义的模型去匹配图像特征，因此也叫做基于模型的方法。车道线检测 通常也划分为基于特征的和基于模型的两类方法。基于模型的方法关注高层特征，具有较 高的鲁棒性，但有限的预定义模型往往很难准确匹配多样的道路模型，如道路模型选用几 个离散的曲率值去匹配图像时，准确性受到约束，且不能匹配复杂的路况如S型的弯道。另 一方面，对于基于特征的方法，由于图像特征的多变性，很难找到一种普适性的特征检测算 法过滤掉各种可能出现的噪声。常见的检测算法基于颜色、边缘、亮度等特征。当道路图像 被严重的阴影覆盖时，阴影围成的区域也具备这些特征，仅凭底层特征筛选车道线像素是 十分困难的。
[0004] 具体地，典型的基于特征的方法采用车道标记线像素相对于周边的路面像素较亮 的特征，由于存在透视效应，即各行的车道标记线宽度不同，所以通常对图像中的各行独立 地进行处理。在图像中的每一行用一个以"暗-亮-暗"渐变的模板去匹配各个像素点，匹配 度越高就说明该像素点越可能是车道标记像素，匹配度反映了该点为车道标记的概率。由 于透视图具有远小近大的特征，从近到远各行的模板宽度也要进行调整。
[0005] 具体地，典型的基于模型的方法对道路的高层特征建模，将道路车道标记线抽象 为在鸟瞰图中相互平行的直线，利用该高层模型匹配底层特征，以获得更高的鲁棒性。上述 基于模型的方法（即基于鸟瞰图的方法)往往需要预先获知变换矩阵的各个系数值，因此需 要先对摄像头进行标定。在使用前先通过标定实验计算出变换矩阵，不仅使设备安装工作 变得繁琐，还有潜在的问题:一方面，如果摄像头发生晃动或者位置移动，原有的变换矩阵 就无法奏效，造成检测结果偏差甚至出错;另一方面，即使摄像头固定，车辆上下坡以及和 道路不平行时都会造成变换的不准问题，上下坡时变换图中的路面区域变成了梯形，而车 辆与道路不平行时，路面区域就变形成了平行四边形。文献(Zhang D,Fang B,Yang W，et al.Robust inverse perspective mapping based on vanishing point[C]//Security, Pattern Analysis,and Cybernetics(SPAC),2014International Conference on. IEEE, 2014:458-463.)记载了传统的基于一次标定的鸟瞰图变换方法存在的问题，如图1所示，鸟 瞰图变换IPM(Inverse Perspective Mapping，反透视变换)为消除透视效应的变换，即将 摄像机从沿着道路方向看到的景象转换为俯视图；其中，a)表示摄像头标定时，得到的鸟瞰 图是正常的情况;b)表示水平路遇到上坡，得到的鸟瞰图变形成为了梯形的情况;c)表示下 坡路遇到水平路而造成失真的情况;d)表示水平路遇到下坡的梯形失真情况;e)表示车不 是正对着道路行驶，有右偏或者摄像头相对于车辆右偏的情形，而造成路面区域变形为平 行四边形的情况。f)表示车相对路面左偏或者摄像头相对于车辆左偏的情形下的失真。图1 中的T代表偏离的夹角。因此，现有基于模型的方法存在的问题，主要分为两方面，一是需 要提前标定，二是有潜在问题:一方面摄像头移动后需要重新标定，另一方面即便摄像头保 持固定也会产生失真。
【发明内容】
[0006] 为了克服上述现有技术的不足，本发明提供一种自适应的道路图像鸟瞰图变换方 法和基于该方法对道路车道进行检测的方法，
[0007] 本发明提供的技术方案是：
[0008] -种自适应的道路鸟瞰图变换方法，包括道路边界建模过程和鸟瞰图变换过程， 包括如下步骤：
[0009] 1)道路边界特征提取:根据道路场景图像，通过对图像进行灰度化处理抽取道路 边界特征，得到一个表征道路边界概率的道路图像灰度图；
[0010] 2)道路边界分割提取:提取道路边界区域，得到二值图；根据二值图得到所述道路 场景图像中的各个像素是否是道路边界；
[0011] 3)道路边界点提取，获得分隔路面和道路边界的点；
[0012] 4)道路边界模型建模和匹配:对道路边界进行建模，通过步骤4)所提取得到的边 界点拟合得到两条曲线，用于表征道路的边界；
[0013] 5)通过自适应鸟瞰图变换得到鸟瞰图变换矩阵，通过所述鸟瞰图变换矩阵将步骤 1)所述道路图像灰度图映射为鸟瞰图，由此得到变换后的道路鸟瞰图。
[0014] 针对上述自适应的道路鸟瞰图变换方法，进一步地，在步骤1)所述道路场景图像 为以驾驶员视角采集的道路图像，包括行程记录仪拍摄的RGB格式图像;在对图像进行灰度 化处理之前先对采集到的道路图像进行裁剪;所述图像灰度化处理，具体采用算术平均值 或加权平均值将RGB三个通道合成一个灰度通道，采用S '特征减弱阴影对道路边界提取的 干扰;S'特征的定义如下：
[0015]
[0016]其中，R，G，B分别是所述RGB格式图像中像素点的红、绿、蓝三种颜色分量值，是计 算得到的特征值。
[0017]针对上述自适应的道路鸟瞰图变换方法，进一步地，步骤2)通过图像阈值分割方 法提取道路边界区域，得到一张前景为道路边界的二值图；所述图像阈值分割方法为大津 算法或最大类间方差法。
[0018] 针对上述自适应的道路鸟瞰图变换方法，进一步地，步骤3)通过二次扫描法提取 道路边界点，具体包括：
[0019] 先自下而上按列扫描，标记第一次遇到前景点的作为候选道路边界特征点；再自 中间向左右两侧按行扫描;标记左侧第一次遇到的候选特征点作为左边界特征点，右侧第 一次遇到的候选特征点作为右边界特征点。
[0020] 针对上述自适应的道路鸟瞰图变换方法，进一步地，步骤4)对提取的道路边界点 进行建模拟合，道路边界模型采用双直线模型；对提取的道路边界点进行拟合，采用Hough 变换分别对道路左右边界拟合直线，将拟合成的两条直线的交点定义为消失点，两条直线 和图像最后一行构成两个交点，这两个交点和一个消失点(共三个点）构成一个表征路面区 域的三角形。
[0021] 针对上述自适应的道路鸟瞰图变换方法，进一步地，步骤5)所述自适应鸟瞰图变 换具体通过步骤3)所述提取得到的道路边界信息选取一个梯形区域表征近视野的路面，将 所述梯形区域通过透视变换映射为一个矩形区域，由此得到鸟瞰图变换矩阵。
[0022] 本发明还提供一种道路车道检测方法，针对道路场景图像，先通过自适应的道路 鸟瞰图变换方法得到变换后的道路鸟瞰图，然后进行车道标记过滤和特征提取和车道标记 位置估计，再通过所述车道标记位置，在所述道路场景图像中提取得到车道标记的位置;在 上述通过自适应的道路鸟瞰图变换方法得到变换后的道路鸟瞰图的基础上，还包括如下步 骤：
[0023] 6)