基于车道线检测和gis地图信息开发的视觉导航方法

基于车道线检测和gis地图信息开发的视觉导航方法
【专利摘要】本发明公开了一种基于车道线检测和GIS地图信息开发的视觉导航方法，该方法首先采集GIS地图信息并进行预处理，然后实时采集图像并进行车道线检测，同时实时生成GIS局部地图，将车道线检测结果与GIS局部地图通过ICP算法进行匹配校验，最终根据匹配结果生成可信度高的车道线结果。该方法既能通过地理信息系统对车道线检测结果进行可信度评价，在出现误检或漏检时进行校正，扩大车道检测算法的适用范围，又能通过视觉感知信息提高地图定位的精度，从而提高整个智能驾驶及辅助驾驶系统中视觉导航系统的性能，使系统能够适应更加复杂的环境。
【专利说明】基于车道线检测和GIS地图信息开发的视觉导航方法
【技术领域】
[0001]本发明属于无人驾驶智能控制领域，涉及一种车辆智能驾驶的视觉导航方法，尤其是一种基于车道线检测和地理信息系统(Geographic InformationSystem, GIS)地图信息相结合所开发的视觉导航方法，用于实时评价和校验传统车道线检测结果的可靠性，提高智能驾驶视觉导航的精度。
【背景技术】
[0002]视觉导航是智能驾驶以及辅助驾驶中的关键技术步骤，是通过对视觉数据的处理(一般为图像数据)，提取环境中有用的信息，为驾驶决策提供可靠依据。车道线检测是其中一个重要方面，一般通过前视相机采集图像进行图像处理，获得路面情况的信息，包括在城市、乡村及高速等不同场景下车道线的数量、位置、宽度和交汇分叉等。车道线检测主要分为以下几个模块:图像预处理，特征提取，车道模型拟合，时域关联以及图像和世界坐标的转换。目前的车道线检测系统能满足在基本场景下的要求，但基于视觉的方法会受到多种因素的影响，比如道路多障碍物，路面标记不清，天气影响以及光照变化等。这些因素会导致系统出现误检和漏检，而且系统缺少对检测结果的校验和可信度的评价。另一方面，地理信息系统(GIS)，GPS以及惯性测量单元(MU)也开始广泛运用于自动驾驶及辅助驾驶的定位和导航中。其测量和定位的精度是关键问题。目前的商业用途的GPS能达到5-10m的精度范围，结合惯性导航单元可以提高到l-2m，但是对车道精度下车的导航行驶则需要对精度提出更高的要求。如何设计实现对车道检测进行校验和评价，使检测方法适应不同的复杂环境，增强算法的鲁棒性，提高检测结果可信度，同时提高定位和导航的精度的方法已成为汽车自动驾驶及辅助驾驶的研究热点之一。

【发明内容】

[0003]本发明的目的在于克服上述的技术缺陷，提供一种基于车道线检测和GIS地图信息开发的视觉导航方法，该视觉导航方法既能通过地理信息系统对车道线检测结果进行可信度评价，在出现误检或漏检时进行校正，扩大车道检测算法的适用范围，又能通过视觉信息提高地图定位的精度，从而提高整个视觉导航系统的性能。
[0004]为达到上述目的，本发明采用了以下技术方案。
[0005]本发明假设初始状态时车体定位在给出的GIS地图中，得到初始化数据后，实时更新局部地图，然后和车道线检测结果进行匹配校验。
[0006]为了保证本发明的稳定性和适用性，该方法基于如下几个假设:1.已经将GIS地图信息经过预处理，给出车将要行驶路段的道路边缘点以及相应的路口点作为先验信息；2.给出的GPS道路边缘点与路口点均为顺序存储结构，依次对应于车辆行驶的路段并指导车辆按该路径行驶；3.由GPS及惯性导航单元定位的误差及精度在可接受范围(半个车道宽度约2m)以内。
[0007]本发明所述方法主要包括以下步骤:[0008]I)预先采集GIS地图信息并进行预处理；
[0009]2)实时采集图像并进行车道线检测；
[0010]3)实时生成GIS局部地图；
[0011]4)将车道线检测结果与GIS局部地图进行匹配校验；
[0012]5)根据匹配结果生成可信度高的车道线结果。
[0013]所述步骤I)中，通过位姿测量设备预先采集全局地图的道路边缘数据，并对道路边缘数据进行光滑滤波处理，得到全局地图的道路边缘点集。
[0014]所述步骤2)中，通过图像采集设备(包括车载数字相机和固定焦距镜头等)，采用基于单目视觉的、时域关联下进行特征提取以及车道模型拟合的检测方法实时检测路面车道线。
[0015]所述步骤3)中，通过位姿测量设备(包括惯性组合导航系统，光纤陀螺，车载里程计和前轮转角测量计等)，实时获得当前车体位置，并在GIS全局地图中定位，然后按照局部地图模型生成局部环境地图。
[0016]所述步骤4)中，结合步骤2)与步骤3)的结果，在相同尺度下运用迭代最近点(Iterative Closest Point, ICP)算法对车道线检测结果与GIS局部道路边缘进行滑动匹配校验，获得最佳匹配位置及最大匹配误差，匹配时根据车道线模型以及局部地图模型分组匹配，选择匹配最优的一组。
[0017]所述步骤5)中，根据步骤4)得到的匹配结果，将最佳匹配位置下的最大匹配误差与阈值相比较，确定车道线检测结果的可信度，然后修正平移距离及定位的位置信息。
[0018]若检测结果不可信，则按照道路边缘线生成虚拟车道线。
[0019]通过车道线位置约束提高检测结果的正确性和稳定性，最终选择相应方案生成精确度高的车道线结果。
[0020]本发明的有益效果体现在:
[0021]本发明首先由GIS提供车辆所行驶区域的全局地图的道路边缘信息，然后得到GIS局部地图信息以及检测到的局部的车道线结果，接下来GIS信息与车道线检测结果相互匹配校验，由GIS信息来修正车道线的走向和趋势，同时由视觉车道线检测结果修正GIS提供的道路边缘与车道线间的位置关系，最终发送可信度及精确度高的车道线结果。加入GIS地图信息的目的是通过以地图上的道路边缘为先验，由曲线走向趋势的匹配程度来校正车道线存在的误检和漏检。在曲线的整体趋势上，GIS地图信息有较高的可信度，因此可以由此来校正车道线；但对于位置精度，由于GPS的不稳定性和精度限制，其可信度低于视觉感知的结果，因此可以通过视觉感知的检测结果来校正位置精度。
[0022]本发明具有以下特点:
[0023]1.本发明能够修正由于地标、光线或大曲率等因素造成的车道线误检或检测结果不准确的情况；
[0024]2.本发明在没有车道线检测结果时能够给出位置准确的虚拟车道线，保证车在行驶过程中有连续的感知数据；
[0025]3.由于GIS先验信息的加入，大大提高了车道线检测结果的可靠性；
[0026]4.使系统能够适应更加复杂的环境，例如光线变化、多障碍物以及夜间行驶等等。【专利附图】

【附图说明】
[0027]图1为本发明的系统结构图。
[0028]图2为本发明的概要流程图。
[0029]图3为本发明的详细设计流程图。
[0030]图4为本发明的GIS地图道路边缘模型图。
[0031]图5为本发明的车道线检测流程图。
[0032]图6为本发明的车道基本模型图。
[0033]图7为本发明的车体坐标示意图。
[0034]图8为本发明的车道线与道路边缘匹配算法流程图。
【具体实施方式】
[0035]以下结合附图对本发明作详细说明。
[0036]参见图1以及图2，所述的方法主要包括以下步骤:
[0037]I)预先采集GIS地图信息并进行预处理；
[0038]2)实时采集图像并进行车道线检测；
[0039]3)实时生成GIS局部地图；
[0040]4)车道线检测结果与GIS局部地图进行匹配校验；
[0041]5)根据匹配结果生成可信度高的车道线结果。
[0042]算法中要使用的GIS地图道路边缘信息是通过实地GPS数据采集和地图标定来实现的。标定时分别标注道路左边缘和道路右边缘，且所标注的道路为单向，各路段按照预定的行驶路线顺序排列。地图信息的数据形式以离散采样点的方式给出，数据内容为各采样点的GPS坐标，最终将数据进行平滑滤波得到符合道路边缘信息模型的GIS全局地图原始数据，模型参见图4，EL与ER分别代表道路左、右边缘。
[0043]参见图5，车道线检测过程为通过离线标定获得相机的内参和外参，对图像在线投影变化后获得车前图像俯视图。基于车道线部分图像像素高于路面区域的基本假设提取出可能的车道线信息即二值分割图像，对其进行连通域检测并依据折线段进行拟合。对所有连通域完成折线拟合后，依据其长度和角度约束进行折线段连接得到车道候选线。利用宽度和平行性对候选车道线进行筛选过滤并利用位姿数据进行多帧图像间的时域关联，得到最终的车道线检测结果。车道基本模型参见图6，采取三车道模型，LI与Rl分别代表当前车道的左、右车道线，L2与R2分别代表左二与右二车道线。
[0044]GIS局部地图的实时生成、车道线及GIS信息匹配校验以及最终结果的生成由以下的详细步骤来实现，参见图3:
[0045]I) GIS信息点及平移距离初始化
[0046]对GIS地图信息的处理基于以下假设:车所要行驶区域的GIS地图信息已经由道路边缘点给出；GIS地图信息表示为道路左边缘与道路右边缘点成对顺序结构；车体启动位置在GIS地图范围内。系统首先加载GIS地图信息文件，然后在地图中定位车体位置。初始定位通过全局搜索GIS信息的道路边缘点并根据车体位姿搜索最近的GIS道路边缘点。即找出i，
[0047].ν/.ηι?η?//Λ.(^.,6:)[0048]其中Pv代表车体位置坐标，Gi代表GIS信息点坐标，dis (Pv, Gi)代表两点间的距离。
[0049]考虑需要给出车体坐标下的局部地图，所以距离计算是将GIS点转化到车体坐标系下；另外在实际道路情况下，道路右边缘常会出现加宽或缩小一车道的情况，会影响车体定位的判断，而道路左边缘相对稳定，所以在定位时只考虑道路左边缘点，即:
[0050]mi n dis (Pv, GL )
[0051]其中GLi代表GIS信息中道路左边缘点。
[0052]初始定位后，开始初始化车体坐标下的局部地图。车体坐标局部地图的范围为车体位置的(_10m，60m)。在全局地图中定位后，根据其顺序存储结构实时加载局部地图范围内的信息，然后按照局部地图模型转化到相应的结构体中。
[0053]局部地图创建成功后，初始化车道线与GIS地图道路边缘的平移距离(实际操作时车体在某车道中间的位置启动，用以获得正确的初始平移量)。初始平移距离默认为当前道的左车道线LI与道路左边缘EL间的距离。若初始有车道线检测结果，则计算左车道线与道路左边缘平移距离；若无车道线检测结果，则假设车体当前所在位置为车道中点，按照车道宽度估计左车道线LI的位置，计算平移距离。即:
【权利要求】
1.一种基于车道线检测和Gis地图信息开发的视觉导航方法，其特征在于:包括以下步骤: 1)预先采集Gis地图信息并进行预处理； 2)实时采集图像并进行车道线检测； 3)实时生成GIS局部环境地图； 4)将车道线检测结果与GIS局部地图进行匹配校验； 5)根据匹配结果生成可信度高的车道线结果。
2.根据权利要求1所述一种基于车道线检测和GIS地图信息开发的视觉导航方法，其特征在于:所述步骤I)中，通过位姿测量设备预先采集全局地图的道路边缘数据，并对道路边缘数据进行光滑滤波处理，得到全局地图的道路边缘点集。
3.根据权利要求1所述一种基于车道线检测和GIS地图信息开发的视觉导航方法，其特征在于:所述步骤2)中，通过图像采集设备，采用基于单目视觉的、时域关联下进行特征提取以及车道模型拟合的检测方法实时检测路面车道线。
4.根据权利要求1所述一种基于车道线检测和GIS地图信息开发的视觉导航方法，其特征在于:所述步骤3)中，通过位姿测量设备实时获得当前车体位置，并在GIS全局地图中定位，然后按照局部地图模型生成局部环境地图。
5.根据权利要求1所述一种基于车道线检测和GIS地图信息开发的视觉导航方法，其特征在于:所述步骤4)中，结合步骤2)与步骤3)的结果，在相同尺度下运用迭代最近点算法对车道线检测结果与GIS局部道路边缘进行滑动匹配校验，获得最佳匹配位置及最大匹配误差，匹配时根据车道线模型以及局部地图模型分组匹配，选择匹配最优的一组。
6.根据权利要求1所述一种基于车道线检测和GIS地图信息开发的视觉导航方法，其特征在于:所述步骤5)中，根据步骤4)得到的匹配结果，将最佳匹配位置下的最大匹配误差与阈值相比较，确定车道线检测结果的可信度，然后修正平移距离及定位的位置信息。
7.根据权利要求6所述一种基于车道线检测和GIS地图信息开发的视觉导航方法，其特征在于:若检测结果不可信，则按照道路边缘线生成虚拟车道线。
8.根据权利要求6所述一种基于车道线检测和GIS地图信息开发的视觉导航方法，其特征在于:通过车道线位置约束提高检测结果的正确性和稳定性。
【文档编号】G01C21/00GK103954275SQ201410127590
【公开日】2014年7月30日 申请日期:2014年4月1日 优先权日:2014年4月1日
【发明者】杜少毅, 沈雅清, 崔迪潇, 宋晔, 薛建儒 申请人:西安交通大学