一种基于光照补偿的夜间车道线检测方法与流程

1.本发明属于图像处理技术领域，具体是一种基于光照补偿的夜间车道线检测方法。


背景技术：

2.近年来以先进驾驶辅助系统adas (advanced driver assistance systems ，简称adas)为代表的智能汽车安全技术得到重视和发展。adas中一个关键技术——车道偏离报警系统 ldws（lane departure warning system，简称ldws）就是以车道线检测为前提的。
3.目前车道线检测的研究大部分基于常规光照条件（如白天），在这种环境下采集的图像清晰度高，车道线与背景路面对比度较明显。但是夜间光照不均匀，对比度较小，图像整体亮度较低，在这种情况下采用常规光照条件下的车道线检测方法效果急剧下降，不能满足夜间车道线检测的需要。针对此问题，yoo等采用最大化图像中车道线和路面之间的梯度来增强车道线与路面之间的对比度；mei等采用直方图均衡化的方法增强低对比度的区域；jongin等采用车道线在不同光照条件下颜色的特性以减弱光照对车道线的影响；王等提出一种非线性对比度拉伸的方法增强图像；罗等将颜色和光照信息作为图像亮度特征并设计了分类器，并对图像进行训练和测试。以上方法在图像光照相对较好情况下能获得理想的效果，但对于道路光线很弱或不存在路灯等复杂的夜间环境检测效果较差。


技术实现要素：

4.本发明的目的是针对现有技术的不足，而提供一种基于光照补偿的夜间车道线检测方法。这种方法能够增强夜间图像的亮度和对比度，同时能够去除因复杂光照产生的非车道线噪声，这种方法在夜间各种天气和光照条件下都能够实现对车道线的良好检测。
5.实现本发明目的的技术方案是：一种基于光照补偿的夜间车道线检测方法，包括如下步骤：对获取到的图像进行灰度变换和去噪处理；1）首先对获取到的图像进行灰度变换和去噪处理，然后对去噪后的灰度图像分别采用经验模式分解和多尺度retinex算法得到内蕴模式分量图像img1和光照补偿后的图像img2；2）将内蕴模式分量图像img1和光照补偿后的图像img2进行融合得到增强后的图像，即将img1和img2按照如下方式进行融合：img=a*img1 img2，img为增强后的图像，a为大于1 的系数因子；3）对增强后的图像用高斯滤波去噪、用canny边缘检测算法进行边缘检测、用hough变换进行线检测。其中，采用高斯核大小为5*5的高斯滤波去除夜间噪声和路面裂缝形成的边缘，canny边缘检测阈值为[80,170]；4）采用车道线特征将检测到的直线分为左右车道线，并分别对左右车道线进行分
步聚类，即按照左车道线斜率小于零、右车道线斜率大于零将车道线分为左车道线和右车道线，依据车道线斜率在25
°‑
65
°
和115
°‑
155
°
之间进行车道线预筛选、对左右车道线依据它们的斜率和截距特征进行分步聚类，对聚类后的结果采用最小二乘法拟合车道线。
[0006]
步骤4）中所述的分步聚类包括： 1
‑
4）采用基于密度的空间聚类方法dbscan（density
‑
based spatial clustering of applications with noise，简称dbscan）对左右车道线的斜率进行聚类, 选取斜率聚类结果中类内数目最多的类作为第一次聚类结果，得到斜率相近的车道线，斜率聚类半径为0.5；2
‑
4）对斜率相近的左/右车道线再依据截距特征进行聚类，得到斜率和截距都相近的车道线作为最终的车道线筛选结果，截距聚类半径如下公式确定：，
△
b,
ꢀ△
k分别表示两条直线的截距差和斜率差，w为图像的宽。
[0007]
本技术方案首先对灰度图分别做msr光照补偿和emd图像分解，为了弥补msr光照补偿图像边缘模糊，局部对比度低的不足，将光照补偿图像与emd分解产生的内蕴模式分量图像融合，得到光照良好边缘清晰的增强图像。为了消除增强后图像因复杂光照产生的虚假车道线，利用基于密度的空间聚类方法对车道线分步聚类。
[0008]
本技术方案对夜间的灰度图像利用多尺度retinex算法作光照补偿，提升了图像的整体亮度；对夜间灰度图利用经验模式分解得到第一次分解产生的内蕴模式分量图像，并将内蕴模式分量图像与多尺度retinex光照补偿后的图像叠加，弥补了光照补偿图像边缘模糊，局部对比度不足的缺陷；采用基于密度的空间聚类方法对左右车道线分步聚类，消除了增强后图像因复杂光照产生的虚假车道线。
[0009]
这种方法能够增强夜间图像的亮度和对比度，同时能够去除因复杂光照产生的非车道线噪声，这种方法在夜间各种天气和光照条件下都能够实现对车道线的良好检测。
附图说明
[0010]
图1为实施例的方法流程示意图；图2为实施例中光照补偿后的图像；图3为实施例中经验模式分解第一次分解得到的imf图像；图4为实施例中增强后的图像；图5为实施例中筛选并划分左右车道线的图像；图6为实施例中车道线聚类后的结果；图7为实施例中最终车道线检测结果。
具体实施方式
[0011]
下面结合附图和实施例对本发明的内容做进一步详细说明，但不是对本发明的限定。
[0012]
实施例：参照图1，一种基于光照补偿的夜间车道线检测方法，包括如下步骤：1）首先对获取到的图像进行灰度变换和去噪处理，然后对去噪后的灰度图像分别
采用经验模式分解和多尺度retinex算法得到内蕴模式分量图像img1和光照补偿后的图像img2，如图2、图3所示；2）将内蕴模式分量图像img1和光照补偿后的图像img2进行融合得到增强后的图像，即将img1和img2按照如下方式进行融合：img=a*img1 img2，img为增强后的图像，如图4所示，由于夜间光照弱，经验模式分解产生的imf图像亮度较小，所以融合时imf图像乘以一个大于1 的系数因子a以提高融合后图像的边缘亮度；3）夜间光照不均匀、亮度低相机获取的车道线图像相较于白天含有更大的噪声，这些噪声在增强后的图像中表现为一些细小的边缘，同时由于路面的裂缝和路面色度的不同会产生较为明显的边缘，这些边缘相较于车道线较细可以通过一个小尺度的高斯模糊去除，对增强后的图像用高斯滤波去噪、canny边缘检测算法进行边缘检测、hough变换进行线检测。其中，采用高斯核大小为5*5的高斯滤波去除夜间噪声和路面裂缝形成的边缘，canny边缘检测阈值为[80,170] ，hough直线检测设置最短线长为30像素；4）采用车道线特征将检测到的直线分为左右车道线，并分别对左右车道线进行分步聚类，即按照左车道线斜率小于零、右车道线斜率大于零将车道线分为左车道线和右车道线，依据车道线斜率在25
°‑
65
°
和115
°‑
155
°
之间进行车道线预筛选、对左右车道线分别依据它们的斜率和截距特征进行分步聚类，如图5所示，对聚类后的车道线采用最小二乘法拟合车为直线，得到最终的车道线检测结果，如图7所示。
[0013]
步骤4）中所述的分步聚类包括： 1
‑
4）采用基于密度的空间聚类方法dbscan对左/右车道线的斜率进行聚类, 选取斜率聚类结果中类内数目最多的类作为第一次聚类结果，得到斜率相近的车道线，斜率聚类半径为0.5；2
‑
4）对斜率相近的左/右车道线再依据截距特征进行聚类，得到斜率和截距都相近的车道线作为最终的车道线筛选结果，如图6所示，截距聚类半径如下公式确定：，
△
b,
ꢀ△
k分别表示两条直线的截距差和斜率差，w为图像的宽。