CN105069415A - 车道线检测方法和装置 - Google Patents

Abstract

本发明公开了一种车道线检测方法，采集车辆行驶过程中前方的车道图像；对采集的所述车道图像进行预处理，得到所述车道图像中的车道线像素点；获取所述车道图像中各个车道线像素点对应的坐标值；将获取的各个坐标值代入预设的直线车道线模型中，生成所述车道图像的车道线。本发明还公开了一种车道线检测装置。本发明提高了车道线检测的准确性。

Description

车道线检测方法和装置

技术领域

本发明涉及智能汽车辅助驾驶技术领域，尤其涉及一种车道线检测方法和装置。

背景技术

随着科学技术的发展，汽车领域的各种技术越来越成熟，汽车已经逐渐进入了各个家庭当中，伴随着公路等级的不断提高，特别是高速公路的飞速发展，路上行驶的汽车也与日俱增，而且汽车的行驶速度越来越快，车流量的增加，导致汽车碰撞交通事故也越来越多，而导致汽车交通事故产生的原因，主要有人员素质不高以及道路环境设施不完善等等。

目前，人们在公路上行驶汽车时，基本上都是按照已经设置好的车道线进行汽车的行驶，但是在汽车行驶过程中，由于很多公路的道路都是曲折的，相应的汽车的车道线也是弯曲的，而现有的车道线检测方式，大部分都是通过建立一些曲线车道线模型对车道线进行检测，而曲线车道线模型过多强调用一条曲线来拟合道路图像的车道线，导致车道线检测的算法复杂度增加，容易出现误差，相应的检测车道线的准确性也降低了。

发明内容

本发明的主要目的在于提出一种车道线检测方法和装置，旨在解决曲线车道线模型检查车道线的方式，降低了车道线检测准确性的技术问题。

为实现上述目的，本发明提供的一种车道线检测方法，所述车道线检测方法包括以下步骤：

采集车辆行驶过程中前方的车道图像；

对采集的所述车道图像进行预处理，得到所述车道图像中的车道线像素点；

获取所述车道图像中各个车道线像素点对应的坐标值；

将获取的各个坐标值代入预设的直线车道线模型中，生成所述车道图像的车道线。

优选地，所述对采集的所述车道图像进行预处理，得到所述车道图像中的车道线像素点的步骤包括：

对采集的所述车道图像进行边缘抽取，得到边缘图像；

对所述边缘图像进行二值化处理，得到所述车道图像中的车道线像素点。

优选地，所述对所述边缘图像进行二值化处理，得到所述车道图像中的车道线像素点的步骤包括：

根据预设的动态双阈值算法中的灰度阈值和边缘阈值，确定所述边缘图像中各个像素点的灰度阈值和边缘阈值；

比对各个像素点的灰度阈值和边缘阈值；

若所述像素点的灰度阈值大于边缘阈值，则所述像素点属于车道线像素点。

优选地，所述获取所述车道图像中各个车道线像素点对应的坐标值的步骤包括：

以所述车道图像中的底部中心点为原点建立二维坐标，向左右两边逐行遍历所述车道图像中的左右两边各个像素点；

在遍历过程中，确定左右两边各个车道线像素点的位置；

根据所述原点的位置和左右两边各个车道线像素点的位置，获取左右两边各个车道线像素点的坐标值。

优选地，所述将获取的各个坐标值代入预设的直线车道线模型中，生成所述车道图像的车道线的步骤包括：

通过预设的直线拟合算法建立直线车道线模型y＝kx+b，其中，所述y为像素点在坐标系中的纵坐标值，x为像素点在坐标系中的横坐标值，k为直线的斜率，b为直线与坐标系Y轴的交点对应的纵坐标值；

将获取的左右两边各个坐标值分别代入对应的两个直线车道线模型y＝kx+b中，计算左右两个直线车道线模型的k值和b值；

根据计算的两个k值和b值，生成所述车道图像的左右两条车道线。

此外，为实现上述目的，本发明还提出一种车道线检测装置，所述车道线检测装置包括：

采集模块，用于采集车辆行驶过程中前方的车道图像；

预处理模块，用于对采集的所述车道图像进行预处理，得到所述车道图像中的车道线像素点；

获取模块，用于获取所述车道图像中各个车道线像素点对应的坐标值；

生成模块，用于将获取的各个坐标值代入预设的直线车道线模型中，生成所述车道图像的车道线。

优选地，所述预处理模块包括：

抽取子模块，用于对采集的所述车道图像进行边缘抽取，得到边缘图像；

处理子模块，用于对所述边缘图像进行二值化处理，得到所述车道图像中的车道线像素点。

优选地，所述处理子模块包括：

第一确定单元，用于根据预设的动态双阈值算法中的灰度阈值和边缘阈值，确定所述边缘图像中各个像素点的灰度阈值和边缘阈值；

比对单元，用于比对各个像素点的灰度阈值和边缘阈值；

处理单元，用于若所述像素点的灰度阈值大于边缘阈值，则所述像素点属于车道线像素点。

优选地，所述获取模块包括：

遍历单元，用于以所述车道图像中的底部中心点为原点建立二维坐标，向左右两边逐行遍历所述车道图像中的左右两边各个像素点；

第二确定单元，用于在遍历过程中，确定左右两边各个车道线像素点的位置；

获取单元，用于根据所述原点的位置和左右两边各个车道线像素点的位置，获取左右两边各个车道线像素点的坐标值。

优选地，所述生成模块包括：

建立单元，用于通过预设的直线拟合算法建立直线车道线模型y＝kx+b，其中，所述y为像素点在坐标系中的纵坐标值，x为像素点在坐标系中的横坐标值，k为直线的斜率，b为直线与坐标系Y轴的交点对应的纵坐标值；

计算单元，用于将获取的左右两边各个坐标值分别代入对应的两个直线车道线模型y＝kx+b中，计算左右两个直线车道线模型的k值和b值；

生成单元，用于根据计算的两个k值和b值，生成所述车道图像的左右两条车道线。

本发明提出的车道线检测方法和装置，在车辆行驶过程中，先对获取的车道图像进行预处理，得到所述车道图像中的车道线像素点，进一步地获取所述车道图像中各个车道线像素点对应的坐标值，最后将获取的各个坐标值代入预设的直线车道线模型中，生成所述车道图像的车道线，而不是通过曲线车道模型检测车道线，本方案通过直线车道线模型检测车道线，降低了算法的复杂度，也减小了计算过程中的误差，提高了车道线检测的准确性。

附图说明

图1为本发明车道线检测方法第一实施例的流程示意图；

图2为本发明对采集的所述车道图像进行预处理较佳实施例的流程示意图；

图3为本发明对所述边缘图像进行二值化处理较佳实施例的流程示意图；

图4为本发明获取所述车道图像中各个车道线像素点对应的坐标值较佳实施例的流程示意图；

图5为本发明生成所述车道图像的车道线较佳实施例的流程示意图；

图6为本发明车道线检测装置第一实施例的功能模块示意图；

图7为图6中预处理模块的细化功能模块示意图；

图8为图7中处理子模块的细化功能模块示意图；

图9为图6中获取模块的细化功能模块示意图；

图10为图6中生成模块的细化功能模块示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明提供一种车道线检测方法。

参照图1，图1为本发明车道线检测方法第一实施例的流程示意图。

本实施例提出一种车道线检测方法，所述车道线检测方法包括：

步骤S10，采集车辆行驶过程中前方的车道图像；

所述采集车辆行驶过程中前方的车道图像可通过所述车辆预设的摄像头进行采集，本实施例在车辆启动时，优选启用预设的近距单目摄像机对车道图像进行采集。值得注意的是，本发明中采集的所述车道图像优选对车辆前方预设的一小段区域进行图像的采集，即仅采集车道前方预设距离的车道图像即可，如采集车辆前方距离车辆1米以内的车道图像。

步骤S20，对采集的所述车道图像进行预处理，得到所述车道图像中的车道线像素点；

在采集到车道图像时，由于采集到的所述车道图像会包含较多的噪声干扰，从而影响车道线的检测，因此本实施例中优选在采集到所述车道图像后，先对所述车道图像进行预处理过程，所述预处理过程的步骤包括：1)对所述图像进行边缘抽取以获取边缘图像；2)抽取到所述边缘图像时，对所述边缘图像进行动态双阈值二值化处理，以获取二值化图像。进一步地，为了提高车道线检测的准确性，本实施例优选在车道图像预处理过程中，利用预设的高斯滤波器对所述车道图像进行去噪以及平滑处理，使得处理后的所述车道图像噪声干扰降低。

步骤S30，获取所述车道图像中各个车道线像素点对应的坐标值；

经过上一个步骤的预处理过程，已经除去所述车道图像中绝大部分的噪声干扰信息等，此时，优选通过车道线识别方法对所述车道图像进行识别，以获取所述车道图像中各个车道线像素点对应的坐标值，即先通过预设的车道识别算法提取所述车道图像中的车道线像素点；然后对提取出来的车道线像素点计算对应的坐标值。可以理解的是，所述车道识别算法包括像素扫描算法、模板匹配算法、霍夫变换算法或扩展转移网络(AugmentedTransitionNetworks，ATN)算法等，本发明实施例中，优选采用ATN算法获取所述车道图像中各个车道线像素点对应的坐标值。

步骤S40，将获取的各个坐标值代入预设的直线车道线模型中，生成所述车道图像的车道线。

在本实施例中，优选通过预设的直线拟合算法建立直线车道线模型，然后，将获取的车道线像素点的各个坐标值代入所述直线车道线模型中，并根据计算结果，生成所述车道图像的左右两条车道线。可以理解的是，当通过上述方法得到当前车道线的左右各两条车道线之后，根据各条车道线参数之间的关系就可以估算以下所需信息：车体相对于目标车道的偏航角、车体相对于目标车道的侧位移、路段的曲率、目标车道的曲率变化率、车道的宽度、车辆于哪一条车道等等。

本实施例提出的车道线检测方法，在车辆行驶过程中，先对获取的车道图像进行预处理，得到所述车道图像中的车道线像素点，进一步地获取所述车道图像中各个车道线像素点对应的坐标值，最后将获取的各个坐标值代入预设的直线车道线模型中，生成所述车道图像的车道线，而不是通过曲线车道模型检测车道线，本方案通过直线车道线模型检测车道线，降低了算法的复杂度，也减小了计算过程中的误差，提高了车道线检测的准确性。

进一步地，为提高车道线检测的准确性，基于第一实施例提出本发明车道线检测方法的第二实施例，在本实施例中，参照图2，所述步骤S20包括：

步骤S21，对采集的所述车道图像进行边缘抽取，得到边缘图像；

步骤S22，对所述边缘图像进行二值化处理，得到所述车道图像中的车道线像素点。

在本实施例中，所述对采集的所述车道图像进行边缘抽取，以得到边缘图像的方式优选为：通过边缘抽取算法对所述车道图像进行边缘抽取，所述边缘抽取算法包括多种，如Sobel算法、Laplace算法或Roberts算法等，本实施例优选通过Sobel算法对所述车道图像进行边缘抽取。在提取出边缘图像后，所述边缘图像仍然包括很多噪声干扰和其它无用信息，因此在抽取到边缘图像后，优选通过动态双阈值算法对所述边缘图像进行二值化处理，所述二值化处理即对所述车道图像中的各个像素点进行灰度处理，使得处理后的图像只包含两个像素值，如0和255，优选所述像素值为0的是非车道线像素点，像素值为255的是车道线像素点，也就是根据所述车道线像素点和所述非车道线像素点组合成了二值化图像，可以理解的是，还可通过固定阈值、整体自适应阈值或局部可变阈值等方法进行进行图像预处理过程。

进一步地，为提高车道线检测的准确性，基于第二实施例提出本发明车道线检测方法的第三实施例，在本实施例中，参照图3，所述步骤S22包括：

步骤S221，根据预设的动态双阈值算法中的灰度阈值和边缘阈值，确定所述边缘图像中各个像素点的灰度阈值和边缘阈值；

步骤S222，比对各个像素点的灰度阈值和边缘阈值；

步骤S223，若所述像素点的灰度阈值大于边缘阈值，则所述像素点属于车道线像素点。

在本实施例中，优选通过预设的动态双阈值算法对所述边缘图像进行二值化处理，可以理解的是，所述动态双阈值算法中的双阈值是指灰度阈值和边缘阈值，而各个像素点都包含了一个灰度阈值和一个边缘阈值，则根据预设的动态双阈值算法，先确定所述边缘图像中各个像素点的灰度阈值和边缘阈值，然后，将各个像素点的灰度阈值和边缘阈值进行比对，以确定各个像素点灰度阈值和边缘阈值的大小关系，当所述像素点的灰度阈值大于边缘阈值，可确定所述像素点属于车道线像素点，当所述像素点的灰度阈值小于边缘阈值，可确定所述像素点属于非车道线像素点，根据动态双阈值算法即可确定所述边缘图像的车道线像素点和非车道线的像素点了。

进一步地，为提高车道线检测的准确性，基于第一实施例提出本发明车道线检测方法的第四实施例，在本实施例中，参照图4，所述步骤S30包括：

步骤S31，以所述车道图像中的底部中心点为原点建立二维坐标，向左右两边逐行遍历所述车道图像中的左右两边各个像素点；

步骤S32，在遍历过程中，确定左右两边各个车道线像素点的位置；

步骤S33，根据所述原点的位置和左右两边各个车道线像素点的位置，获取左右两边各个车道线像素点的坐标值。

经过上述实施例的预处理过程，预处理后的图像中已经去除了绝大部分的噪声干扰等，此时，优选通过预设的扩展转移网络ATN算法对所述预处理后的图像进行识别，以获取所述车道图像中各个车道线像素点对应的坐标值。为更好理解本实施例，以识别左侧车道线LL(LeafLane)举例如下，先通过ATN算法建立一个模型，所述整个ATN模型包括4个状态、8个寄存器和16条转移弧。其中状态1为ATN的开始状态，任务是从二值化图像的底部中心点处开始，逐行向左查找LL的第一个像素，只有在查找到LL的第一个备选像素(所述备选像素为车道线像素)后，ATN才会沿着特定的转移弧转移到状态2，否则LL将停留在状态1或查找失败后转移到状态4；状态2的任务是查找同一行中的其它满足条件的备选像素并进行记录；状态3的任务则是查找每一个备选车道线像素的其它像素并筛选掉错误的备选车道线像素；状态4是结束状态,用于完成一帧图像的ATN分析，并将分析结果存于寄存器中。8个寄存器，分别用来存储同一行中候选像素的个数m、候选像素的坐标集(p,q)、符合条件的车道线的像素个数n、符合条件的车道线像素的坐标集(x,y)以及待检测像素的坐标(i,j)。同理，所述右侧车道线RL(RightLane)的像素点的位置的确定方式也一样。最后，根据确定的各个车道线像素点的位置以及所述二值化图像的原点坐标位置，根据所述原点的位置和各个车道线像素点的位置获取各个车道线像素点的坐标值。

进一步地，为提高车道线检测的准确性，基于第一实施例提出本发明车道线检测方法的第五实施例，在本实施例中，参照图5，所述步骤S40包括：

步骤S41，通过预设的直线拟合算法建立直线车道线模型y＝kx+b，其中，所述y为像素点在坐标系中的纵坐标值，x为像素点在坐标系中的横坐标值，k为直线的斜率，b为直线与坐标系Y轴的交点对应的纵坐标值；

步骤S42，将获取的左右两边各个坐标值分别代入对应的两个直线车道线模型y＝kx+b中，计算左右两个直线车道线模型的k值和b值；

步骤S43，根据计算的两个k值和b值，生成所述车道图像的左右两条车道线。

在本实施例中，在获取到车道线像素点对应的坐标值后，先通过预设的直线拟合算法建立直线车道线模型y＝kx+b；然后将获取的各个坐标值代入预设的直线车道线模型中进行拟合计算，如y＝kx+b的直线车道线模型中，其中，所述y为像素点在坐标系中的纵坐标值，x为像素点在坐标系中的横坐标值，k为直线的斜率，b为直线与坐标系Y轴的交点对应的纵坐标值，并以此计算所述y＝kx+b的k值和b值，以一条车道线为例，优选地，第一步先随机的从这一条车道线所有像素点中选取n个，利用这n个像素点来求解模型参数，即将这n个像素点的坐标值代入所述直线车道线模型中，根据所述n个像素点的得到对应的车道线。第二步利用第一步求出的参数来计算其他N-n个点的值。第三步则是比较计算出来的这N-n个值，它们和参数所描述的模型的距离是不是足够近，如果距离小于某个预设阈值，就认为其满足模型，便将它们加入原始的n个像素点中。最后，重复上面三个步骤K次，并输出这K次计算中能够产生最多满足直线车道线模型要求的像素点的参数作为最终获得的模型的参数。同理，根据这种方法计算出另一条车道线，最后，得到所述车道图像的左右两条车道线。

本发明进一步提供一种车道线检测装置。

参照图6，图6为本发明车道线检测装置第一实施例的功能模块示意图。

需要强调的是，对本领域的技术人员来说，图6所示功能模块图仅仅是一个较佳实施例的示例图，本领域的技术人员围绕图6所示的车道线检测装置的功能模块，可轻易进行新的功能模块的补充；各功能模块的名称是自定义名称，仅用于辅助理解该车道线检测装置的各个程序功能块，不用于限定本发明的技术方案，本发明技术方案的核心是，各自定义名称的功能模块所要达成的功能。

本实施例提出一种车道线检测装置，所述车道线检测装置包括：

采集模块10，用于采集车辆行驶过程中前方的车道图像；

所述采集模块10采集车辆行驶过程中前方的车道图像可通过所述车辆预设的摄像头进行采集，本实施例在车辆启动时，优选启用预设的近距单目摄像机对车道图像进行采集。值得注意的是，本发明中所述采集模块10采集的所述车道图像优选对车辆前方预设的一小段区域进行图像的采集，即仅采集车道前方预设距离的车道图像即可，如所述采集模块10采集车辆前方距离车辆1米以内的车道图像。

预处理模块20，用于对采集的所述车道图像进行预处理，得到所述车道图像中的车道线像素点；

在所述采集模块10采集到车道图像时，由于采集到的所述车道图像会包含较多的噪声干扰，从而影响车道线的检测，因此本实施例中优选在采集到所述车道图像后，先通过所述预处理模块20对所述车道图像进行预处理过程，所述预处理过程包括：1)对所述图像进行边缘抽取以获取边缘图像；2)抽取到所述边缘图像时，对所述边缘图像进行动态双阈值二值化处理，以获取二值化图像。进一步地，为了提高车道线检测的准确性，本实施例优选在车道图像预处理过程中，利用预设的高斯滤波器对所述车道图像进行去噪以及平滑处理，使得处理后的所述车道图像噪声干扰降低。

获取模块30，用于获取所述车道图像中各个车道线像素点对应的坐标值；

经过所述预处理模块20的预处理过程，已经除去所述车道图像中绝大部分的噪声干扰信息等，此时，优选通过车道线识别方法对所述车道图像进行识别，以供所述获取模块30获取所述车道图像中各个车道线像素点对应的坐标值，即先通过预设的车道识别算法提取所述车道图像中的车道线像素点；然后对提取出来的车道线像素点计算对应的坐标值。可以理解的是，所述车道识别算法包括像素扫描算法、模板匹配算法、霍夫变换算法或扩展转移网络(AugmentedTransitionNetworks，ATN)算法等，本发明实施例中，优选采用ATN算法获取所述车道图像中各个车道线像素点对应的坐标值。

生成模块40，用于将获取的各个坐标值代入预设的直线车道线模型中，生成所述车道图像的车道线。

在本实施例中，优选通过预设的直线拟合算法建立直线车道线模型，然后，将获取的车道线像素点的各个坐标值代入所述直线车道线模型中，根据计算结果，所述生成模块40生成所述车道图像的左右两条车道线。可以理解的是，当通过上述方法得到当前车道线的左右各两条车道线之后，根据各条车道线参数之间的关系就可以估算以下所需信息：车体相对于目标车道的偏航角、车体相对于目标车道的侧位移、路段的曲率、目标车道的曲率变化率、车道的宽度、车辆于哪一条车道等等。

本实施例提出的车道线检测装置，在车辆行驶过程中，先对获取的车道图像进行预处理，得到所述车道图像中的车道线像素点，进一步地获取所述车道图像中各个车道线像素点对应的坐标值，最后将获取的各个坐标值代入预设的直线车道线模型中，生成所述车道图像的车道线，而不是通过曲线车道模型检测车道线，本方案通过直线车道线模型检测车道线，降低了算法的复杂度，也减小了计算过程中的误差，提高了车道线检测的准确性。

进一步地，为提高车道线检测的准确性，基于第一实施例提出本发明车道线检测装置的第二实施例，在本实施例中，参照图7，所述预处理模块20包括：

抽取子模块21，用于对采集的所述车道图像进行边缘抽取，得到边缘图像；

处理子模块22，用于对所述边缘图像进行二值化处理，得到所述车道图像中的车道线像素点。

在本实施例中，所述抽取子模块21对采集的所述车道图像进行边缘抽取，以得到边缘图像的方式优选为：通过边缘抽取算法对所述车道图像进行边缘抽取，所述边缘抽取算法包括多种，如Sobel算法、Laplace算法或Roberts算法等，本实施例优选通过Sobel算法对所述车道图像进行边缘抽取。在所述抽取子模块21提取出边缘图像后，所述边缘图像仍然包括很多噪声干扰和其它无用信息，因此在抽取到边缘图像后，优选所述处理子模块22通过动态双阈值算法对所述边缘图像进行二值化处理，所述二值化处理即对所述车道图像中的各个像素点进行灰度处理，使得处理后的图像只包含两个像素值，如0和255，优选所述像素值为0的是非车道线像素点，像素值为255的是车道线像素点，也就是根据所述车道线像素点和所述非车道线像素点组合成了二值化图像，可以理解的是，还可通过固定阈值、整体自适应阈值或局部可变阈值等方法进行进行图像预处理过程。

进一步地，为提高车道线检测的准确性，基于第二实施例提出本发明车道线检测装置的第三实施例，在本实施例中，参照图8，所述处理子模块22包括：

第一确定单元221，用于根据预设的动态双阈值算法中的灰度阈值和边缘阈值，确定所述边缘图像中各个像素点的灰度阈值和边缘阈值；

比对单元222，用于比对各个像素点的灰度阈值和边缘阈值；

处理单元223，用于若所述像素点的灰度阈值大于边缘阈值，则所述像素点属于车道线像素点。

在本实施例中，优选所述处理子模块22通过预设的动态双阈值算法对所述边缘图像进行二值化处理，可以理解的是，所述动态双阈值算法中的双阈值是指灰度阈值和边缘阈值，而各个像素点都包含了一个灰度阈值和一个边缘阈值，则根据预设的动态双阈值算法，所述第一确定单元221先确定所述边缘图像中各个像素点的灰度阈值和边缘阈值，然后，所述比对单元222将各个像素点的灰度阈值和边缘阈值进行比对，以确定各个像素点灰度阈值和边缘阈值的大小关系，当所述像素点的灰度阈值大于边缘阈值，所述处理单元223可确定所述像素点属于车道线像素点，当所述像素点的灰度阈值小于边缘阈值，所述处理单元223可确定所述像素点属于非车道线像素点，根据动态双阈值算法即可确定所述边缘图像的车道线像素点和非车道线的像素点了。

进一步地，为提高车道线检测的准确性，基于第一实施例提出本发明车道线检测装置的第四实施例，在本实施例中，参照图9，所述获取模块30包括：

遍历单元31，用于以所述车道图像中的底部中心点为原点建立二维坐标，向左右两边逐行遍历所述车道图像中的左右两边各个像素点；

第二确定单元32，用于在遍历过程中，确定左右两边各个车道线像素点的位置；

获取单元33，用于根据所述原点的位置和左右两边各个车道线像素点的位置，获取左右两边各个车道线像素点的坐标值。

经过上述实施例的预处理过程，预处理后的图像中已经去除了绝大部分的噪声干扰等，此时，优选通过预设的扩展转移网络ATN算法对所述预处理后的图像进行识别，以供所述获取单元33获取所述车道图像中各个车道线像素点对应的坐标值。为更好理解本实施例，以识别左侧车道线LL(LeafLane)举例如下，先通过ATN算法建立一个模型，所述整个ATN模型包括4个状态、8个寄存器和16条转移弧。其中状态1为ATN的开始状态，任务是从二值化图像的底部中心点处开始，所述遍历单元31逐行向左查找LL的第一个像素，所述第二确定单元32只有在查找到LL的第一个备选像素(所述备选像素为车道线像素)后，ATN才会沿着特定的转移弧转移到状态2，否则LL将停留在状态1或查找失败后转移到状态4；状态2的任务是查找同一行中的其它满足条件的备选像素并进行记录；状态3的任务则是查找每一个备选车道线像素的其它像素并筛选掉错误的备选车道线像素；状态4是结束状态,用于完成一帧图像的ATN分析，并将分析结果存于寄存器中。8个寄存器，分别用来存储同一行中候选像素的个数m、候选像素的坐标集(p,q)、符合条件的车道线的像素个数n、符合条件的车道线像素的坐标集(x,y)以及待检测像素的坐标(i,j)。同理，所述右侧车道线RL(RightLane)的像素点的位置的确定方式也一样。最后，根据所述第二确定单元32确定的各个车道线像素点的位置以及所述二值化图像的原点坐标位置，所述获取单元33根据所述原点的位置和各个车道线像素点的位置获取各个车道线像素点的坐标值。

进一步地，为提高车道线检测的准确性，基于第一实施例提出本发明车道线检测装置的第五实施例，在本实施例中，参照图10，所述生成模块40包括：

建立单元41，用于通过预设的直线拟合算法建立直线车道线模型y＝kx+b，其中，所述y为像素点在坐标系中的纵坐标值，x为像素点在坐标系中的横坐标值，k为直线的斜率，b为直线与坐标系Y轴的交点对应的纵坐标值；

计算单元42，用于将获取的左右两边各个坐标值分别代入对应的两个直线车道线模型y＝kx+b中，计算左右两个直线车道线模型的k值和b值；

生成单元43，用于根据计算的两个k值和b值，生成所述车道图像的左右两条车道线。

在本实施例中，在获取到车道线像素点对应的坐标值后，所述建立单元41先通过预设的直线拟合算法建立直线车道线模型y＝kx+b，然后所述计算单元42将获取的各个坐标值代入预设的直线车道线模型中进行拟合计算，如y＝kx+b的直线车道线模型中，其中，所述y为像素点在坐标系中的纵坐标值，x为像素点在坐标系中的横坐标值，k为直线的斜率，b为直线与坐标系Y轴的交点对应的纵坐标值，所述计算单元42以此计算所述y＝kx+b的k值和b值，以一条车道线为例，优选地，第一步先随机的从这一条车道线所有像素点中选取n个，利用这n个像素点来求解模型参数，即将这n个像素点的坐标值代入所述直线车道线模型中，根据所述n个像素点的得到对应的车道线。第二步利用第一步求出的参数来计算其他N-n个点的值。第三步则是比较计算出来的这N-n个值，它们和参数所描述的模型的距离是不是足够近，如果距离小于某个预设阈值，就认为其满足模型，便将它们加入原始的n个像素点中。最后，重复上面三个步骤K次，并输出这K次计算中能够产生最多满足直线车道线模型要求的像素点的参数作为最终获得的模型的参数。同理，根据这种方法计算出另一条车道线，最后，所述生成单元43得到所述车道图像的左右两条车道线。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其它变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其它要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种车道线检测方法，其特征在于，所述车道线检测方法包括以下步骤：

采集车辆行驶过程中前方的车道图像；

对采集的所述车道图像进行预处理，得到所述车道图像中的车道线像素点；

获取所述车道图像中各个车道线像素点对应的坐标值；

将获取的各个坐标值代入预设的直线车道线模型中，生成所述车道图像的车道线。

2.如权利要求1所述的车道线检测方法，其特征在于，所述对采集的所述车道图像进行预处理，得到所述车道图像中的车道线像素点的步骤包括：

对采集的所述车道图像进行边缘抽取，得到边缘图像；

对所述边缘图像进行二值化处理，得到所述车道图像中的车道线像素点。

3.如权利要求2所述的车道线检测方法，其特征在于，所述对所述边缘图像进行二值化处理，得到所述车道图像中的车道线像素点的步骤包括：

根据预设的动态双阈值算法中的灰度阈值和边缘阈值，确定所述边缘图像中各个像素点的灰度阈值和边缘阈值；

比对各个像素点的灰度阈值和边缘阈值；

若所述像素点的灰度阈值大于边缘阈值，则所述像素点属于车道线像素点。

4.如权利要求1所述的车道线检测方法，其特征在于，所述获取所述车道图像中各个车道线像素点对应的坐标值的步骤包括：

以所述车道图像中的底部中心点为原点建立二维坐标，向左右两边逐行遍历所述车道图像中的左右两边各个像素点；

在遍历过程中，确定左右两边各个车道线像素点的位置；

根据所述原点的位置和左右两边各个车道线像素点的位置，获取左右两边各个车道线像素点的坐标值。

5.如权利要求1所述的车道线检测方法，其特征在于，所述将获取的各个坐标值代入预设的直线车道线模型中，生成所述车道图像的车道线的步骤包括：

通过预设的直线拟合算法建立直线车道线模型y＝kx+b，其中，所述y为像素点在坐标系中的纵坐标值，x为像素点在坐标系中的横坐标值，k为直线的斜率，b为直线与坐标系Y轴的交点对应的纵坐标值；

将获取的左右两边各个坐标值分别代入对应的两个直线车道线模型y＝kx+b中，计算左右两个直线车道线模型的k值和b值；

根据计算的两个k值和b值，生成所述车道图像的左右两条车道线。

6.一种车道线检测装置，其特征在于，所述车道线检测装置包括：

采集模块，用于采集车辆行驶过程中前方的车道图像；

预处理模块，用于对采集的所述车道图像进行预处理，得到所述车道图像中的车道线像素点；

获取模块，用于获取所述车道图像中各个车道线像素点对应的坐标值；

生成模块，用于将获取的各个坐标值代入预设的直线车道线模型中，生成所述车道图像的车道线。

7.如权利要求6所述的车道线检测装置，其特征在于，所述预处理模块包括：

抽取子模块，用于对采集的所述车道图像进行边缘抽取，得到边缘图像；

处理子模块，用于对所述边缘图像进行二值化处理，得到所述车道图像中的车道线像素点。

8.如权利要求7所述的车道线检测装置，其特征在于，所述处理子模块包括：

第一确定单元，用于根据预设的动态双阈值算法中的灰度阈值和边缘阈值，确定所述边缘图像中各个像素点的灰度阈值和边缘阈值；

比对单元，用于比对各个像素点的灰度阈值和边缘阈值；

处理单元，用于若所述像素点的灰度阈值大于边缘阈值，则所述像素点属于车道线像素点。

9.如权利要求6所述的车道线检测装置，其特征在于，所述获取模块包括：

遍历单元，用于以所述车道图像中的底部中心点为原点建立二维坐标，向左右两边逐行遍历所述车道图像中的左右两边各个像素点；

第二确定单元，用于在遍历过程中，确定左右两边各个车道线像素点的位置；

获取单元，用于根据所述原点的位置和左右两边各个车道线像素点的位置，获取左右两边各个车道线像素点的坐标值。

10.如权利要求6所述的车道线检测装置，其特征在于，所述生成模块包括：

建立单元，用于通过预设的直线拟合算法建立直线车道线模型y＝kx+b，其中，所述y为像素点在坐标系中的纵坐标值，x为像素点在坐标系中的横坐标值，k为直线的斜率，b为直线与坐标系Y轴的交点对应的纵坐标值；

计算单元，用于将获取的左右两边各个坐标值分别代入对应的两个直线车道线模型y＝kx+b中，计算左右两个直线车道线模型的k值和b值；

生成单元，用于根据计算的两个k值和b值，生成所述车道图像的左右两条车道线。