LaneDetection

LaneDetection

CODE: LaneDetection

车道线检测的方法步骤:

（1）选择感兴趣的区域（ROI也就是车道线存在的区域）：我们利用架好相机的特点，使得相机拍摄的车道线位于图像的下半部分，也就是图像的下半部分是道路。

        通过这样做，我们不需要找到消失点，并且图像的下半部分被考虑用于进一步处理。 考虑到计算消失点所需的计算开销，它给出了一个很好的近似。

（2）ROI的预处理:

        与日间图像不同，夜视几乎不提供图像的任何颜色属性，而是为我们提供车道线的唯一的颜色集合（也就是说夜间就是单纯的黑白图像）。 除了仅仅微小的色调变化和低饱和度水平，甚至这样的图像的亮度变化是非常弱并且高度依赖于外部照明（如路灯，车辆的尾灯/头灯，信号和眩光，因为所有这些）。

        要获得每个像素的强度值，我们将颜色空间从RGB更改为黑白（彩色图像-> 二值图像）。

        这有助于更快的计算，而不拒绝任何有价值的信息。 不良的照明条件可能会使图像更难以处理，并可能导致错误的结果。 为了避免这种情况，应用中值滤波。 获取窗口大小为5的方核，并在整个图像上通过。

（3）大概的车道线分割：在车道线检测之前去识别大概的车道标记部分。

              

基于上述参数选择可能的车道标线。 δ表示车道宽度。 车道相对于其侧面的强度更亮，只有当两侧都较暗并且任一侧的强度值差的和在给定范围之间时，则仅将像素视为车道分段的一部分。 使用多个样品点计算范围并绘制它们。 基于输出图像的照明条件，发现其在0.25和0.75之间变化，其在预处理之后，用于更好的对比度和亮度的图像可以理想地选择为大约0.5。 任何差异小于噪声或非车道部分。 由于透视，车道宽度基于距离而变化。 在基地附近是最大的，而在消失点附近，它是最小的。 使用以下公式计算图像的任何行（r）处的通道宽度：

█

max和min表示给定图像中可能的最大和最小车道宽度。 保持ε值5有助于避免噪声。 最大值取决于图像尺寸和安装的相机位置。 如果照相机保持非常低，则由于高透视并且更接近车道，与照相机安装在顶部上的时间相比，在基座附近的车道宽度将更大。 默认最小值在消失点始终保持为0; 否则可以根据需要进行调整。 一旦设置了max，上述公式可用于动态地在不同距离处获得车道宽度。 动态改变车道宽度有助于准确选择车道。

（4）从上面的预处理仅能获取大概车道线的部分：

上述分割过程通常选择其他不需要的噪声或类似于车道的区域（例如，里程碑，车辆的边缘，栏杆，树木，灯柱，车头灯眩光等）。

我们利用了一个车道段的几何特征，并基于它的属性，我们只选择了有效段。 首先使用[Suzuki85]算法1从上述二值图像中选择轮廓。然后在其周围绘制最小面积矩形以获得其取向，长度和宽度性质。

车道线性质的考虑:

段区域。 minArea阈值以下的段的面积表示不需要的对象，因此被拒绝。

考虑的车道段性质是：

段区域。 minArea阈值以下的段的面积表示不需要的对象，因此被拒绝。

边的比率。作为线段，其长度与宽度的比率应当至少大于4：1。仅考虑具有较高比率的区段。具有小于某个阈值但大于minArea的区域的片段可能表示小的断裂的中心车道标记，并且因此它们的比率被降低到2:1。

方向。车道段凭借其性质从不接近水平（除非遇到非常陡的转弯）。这个属性帮助我们删除突出的车辆保险杠和其他部分，否则被视为误报。

只有当车辆在车道上时，垂直车道段才是可能的，在这种情况下，车道段将仅靠近图像的底部中心区域。检测到的每隔一个垂直段不能是通道，因此被丢弃。

最小区域矩形被限制到检测到的段。车道非常接近矩形，如果段区域不接近边界矩形的区域，则段被拒绝。

RESULT：