自动驾驶汽车急转弯时车道线检测的3种技术

[[385524]]

 

三种技术：

色彩空间

索贝尔算子

曲率半径

色彩空间

RGB色彩空间非常适合带有白色通道的图像。它在其他彩色车道上有局限性。因此我们可以探索其他颜色空间，例如HSV(色相，饱和度，值)和HLS(色相，亮度，饱和度)等。

色相表示与亮度变化无关的颜色。亮度和值是测量颜色的明暗度的不同方法。饱和度是色彩度的量度。带有黄色车道线的图像被分为RGB和HLS，如下所示。

 

仅R，G和S通道显示与黄色车道线相对应的高像素强度。蓝色通道的黄色像素强度为零。通过选择最佳通道和该通道的正确颜色阈值，我们现在可以更准确地识别黄色车道线，如下所示。

 

索贝尔算子

由于车道线是垂直的，因此我们可以以更智能的方式使用渐变来检测车道的陡峭边缘。将Sobel运算符应用于图像是一种在x或y方向上获取图像导数的方法。

通过选择x方向上的坡度(Sobel x运算符)并调整该坡度的强度，我们现在可以找到车道的那些部分，这是S通道无法检测到的(在前面的部分中)，如下所示。

 

现在，我们可以结合以上每种技术(Sobel x和S通道)识别的像素，以在变化的照明条件下更准确地找到黄色车道线，如下所示。

 

即使我们的算法现在可以检测到不同颜色，在不同光照条件下的车道，但遇到突然的弯道时，它仍然可能会失败。

曲率半径

车道曲率的知识对于汽车停留在车道上是必不可少的。透视变换改变了我们的视角，可以从不同的视角和角度观看同一场景。鸟瞰，让我们将多项式拟合到车道线。然后，我们从多项式中提取车道曲率。

 

绘制直方图并在上图的左右两边找到峰值，可以得出左右车道的起始位置，如下所示。

 

滑动窗

使用起始位置，并在图像上应用滑动窗口技术，我们能够将多项式拟合到车道线，如下所示。

 

车道中心的曲率半径和偏移

像素被转换为米，并重新计算多项式拟合以确定以米为单位的曲率半径，如下所示。

 

结论

连续框架的车道线位置相似。因此，要在下一帧中查找车道像素，我们可以在一定距离内搜索先前检测到的车道线位置。

上述技术的应用使汽车能够在变化的照明条件(明亮的光线和阴影区域)和陡峭的弯道上准确识别不同颜色(黄色和白色)的车道，如下所示。