欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2025107356462
申请人: 吉林大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.基于贝塞尔曲线和局部回归算法的非结构化车道检测方法,其特征在于,包括以下步骤:步骤1:获取路段图像;

利用车载相机拍摄非结构化道路,获得路段视频,然后从视频中提取路段图像;

步骤2:图像预处理;

对获取的路段图像进行图像预处理,其中包括对车载相机进行标定、对图像进行畸变校正、对色彩空间进行转换、划定ROI区域并将视图转换为鸟瞰图;

步骤3:选择道路模型;

使用B样条基函数来替换Bernstein基函数,并采用三次B样条曲线作为道路模型;

步骤4:定义道路模型的路径连续性问题;

步骤5:对道路模型的最大曲率进行约束;

步骤6:中点插入操作;

步骤7:曲线平滑处理;

通过曲线平滑满足最大曲率约束,并将路径曲率推导为段参数的函数;

步骤8:三次B样条曲线道路模型平滑;

通过步骤4至步骤7得到的参数对三次B样条曲线道路模型进行平滑;

步骤9:局部加权回归算法实现;

步骤10:对道路进行拟合识别。

2.根据权利要求1所述的基于贝塞尔曲线和局部回归算法的非结构化车道检测方法,其特征在于,所述步骤2的具体步骤如下:步骤2.1:利用张正友标定法对相机进行标定,实现图像像素坐标与空间中对应点的世界坐标的映射,公式如下:;

其中,为相机坐标系中点的Z坐标;分别为选取点在像素坐标系中的横纵坐标;为像元尺寸;分别为图像中心点在像素坐标系中的横纵坐标; f 为车载相机的焦距;= f /,= f /,分别为x轴和y轴上的归一化焦距;R为旋转矩阵,T为平移矩阵,均是车载相机的外参数;分别在世界坐标系中空间点在水平方向、垂直方向和深度方向的位置分量;

步骤2.2:对图像进行畸变矫正,公式如下:;

其中,为径向畸变系数;为归一化图像坐标系中的坐标;为矫正后的图像坐标系中的横纵坐标;

步骤2.3:将得到的图像从RGB空间变换到HSV颜色空间,其中H为色相,S为饱和度,V为明度;利用HSV颜色空间对图像进行分割,得出其在S通道的梯度阈值();

步骤2.4:运用Sobel算子对图像进行边缘检测,得到图像在x方向的阈值()和y方向的阈值(),并将Sobel算子在x、y方向的梯度阈值与HSV颜色空间S通道的颜色阈值叠加;

步骤2.5:ROI区域由先验知识划定,ROI区域范围为ROI = [0,H/2]x[0,W],其中W为图像宽度,H为图像高度;

步骤2.6:将处理后的视图通过逆透视变换转化为鸟瞰图,逆透视矩阵表示为P=[M t],其中M为相机内参矩阵,t为相机外参矩阵。

3.根据权利要求1所述的基于贝塞尔曲线和局部回归算法的非结构化车道检测方法,其特征在于,所述步骤3中,道路模型对应的曲线函数数学表达式为:=++;

其中,P0、P1、P2、P3为道路上的控制点;分别为与控制点P0、P1、P2、P3对应的基函数。

4.根据权利要求1所述的基于贝塞尔曲线和局部回归算法的非结构化车道检测方法,其特征在于,所述步骤4中,将道路模型的路径连续性问题定义为:;

其中假设曲线由段和段链接而成,且段的始端链接到段的末端;为段S(u)在起始点u=0处的阶导数;为段R(u)在终点u=1处的阶导数;为导数的阶数,取值范围是1,2,...,i−1,即从一阶导数到i−1阶导数;为一个正整数。

5.根据权利要求1所述的基于贝塞尔曲线和局部回归算法的非结构化车道检测方法,其特征在于,所述步骤5中,对道路模型的最大曲率进行约束的公式如下:;

其中,为转向角限制;为最小转弯半径;为最大曲率。

6.根据权利要求1所述的基于贝塞尔曲线和局部回归算法的非结构化车道检测方法,其特征在于,所述步骤7中,路径曲率为:;

其中,为路径曲率;L为车辆轴距;为曲线参数;

对于给定的最小段角度,相应的最小段长度为:。

7.根据权利要求1所述的基于贝塞尔曲线和局部回归算法的非结构化车道检测方法,其特征在于,所述步骤8的具体过程如下:输入最大曲率、路径点坐标、最小段角度;对每两个连续的路径点进行中点插入处理,在点和之间插入中点,然后更新路径点;计算段参数最小段长度;对于每个段,执行以下操作:若>,则使用和构建段,在新段中插入中点,更新路径点;若<,则进行下一步;计算、并返回,得到平滑后的三次B样条曲线道路模型;

的表达式如下:

;

;

其中,L为车辆轴距;为曲线参数。

8.根据权利要求1所述的基于贝塞尔曲线和局部回归算法的非结构化车道检测方法,其特征在于,所述步骤9的具体步骤如下:步骤9.1:对于数据集中的每个数据点Xi,根据其与目标点X0的距离计算权重,其中权重的计算公式如下:= exp(-);

对于数据波动幅度超过阈值的区域,将核函数替换为:= exp(-);

其中,是一个平滑参数;

步骤9.2:采用Huber Loss损失函数,其公式如下:;

其中,为Huber Loss损失函数的值,用于衡量预测值与真实值y之间的误差;为表示真实值,即样本数据的真实标签或目标值;为预测值;ϵ为一个阈值,用于区分误差的大小。

9.根据权利要求1所述的基于贝塞尔曲线和局部回归算法的非结构化车道检测方法,其特征在于,所述步骤10的具体步骤如下:步骤10.1:在检测的图像中搜索灰度值不等于0的像素点,得到数据点集A;

步骤10.2:根据平滑后的三次B样条曲线道路模型,在数据点集A中随机选择控制点,得到初始的三次B样条曲线;

步骤10.3:通过比较数据点集A中剩余数据点到初始的三次B样条曲线的相对距离来进行有效点筛选,得出有效点集F;

步骤10.4:当有效点集F中的数据点数量达到预设的道路模型有效数量阈值n时,进行下一步;否则,返回到步骤10.2和步骤10.3重复计算,直至有效点数量符合要求或无可搜索的符合条件的数据点;

步骤10.5:用当前有效点集A中的数据点对三次B样条曲线重新进行拟合,更新控制点的位置;

步骤10.6:当迭代次数达到上限k时,获得最佳道路模型。