本发明属于图像处理和交通智能化领域，具体为一种基于模糊逻辑的自适应车道线检测线检测方法。
背景技术：
1、车道线检测技术是自动驾驶辅助系统众多功能实现的基础。目前主流的车道检测方法有两种，一种是基于高精地图，通过地图中的车辆位置来推算其相对于车道的位置，这种方法的准确度不高且需要进行大量的数据收集与更新；另一种是基于车载感知系统，通过各种传感器如相机、lidar等来达到对物体与路面感知的目的，其中基于相机的仅视觉方法因其价格、可靠性等方面的优点在车道线检测任务中得到广泛应用。
2、现有的基于相机的车道线检测方法主要分为传统计算机视觉方法与基于深度学习的方法，其中传统计算机视觉方法操作简单，计算量小，且检测效果也较为可观，因此在车道检测任务中运用的更为普遍，但在面对复杂的环境条件时，会极大地影响相机的探测结果：在白天和夜间条件下，光线变化很大，通常需要不同的参数，甚至是不同的算法；在雨天和雪天条件下，挡风玻璃上的雨滴或雪花会降低能见度，影响车道检测效果，此外，快速移动的雨刷器也给算法提出了额外的挑战。
3、现有的一些专利，如专利号为cn113591565a的发明专利提出的基于机器视觉的车道检测方法，专利号为cn115116023a的发明专利提出的一种基于机器视觉的智能车道线检测和避障系统，均在天气与光照条件良好且无弯道路段前提下进行的车道检测，方法的鲁棒性和实用性均不理想。考虑到车辆在复杂环境条件中车道检测的自适应性与准确性，将模糊逻辑融入边缘检测算法中并配合自适应roi以实现在不同环境条件下能够自适应调整相应参数，从而提高车道检测的鲁棒性以及准确性。
技术实现思路
1、本发明旨在提高车道线检测算法面对多样化环境时的自适应性与准确性，提出一种基于模糊逻辑的自适应车道线检测方法，该方法利用不同天气与光照条件下引起的图像行数值的变化，通过模糊逻辑对边缘检测算法的高低阈值进行自适应调整，再根据自适应roi使得算法在直道、弯道以及相机安装角度不同等多种情况下能够合理并完整地截取车道线所在区域，最后利用霍夫变换以及几何约束分别对左右侧3条累加值最高的候选车道线进行选取，通过均值处理得到最终的cll与crl。
2、为解决以上技术问题，本发明是采用如下技术方案实现的：
3、一种基于模糊逻辑的自适应车道线检测方法，包括以下步骤：
4、s1：对输入的图像信息进行去畸变处理；具体为利用opencv的calibratecamera、findchessboardcorners函数实现图像的畸变矫正操作；
5、s2：对输入的图像信息进行对比度处理；具体为将通过摄像头获取到的rgb图像根据模式进行不同的图像对比度处理；默认模式下将rgb图像转换为灰度，yuv模式实现rgb图像到yuv色彩空间的转换；图像对比度的处理过程是在当前帧图像高度的3/4处生成两条以检测到的左右车道线为中心的水平线，以图像宽度的1％为间隔，在两条水平线上分别取12个样本点，通过像素阈值对车道线颜色进行判别，当存在任意点满足u-v的阈值，则判定车道线颜色为黄色，该点所处水平线的对应侧图像转换为yuv模式；根据前一次检测结果对当前图像的左右侧进行相应的模式切换，若整个图像的15％以上被定义为黄色像素时，yuv模式则自动关闭，切换到默认模式；
6、s3：对输入的图像信息进行降噪处理；具体为基于bilateral滤波器对图像进行平滑处理；
7、s4：采用基于模糊逻辑的强鲁棒性canny边缘检测算法对经过对比度处理以及噪声处理后的图像进行边缘检测；其过程是根据不同天气条件导致的图像行数不同，利用模糊推理对canny算法的两个独立阈值thlow与thhigh的大小进行自适应调整；遍历当前帧图像的所有像素点，判断像素点梯度幅值g与上一帧调整后的高低阈值大小关系实现边缘检测，g∈(thhigh,+∞)的像素点或g∈(thlow,thhigh)且与其他边缘点相邻的像素点被判定为边缘点，其它的像素点被判定为非边缘点；
8、s5：对处理后的图像进行自适应感兴趣区域(roi)选择；其过程为确定自适应roi的四个基本点，即图像底部的两个基点ao和bo、两条车道线延伸相交产生的消失点ro，以及车道中心线与过消失点作车道中心线的垂线产生的垂足ho，围绕上述四个基本点形成一个直线集，直线集元素所形成的封闭平面域的合集即为最终确定的roi；
9、s6：利用霍夫变换以及基于斜率k与角度θ的几何约束对车道标记进行检测；其过程为基于霍夫变换累加器设置直线经过的边缘点个数条件，在上述roi内检测到所有满足条件的候选车道线，并通过几何约束从候选车道线中筛选出左车道线cll与右车道线crl；对于k<0且θ∈[25°,65°]的候选线初步判定为候选cll，对于k>0且θ∈[110°,155°]的候选线初步判定为候选crl,利用霍夫变换的累加器分别选择候选cll与候选crl中累加值最高的3条候选线，并分别对左右侧3条候选线取斜率k与角度θ的均值，利用计算的均值生成cll与crl，该均值也会被运用到后续图像自适应roi的选择中，实现迭代更新；
10、s7：若当前帧图像利用算法无法检测到左右车道线，则根据相邻帧图像中的车道线会保持在相似位置的特性，使用上一帧计算的斜率k与角度θ的均值生成相应的cll与crl。
11、优选的技术方案中，所述步骤s4中基于模糊推理对canny算法的两个独立阈值thlow与thhigh的大小进行自适应调整的过程具体为：
12、s41：模糊系统的输入变量为检测到的图像的行数值，根据不同天气条件下的图像行数预期值不同，其模糊集被定义5个水平，为{s,ms,m,mb,b}，分别对应小、次小、中、次大以及大，论域范围为[0,35000]，采用s型、高斯型以及z型混合隶属度函数曲线将检测到的行数值转化为模糊数；
13、s42：模糊推理的输出变量为canny算法的高阈值thhigh的偏差量,其模糊集被定义5个水平，为{nb,ns,o,ps,pb}，分别对应负大、负小、零、正小以及正大，论域范围为[-2,2]，采用三角形隶属度函数曲线对根据规则库做出的决策进行去模糊化，采用中心平均法，通过对模糊集中心进行加权平均，将权重设置为相应模糊集的高度yi，计算得到的模糊输出即canny算法的高阈值thhigh的偏差量,可表示为：
14、
15、利用调整好的高阈值thhigh计算得到canny算法的低阈值thlow为：
16、
17、优选的技术方案中，所述步骤s5中确定自适应roi选取的过程具体为：
18、s51:所选图像底部的两个基点ao和bo默认坐标为图像底部端点两坐标，后续由上一帧图像生成的cll与crl与图像底部的交点迭代更新；所选消失点ro的默认坐标为图像中心，后续由上一帧图像生成的cll与crl通过曲线拟合得到的交点坐标进行迭代更新；由ao、bo、ro即可确定ho坐标；
19、s52：过ho分别作cll与crl的切线l0、l1，若无切线关系，则设置为空集，过ro向其他三点引出直线l2、l3、l4，上述直线与过两基点直线l5形成直线集{l0,l1,l2,l3,l4,l5}，上述直线集元素所能形成的封闭平面域的合集即为最终确定的roi。
20、与现有技术相比，本发明的优点是：
21、1.本发明所述的一种基于模糊逻辑的自适应车道线检测方法在进行对比度处理时将灰度处理与yuv处理相结合，与目前常用的对比度处理方法相比，通过模式的切换可以自适应识别白色与黄色车道线，并且能分别处理和识别车道左右侧的车道线颜色，即使左右侧车道线颜色不同，也能正确检测图像，提高了车道线检测算法的实用性与鲁棒性。
22、2.本发明所述的一种基于模糊逻辑的自适应车道线检测方法将模糊逻辑融入canny边缘检测算法的高低阈值选取中，与常规canny边缘检测算法相比，基于模糊逻辑的强鲁棒性canny边缘检测算法可以在面对不同天气与光照条件下对canny边缘检测算法的高低阈值进行自适应调整，从而最大限度地降低了在霍夫变换过程中误检测噪声像素作为车道标记的风险，提高算法的鲁棒性与准确性。
23、3.本发明所述的一种基于模糊逻辑的自适应车道线检测方法采用自适应roi，与传统固定的三角形、矩形roi相比，自适应roi可以应对弯道以及相机安装角度不同时导致有效车道线被误裁情况的发生，可以有效地裁去不需要的图片区域，提高后续车道线检测的准确率以及工作效率。
1.一种基于模糊逻辑的自适应车道线检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于模糊逻辑的自适应车道线检测方法，其特征在于，所述步骤s4中基于模糊推理对canny算法的两个独立阈值thlow与thhigh的大小进行自适应调整的过程具体为：
3.根据权利要求1所述的一种基于模糊逻辑的自适应车道线检测方法，其特征在于，所述步骤s5中确定自适应roi的过程具体为：
