CN113239733B - 一种多车道车道线检测方法 - Google Patents

Abstract

本发明公开了一种多车道车道线检测方法，包括以下步骤：S1，采集道路图像，选取其感兴趣区域，然后灰度化得到灰度图像；S2，通过边缘检测算法提取灰度图像中的图像轮廓，然后转换为二值图像；S3，通过霍夫直线检测识别本车道车道线候选线；S4，基于S3获取的本车道车道线候选线确定滑窗检测位置，采用滑窗方法进一步检测本车道车道线；S5，本车道车道线颜色判断，若车道线的一侧为黄线，则不进行该侧侧车道检测；若车道线的一侧不是黄线，则进行该侧侧车道检测；S6，基于本车道车道线，通过灭点检测和霍夫直线检测识别侧车道候选线；S7，基于S6获取的侧车道车道线候选线确定滑窗检测位置，采用滑窗方法进一步检测侧车道车道线。

Description

一种多车道车道线检测方法

技术领域

本发明涉及图像检测领域，具体涉及一种多车道车道线检测方法。

背景技术

车道线检测功能是道路环境感知系统的重要组成部分。车道线检测主要基于摄像头的图像进行检测识别。目前主流的检测方法分为两种，一种是以霍夫直线检测及滑窗检测为核心的传统图像处理算法；另一种是以深度学习中语义分割网络为基础的深度网络检测算法。传统图像处理算法中，先对原图像进行二值化，然后以霍夫直线检测为核心的算法，检测二值图中的直线区域并筛选获得车道线；以滑窗检测为核心的算法通过逆透视获得更好预处理效果，通过滑窗获取车道线关键点并拟合获得车道线。语义分割网络可以分割多种目标，算法以数据驱动，将大量标注完备的车道线数据输入语义分割网络进行训练，利用训练好的网络检测除图像中属于车道线的像素，再将点拟合为车道线。

传统图像处理算法，感兴趣区域直接截取图像地平线以下的图像作为感兴趣区域，车道检测时易受车道边事物的影响，即由于对感兴趣区域选取限制大，导致检测区域受限，误检漏检较多，对不同环境适应性较差；使用逆透视方法可以将图像中成梯形路面区域通过相机标定变为俯视图，有利于车道线特征提取，但是，当前摄像头越来越高清，意味着处理图像的像素点越来越多，逆透视的时间消耗过大，同时，侧方车道极容易出现在逆透视区域以外，造成漏检，即无法进行多车道车道线提取且在弯道时难以进行检测，仅适用于单车道车道线识别；通过霍夫检测只能识别直线，在弯道处难以进行检测，而通过全图滑窗检测来识别弯道，不仅耗时，同时易受环境光照的影响，难以滤出干扰，不能准确定位车道线。

采用深度网络学习的方法，输出为全图像素点置信度，不具有原图像特征的特性，使得误检的滤除存在较高的难度。同时在网络执行检测后，再将像素点聚类拟合为车道线的两步耗时普遍较高，实时性难以得到保证。

发明内容

本发明的目的在于克服现有技术中不能准确实时识别多车道车道线的不足，提供一种多车道车道线检测方法，其在结构化道路上适用性较强，同时具有较高的精确性与实时性。

为了实现上述发明目的，本发明提供了以下技术方案：

一种多车道车道线检测方法，包括以下步骤：

S1，采集道路图像，选取道路图像的感兴趣区域，得到第一图像，第一图像灰度化，得到灰度图像；

S2，通过边缘检测算法提取灰度图像中的图像轮廓，然后二值化操作，将图像转换为二值图像；

S3，通过霍夫直线检测识别本车道车道线候选线；

S4，基于步骤S3获取的本车道车道线候选线确定滑窗检测位置，采用滑窗方法进一步检测本车道车道线；

S5，本车道车道线颜色判断，若本车道车道线的一侧为黄线，则不进行该侧侧车道检测；若本车道车道线的一侧不是黄线，则进行该侧侧车道检测；

S6，基于本车道车道线，通过灭点检测和霍夫直线检测识别侧车道候选线；

S7，基于步骤S6获取的侧车道车道线候选线确定滑窗检测位置，采用滑窗方法进一步检测侧车道车道线。

优选地，所述步骤S2具体包括以下步骤：

S21，采用边缘检测算法，提取灰度图像轮廓，并进行轮廓增强，得到第二图像；

S22，对第二图像进行二值化操作，并进行中值滤波，滤除噪点，得到二值图像。

优选地，所述边缘检测算法采用sobel算子。

优选地，所述步骤S3具体包括以下步骤：

S31，基于霍夫直线检测，识别二值图像中的直线，筛选出二值图像中长于第一阈值的直线段，并将相距小于第二阈值的直线段合并为长直线，得到直线检测结果，记作当前车道霍夫直线；

S32，通过对当前车道霍夫直线的长度和斜率对步骤S31得到的当前车道霍夫直线进行初步筛选，筛选后的当前车道霍夫直线记作第一霍夫线；

S33，基于车道线的形状特征，通过对步骤S32得到的第一霍夫线间的距离和斜率进行计算和比较，得到第一霍夫线组合；

S34，根据车道线与路面颜色突变进行第一霍夫线组合的筛选；

S35，根据道路结构特征，确定本车道车道线候选位置范围，筛选出候选位置范围内距离和斜率均满足预设阈值的所有第一霍夫线组合，并将筛选出的第一霍夫线组合离散成点；

步骤S36，根据步骤S35的离散点，进行拟合获得本车道车道线候选线。

优选地，所述步骤S4具体包括以下步骤：

S41，根据图像分辨率和本车道车道线候选线位置确定滑窗的大小以及起点，开始滑窗检测；

S42，统计滑窗内二值图像表示车道线的像素点，计算这些像素点的像素位置均值，获得当前滑窗内表示车道线的像素点坐标的均值点，记作关键点，并根据关键点偏移，确定下一个滑窗相对当前滑窗的偏移量；

S43，重复步骤S42，直至连续数个滑窗未提取到表示车道线的像素点，则认为本车道车道线结束，停止滑窗；

S44，根据检测的关键点，拟合本车道车道线。

优选地，所述步骤S5中将第一图像转换为HSV颜色空间的HSV图像，基于颜色特征检测图像中的黄色区域。

优选地，所述步骤S6具体包括以下步骤：

S61，使用霍夫变换算法，识别二值图像中的直线，筛选出二值图像中长于第三阈值的直线，并将相距小于第四阈值的直线段合并为长直线，得到直线检测结果，记做侧车道霍夫直线；

S62，基于本车道车道线候选线，通过灭点检测以及侧车道霍夫直线的长度和斜率筛选，对步骤S61得到的侧车道霍夫直线进行初步筛选，得到第二霍夫直线；

S63，基于车道线的形状特征，通过对步骤S62筛选的直线间的距离和斜率进行计算和比较，得到第二霍夫直线组合；

S64，根据车道线与路面颜色突变进行第二霍夫直线组合筛选；

S65，根据已检测的本车道车道线及道路结构特征，确定侧车道车道线候选位置范围，筛选出候选位置范围内距离和斜率均满足预设阈值的所有第二霍夫线组合，并将筛选出的第二霍夫线组合离散成点；

S66，根据步骤S65的离散点，进行拟合获得侧车道车道线候选线。

优选地，所述步骤S61中，第三阈值与第四阈值分别大于第一阈值与第二阈值。

优选地，所述步骤S7具体包括以下步骤：

S71，根据图像分辨率和侧车道车道线候选线位置分别确定滑窗的大小以及起点，开始滑窗检测；

S72，统计滑窗内二值图像表示车道线的像素点，计算这些像素点的像素位置均值，获得当前滑窗关键点，并根据关键点偏移，确定下一个滑窗相对当前滑窗的偏移量；

S73，重复步骤S72，直至连续数个滑窗未提取到表示车道线的像素点，则认为侧车道车道线结束，停止滑窗；

S74，根据检测的关键点，拟合侧车道车道线。

与现有技术相比，本发明的有益效果：

1、滑窗与霍夫检方法的融合使用，提高了车道线识别的精确性，特别是弯道的识别准确度；同时方法计算量较少，使用的计算方式最高为二阶，在保证车道线的精准检测的同时，减少了计算量，实现实时准确地识别车道线，

2、综合考虑颜色、轮廓、道路结构特征等多种特征的车道线检测，将车道线检测精度大大提高，同时可适用于更多结构道路的车道线检测，提高车道线检测方法的适用性。

3.以本车道检测为参考的侧车道筛选检测，提高侧车道的检测准确性。

附图说明：

图1为本发明示例性实施例1的多车道车道线检测方法的流程图；

图2为本发明示例性实施例1的步骤S1采集的道路图像的示意图；

图3为本发明示例性实施例1的步骤S1通过ROI选取得到的第一图像的示意图；

图4为本发明示例性实施例1的步骤S2的灰度图像轮廓的提取效果示意图；

图5为本发明示例性实施例1的步骤S2得到的二值图像的示意图；

图6为本发明示例性实施例1的步骤S3得到的第一霍夫线组合的示意图；

图7为本发明示例性实施例1的步骤S3拟合获得的本车道车道线候选线的示意图。

具体实施方式

下面结合试验例及具体实施方式对本发明作进一步的详细描述。但不应将此理解为本发明上述主题的范围仅限于以下的实施例，凡基于本发明内容所实现的技术均属于本发明的范围。

实施例1

如图1所示，本实施例提供一种多车道车道线检测方法，包括以下步骤：

S1，采集道路图像，选取道路图像的感兴趣区域，得到第一图像，第一图像灰度化，得到灰度图像；

S2，通过边缘检测算法提取灰度图像中的图像轮廓，然后二值化操作，将图像转换为二值图像；

S3，通过霍夫直线检测识别本车道车道线候选线；

S4，基于步骤S3获取的本车道车道线候选线确定滑窗检测位置，采用滑窗方法进一步检测本车道车道线；

S5，本车道车道线颜色判断，若本车道车道线的一侧为黄线，则不进行该侧侧车道检测；若本车道车道线的一侧不是黄线，则进行该侧侧车道检测；

S6，基于本车道车道线，通过灭点检测和霍夫直线检测识别侧车道候选线；

S7，基于步骤S6获取的侧车道车道线候选线确定滑窗检测位置，采用滑窗方法进一步检测侧车道车道线。

步骤S1，采集道路图像，选取道路图像的感兴趣区域，得到第一图像，第一图像灰度化，得到灰度图像；车辆前置摄像头用于行驶时拍摄图像，采集道路图像。如图2所示，采集的道路图像中，图像上端为天空或背景环境，不会出现道路区域，不需要对这部分区域进行车道线的识别，除此之外，这些图像区域中的直线会对车道线的检测带来干扰；因此需滤除道路图像中不需要处理的部分。如图3所示，通过ROI(regionofinterest，感兴趣区域)选取，对车载相机采集的图像的上端进行滤除，去掉图像不会出现道路区域的部分，得到第一图像。然后对第一图像灰度化，便于后续操作。

进一步地，道路图像的感兴趣区域为梯形。本实施例中，选取道路图像的感兴趣区域选取时，经过裁剪后的图像内容为，本车道梯形区域为原图像素，其余部分像素值为0。一般车道线检测，感兴趣区域直接截取图像地平线以下的图像作为感兴趣区域。本申请针对多车道检测，在本车道检测阶段，固定截取本车道的梯形区域，去除侧车道、护栏造成的误检；在后续侧车道检测阶段，剔除本车道区域，两边区域，减少本车道信息造成的计算量冗余。通过选取感兴趣区域可以提高识别准确度和效率。第一图像灰度化后，得到的灰度图像将用于步骤S2的边缘检测及步骤S3车道线两端像素梯度差过滤，便于后续车道线的识别。

S2，通过边缘检测算法提取灰度图像中的图像轮廓，然后二值化操作，将图像转换为二值图像；

步骤S2具体包括以下步骤：

S21，采用边缘检测算法，提取灰度图像轮廓，并进行轮廓增强，得到第二图像；

S22，对第二图像进行二值化操作，并进行中值滤波，滤除噪点，得到二值图像。

边缘检测的目的是标识数字图像中亮度变化明显的点，且边缘检测是图像处理和计算机视觉中，特征提取中的常用手段。常见的边缘检测算法包括Roberts Cross算子，Prewitt算子，Sobel算子，Kirsch算子，罗盘算子，Marr-Hildreth，在梯度方向的二阶导数过零点，Canny算子以及Laplacian算子等方法。

本实施例采用Soble边缘检测算法获取图像的轮廓，便于后续车道线的识别，灰度图像轮廓的提取效果示意图如图4所示。Soble边缘检测算法对细纹理不太关心，但其效率高，适合对实时性要求高的车道线检测领域。本实施例通过采用Soble边缘检测算法提高算法的实时性。本实施例通过二值化操作，将像素值分布为0-255的图像，转化为只有0和255两个值，即如图5所示的黑白图像。

S3，通过霍夫直线检测识别本车道车道线候选线；步骤S3具体包括以下步骤：

S31，基于霍夫直线检测，识别二值图像中的直线；若车辆当前车道为弯道，靠车辆较近区域的曲线段可近似为直线，因此不论直线或曲线车道，靠车辆较近区域始终存在直线车道线，所以筛选出二值图像中长于第一阈值的直线段，并将相距小于第二阈值的直线段合并为长直线，得到直线检测结果，记做当前车道霍夫直线。

S32，通过对当前车道霍夫直线的长度和斜率进行筛选，对步骤S31得到的当前车道霍夫直线进行初步筛选，筛选后的当前车道霍夫直线记作第一霍夫线；步骤S31，得到的当前车道霍夫直线可能存在干扰因素，例如道路边界线、护栏、地平线等非车道线干扰因素，需要排除这些干扰因素的影响。通过步骤S32，对长度和斜率不符合要求的当前车道霍夫直线进行初步筛选。由于车道线不可能为短线段，故留下长于固定阈值的当前车道霍夫直线，滤除较短的当前车道霍夫线；由于图像中本车道车道线直线的斜率存在一定阈值范围之间，故根据预设阈值区间对直线的斜率进行判断；通过霍夫直线的长度和频率的判断，可以滤除地平线等干扰因素的影响。

S33，基于车道线的形状特征，通过对步骤S32得到的第一霍夫线间的距离和斜率进行计算和比较，得到第一霍夫线组合，所述第一霍夫线组合表示一条车道线的两边；由于每条车道线的轮廓都有两边，即在霍夫直线检测中，每一段车道线会有至少两条第一霍夫线，两条第一霍夫线之间的距离存在一定阈值；本实施例中，根据第一霍夫线与图像底部的交点计算第一霍夫线间的距离。除了根据距离进行比较组合外，一个车道线的两条第一霍夫线的斜率的绝对值相近。根据上述规律，如图6所示，根据第一霍夫线的斜率和距离进行比较组合，筛选出满足车道线形状特征的第一霍夫线组合。

S34，根据车道线与路面颜色突变进行第一霍夫线组合的筛选；进行车道线检测的道路为结构化道路，结构化道路的背景环境比较单一，道路的几何特征也比较明显，车道线为黄色或白色，道路颜色一般情况趋于黑色或灰色。以靠近路边的车道线为例，车道线靠近道路一侧，道路的黑色与车道线的白色(或黄色)存在颜色突变；靠近路沿的一侧，则没有道路的黑色区域，而是车道线的白色(或黄色)与路沿的灰色存在颜色突变。车道线与路面颜色突变，根据像素梯度差过滤，筛选出符合车道线颜色特征的第一霍夫线组合。

S35，根据道路结构特征，确定本车道车道线候选位置范围，筛选出候选位置范围内距离和斜率均满足预设阈值的所有第一霍夫线组合，并将筛选出的第一霍夫线组合离散成点；根据步骤S32至S34的筛选后，基本排除干扰因素的影响，图像中的霍夫线组合一般为车道线，寻找最靠近车辆的左右两条车道线即可确定车道线候选位置范围。在双侧均有候选范围时，根据车道宽度在图像上的像素宽度，筛选出候选位置范围内距离斜率均满足阈值的所有第一霍夫线组合，并将筛选出的第一霍夫线组合离散成点。根据道路结构特征，确定车道线霍夫直线所在准确范围，可以有效的滤除干扰信息，提高车道线识别准确性。同时筛选出的第一霍夫线组合离散成点后再组合可以使车道线的识别更准确，更完整。

步骤S36，根据步骤S35的离散点，进行拟合获得本车道车道线候选线。拟合获得的本车道车道线候选线如图7所示。

步骤S4，基于步骤S3获取的本车道车道线候选线确定滑窗检测位置，采用滑窗方法进一步检测本车道车道线；步骤S4具体包括以下步骤：

S41，根据图像分辨率和本车道车道线候选线位置确定滑窗的大小以及起点，开始滑窗检测；具体地，计算本车道车道线候选线与图像边缘交点为起点，在二值图像中开始滑窗；

S42，统计滑窗内二值图像表示车道线的像素点，计算这些像素点的像素位置均值，获得当前滑窗内表示车道线的像素点坐标的均值点，记作关键点，并根据关键点偏移，确定下一个滑窗相对当前滑窗的偏移量；本实施例中将车道线表示为像素值为1(即为白色)，关键点即指该滑窗内所有白色点坐标的均值点，代表该滑窗内白色像素的中心位置，为了减少计算量，用该点代表该滑窗内所有点参与后面的车道线拟合。

S43，重复步骤S42，直至连续数个滑窗未提取到表示车道线的像素点，则认为本车道车道线结束，停止滑窗；

S44，根据检测的关键点，拟合本车道车道线。

由于本车道车道线候选线是直线筛选，在弯道及路口，会出现延长或误检，造成检测的车道线超出或不贴合等问题，同时也无法获取车道线细节，区分车道线颜色，故采用滑窗方法进行进一步检测。通过本车道车道线确定滑窗开始的位置，同时通过计算滑窗内的关键点和关键点位置确定滑窗偏移量，从而确定滑窗的移动方向；在保证车道线的精准检测的同时，减少了计算量，实现实时准确地识别车道线。

S5，本车道车道线颜色判断，若本车道车道线的一侧为黄线，则不进行该侧的侧车道检测；若本车道车道线的一侧不是黄线，则进行该侧侧车道检测，执行步骤S6；

将第一图像转换为HSV颜色空间的HSV图像，基于颜色特征检测图像中的黄色区域；然后将步骤S44检测到的车道线投影道HSV图像中，判断关键点是否在黄色区域，若是，则车道线为黄线，不再进行该方向的侧车道检测；若不是，则为白线，则继续进行该方向的侧车道检测。多车道检测时，本车道与侧车道分别检测，排除相互之间的干扰，降低检测难度，提高检测准确度。

S6，基于本车道车道线，通过灭点检测和霍夫直线检测识别侧车道候选线；步骤S6具体包括以下步骤：

S61，使用霍夫变换算法，识别二值图像中的直线，筛选出二值图像中长于第三阈值的直线，并将相距小于第四阈值的直线段合并为长直线，得到直线检测结果，记做侧车道霍夫直线；由于侧车道车道线长度长于本车道车道线，因此侧车道霍夫检测时的阈值与步骤S31中的阈值不同，优选地，第三阈值与第四阈值分别大于第一阈值与第二阈值；

S62，基于本车道车道线候选线，通过灭点检测以及侧车道霍夫直线的长度和斜率筛选，对步骤S61得到的侧车道霍夫直线进行初步筛选，得到第二霍夫直线；现实中车道线相互平行，而根据透视原理，图像中车道线延长线将在远方交与一点，这一点称为车道线灭点，可用与侧车道霍夫直线筛选。除此之外，仍可根据侧车道霍夫直线长度和斜率进行筛选。优选地，由于图像中侧车道车道线直线斜率的绝对值小于本车道车道线直线斜率，可根据本车道车道线斜率进一步缩小侧车道车道线的选择范围，提高侧车道车道线的识别准确度。

S63，基于车道线的形状特征，通过对步骤S62筛选的直线间的距离和斜率进行计算和比较，得到第二霍夫直线组合；同组的第二霍夫直线表示一侧车道车道线的轮廓的两边；由于侧车道离摄像头区域较远，因此图像上，侧车道车道线占的面积较小，像素较少，因此相较于本车道的计算过程，对车道线组合的斜率和距离阈值区间扩大，保证不会滤除正确霍夫线。

S64，根据车道线与路面颜色突变进行第二霍夫直线组合筛选；

侧车道车道线两边的梯度变化可能会受到道路边界等的影响，不如本车道线两边的颜色梯度突变明显，因此需放宽筛选条件，例如若本车道霍夫直线组合筛选时，采用的比较颜色梯度差值是否大于第五阈值的方式筛选，则侧车道霍夫直线组合筛选时采用的颜色梯度差值的第六阈值比第五阈值小。

S65，根据已检测的本车道车道线及道路结构特征，确定侧车道车道线候选位置范围，筛选出候选位置范围内距离和斜率均满足预设阈值的所有第二霍夫线组合，并将筛选出的第二霍夫线组合离散成点；若侧方存在车道，则通过道路宽度阈值，与本车道车道线位置，确定侧车道车道线候选位置，对满足条件的第二霍夫直线组合进行离散成点。道路宽度阈值由道路的实际宽度(车道宽度3-3.5米)与相机参数确定。

S66，根据步骤S65的离散点，进行拟合获得侧车道车道线候选线。

步骤S7，基于步骤S6获取的侧车道车道线候选线确定滑窗检测位置，采用滑窗方法进一步检测侧车道车道线；步骤S7具体包括以下步骤：

S71，根据图像分辨率和侧车道车道线候选线位置分别确定滑窗的大小以及起点，开始滑窗检测；具体地，计算侧车道车道线候选线与图像边缘交点，并将交点作为起点，在二值图像中开始滑窗；

S72，统计滑窗内二值图像表示车道线的像素点，计算这些像素点的像素位置均值，获得当前滑窗关键点，并根据关键点偏移，确定下一个滑窗相对当前滑窗的偏移量；

S73，重复步骤S72，直至连续数个滑窗未提取到表示车道线的像素点，则认为侧车道车道线结束，停止滑窗；

S74，根据检测的关键点，拟合侧车道车道线。

本实施例基于道路的结构特征，通过准确识别本车道车道线进而准确识别侧车道车道线；在车道线的识别时，结合颜色特征和图像轮廓，通过霍夫直线检测确定车道线的候选位置，进而采用滑窗检测准确识别车道线的位置，霍夫变换与滑窗检测紧密结合，在保证车道线的精准检测的同时，减少了计算量，实现实时准确地识别车道线。

以上所述，仅为本发明具体实施方式的详细说明，而非对本发明的限制。相关技术领域的技术人员在不脱离本发明的原则和范围的情况下，做出的各种替换、变型以及改进均应包含在本发明的保护范围之内。

Claims (9)

1.一种多车道车道线检测方法，其特征在于，包括以下步骤：

S1，采集道路图像，选取道路图像的感兴趣区域，得到第一图像，第一图像灰度化，得到灰度图像；

S2，通过边缘检测算法提取灰度图像中的图像轮廓，然后二值化操作，将图像转换为二值图像；

S3，通过霍夫直线检测识别本车道车道线候选线；

S4，基于步骤S3获取的本车道车道线候选线确定滑窗检测位置，采用滑窗方法进一步检测本车道车道线；

S5，本车道车道线颜色判断，若本车道车道线的一侧为黄线，则不进行该侧侧车道检测；若本车道车道线的一侧不是黄线，则进行该侧侧车道检测，执行S6；

S6，基于本车道车道线，通过灭点检测和霍夫直线检测识别侧车道候选线；

S7，基于步骤S6获取的侧车道车道线候选线确定滑窗检测位置，采用滑窗方法进一步检测侧车道车道线。

2.根据权利要求1所述的多车道车道线检测方法，其特征在于，所述步骤S2具体包括以下步骤：

S21，采用边缘检测算法，提取灰度图像轮廓，并进行轮廓增强，得到第二图像；

S22，对第二图像进行二值化操作，并进行中值滤波，滤除噪点，得到二值图像。

3.根据权利要求2所述的多车道车道线检测方法，其特征在于，所述边缘检测算法采用sobel算子。

4.根据权利要求1所述的多车道车道线检测方法，其特征在于，所述步骤S3具体包括以下步骤：

S31，基于霍夫直线检测，识别二值图像中的直线，筛选出二值图像中长于第一阈值的直线段，并将相距小于第二阈值的直线段合并为长直线，得到直线检测结果，记作当前车道霍夫直线；

S32，通过对当前车道霍夫直线的长度和斜率对步骤S31得到的当前车道霍夫直线进行初步筛选，筛选后的当前车道霍夫直线记作第一霍夫线；

初步筛选包括：留下长于固定阈值的当前车道霍夫直线；留下斜率在预设阈值区间的车道霍夫直线；

S33，基于车道线的形状特征，通过对步骤S32得到的第一霍夫线间的距离和斜率进行计算和比较，得到第一霍夫线组合，第一霍夫线组合表示一条车道线的两边；

S34，根据车道线与路面颜色突变进行第一霍夫线组合的筛选；

S35，根据道路结构特征，确定本车道车道线候选位置范围，筛选出候选位置范围内距离和斜率均满足预设阈值的所有第一霍夫线组合，并将筛选出的第一霍夫线组合离散成点；

步骤S36，根据步骤S35的离散点，进行拟合获得本车道车道线候选线。

5.根据权利要求1所述的多车道车道线检测方法，其特征在于，所述步骤S4具体包括以下步骤：

S41，根据图像分辨率和本车道车道线候选线位置确定滑窗的大小以及起点，开始滑窗检测；

S42，统计滑窗内二值图像表示车道线的像素点，计算这些像素点的像素位置均值，获得当前滑窗内表示车道线的像素点坐标的均值点，记作关键点，并根据关键点偏移，确定下一个滑窗相对当前滑窗的偏移量；

S43，重复步骤S42，直至连续数个滑窗未提取到表示车道线的像素点，则认为本车道车道线结束，停止滑窗；

S44，根据检测的关键点，拟合本车道车道线。

6.根据权利要求1所述的多车道车道线检测方法，其特征在于，所述步骤S5中将第一图像转换为HSV颜色空间的HSV图像，基于颜色特征检测图像中的黄色区域。

7.根据权利要求4所述的多车道车道线检测方法，其特征在于，所述步骤S6具体包括以下步骤：

S61，使用霍夫变换算法，识别二值图像中的直线，筛选出二值图像中长于第三阈值的直线，并将相距小于第四阈值的直线段合并为长直线，得到直线检测结果，记做侧车道霍夫直线；

S62，基于本车道车道线候选线，通过灭点检测以及侧车道霍夫直线的长度和斜率筛选，对步骤S61得到的侧车道霍夫直线进行初步筛选，得到第二霍夫直线；

S63，基于车道线的形状特征，通过对步骤S62筛选的直线间的距离和斜率进行计算和比较，得到第二霍夫直线组合，第二霍夫直线组合表示一侧车道车道线的轮廓的两边；

S64，根据车道线与路面颜色突变进行第二霍夫直线组合筛选；

S65，根据已检测的本车道车道线及道路结构特征，确定侧车道车道线候选位置范围，筛选出候选位置范围内距离和斜率均满足预设阈值的所有第二霍夫线组合，并将筛选出的第二霍夫线组合离散成点；

S66，根据步骤S65的离散点，进行拟合获得侧车道车道线候选线。

8.根据权利要求7所述的多车道车道线检测方法，其特征在于，所述步骤S61中，第三阈值与第四阈值分别大于第一阈值与第二阈值。

9.根据权利要求1所述的多车道车道线检测方法，其特征在于，所述步骤S7具体包括以下步骤：

S71，根据图像分辨率和侧车道车道线候选线位置分别确定滑窗的大小以及起点，开始滑窗检测；

S72，统计滑窗内二值图像表示车道线的像素点，计算这些像素点的像素位置均值，获得当前滑窗关键点，并根据关键点偏移，确定下一个滑窗相对当前滑窗的偏移量；

S73，重复步骤S72，直至连续数个滑窗未提取到表示车道线的像素点，则认为侧车道车道线结束，停止滑窗；

S74，根据检测的关键点，拟合侧车道车道线。

Images