CN102156979A - 基于GrowCut的车道线快速检测方法及系统 - Google Patents

Abstract

本发明公开了一种基于GrowCut的车道线快速检测方法，其包括：采集监控视频并挑选至少一帧的图像作为关键帧；在所述关键帧图像中标定边缘分割种子点；利用GrowCut算法进行边缘分割；采用中值滤波器对分割结果进行平滑滤波；再将平滑滤波结果，进行边缘提取；再对边缘提取结果，进行分半处理；再对分半处理结果，采用多项式曲线拟合方法对车道线进行拟合，得到最终车道线。本发明还提供一种基于GrowCut的车道线快速检测系统。利用本发明提供方法实现的车道线检测系统可靠性高、运行成本低，可广泛应用于智能交通、公共安全领域。

Description

基于GrowCut的车道线快速检测方法及系统

技术领域

本发明涉及图像处理技术领域，具体是一种基于GrowCut的车道线快速检测方法及系统。

背景技术

车道线检测是PTZ摄像机自动标定、智能视频分析、汽车辅助驾驶以及室外机器人自动导航的首要环节和关键步骤，具体是指从监控摄像头获取的视频图像中，根据车道线的颜色、纹理、形状等特征，将车道线与背景分离，进而获得车道线的走向或标记车道的区域范围。现有的车道线检测方法多采用经典的Hough变换及形态学方法，检测结果受视频图像分辨率、道路状况等因素影响，误差通常较大。此外，还有其它一些方法。对现有车道线检测技术的文献检索结果如下：

专利公开号CN 101608924A公布了一种基于灰度估计和级联Hough变换的车道线检测方法。首先对采集的车辆前方路况原始图像的敏感区域进行灰度估计，然后采用数学形态学方法从路面灰度估计所划分的区域中得到路面标志区域的边界图像，随后对路面标志区域的边界图像进行Hough变换以提取直线图像特征，最后通过对路面标志边缘消失点的搜索实现对车道线的检测。该发明的缺陷在于，当视频图像中存在其它具有较强边缘的干扰区域时，会影响Hough变换的检测结果。

专利公开号CN 101567086A公布了一种车道线检测方法和设备，具体包括：对图像进行边缘检测，计算图像中各像素点的边缘强度和边缘方向；根据所述边缘强度和边缘方向对各像素点进行边缘连接，得到边缘线段；对所述边缘线段进行Hough变换，求出其在包括方向区间和距离区间的Hough变换累积直方图中的最大累积方向；在所述最大累积方向所在区间上寻找较大累计值对应的距离区间，最终确定车道线。该发明通过连接检测到的边缘，滤除点状边缘的干扰，能够在多条平行车道线的检测中更好地排除强干扰，但由于其边缘检测方法采用经典的Sobel或Prewitt算子，因此对于低分辨率的视频图像或没有虚、实线标记的道路，通常无法准确检测其边缘，从而易导致车道线检测失败。

专利公开号CN 1836266A公布了一种能够稳定确定行驶车道边界线位置的路面行驶车道检测装置。具体包括：由边缘点检测装置从图像的轮廓线中检测出多个边缘点；由段群作成装置基于各边缘点间的距离与方位的连续性作成线段，并对存在规定关系的多个线段进行分组化，从而作成段群；由曲线检测装置检测出与该段群吻合的曲线；由车道边界线位置确定装置，在构成最接近行驶车道中心的曲线的段群具有规定长度及反复周期时，确定为最内侧标记线，将与其外侧相邻的曲线位置确定为行驶车道的边界线位置。该发明装置过于复杂，只适用于有虚、实线标记并且车道边界线明显的情况。而我国目前布控的路况摄像机中，仍有相当数量的摄像机为模拟设备，视频图像的分辨率不高，因此利用该发明所述装置进行车道线检测的效果欠佳。

发明内容

本发明的目的在于针对现有车道线检测技术的不足，提供一种基于GrowCut的车道线快速检测方法及系统。采用GrowCut替代传统的形态学、区域增长及分水岭等算法对视频图像进行边缘分割，然后对分割结果进行平滑滤波，在去除椒盐噪声的同时保留更多的边缘细节，最后进行曲线拟合，确定车道线。通过该方法，可以对低分辨率以及没有明显车道边界线的视频图像进行车道线的快速检测。

本发明提供一种基于GrowCut的车道线快速检测方法，其包括：采集监控视频并挑选至少一帧的图像作为关键帧；在所述关键帧图像中标定边缘分割种子点；利用GrowCut算法进行边缘分割；采用中值滤波器对分割结果进行平滑滤波；再将平滑滤波结果，进行边缘提取；再对边缘提取结果，进行分半处理；再对分半处理结果，采用多项式曲线拟合方法对车道线进行拟合，得到最终车道线。

进一步地，所述采集监控视频并挑选至少一帧的图像作为关键帧的步骤，进一步包括：采集监控视频，并序列化为多帧图像；从多帧图像中选取清晰度较高、车道分界线相对明显的帧作为关键帧。

进一步地，所述采集监控视频并挑选至少一帧的图像作为关键帧的步骤，进一步包括：采集监控视频，并序列化为多帧图像；从多帧图像中选择图像质量相对稳定，并且图像内容没有明显跳变的一段，然后对多帧图像取平均作为关键帧。

进一步地，所述利用GrowCut算法进行边缘分割的步骤，进一步包括：获取初始种子点的标记、力量和特征向量值；保存当前状态；元胞开始生长；利用初始状态值计算攻击强度；当前元胞尝试攻击邻近元胞；判断当前元胞的攻击强度是否大于防守元胞的防守力量。如果否，则继续攻击相邻元胞；如果是，则防守元胞被占领，同时改变其标记和力量值；上述步骤循环进行，直至元胞自动机收敛；边缘分割结束。

进一步地，所述采用中值滤波器对分割结果进行平滑滤波的步骤中，所述中值滤波模板大小为。

进一步地，所述进行边缘提取的步骤中，边缘提取算子采用Sobel、Robert、Canny或者Prewitt算子其中之一。

进一步地，所述对分割出来的车道线进行分半处理的步骤，进一步包括：分别初始化左半矩阵、右半矩阵和标记变量；保存上述初始值；逐行遍历整幅图像，找到边缘像素点；找到边缘像素点后，判断其右侧是否为背景像素点，同时标记值为0。如果否，则继续遍历图像下一行；如果是，则逐行为左半矩阵赋值，并令标记值加1；从二值边缘图像中减去左半矩阵，获得右半矩阵；分别获得左侧和右侧车道线。

本发明还提供一种基于GrowCut的车道线快速检测系统，其包括：采集模块，用于采集监控视频并挑选至少一帧的图像作为关键帧；标记模块，用于在所述关键帧图像中标定边缘分割种子点；分割模块，用于利用GrowCut算法进行边缘分割；滤波模块，用于对分割结果进行平滑滤波；边缘提取模块，用于将平滑滤波结果，进行边缘提取；分半模块，用于对边缘提取结果，进行分半处理；以及拟合模块，用于对分半处理结果，采用多项式曲线拟合方法对车道线进行拟合，得到最终车道线。

进一步地，所述采集模块包括：序列化模块，用于采集监控视频，并序列化为多帧图像；以及选取模块，用于从多帧图像中选取清晰度较高、车道分界线相对明显的帧作为关键帧。

进一步地，所述采集模块包括：序列化模块，用于采集监控视频，并序列化为多帧图像；以及选取模块，用于从多帧图像中选择图像质量相对稳定，并且图像内容没有明显跳变的一段，然后对多帧图像取平均作为关键帧。

本发明能够对车道线进行快速检测，利用此方法对路况PTZ摄像机进行自动标定、辅助汽车自动驾驶以及机器人的自动导航等均能取得较好的效果。利用此方法实现的车道线检测系统不仅能够从具有高清晰度或标记有车道边界线的视频图像中检测出车道线，更能从低分辨率以及没有明显车道边界线的视频图像中准确、快速地检测出车道线来，具有可靠性高、运行成本低等优点，可广泛应用于智能交通、公共安全领域。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它附图。

图1是本发明实施例提供的基于GrowCut的车道线快速检测方法的实现流程图；

图2是本发明实施例提供的关键帧获取的流程示意图；

图3是本发明实施例提供的利用GrowCut算法进行边缘分割的流程示意图；

图4是本发明实施例提供的对分割后的车道线进行分半处理的流程示意图；

图5是本发明实施例提供的基于GrowCut的车道线快速检测系统的模块示意图；

图6是图5所示的基于GrowCut的车道线快速检测系统中的采集模块101模块示意图。

具体实施方式

为使本发明的目的、技术方案及优点更加清楚明白，下面参照附图对本发明进一步详细说明。本发明提供一种基于GrowCut的车道线快速检测方法，如图1所示，具体步骤包括：

步骤S1、采集监控视频并挑选至少一帧的图像作为关键帧；

首先，从视频摄像机中采集监控视频，并将视频图像序列化，然后从中挑选关键帧。如图2所示，采集监控视频并挑选至少一帧的图像作为关键帧的方法包括方法1和方法2，其中，方法1包括如下步骤：

采集监控视频，并序列化为多帧图像；

从多帧图像中选取清晰度较高、车道分界线相对明显的帧作为关键帧。

方法2包括如下步骤：

采集监控视频，并序列化为多帧图像；

从多帧图像中选择图像质量相对稳定，并且图像内容没有明显跳变的一段，然后对多帧图像取平均作为关键帧。

步骤S2、将关键帧图像读入系统；

步骤S3、在读入系统的图像中标定边缘分割种子点；

当然上述步骤S2和步骤S3，可以归为一个步骤：在所述关键帧图像中标定边缘分割种子点；

通过对读入图像进行视觉观察和理解，利用鼠标在待分割目标和背景区域分别点选一些像素点作为分割初始种子点。其中，目标和背景区域分别采用不同颜色的点划线，一方面用来区分前景和背景，另一方面不同的颜色规定了不同种子点的初始标记值和力量值。

步骤S4、利用GrowCut算法进行边缘分割；

GrowCut算法(Vezhnevets V and Konouchine V.GrowCut：Interactive multi-label NDimage segmentation by cellular automata.Proc.GraphiCon，2005：150-156.)是一种基于元胞自动机的交互式多标记N维图像分割方法。元胞自动机是一个三元组A＝(S，N，δ)，其中S是非空状态集，N是邻域系统，δ：S^N→S是局部传递函数。局部传递函数给定了：当前一时步的邻近元胞状态已知时，下一时步的元胞状态计算方法。常用的邻域系统有两种：

冯·诺依曼邻域：

$N\left(p\right)=\{q\∈Z^n:{\left|\right|p-q\left|\right|}_1:=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}|p_i-q_i|=1\}$

摩尔邻域：

$N\left(p\right)=\{q\∈Z^n:{\left|\right|p-q\left|\right|}_{\∞}:=\underset{i=1...n}{\max }|p_i-q_i|=1\}$

P表示元胞空间，元胞状态S_p是一个三元组

其中l_p表示当前元胞的标记，θ_p表示当前元胞的力量，而

表示元胞特征向量。对于一幅图像，其初始元胞状态为：l_p＝0，θ_p＝0，

其中RGB_p表示像素p在RGB空间的三维色彩向量。因此，利用元胞自动机进行图像分割的目标就是为图像中的每个像素分配一种状态(或指定一个标记)。

利用GrowCut进行图像分割的原理可以从生物学角度来加以解释，即可以把图像像素点的标记化过程看成是多种细菌的生长与竞争过程，其中细菌代表元胞。每种细菌都从种子像素点开始扩散并试图占领整幅图像。在生长过程中，每个细菌都试图攻击其邻近细菌，只有当前细菌的攻击强度大于防守细菌的防守力量时，攻击才成功，同时防守细菌被占领，并改变其标记。如此循环进行，直至元胞自动机收敛，分割结束。

具体而言，利用GrowCut算法进行边缘分割进一步包括如下步骤：

A.获取初始种子点的标记、力量和特征向量值；

B.保存当前状态；

C.元胞开始生长；

D.利用初始状态值计算攻击强度；

E.当前元胞尝试攻击邻近元胞；

F.判断当前元胞的攻击强度是否大于防守元胞的防守力量。如果否，则继续攻击相邻元胞；如果是，则防守元胞被占领，同时改变其标记和力量值；

G上述步骤循环进行，直至元胞自动机收敛；

H.边缘分割结束。

步骤S5、采用中值滤波器对分割结果进行平滑滤波；

中值滤波是一种非线性平滑方法，可以有效滤除分割结果图像边缘附近存在的椒盐噪声，同时还可以更多的保留边缘信息。其原理是，把图像中某像素点的值用该像素的一个邻域中其它各点值的中值代替，让周围的像素值更接近真实值，从而消除孤立噪声点。具体操作时，定义一个二维滑动模板，其大小通常是奇数，例如3×3或5×5，然后利用该模板对整幅图像进行滑动平均处理。模板的形状根据4邻域、8邻域等定义可以分别是十字形、圆形或其它拓扑结构。在本实施例中，中值滤波模板大小为9×9。

步骤S6、采用Sobel算子进行边缘提取；

此步骤的边缘提取算子可以使用Sobel，也可以用Robert、Canny、Prewitt等算子进行替代，而边缘提取的效果差异不大。这是因为经GrowCut分割并且经平滑滤波后，图像边缘较连续完整，因此边缘提取较易实现。

步骤S7、对分割出来的车道线进行分半处理；

由于目前布控的路况摄像机中，有相当数量的摄像机为模拟设备，视频图像的分辨率不高，同时，由于部分车道并没有划分虚、实线，因此利用传统形态学、分水岭等算法分割出来的车道线往往与实际不符，要么标记的车道比实际宽，要么比实际窄。而采用GrowCut算法进行分割后，虽然车道边缘轮廓整体较好，但仍有可能存在粘连、分叉等现象，特别是对于弯曲的道路、十字路口等。因此对上一步骤提取到的边缘进行分半处理，可以使后续步骤的车道线拟合更加准确。

对分割出来的车道线进行分半处理，包括左侧车道线的处理步骤S81和右侧车道线的处理步骤S82，具体包括如下步骤：

A′.分别初始化左半矩阵、右半矩阵和标记变量；

B′.保存上述初始值；

C′.逐行遍历整幅图像，找到边缘像素点；

D′.找到边缘像素点后，判断其右侧是否为背景像素点，同时标记值为0。如果否，则继续遍历图像下一行；如果是，则逐行为左半矩阵赋值，并令标记值加1；

E′.从二值边缘图像中减去左半矩阵，获得右半矩阵；

F′.分别获得左侧和右侧车道线。

步骤S9、采用多项式曲线拟合方法对车道线进行拟合；

多数情况下，车道线都是直线，因此采用一阶多项式就可以很好的拟合出车道线。对于弯曲的车道，则可以采用二阶或更高阶的多项式进行拟合。

步骤S10、得到最终车道线。

本发明还提供一种采用上述基于GrowCut的车道线快速检测方法的系统，也即基于GrowCut的车道线快速检测系统，其包括：采集模块101、标记模块102、分割模块103、滤波模块104、边缘提取模块105、分半模块106以及拟合模块107，如图5所示。具体如下所述：

采集模块101，用于采集监控视频并挑选至少一帧的图像作为关键帧。所述采集模块101包括序列化模块1011和选取模块1012，如图6所示。其中，序列化模块1011用于采集监控视频，并序列化为多帧图像；选取模块1012用于从多帧图像中选取清晰度较高、车道分界线相对明显的帧作为关键帧；或者选取模块1012用于从多帧图像中选择图像质量相对稳定，并且图像内容没有明显跳变的一段，然后对多帧图像取平均作为关键帧。

标记模块102，用于在所述关键帧图像中标定边缘分割种子点；

分割模块103，用于利用GrowCut算法进行边缘分割；

滤波模块104，用于对分割结果进行平滑滤波；

边缘提取模块105，用于将平滑滤波结果，进行边缘提取；

分半模块106，用于对边缘提取结果，进行分半处理；

拟合模块107，用于对分半处理结果，采用多项式曲线拟合方法对车道线进行拟合，得到最终车道线。

综上所述，本发明提供了一种基于GrowCut的车道线快速检测方法及系统，采用GrowCut算法替代传统的形态学、区域增长及分水岭等方法对视频图像进行边缘分割，然后对分割结果进行平滑滤波，在去除椒盐噪声的同时保留更多的边缘细节，最后进行曲线拟合，确定车道线。通过该方法，可以对低分辨率以及没有明显车道边界线的视频图像进行车道线的快速检测。利用本发明提供的方法对路况摄像机进行自动标定、辅助汽车自动驾驶以及机器人的自动导航等均能取得较好的效果。

以上对本发明所提供的一种基于GrowCut的车道线快速检测方法及系统进行了详细介绍，本文中对本发明的原理及实施方式进行了详细阐述。以上说明只用于帮助理解本发明的方案，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有所改变，因此本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种基于GrowCut的车道线快速检测方法，其特征在于，包括：

采集监控视频并挑选至少一帧的图像作为关键帧；

在所述关键帧图像中标定边缘分割种子点；

利用GrowCut算法进行边缘分割；

采用中值滤波器对分割结果进行平滑滤波；

再将平滑滤波结果，进行边缘提取；

再对边缘提取结果，进行分半处理；

再对分半处理结果，采用多项式曲线拟合方法对车道线进行拟合，得到最终车道线。

2.根据权利要求1所述的基于GrowCut的车道线快速检测方法，其特征在于，所述采集监控视频并挑选至少一帧的图像作为关键帧的步骤，进一步包括：

采集监控视频，并序列化为多帧图像；

从多帧图像中选取清晰度较高、车道分界线相对明显的帧作为关键帧。

3.根据权利要求1所述的基于GrowCut的车道线快速检测方法，其特征在于，所述采集监控视频并挑选至少一帧的图像作为关键帧的步骤，进一步包括：

采集监控视频，并序列化为多帧图像；

从多帧图像中选择图像质量相对稳定，并且图像内容没有明显跳变的一段，然后对多帧图像取平均作为关键帧。

4.根据权利要求1所述的基于GrowCut的车道线快速检测方法，其特征在于，所述利用GrowCut算法进行边缘分割的步骤，进一步包括：

获取初始种子点的标记、力量和特征向量值；

保存当前状态；

元胞开始生长；

利用初始状态值计算攻击强度；

当前元胞尝试攻击邻近元胞；

判断当前元胞的攻击强度是否大于防守元胞的防守力量，如果否，则继续攻击相邻元胞；如果是，则防守元胞被占领，同时改变其标记和力量值；

上述步骤循环进行，直至元胞自动机收敛；

边缘分割结束。

5.根据权利要求1所述的基于GrowCut的车道线快速检测方法，其特征在于，所述采用中值滤波器对分割结果进行平滑滤波的步骤中，所述中值滤波模板大小为9×9。

6.根据权利要求1所述的基于GrowCut的车道线快速检测方法，其特征在于，所述进行边缘提取的步骤中，边缘提取算子采用Sobel、Robert、Canny或者Prewitt算子其中之一。

7.根据权利要求1所述的基于GrowCut的车道线快速检测方法，其特征在于，所述对分割出来的车道线进行分半处理的步骤，进一步包括：

分别初始化左半矩阵、右半矩阵和标记变量；

保存上述初始值；

逐行遍历整幅图像，找到边缘像素点；

找到边缘像素点后，判断其右侧是否为背景像素点，同时标记值为0，如果否，则继续遍历图像下一行；如果是，则逐行为左半矩阵赋值，并令标记值加1；

从二值边缘图像中减去左半矩阵，获得右半矩阵；

分别获得左侧和右侧车道线。

8.一种基于GrowCut的车道线快速检测系统，其特征在于，包括：

采集模块，用于采集监控视频并挑选至少一帧的图像作为关键帧；

标记模块，用于在所述关键帧图像中标定边缘分割种子点；

分割模块，用于利用GrowCut算法进行边缘分割；

滤波模块，用于对分割结果进行平滑滤波；

边缘提取模块，用于将平滑滤波结果，进行边缘提取；

分半模块，用于对边缘提取结果，进行分半处理；以及

拟合模块，用于对分半处理结果，采用多项式曲线拟合方法对车道线进行拟合，得到最终车道线。

9.根据权利要求8所述的基于GrowCut的车道线快速检测系统，其特征在于，所述采集模块包括：

序列化模块，用于采集监控视频，并序列化为多帧图像；以及

选取模块，用于从多帧图像中选取清晰度较高、车道分界线相对明显的帧作为关键帧。

10.根据权利要求8所述的基于GrowCut的车道线快速检测系统，其特征在于，所述采集模块包括：

序列化模块，用于采集监控视频，并序列化为多帧图像；以及

选取模块，用于从多帧图像中选择图像质量相对稳定，并且图像内容没有明显跳变的一段，然后对多帧图像取平均作为关键帧。

Images