CN102915441A - 基于Haar纹理的非结构化道路检测方法 - Google Patents
基于Haar纹理的非结构化道路检测方法 Download PDFInfo
- Publication number
- CN102915441A CN102915441A CN2012103158588A CN201210315858A CN102915441A CN 102915441 A CN102915441 A CN 102915441A CN 2012103158588 A CN2012103158588 A CN 2012103158588A CN 201210315858 A CN201210315858 A CN 201210315858A CN 102915441 A CN102915441 A CN 102915441A
- Authority
- CN
- China
- Prior art keywords
- end point
- pixel
- haar
- formula
- road
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及一种快速的基于Haar纹理的非结构化道路检测方法。现有的方法存在计算复杂度高和实时性差等问题。本发明提出了一种新的Haar纹理特征提取方法,引入积分图的思想来实现Haar纹理提取的快速性,通过正交校正实现Haar特征表示准确性,并提出了新的投票机制,同时,在消失点的约束下,利用OCR特征和相邻区域的色彩差别实现了非结构化道路的分割,本发明可以对没有车道线或者标记、道路边界不清晰、道路形状多变等非结构化道路有效实现道路消失点的检测,并且对非结构化道路的检测有较好的作用。
Description
技术领域
本发明属于车道检测领域,特别涉及一种基于Haar纹理的非结构化道路检测方法。
背景技术
常见的非结构化道路如乡间道路和野外环境等。非结构化道路一般具有如下特征:没有车道线或者标记,道路边界不清晰,道路形状多变,道路上的阴影、水迹、泥沙等改变了道路的表面特征,其特征使得非结构化道路识别起来比结构化道路复杂的多,也存在更多的困难。近年来,针对非结构化道路的检测,著名的方法是利用Gabor小波提取道路的纹理特征,在此基础上获得消失点坐标,并最终实现非结构化道路的分割。但是此方法在利用Gabor小波的多尺度和多方向特性进行纹理特征提取时,存在计算复杂度高和实时性差等问题,难以满足智能车辆驾驶系统的需求。
发明内容
针对现有技术的不足,本发明提出了一种新的非结构化道路检测方法,该方法首先设计了实部和虚部的Harr矩形模板,利用积分图实现灰度值的计算,从而实现Haar纹理提取的快速性,并通过正交校正实现Haar特征表示的准确性,然后根据获得的Haar纹理特征,在角度和距离的约束下,结合每个像素点纹理方向的权重信息并采用新的投票机制实现了道路消失点的估计,最后利用道路的色彩信息和方向一致性信息实现道路可行驶区域的分割。其具体内容如下:
步骤1.初始化消失点的检测。
步骤1.1.输入道路图像。
步骤1.2.Haar纹理特征提取过程。
(5)根据公式(2)获得像素点的新的特征响应表示。
步骤1.3.消失点的投票机制检测。
对于图像中的像素点,构建一个累加空间并初始化为零。当获得每个像素点的纹理方向后,可以得到一系列的射线,对于每一条射线,可以对位于其上部的像素点投票,射线上的像素点的投票值为置信度和距离函数的乘积,如公式(6)所示。最后获得最大投票值的像素点即为消失点估计值,利用该方法进行消失点估计,不仅考虑了消失点和纹理方向之间的角度约束,而且考虑了投票点和候选消失点之间的位置约束,使得最终的消失点检测更加准确。
步骤2.第一主要边界的检测。
步骤2.1.虚拟射线集的获取。
以初始化消失点坐标为出发点,构建一系列的虚拟射线,每一条射线都是由一系列具有方向的像素点组成的,这些像素点的方向为该点的纹理方向。本发明设定有29条均匀分布的虚拟射线,除了那些相对于水平方向角度小于20度和角度大于160度的射线,相邻两条射线之间的夹角为5度。
步骤2.2.OCR特征值和相邻区域色彩差的计算。
OCR特征定义为具有方向一致性的点和线上所有点的比值。
(7)
式中,mean()和var()表示一个区域中的像素值在单一通道的均值和方差。
步骤2.3.获取最大化评价标准。
当射线满足OCR特征值和相邻区域色彩差约束且这两个约束取得最大值时,该射线就是道路的第一个主要边界,利用公式(8)可以计算出道路的第一条主要边界,定义其长度为Len1,当Len1大于图像高度的1/3时,检测到的第一条主要边界是有效的,否则无效。
(8)
步骤3.消失点的更新。
在得到第一条主要边界后,对初始化消失点进行更新。根据方向一致性主要边界将会聚合,因此对于边界上的每一个像素点作为可能的消失点,构建一个线段集。线段集中任何一条线段和边界之间的夹角大于20°,且任何两个相邻线段之间的夹角为5°。计算每一条线段的OCR特征,并统计OCR特征大于0.02的线段的数目。对于每一个候选消失点,计算前条线段的OCR特征的和记为,。最大的对应的点就是更新后的消失点。
步骤4.第二主要边界的检测。
根据更新后的消失点,采用与第一主要边界相同的方法可实现第二主要边界的分割。
本发明有益效果:
1、设计了实部和虚部的Harr矩形模板,利用积分图实现灰度值的计算,实现了Haar纹理提取的快速性,并通过正交校正实现了Haar特征表示的准确性。
2、克服了传统硬投票机制对图像上部投票过高的问题。
3、本发明可有效实现道路消失点的检测,对非结构化道路的检测有较好的作用。
附图说明
图1为本发明方法流程图;
图2为矩形模板在四个方向上的实部和虚部;
图3为利用积分图计算矩形窗口示意图;
图4为消失点硬投票机制;
图5为OCR特征示意图。
具体实施方式
下面结合附图和具体实例对本发明做出进一步说明。
本发明提出一种基于Haar矩形模板设计及利用积分图进行Haar纹理特征提取的非结构化道路检测方法。提出通过构建四个方向的基本矩形模板,采用正交修正的方法获得任意方向的滤波响应,从而实现纹理特征的提取,减少了算法的计算量,提高了实时性。在获得纹理方向的基础上,利用本发明提出的投票机制,实现了道路消失点的估计。最后基于消失点约束,结合OCR特征和相邻区域的色彩差别实现第一主要边界的检测,同时在第一主要边界的基础上对初始化消失点进行了更新,最终实现了道路可行驶区域的分割。结合图1说明本发明具体步骤如下:
步骤1.初始化消失点的检测。
步骤1.1.输入道路图像。
步骤1.2.Haar纹理特征提取过程。
其主要思想是将图像从起点开始到各个点所形成的矩形区域像素之和作为一个数组的元素保存在内存中,当要计算某个区域的像素和时可以直接索引数组的元素,不用重新计算这个区域的像素和,从而加快了计算速度。如图3所示,中以为左上顶点的子块的灰度值的积分表示公式如下:
(5)根据公式(2)获得像素点的新的特征响应表示。
步骤1.3.消失点的投票机制检测。
(5)
对于图像中的像素点,构建一个累加空间并初始化为零。当获得每个像素点的纹理方向后,可以得到一系列的射线,对于每一条射线,可以对位于其上部的像素点投票,射线上的像素点的投票值为置信度和距离函数的乘积,如公式(6)所示。最后获得最大投票值的像素点即为消失点估计值,利用该方法进行消失点估计,不仅考虑了消失点和纹理方向之间的角度约束,而且考虑了投票点和候选消失点之间的位置约束,使得最终的消失点检测更加准确。
步骤2.第一主要边界的检测。
步骤2.1.虚拟射线集的获取。
以初始化消失点坐标为出发点,构建一系列的虚拟射线,每一条射线都是由一系列具有方向的像素点组成的,这些像素点的方向为该点的纹理方向。本发明设定有29条均匀分布的虚拟射线,除了那些相对于水平方向角度小于20度和角度大于160度的射线,相邻两条射线之间的夹角为5度。
步骤2.2.OCR特征值和相邻区域色彩差的计算。
如图5所示,OCR特征定义为具有方向一致性的点和线上所有点的比值。
式中,mean()和var()表示一个区域中的像素值在单一通道的均值和方差。
步骤2.3.获取最大化评价标准
当射线满足OCR特征值和相邻区域色彩差约束且这两个约束取得最大值时,该射线就是道路的第一个主要边界,利用公式(8)可以计算出道路的第一条主要边界,定义其长度为Len1,当Len1大于图像高度的1/3时,检测到的第一条主要边界是有效的,否则无效。
步骤3.消失点的更新
在得到第一条主要边界后,我们对初始化消失点进行更新。根据方向一致性主要边界将会聚合,因此对于边界上的每一个像素点作为可能的消失点,构建一个线段集。线段集中任何一条线段和边界之间的夹角大于20°,且任何两个相邻线段之间的夹角为5°。计算每一条线段的OCR特征,并统计OCR特征大于0.02的线段的数目。对于每一个候选消失点,计算前条线段的OCR特征的和记为,。最大的对应的点就是更新后的消失点。
步骤4.第二主要边界的检测
根据更新后的消失点,采用与第一主要边界相同的方法可实现第二主要边界的分割。
Claims (1)
1. 基于Haar纹理的非结构化道路检测方法,其特征在于该方法包括以下步骤:
步骤1.初始化消失点的检测,具体是:
步骤1.1.输入道路图像;
步骤1.2.Haar纹理特征提取过程:
(5)根据公式(2)获得像素点的新的特征响应表示;
步骤1.3.消失点的投票机制检测;
对于图像中的像素点,构建一个累加空间并初始化为零;当获得每个像素点的纹理方向后,可以得到一系列的射线,对于每一条射线,可以对位于其上部的像素点投票,射线上的像素点的投票值为置信度和距离函数的乘积,如公式(6)所示;最后获得最大投票值的像素点即为消失点估计值;
步骤2.第一主要边界的检测,具体是:
步骤2.1.虚拟射线集的获取;
以初始化消失点坐标为出发点,构建一系列的虚拟射线,每一条射线都是由一系列具有方向的像素点组成的,这些像素点的方向为该点的纹理方向;设定有29条均匀分布的虚拟射线,除了那些相对于水平方向角度小于20度和角度大于160度的射线,相邻两条射线之间的夹角为5度;
步骤2.2.OCR特征值和相邻区域色彩差的计算;
OCR特征定义为具有方向一致性的点和线上所有点的比值;
式中,mean()和var()表示一个区域中的像素值在单一通道的均值和方差;
步骤2.3.获取最大化评价标准;
当射线满足OCR特征值和相邻区域色彩差约束且这两个约束取得最大值时,该射线就是道路的第一个主要边界,利用公式(8)可以计算出道路的第一条主要边界,定义其长度为Len1,当Len1大于图像高度的1/3时,检测到的第一条主要边界是有效的,否则无效;
步骤3.消失点的更新,具体是:
在得到第一条主要边界后,对初始化消失点进行更新;根据方向一致性主要边界将会聚合,因此对于边界上的每一个像素点作为可能的消失点,构建一个线段集;线段集中任何一条线段和边界之间的夹角大于20°,且任何两个相邻线段之间的夹角为5°;计算每一条线段的OCR特征,并统计OCR特征大于0.02的线段的数目;对于每一个候选消失点,计算前条线段的OCR特征的和记为,;最大的对应的点就是更新后的消失点;
步骤4.第二主要边界的检测,具体是:
根据更新后的消失点,采用与第一主要边界相同的方法可实现第二主要边界的分割。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012103158588A CN102915441A (zh) | 2012-08-30 | 2012-08-30 | 基于Haar纹理的非结构化道路检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012103158588A CN102915441A (zh) | 2012-08-30 | 2012-08-30 | 基于Haar纹理的非结构化道路检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102915441A true CN102915441A (zh) | 2013-02-06 |
Family
ID=47613802
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2012103158588A Pending CN102915441A (zh) | 2012-08-30 | 2012-08-30 | 基于Haar纹理的非结构化道路检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102915441A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104700071A (zh) * | 2015-01-16 | 2015-06-10 | 北京工业大学 | 一种全景图道路轮廓的提取方法 |
CN107977664A (zh) * | 2017-12-08 | 2018-05-01 | 重庆大学 | 一种基于单幅图像的道路消失点检测方法 |
CN108109156A (zh) * | 2017-12-25 | 2018-06-01 | 西安电子科技大学 | 基于比值特征的sar图像道路检测方法 |
CN108416292A (zh) * | 2018-03-08 | 2018-08-17 | 西安因诺航空科技有限公司 | 一种基于深度学习的无人机航拍图像道路提取方法 |
CN108470341A (zh) * | 2017-02-23 | 2018-08-31 | 南宁市富久信息技术有限公司 | 一种道路边缘检测方法 |
CN109470254A (zh) * | 2018-10-31 | 2019-03-15 | 百度在线网络技术(北京)有限公司 | 地图车道线的生成方法、装置、系统及存储介质 |
CN109636842A (zh) * | 2018-10-31 | 2019-04-16 | 百度在线网络技术(北京)有限公司 | 车道线修正方法、装置、设备及存储介质 |
CN109919144A (zh) * | 2019-05-15 | 2019-06-21 | 长沙智能驾驶研究院有限公司 | 可行驶区域检测方法、装置、计算机存储介质及路测视觉设备 |
CN110532892A (zh) * | 2019-08-05 | 2019-12-03 | 西安交通大学 | 一种非结构化道路单幅图像道路消失点检测方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102609938A (zh) * | 2012-01-16 | 2012-07-25 | 浙江大学 | 一种从单幅图像检测道路消失点的方法 |
-
2012
- 2012-08-30 CN CN2012103158588A patent/CN102915441A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102609938A (zh) * | 2012-01-16 | 2012-07-25 | 浙江大学 | 一种从单幅图像检测道路消失点的方法 |
Non-Patent Citations (1)
Title |
---|
王晓云: "复杂环境下的道路检测算法研究", 《万方数据库》, 31 July 2012 (2012-07-31), pages 1 - 66 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104700071B (zh) * | 2015-01-16 | 2018-04-27 | 北京工业大学 | 一种全景图道路轮廓的提取方法 |
CN104700071A (zh) * | 2015-01-16 | 2015-06-10 | 北京工业大学 | 一种全景图道路轮廓的提取方法 |
CN108470341A (zh) * | 2017-02-23 | 2018-08-31 | 南宁市富久信息技术有限公司 | 一种道路边缘检测方法 |
CN107977664A (zh) * | 2017-12-08 | 2018-05-01 | 重庆大学 | 一种基于单幅图像的道路消失点检测方法 |
CN107977664B (zh) * | 2017-12-08 | 2019-12-31 | 重庆大学 | 一种基于单幅图像的道路消失点检测方法 |
CN108109156B (zh) * | 2017-12-25 | 2019-10-11 | 西安电子科技大学 | 基于比值特征的sar图像道路检测方法 |
CN108109156A (zh) * | 2017-12-25 | 2018-06-01 | 西安电子科技大学 | 基于比值特征的sar图像道路检测方法 |
CN108416292A (zh) * | 2018-03-08 | 2018-08-17 | 西安因诺航空科技有限公司 | 一种基于深度学习的无人机航拍图像道路提取方法 |
CN108416292B (zh) * | 2018-03-08 | 2020-07-31 | 西安因诺航空科技有限公司 | 一种基于深度学习的无人机航拍图像道路提取方法 |
CN109470254A (zh) * | 2018-10-31 | 2019-03-15 | 百度在线网络技术(北京)有限公司 | 地图车道线的生成方法、装置、系统及存储介质 |
CN109636842A (zh) * | 2018-10-31 | 2019-04-16 | 百度在线网络技术(北京)有限公司 | 车道线修正方法、装置、设备及存储介质 |
CN109919144B (zh) * | 2019-05-15 | 2019-08-16 | 长沙智能驾驶研究院有限公司 | 可行驶区域检测方法、装置、计算机存储介质及路测视觉设备 |
CN109919144A (zh) * | 2019-05-15 | 2019-06-21 | 长沙智能驾驶研究院有限公司 | 可行驶区域检测方法、装置、计算机存储介质及路测视觉设备 |
CN110532892A (zh) * | 2019-08-05 | 2019-12-03 | 西安交通大学 | 一种非结构化道路单幅图像道路消失点检测方法 |
CN110532892B (zh) * | 2019-08-05 | 2021-12-28 | 西安交通大学 | 一种非结构化道路单幅图像道路消失点检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102915441A (zh) | 基于Haar纹理的非结构化道路检测方法 | |
CN107767383B (zh) | 一种基于超像素的道路图像分割方法 | |
CN103049758B (zh) | 融合步态光流图和头肩均值形状的远距离身份验证方法 | |
CN102750708B (zh) | 基于快速鲁棒特征匹配的仿射运动目标跟踪算法 | |
CN103218605B (zh) | 一种基于积分投影与边缘检测的快速人眼定位方法 | |
CN105139015B (zh) | 一种遥感图像水体提取方法 | |
CN103886619A (zh) | 一种融合多尺度超像素的目标跟踪方法 | |
CN104574375A (zh) | 结合彩色和深度信息的图像显著性检测方法 | |
CN104217427A (zh) | 一种交通监控视频中车道线定位方法 | |
CN101750051A (zh) | 一种视觉导航的多作物行检测方法 | |
CN104537342B (zh) | 一种结合山脊边界检测及霍夫变换的快速车道线检测方法 | |
CN105279769B (zh) | 一种联合多特征的层次粒子滤波跟踪方法 | |
CN103902985B (zh) | 一种基于roi的强鲁棒性实时车道侦测算法 | |
CN103473551A (zh) | 基于sift算子的台标识别方法及系统 | |
CN102117487A (zh) | 一种针对视频运动目标的尺度方向自适应Mean-shift跟踪方法 | |
CN101551863A (zh) | 基于非下采样轮廓波变换的遥感图像道路提取方法 | |
CN103473763B (zh) | 基于启发式概率Hough变换的道路边缘检测方法 | |
CN104134209A (zh) | 一种视觉导航中的特征提取与匹配方法及系统 | |
CN102521597B (zh) | 一种基于分级策略的影像直线特征匹配方法 | |
CN105678733A (zh) | 一种基于直线段上下文的红外与可见光异源图像匹配方法 | |
CN101887525A (zh) | 基于分级的正反互逆的三维稠密点集快速配准方法 | |
CN109685827B (zh) | 一种基于dsp的目标检测与跟踪方法 | |
CN104700071A (zh) | 一种全景图道路轮廓的提取方法 | |
CN103295232A (zh) | 基于直线和区域的sar图像配准方法 | |
CN103714547A (zh) | 一种结合边缘区域和互相关的图像配准方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20130206 |