CN103383733A

CN103383733A - 一种基于半机器学习的车道视频检测方法

Info

Publication number: CN103383733A
Application number: CN2013101865926A
Authority: CN
Inventors: 吴伟; 周煜远; 王辉; 钱小鸿; 吴越; 胡健青
Original assignee: ZHEJIANG ZHIER INFORMATION TECHNOLOGY Co Ltd; Enjoyor Co Ltd
Current assignee: Yinjiang Technology Co ltd
Priority date: 2013-05-16
Filing date: 2013-05-16
Publication date: 2013-11-06
Anticipated expiration: 2033-05-16
Also published as: CN103383733B

Abstract

一种基于半机器学习的车道视频检测方法，包括以下步骤：第一步，从视频中分析出路面背景图片，并动态更新；第二步，针对路面图片特点采用中值滤波进行预处理；第三步，采用边缘检测技术提取车道的边缘信息，并结合车道特点，剔除远景部分的干扰信息；第四步，利用改进的Hough变换检测直线，对直线的多维数字特征进行约束，每次将图像空间中的点映射到参数空间后都会检查各个累加器的计数是否超过了累加阈值；第五步，提取直线的多维特征向量聚类，利用直线的斜率、位置、长度，采用半机器学习的K-means算法实现聚类；第六步，利用聚类中心的直线作为边界，划分出最终的车道。本发明适用性良好、实时性较好、稳定性良好。

Description

一种基于半机器学习的车道视频检测方法

技术领域

本发明涉及智能交通技术领域，尤其是一种车道视频检测方法。

背景技术

近年来，随着高清高速视觉传感器、高性能DSP和机器学习技术的快速发展，智能视频检测已经逐渐取代传统的线圈、红外、微波等检测手段，成为智能交通领域应用最为广泛的检测技术。

在智能交通领域，高清智能视频检测技术的主要优势在于1）视频检测器安装无破坏性，不破坏路面，不关闭车道，不会影响正常的交通秩序。2）视频检测器可以获取更为丰富的交通信息，如在电子警察应用中，传统的线圈型电子警察只能单一检测闯红灯行为；而基于视频检测的电子警察除了正常捕获闯红灯行为之外，还可以对逆行、实线变道、闯禁行（禁左、禁右、禁掉头）等多种违章驾驶行为进行自动抓拍，同时具备卡口和流量监测功能，大大扩展了电子警察产品功能。

在各种智能交通视频检测应用中，道路的背景建模和车道检测是基础。通常对于车道分割的处理方法是采用人工画线，标定不同车道的所属区域。这种人工标定的方法虽然解决了车道分割，但却为工程应用带来很大的不便和额外工作量，特别是对在复杂的检测环境中，过多的人工标定甚至会影响到视频检测的准确性。

车道自动检测主要有三种主流的方法：

第一种方法是利用摄像头的标定技术,在已知摄像头参数的情况下,对路面进行估计，如申请号为200510110653的中国发明专利，公开了一种车辆位置估计方法，结合摄像机参数计算车道的宽度和曲率，以及车辆距离车道中心的距离和车辆中心线与车道中心线的夹角来实现。

第二种方法是使用车辆的轨迹进行自动的车道分割,对车辆的轨迹进行分析不能对较为复杂的车道进行分割。如申请号为201210077839的中国发明专利，公开了一种基于跟踪的车辆违章掉头行为检测方法，从交通监控视频中提取的车辆及其运动信息与车道信息相互匹配。

第三种方法是利用车道的视觉特征,因为车道在视觉特性上是不同于自然物体的,其颜色和边缘都具有明显的特点，该方法在交通视频监控领域被普遍的应用。在利用车道的视觉特征方法中，由于缺少一种稳定的系统的方法，面对复杂的各种环境，很难单独取得很好的识别，所以往往结合一些模型和假设，利用道路的先验知识，结合图像特征估计出车道，常见的有道路图像消失点的数学模型、道路形状假设、路面特征假设等等。这些假设和模型，不仅限制了交通视频中对场景的适应性，也加大了操作的难度和实现的复杂度。

发明内容

为了克服已有车道自动检测技术的适用性较差、实时性较差、稳定性较差的不足，本发明提供了一种适用性良好、实时性较好、稳定性良好的基于半机器学习的车道视频检测方法。

本发明解决其技术问题所采用的技术方案是：

一种基于半机器学习的车道视频检测方法，所述检测方法包括以下步骤：

第一步，从视频中分析出路面背景图片，并动态更新；

第二步，针对路面图片特点采用中值滤波进行预处理；

第三步，采用边缘检测技术提取车道的边缘信息，并结合车道特点，剔除远景部分的干扰信息；

第四步，利用改进的Hough变换检测直线，对直线的多维数字特征进行约束，每次将图像空间中的点映射到参数空间后都会检查各个累加器的计数是否超过了累加阈值；

第五步，提取直线的多维特征向量聚类，利用直线的斜率、位置、长度，采用半机器学习的K-means算法实现聚类，具体过程如下：

1)对每条直线提取出斜率、位置、长度、延长线与边界的交点、原图颜色值、原图梯度空间值，作为每条直线的高维特征向量；

2)每个维度进行归一化；

3)对于不同路口车道线的数目不同，采用统计的方法，自适应的选择聚类的数目，再结合聚类结果分析比较，从而找到最优的聚类中心数量：

\arg \min_{n} Σ_{p = 1}^{n} {| | V_{p} - C_{n} | |}^{2}

其中，n为聚类的中心数量，V_p为每个直线的特征向量，C_n为对应中心的特征向量；

4)采用半机器学习的K-means聚类算法，在聚类过程中，利用大量样本数据来分析样本空间中样本数据分布情况，不断修改聚类中心并交换聚类中心周围某些未标记的样本数据的标记，使得当前中心在所有训练数据上最大化间隔，从而能够获得一个通过数据相对稀疏的区域，又尽可能正确划分所有标记的样本数据的聚类中心；

第六步，利用聚类中心的直线作为边界，划分出最终的车道。

进一步，所述第三步中，对于强光照图像采用Canny算法进行边缘检测；对于正常光照和弱光照图像，采用Sobel算法进行边缘检测。

所述的多维数字特征包括直线的长度和位置。

更进一步，所述步骤5.2）中，在对直线高维特征量化归一时，不同的特征赋予不同的权重，位置和斜率重要维度赋予较高的权重。

本发明的技术构思为：利用改进的Hough变换检测直线：

a)加入直线长度的约束条件，排除细节部分干扰，使得检测到的直线满足车道线的特征。

b)每次将图像空间中的点映射到参数空间后都会检查各个累加器的计数是否超过了累加阈值,这样最长直线被最早检测到的概率最大,减少了检测直线的运算量。

提取直线的多维特征向量聚类：

a)提取直线的斜率、位置、长度以及延长线与边界的交点作为该直线的多维特征向量。

b)根据不同特征的性质，动态调整坐标各部分参数的权重，减少不合理因素的干扰。

利用改进的K-means聚类算法实现聚类：

a)半机器学习的K-means聚类算法，利用大量样本数据来分析样本空间中样本数据分布情况，从而学习指导算法对初始聚类中心的选取，避免算法陷入局部最优。

b)采用多尺度聚类比较的方法，动态分析路口形状和车道位置、数量等特征。

本发明的有益效果主要表现在：基于交通视频分析的车道检测，并根据检测和分析出的车道线自适应的分割出有效的车道，从而实现依赖于视频分析技术的车道检测和分割。通过该方法，系统可以在避免采用模型或假设分析车道所带来的问题，不仅增强了对各种车道的适应性，也简化了操作步骤节省了资源，使智能交通系统更为自然流畅。

1)适应性：基于交通视频分析采用半机器学习的车道检测方法，对于多种道路、交叉口场景有更广泛的适应性。

2)实时性：基于交通路口视频的车道检测节省了建模等操作环节，对交通视频处理这种实时性要求很高的系统具有极高的使用价值。

3)稳定性：基于交通路口视频的车道检测完全使用图像处理技术，与智能交通中的其他环节可以有机的融为一体，有助于提高了整个系统的稳定性。

附图说明

图1是基于交通视频分析采用半机器学习的车道检测方法流程图。

图2是背景路面的示意图。

图3是预处理，中值滤波后的示意图。

图4是边缘检测后的示意图。

图5是在图4基础上，去掉上面部分的干扰的示意图。

图6是Hough变换检测直线的示意图。

图7是在图6的基础上（图6是很多短线拼接而成的），延长所有的线的示意图。

图8是通过斜率kmeans聚类并取聚类的中心来画线的示意图。

图9是水平的线向上移的示意图。

图10是通过坐标和线的关系找到满足条件的点的示意图。

图11是在原图中显示效果的示意图。

具体实施方式

下面结合附图对本发明作进一步描述。

参照图1～图11，一种基于半机器学习的车道检测方法，包括以下步骤：

第一步，实施基于交通视频中的车道检测和分割技术时，将利用背景图片作为处理的入口，可采用高斯混合模型等成熟的视频分析技术提取背景图片；具体过程如下：

第二步，采用改进快速中值滤波进行预处理。车道线图像数据在图像中灰度变化不大的区域具有相同的灰度值，因此，邻域窗口在整幅图像上移动时没有必要每次都计算其中值，只有当新进入邻域窗口像素的灰度值跟移出窗口像素的灰度值不等时，才对邻域窗口求中值。并且在灰度值不等时采用插入排序，对已有的序列固定不变，从而获得较快的滤波效果。

第三步，边缘检测提取车道信息。Sobel算子反映相邻像素点的灰度差异特征，计算量小、算法简单，在边缘增强效果、抑制噪声能力方面都较好，但提取的边缘较粗；Canny算子的目标是找到一个最优的边缘检测算法，该算子提取的边缘完整，检出的车道线为单像素宽，但算法复杂，计算量较大。综合考虑实时性和边缘检测效果，用Canny算法进行强光照图像的边缘增强，而对于正常光照和弱光照图像，采用Sobel算法。

第四步，利用改进的Hough变换检测直线。传统的Hough变换是在图像空间到参数空间的映射全部完成之后统计各个累加器的计数是否大于累加阈值，从而确定是否存在直线，并获得相应直线上的点的集合，改进的Hough变换采用：每次将图像空间中的点映射到参数空间后都会检查各个累加器的计数是否超过了累加阈值，这样最长直线被最早检测到的概率最大，从而减少了检测直线的运算量。

第五步，提取直线的多维特征向量聚类。通过上面的操作，我们得到的是许多车道线边缘分布长短、斜率不同的直线，如何将这些直线有效分析出车道线，一直是限制基于视频交通信息采集系统的广泛应用。

本方法采用提取直线的多维特征向量聚类，分析出不同车道信息：

5.1)对每条直线提取出斜率、位置、长度、延长线与边界的交点、原图颜色值、原图梯度空间值，作为每条直线的高维特征向量。

5.2)由于斜率变化极不均匀，我们将其转化为与水平线的角度来计算。每个维度进行归一化，并保证斜率、位置等重要维度权重较大。

5.3)对于不同路口车道线的数目不同，我们采用统计的方法，自适应的选择聚类的数目，再结合聚类结果分析比较，从而找到最优的聚类中心数量：

\arg \min_{n} Σ_{p = 1}^{n} {| | V_{p} - C_{n} | |}^{2}

这里n为聚类的中心数量，V_p为每个直线的特征向量，C_n为对应中心的特征向量。

5.4)采用半机器学习的K-means聚类算法，在聚类过程中，利用大量样本数据来分析样本空间中样本数据分布情况，不断修改聚类中心并交换聚类中心周围某些未标记的样本数据的标记，使得当前中心在所有训练数据上最大化间隔，从而能够获得一个通过数据相对稀疏的区域，又尽可能正确划分所有标记的样本数据的聚类中心，避免算法陷入局部最优。

第六步，利用聚类的中心的直线作为边界，划分出最终的车道。按照原图的坐标系，来划分区域，由于车道线多种多样，很难直接找到统一的车道关系，我们通过上面分析的车道数量，在图片地步取车道数量相同的等分点为种子点，并在直线图片中扩散，从而最终划分出不同的车道。

参照图2～图11，以杭州市西湖区留祥路-西园路口为例，图示说明了整个车道检测方法的实现过程。

Claims

1.一种基于半机器学习的车道视频检测方法，其特征在于：所述检测方法包括以下步骤：

第一步，从视频中分析出路面背景图片，并动态更新；

第二步，针对路面图片特点采用中值滤波进行预处理；

5.1)对每条直线提取出斜率、位置、长度、延长线与边界的交点、原图颜色值、原图梯度空间值，作为每条直线的高维特征向量；

5.2)每个维度进行归一化；

5.3)对于不同路口车道线的数目不同，采用统计的方法，自适应的选择聚类的数目，再结合聚类结果分析比较，从而找到最优的聚类中心数量：

\arg \min_{n} Σ_{p = 1}^{n} {| | V_{p} - C_{n} | |}^{2}

5.4)采用半机器学习的K-means聚类算法，在聚类过程中，利用大量样本数据来分析样本空间中样本数据分布情况，不断修改聚类中心并交换聚类中心周围某些未标记的样本数据的标记，使得当前中心在所有训练数据上最大化间隔，从而能够获得一个通过数据相对稀疏的区域，又尽可能正确划分所有标记的样本数据的聚类中心；

2.如权利要求1所述的基于半机器学习的车道视频检测方法，其特征在于：所述第三步中，对于强光照图像采用Canny算法进行边缘检测；对于正常光照和弱光照图像，采用Sobel算法进行边缘检测。

3.如权利要求1或2所述的基于半机器学习的车道视频检测方法，其特征在于：所述的多维数字特征包括直线的长度和位置。

4.如权利要求1或2所述的基于半机器学习的车道视频检测方法，其特征在于：所述步骤5.2）中，在对直线高维特征量化归一时，不同的特征赋予不同的权重，位置和斜率重要维度赋予较高的权重。