CN103577828A - 一种基于边缘特征的道路检测方法 - Google Patents

Abstract

本发明公开了一种基于边缘特征分析的自动道路检测方法，该方法包括：对于目标图像，采用边缘梯度算子计算得到多幅梯度图像，对其进行二值化处理，得到多幅初步道路边缘图像；基于自动获取的阈值将多幅初步道路边缘图像中像素个数小于该阈值的连通区域去除，获得多个方向上的道路边缘图像；将多个方向的道路边缘图像中的道路边缘信息整合到同一幅图像中，并根据道路两侧具有相似边缘的原理夹逼出道路像素区域，得到初步道路图像；采用基于线段拟合的生长算法进行道路区域间的连接，并根据道路区域的长宽比去除一些非道路区域，最终获得检测得到的道路。本发明适用于航拍图像的自动道路检测，具有检测精度高、实时性好、抗干扰性强等优点。

Description

一种基于边缘特征的道路检测方法

技术领域

本发明属于图像处理技术领域，具体地涉及一种基于边缘特征的道路检测方法。

背景技术

数十年来，国内外研究人员对道路检测进行了大量的研究工作，提出了许多用于道路检测的有效算法。这些方法从处理策略上可以分为半自动方法和自动方法。半自动方法需要用户交互地提供一些信息来控制道路的提取，由于半自动方法充分利用了用户的交互信息，因此一般来说道路提取的结果更稳定，但对于实时性要求较高或人很难参与的场合不能胜任；自动方法通常首先通过直线和边缘检测得到道路段，然后在这些路段间建立联系形成路网，这种方法获得的检测效果往往会检测出大量的伪道路区域。同时，目前还存在着利用颜色特征信息，在不同的颜色空间设置不同的阈值分别排除图像中其它非道路区域的方法，采用机器学习进行训练预测的方法以及采用数学形态学算子进行检测的一系列方法。但这些方法普遍存在环境适应性差或者实时性差的缺陷，至今仍没有一个非常有效的道路检测方法。

本发明在经典的边缘检测算法的基础上，综合利用某一方向上道路的边缘在该方向上有着较强的边缘响应，且边缘区域是一块连通的、具有很多像素点的连通区域，采用自动阈值分析方法，结合道路具有一定宽度的特性，有效的拆分并去除了图像中的非道路区域，最后把多个方向的边缘特征图像综合起来，采用夹逼方法，结合基于线段拟合的生长算法进行道路区域间的连接方法，最终实现了对于道路的自动有效检测。

发明内容

本发明的目的在于克服上述现有技术的缺点，提供一种基于边缘特征的道路检测方法，该方法包括以下步骤：

步骤1，对于目标图像，采用多个方向的边缘梯度算子计算得到多幅梯度图像，基于所述多幅梯度图像计算得到自动阈值，并根据所述自动阈值对于所述多幅梯度图像进行二值化处理，得到多幅初步道路边缘图像；

步骤2，对于多幅初步道路边缘图像，采用最大类间方差方法自动获取阈值，基于获得的阈值将所述多幅初步道路边缘图像中像素个数小于该阈值的连通区域去除，从而获得所述目标图像在多个方向上的道路边缘图像；

步骤3，将所述多个方向的道路边缘图像中的道路边缘信息整合到同一幅图像中，并根据道路两侧具有相似边缘的原理夹逼出道路像素区域，得到初步道路图像；

步骤4，对于所述初步道路图像，采用基于线段拟合的生长算法进行道路区域间的连接，并根据道路区域的长宽比去除一些非道路区域，最终获得检测得到的道路。。

本发明综合采用多方向的边缘检测二值图像，针对边缘连通区域像素个数统计，采用自动阈值估计、边缘图叠加及夹逼策略、基于线段拟合的生长算法等策略，获得道路像素。本发明具有动态阈值自动选取、检测精度高、抗干扰性强等优点，适用于航拍图像的自动道路检测。

附图说明

图1是本发明基于边缘特征的道路检测方法的流程图。

图2是获取梯度图像步骤的流程图。

图3是获取初步道路图像步骤的流程图。

图4是道路区域连接步骤的流程图。

图5是一待检测的目标图像。

图6是将图5中的目标图像进行高斯平滑后得到的图像。

图7是对图5中的目标图像在四个方向上求取梯度图像并二值化后的初步边缘图像。

图8是在图7中的初步边缘图像上删除掉伪道路边缘后得到的道路边缘图像。

图9是图8合成得到的道路边缘图像。

图10是将道路边缘图像叠加在目标图像上的效果图。

图11是基于图8中的道路边缘图像夹逼出的初步道路图像。

图12是将图11中的初步道路图像叠加在同一幅图像上的效果图。

图13是对图11中的初步道路图像进行连接后得到的道路连接图。

图14是从图5中的目标图像提取出的道路检测图。

图15是将图14中的道路检测图叠加在目标图像上的效果图。

图16、图17是在另外两个目标图像上的道路检测图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。

图1是本发明基于边缘特征的道路检测方法的流程图，如图1所示，所述基于边缘特征的道路检测方法包括以下步骤：

步骤1，对于目标图像，采用多个方向的边缘梯度算子计算得到多幅梯度图像，基于所述多幅梯度图像计算得到自动阈值，并根据所述自动阈值对于所述多幅梯度图像进行二值化处理，得到多幅初步道路边缘图像；

图2是获取梯度图像步骤的流程图，如图2所示，所述步骤1进一步包括以下步骤：

步骤11，对所述目标图像进行大尺度高斯平滑去噪，以减少所述目标图像中一部分联通区域小的非道路边缘对道路边缘检测的影响，图5是一待检测的目标图像，而图6是将图5中的目标图像进行高斯平滑后得到的图像；

步骤12，在平滑后得到的图像中，分别使用0度、45度、90度、135度四个方向的Sobel算子求得四幅梯度图像；

步骤13，将所述四幅梯度图像使用自适应阈值方法进行二值化处理，其中，自适应阈值采用下述方法求取得到：首先将所述梯度图像的边缘图像归一化到[0-255]，设二值化分割阈值为k，梯度图像的灰度期望为u_T，梯度图像中所有像素值落在[0-k]范围内的概率和为w_k，期望为u_k，所有像素值落在[k-255]范围内的概率和为(1-w_k)，则根据最大类间方差方法，所述自适应阈值k可按照以下公式求得：

$k=\underset{i}{\arg }(\underset{i=0}{\overset{255}{\max }}\left(\frac{{(u_T{w}_k-w_k)}^2}{w_k(1-w_k)}\right).$

为了保留更多的可能的边缘道路像素，本发明一实施例采用的阈值为0.2*k，此时梯度图像中灰度值落在[0-0.2*k]范围的像素的灰度值设置为0，落在[0.2*k-255]内的像素的灰度值全部设置为255，采用这样的方法，则在0，45，90，135各个方向上，可以获得四幅初步的道路边缘图像，图5所示的目标图像的四幅初步道路边缘图像如图7的四幅图像所示。

步骤2，对于多幅初步道路边缘图像，采用最大类间方差方法自动获取阈值，基于获得的阈值将所述多幅初步道路边缘图像中像素个数小于该阈值的连通区域去除，从而获得所述目标图像在多个方向上的道路边缘图像；

所述步骤2进一步包括以下步骤：

步骤21，基于经过二值化处理后的多幅梯度图像，分别计算得到统计各梯度图像的连通区域大小的直方图；

该步骤中，首先，求取各梯度图像中的连通区域；

然后，统计每个连通区域所包含像素的个数，即每个连通区域的大小；

最后，为各梯度图像建立统计连通区域大小的直方图，该直方图的横轴表示连通区域的大小，纵轴表示对应连通区域大小的连通区域的个数。

该步骤中，设梯度图像中灰度值为255的连通区域的个数为M，其中第i个连通区域的像素个数为N[i]，以连通区域的大小为横轴，以对应连通区域大小的连通区域的个数为纵轴，建立直方图（这里将连通区域的大小归一化到[0，255]），则第i个连通区域被归一化到直方图中的第j个Bin中，其中，j由下式获得：

$j=\frac{N\left[i\right]}{\underset{i=1}{\overset{M}{\mathrm{\Σ}}}N\left[i\right]}*255;$

步骤22，根据最大类间方差算法，对于每一梯度图像对应的直方图求取最大类间方差阈值r，基于获得的阈值r将相应梯度图像中连通区域像素个数小于该阈值r的连通区域去除，从而获得所述目标图像在所述多个方向的道路边缘图像。

该步骤中，设某一直方图的连通区域的大小期望为v_T，连通区域的大小落在[0-r]范围内的概率和为w_r，期望为v_k，连通区域的大小落在[r-255]范围内的概率和为(1-w_r)，则阈值r可按照以下公式求得：

$r=\underset{j}{\arg }(\underset{j=0}{\overset{255}{\max }}\left(\frac{{(v_T{w}_r-w_r)}^2}{w_r(1-w_r)}\right).$

同样，为了保留更多的可能的边缘道路像素，本发明一实施例采用的阈值为0.25*r，此时梯度图像中所有连通区域大小在[0-0.25*r]范围的连通区域的像素的灰度值全部设置为0，落在[0.25*r-255]内的连通区域的像素的灰度全部设置为255，采用这样的方法，则可在各方向的初步边缘图像上，进一步去掉一些非道路边缘，获得进一步的道路边缘图像。图8是在图7中的初步边缘图像上删除掉伪道路边缘后得到的道路边缘图像，图9是图8合成得到的道路边缘图像，图10是将道路边缘图像叠加在目标图像上的效果图。

步骤3，将所述多个方向的道路边缘图像中的道路边缘信息整合到同一幅图像中，并根据道路两侧具有相似边缘的原理夹逼出道路像素区域，得到初步道路图像；

图3是获取初步道路图像步骤的流程图，如图3所示，所述步骤3进一步包括以下步骤：

步骤31，创建一幅与所述目标图像大小相同的空白图像，使用该图像存储所述多个方向的道路边缘图像中的道路边缘信息，得到边缘图像A；

步骤32，分别遍历所述步骤2得到的四幅初步道路边缘图像，将所述边缘图像A中与初步道路边缘图像中像素灰度值为255的点相对应的位置的像素点灰度值置为255；

步骤33，对于所述边缘图像A，从坐标原点开始，沿着图像x轴、y轴坐标依次增大的顺序进行遍历，对于搜索到的同一行中的M(M<=N+2)个点，N为道路宽度的最大值，第一个点和第M个点的灰度值为255，而这两个点之间的灰度值为0，将这M-2个灰度值为0的潜在的道路点像素认为是可能的道路，并把这些点存储于另外一幅空白的图像中，得到初步道路图像A；

步骤34，将边缘图像A逆时针旋转90度后得到边缘图像B，再对于所述边缘图像B按照所述步骤33进行类似的处理，得到初步道路图像B。

图11是基于图8中的道路边缘图像夹逼出的初步道路图像，其中图（a）为步骤33所得的初步道路图像A，图（b）为步骤34所得的初步道路图像B，图（C）为将图（b）顺时针旋转90度后的效果图。图12是将图11中的初步道路图像（图（a）与图（c））叠加在同一幅图像上的效果图。

步骤4，对于所述初步道路图像，采用基于线段拟合的生长算法进行道路区域间的连接，并根据道路区域的长宽比去除一些非道路区域，最终获得检测得到的道路。

图4是道路区域连接步骤的流程图，如图4所示，所述步骤4进一步包括以下步骤：

步骤41，求取所述初步道路图像A、B中的道路连通区域；

该步骤具体为：从坐标原点开始，沿着图像x轴、y轴坐标依次增大的顺序遍历所述初步道路图像A，当搜索到一个灰度值为255的连通区域后，统计该连通区域的像素点的个数，以该连通区域的(x,y)坐标最大值与(x,y)坐标最小值之差作为该连通区域的长，将连通区域的大小与长度之比定为该连通区域的宽度，将长宽比小于1的连通区域内的像素点的灰度值全部置0，从而得到所述初步道路图像A中的道路连通区域。对初步道路图像B按上述方法同样进行一次。

步骤42，求取所述初步道路图像A、B中道路连通区域的道路直线表示；

该步骤具体为：遍历所述初步道路图像A，对灰度值为255的道路连通区域进行下述计算：首先采用最小二乘法拟合出该连通区域的直线表达式Ax+By+C=0，然后采用下式计算连通区域中的每一点距离所述直线的距离：

$d=\left|\right|\mathrm{Ax}+\mathrm{By}+C\left|\right|/\sqrt{A^2+B^2},$

若某连通区域中超过90%以上的点，距离所述直线的距离d都小于一预定距离阈值t，则认为该连通区域可以用直线Ax+By+C=0来表示。另外，针对不能采用直线方程表示的连通区域，如果其像素个数超过一定个数，比如最大连通区域像素个数的1/3，则把该连通区域分为四个部分，采用四段线段来表示。初步道路图像B同样按上述方法进行处理。

步骤43，基于所述道路连通区域，对于所述初步道路图像A、B中的道路进行连接，得到道路连接图；

该步骤采用下述手段进行道路连接：首先按照每个道路连通区域中的像素个数拟排序，然后根据从大到小的顺序，逐个按照下面公式计算返回值s，把返回值s最小并大于q的道路连通区域加入到当前处理的道路连连通区域中，其中q取值在10.0到15.0之间：

$s=\underset{i}{\arg }\underset{i=1,i\&NotEqual;k}{\overset{M}{\min }}(\frac{N\left[k\right]}{N\left[i\right]}+\min (\frac{\left|\right|A_k*B_i\left|\right|}{\left|\right|A_i*B_k\left|\right|},\frac{\left|\right|A_i*B_k\left|\right|}{\left|\right|A_k*B_i\left|\right|}))$

其中，k为当前最大的道路连通区域的标号，i为需要判断是否加入k线段的道路连通区域的标号，M为道路连通区域的个数，N[i]为道路连通区域i的像素个数。在另外的小道路连通区域i加入道路连通区域k后，采用最近邻方法将它们之间的像素直接连接，则i，k区域合并为新的道路连通区域，如此继续进行连接，直到当前返回值s全部小于q为止，然后把k区域记录到另外一张图像C上，同时将所述初步道路图像A和B的k连通区域的像素设置为0。

按照以上处理，直到所有道路连通区域被连接，得到道路连接图，图13示出了对图11中的初步道路图像进行连接后得到的道路连接图。

步骤44，去除所述道路连接图中的非道路像素，最终得到道路检测图。

在对于所述道路图像A进行道路连接后，将初步道路图像B旋转90度，并将初步道路图像A与初步道路图像B的道路区域存储在图像C上，由此得到了目标图像的道路区域。另外，在初步道路图像A，B中，还剩余了部分很小的没有被连接的区域，对于这部分区域，首先求其长宽比，将长宽比小于1的连通区域内的像素点的灰度值全部置0，最后获得的就是所有的道路像素。图14是从图5中的目标图像提取出的道路检测图，其中白色的像素为检测得到的道路像素，灰色的像素是连接获得的像素；图15是将图14中的道路检测图叠加在原目标图像上的效果图；图16、图17分别是在另外两个目标图像上提取得到的道路图。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于边缘特征的道路检测方法，其特征在于，该方法包括以下步骤：

步骤1，对于目标图像，采用多个方向的边缘梯度算子计算得到多幅梯度图像，基于所述多幅梯度图像计算得到自动阈值，并根据所述自动阈值对于所述多幅梯度图像进行二值化处理，得到多幅初步道路边缘图像；

步骤2，对于多幅初步道路边缘图像，采用最大类间方差方法自动获取阈值，基于获得的阈值将所述多幅初步道路边缘图像中像素个数小于该阈值的连通区域去除，从而获得所述目标图像在多个方向上的道路边缘图像；

步骤3，将所述多个方向的道路边缘图像中的道路边缘信息整合到同一幅图像中，并根据道路两侧具有相似边缘的原理夹逼出道路像素区域，得到初步道路图像；

步骤4，对于所述初步道路图像，采用基于线段拟合的生长算法进行道路区域间的连接，并根据道路区域的长宽比去除一些非道路区域，最终获得检测得到的道路。

2.根据权利要求1所述的方法，其特征在于，所述步骤1进一步包括以下步骤：

步骤11，对所述目标图像进行大尺度高斯平滑去噪；

步骤12，在平滑后得到的图像中，分别使用四个方向的Sobel算子求得四幅梯度图像；

步骤13，将所述四幅梯度图像使用自适应阈值方法进行二值化处理。

3.根据权利要求2所述的方法，其特征在于，所述步骤13中，自适应阈值采用下述方法求取得到：首先将所述梯度图像的边缘图像归一化到[0-255]，设二值化分割阈值为k，梯度图像的灰度期望为u_T，梯度图像中所有像素值落在[0-k]范围内的概率和为w_k，期望为u_k，所有像素值落在[k-255]范围内的概率和为(1-wk)，则根据最大类间方差方法，按照以下公式求得所述自适应阈值k：

$k=\underset{i}{\arg }(\underset{i=0}{\overset{255}{\max }}\left(\frac{{(u_T{w}_k-w_k)}^2}{w_k(1-w_k)}\right).$

4.根据权利要求1所述的方法，其特征在于，所述步骤2进一步包括以下步骤：

步骤21，基于经过二值化处理后的多幅梯度图像，分别计算得到统计各梯度图像的连通区域大小的直方图；

步骤22，根据最大类间方差算法，对于每一梯度图像对应的直方图求取最大类间方差阈值r，基于获得的阈值r将相应梯度图像中连通区域像素个数小于该阈值r的连通区域去除，从而获得所述目标图像在所述多个方向的道路边缘图像。

5.根据权利要求4所述的方法，其特征在于，所述步骤22中，设某一直方图的连通区域的大小期望为v_T，连通区域的大小落在[0-r]范围内的概率和为w_r，期望为v_k，连通区域的大小落在[r-255]范围内的概率和为(1-w_r)，则阈值r可按照以下公式求得：

$r=\underset{j}{\arg }(\underset{j=0}{\overset{255}{\max }}\left(\frac{{(v_T{w}_r-w_r)}^2}{w_r(1-w_r)}\right).$

6.根据权利要求1所述的方法，其特征在于，所述步骤3进一步包括以下步骤：

步骤31，创建一幅与所述目标图像大小相同的空白图像，使用该图像存储所述多个方向的道路边缘图像中的道路边缘信息，得到边缘图像A；

步骤32，分别遍历所述步骤2得到的四幅初步道路边缘图像，将所述边缘图像A中与初步道路边缘图像中像素灰度值为255的点相对应的位置的像素点灰度值置为255；

步骤33，对于所述边缘图像A，从坐标原点开始，沿着图像x轴、y轴坐标依次增大的顺序进行遍历，对于搜索到的同一行中的M(M<=N+2)个点，N为道路宽度的最大值，第一个点和第M个点的灰度值为255，而这两个点之间的灰度值为0，将这M-2个灰度值为0的潜在的道路点像素认为是可能的道路，并把这些点存储于另外一幅空白的图像中，得到初步道路图像A；

步骤34，将边缘图像A逆时针旋转90度后得到边缘图像B，再对于所述边缘图像B按照所述步骤33进行类似的处理，得到初步道路图像B。

7.根据权利要求1所述的方法，其特征在于，所述步骤4进一步包括以下步骤：

步骤41，求取所述初步道路图像A、B中的道路连通区域；

步骤42，求取所述初步道路图像A、B中道路连通区域的道路直线表示；

步骤43，基于所述道路连通区域，对于所述初步道路图像A、B中的道路进行连接，得到道路连接图；

步骤44，去除所述道路连接图中的非道路像素，最终得到道路检测图。

8.根据权利要求7所述的方法，其特征在于，该步骤41具体为：从坐标原点开始，沿着图像x轴、y轴坐标依次增大的顺序遍历所述初步道路图像A和B，当搜索到一个灰度值为255的连通区域后，统计该连通区域的像素点的个数，以该连通区域的(x,y)坐标最大值与(x,y)坐标最小值之差作为该连通区域的长，将连通区域的大小与长度之比定为该连通区域的宽度，将长宽比小于1的连通区域内的像素点的灰度值全部置0，从而得到所述初步道路图像A和B中的道路连通区域。

9.根据权利要求7所述的方法，其特征在于，该步骤42具体为：遍历所述初步道路图像A和B，对灰度值为255的道路连通区域进行下述计算：首先采用最小二乘法拟合出该连通区域的直线表达式Ax+By+C=0，然后采用下式计算连通区域中的每一点距离所述直线的距离：

$d=\left|\right|\mathrm{Ax}+\mathrm{By}+C\left|\right|/\sqrt{A^2+B^2},$

若某连通区域中超过90%以上的点，距离所述直线的距离d都小于一预定距离阈值t，则认为该连通区域可以用直线Ax+By+C=0来表示；针对不能采用直线方程表示的连通区域，如果其像素个数超过一定个数，则把该连通区域分为四个部分，采用四段线段来表示。

10.根据权利要求7所述的方法，其特征在于，所述步骤43采用下述方法进行道路连接：首先按照每个道路连通区域中的像素个数拟排序，然后根据从大到小的顺序，逐个按照下面公式计算返回值s，把返回值s最小并大于q的道路连通区域加入到当前处理的道路连连通区域中，其中q取值在10.0到15.0之间：

$s=\underset{i}{\arg }\underset{i=1,i\&NotEqual;k}{\overset{M}{\min }}(\frac{N\left[k\right]}{N\left[i\right]}+\min (\frac{\left|\right|A_k*B_i\left|\right|}{\left|\right|A_i*B_k\left|\right|},\frac{\left|\right|A_i*B_k\left|\right|}{\left|\right|A_k*B_i\left|\right|})),$

其中，k为当前最大的道路连通区域的标号，i为需要判断是否加入k线段的道路连通区域的标号，M为道路连通区域的个数，N[i]为道路连通区域i的像素个数；

在另外的小道路连通区域i加入道路连通区域k后，采用最近邻方法将它们之间的像素直接连接，则i，k区域合并为新的道路连通区域，如此继续进行连接，直到当前返回值s全部小于q为止，然后把k区域记录到另外一张图像C上，同时将所述初步道路图像A和B的k连通区域的像素设置为0。

Images