CN103778634B - 一种基于图像处理的车辙检测方法 - Google Patents

Abstract

本发明公开了一种基于图像处理的车辙检测方法，该方法首先通过摄像头采集道路彩色车辙图像，然后把彩色图片转化成单通道的灰度图，用一阶偏导的有限差分来计算高斯平滑后灰度图每个像素点的梯度，然后计算出梯度的幅值和方向，保留局部梯度最大的点，抑制非极大值，使用3个阈值 法检验和连接边缘，用50*50的窗口处理边缘点，最终实现车辙检测；本发明快速高效，能准确地检测出大多数的车辙。

Description

一种基于图像处理的车辙检测方法

技术领域

本发明涉及图像处理及城市环境监测预警技术领域，尤其涉及一种基于图像处理的车辙检测方法。

背景技术

车辆在布有灰尘的道路上驶过会留下车辙，在经常布有灰尘的道路上，比如施工道路，通过检测车辙可以判断道路的干净程度，指导是否需要清扫道路，从而达到保护环境的目的。但是传统的工作人员目测车辙深浅及密度的方法不但消耗大量人力，而且不能进行长时间操作，时间成本很大。所以利用采集设备及计算机系统的自动检测方法成为当务之急。

随着计算机技术的发展，图像处理技术日趋成熟，其中边缘检测算法很多，例如Robert算子、Sobel算子、Laplacian算子、Canny算子等，Robert和Laplacian算子对噪声敏感，Sobel算子间断点多，由于车辙边缘的连续性和噪声大的特点，Robert、Soble和Laplacian算子并不适用，同时由于车辙边缘性弱，所以仅靠canny算子的两个阈值也是达不到最佳的效果。

车辙的大多的形状比较接近于直线，也有少量由汽车拐弯造成的类圆弧，Hough变换主要是针对直线的检测，也可以检查其他的形状。由于车辙检验的边缘性不强，和形状的多变，单纯的使用Hough变换，根本达不到效果。

发明内容

本发明的目的在于克服边缘检测和Hough直线检测用于车辙检测上的缺陷，提供一种基于图像处理的车辙检测方法。本发明结合传统的canny边缘检测算法，采用三阈值法检验和连接边缘，能够达到更佳的效果，提高车辙边缘检测的准确性及效率；本发明在小窗口内进行Hough直线检验，在小窗口内类圆弧可近似成直线，可检测出类圆弧；本发明亦规定一种连接边缘的方法，能够检测出绝大多数的车辙。

本发明是通过以下技术方案实现的：一种基于图像处理的车辙检测方法，包括如下步骤：

步骤1：通过摄像头采集道路彩色车辙图像。

步骤2：把彩色图片转化成单通道的灰度图：用A[m,n]表示m行n列的矩阵A，A(y,x)表示在矩阵A中第y行第x列的值。一般的RGB图的转化公式为：

g=0.3×r+0.59×g+0.11×b

用GI[m,n]保存灰度值，其中m是图像的高度，n是宽度；用GI(i,j)表示像素点(j,i)的灰度值；用SI[m,n]保存平滑后图像的灰度值。SI[m,n]的计算方法是：

$\begin{array}{c}\mathrm{SI}(y,x)={\mathrm{\Σ}}_{j=\max (0,x-2)}^{\min (n-1,x+2)}{\mathrm{\Σ}}_{i=\max (0,y-2)}^{\min (m-1,y+2)}\mathrm{GI}(i,j)*\exp (-\frac{{\left|\right|(y,x)-(i,j)\left|\right|}^2}{{2\mathrm{\δ}}^2})/\\ {\mathrm{\Σ}}_{j=\max (0,x-2)}^{\min (n-1,x+3)}{\mathrm{\Σ}}_{i=\max (0,y-2)}^{\min (m-1,y+2)}\exp (-\frac{{\left|\right|(y,x)-(i,j)\left|\right|}^2}{{2\mathrm{\δ}}^2})\end{array}$

步骤3：用一阶偏导的有限差分来计算高斯平滑后灰度图每个像素点的梯度，然后计算出梯度的幅值和方向：用Gx[m,n]表示梯度在水平方向的值，用Gy[m,n]表示梯度在垂直方向的值,用G[m,n]表示梯度的幅值，用θ[m,n]表示梯度的方向。各自的计算方法是：

Gx(y,x)=SI(y,x+1)-SI(y,x-1)

Gy(y,x)=SI(y+1,x)-SI(y-1,x)

$G(y,x)=\sqrt{\mathrm{Gx}(y,x)*\mathrm{Gx}(y,x)+\mathrm{Gy}(y,x)*\mathrm{Gy}(y,x)}$

$\mathrm{\θ}(y,x)={\tan }^{-1}\frac{\mathrm{Gy}(y,x)}{\mathrm{Gx}(y,x)}$

步骤4：保留局部梯度最大的点，抑制非极大值：图像上每一个象素点M(mx,my)与沿着梯度线的两个象素相比，如果像素点M的梯度值不比沿梯度线的两个相邻象素梯度值大，则令G[my][mx]=0。否则保持像素点梯度幅值不变。

步骤5：使用3个阈值（T₁<T₂<T₃）法检验和连接边缘：通过3个阈值得到两个阈值边缘图像N1,N2。图像N1中任意的像素点P(px,py),都有T₁≤G(py_,px)≤T₃。图像N2中任意的像素点P(px,py)，都有T₂≤G(py,px)≤T₃。在图像N2中把边缘连接成轮廓，当到达轮廓的端点时，就在图像N1的8邻点位置寻找可以连接到轮廓上的边缘，这样，不断在N1中收集边缘，直到将N2中所有的边缘点连接起来为止。用E[m,n]记录边缘，E(i,j)=1表示像素点(j,i)是边缘，E(i,j)=0表示像素点(j,i)不是边缘。

步骤6：用50*50的窗口处理边缘点。窗口内边缘点的个数是n，设定边缘点个数阈值nT，把窗口分为三种情况。

第一种情况：n<nT时，此窗口不处理，窗口内的边缘点为自由边缘点。

第二种情况：n≥nT时，并且可以用不多于两条直线进行拟合，这个窗口为好区。直线与窗口交两点——上顶点M(mx,my)、下顶点N(nx,ny),其中（ny>my或者ny=my,nx>mx）。令E(my,mx)=2,E(ny,nx)=3,并记录直线的方向θ，D(my,mx)=D(ny,nx)=θ。点m、n中间的点p(px,py),令E(py,px)=4；不在直线上的点p(px,py),令E(py,px)=0。

第三种情况：n≥nT时，并且无法用两条直线拟合，称这个窗口为噪音区，任意的在这个窗口的像素点p(px,py),令E(py,px)=0。

拟合的方法：用Hough变换找到过最多边缘点的第一条直线，如果只有少量的边缘点不在直线，为第二种情况。否则用Hough变换找到第二条直线过最多剩余的边缘点，若只有少量的边缘不在直线上，为第二种情况，否则属于第三种情况。

经过此步骤后，E(y,x)=0,表示像素点(x,y)为非边缘，E(y,x)=1，表示像素点(x,y)为自由边缘，E(y,x)=2，表示像素点(x,y)为上顶点，E(y,x)=3，表示像素点(x,y)为下顶点，E(y,x)=4，表示像素点(x,y)为拟合的直线中间点。

步骤7：连接边缘点，形成最终的车辙：从上往下，从左往右的顺序遍历E[m,n]，找到未处理的顶点p(px,py)，既E(py,px)=2或3，若为上顶点，沿着方向D(py,px)向上寻找可连接的边缘点；若为下顶点，沿着方向D(py,px)向下寻找可连接的边缘点。首先令E(py,px)=4，标记顶点P已处理。寻找可连接的边缘点分如下几种情形，定义连接的距离阈值nT₁，方向差上的阈值nT₂：

情形1，找到顶点M(mx,my)，即E(my,mx)=2或3。若||PM||≤nT₁且||D（py,px）-D（my,mx）||≤nT₂,用直线连接PM，中间的点C(cx,cy),令E(cy,cx)=5。终止该方向的查找。

情形2，找到自由边缘点M(mx,my)，即E(my,mx)=1，||PM||≤nT₁,用直线连接PM，中间的点C(cx,cy),令E(cy,cx)=5。把M的值赋给P，继续该方向的查找。

情形3，其他情况都终止该方向的查找。其他情况包括1，到达图像的边界；2，||PM||>nT₁等。

直到所有的顶点处理完，即E中不存在2或3。E(y,x)=4或5表示像素点(x,y)是位于车辙上的点，这些点的集合即是找到的车辙。

本发明的有益效果是：本发明基于canny边缘检测和Hough变换，在边缘检测中，使用三阈值检验和连接边缘，提取更加准确的车辙边缘。在小窗口内进行Hough变换，适用于类圆弧的车辙，可以进一步的除去噪音，也可以对车辙在小窗口内进行拟合。在连接方面，拟合出的直线是车辙的可能性很大，所以从拟合直线的顶点出发查找可以连接的边缘点并链接，形成是车辙的准确率很高。本发明快速高效，能准确地检测出大多数的车辙。

附图说明

图1是本发明的基于图像处理的车辙检测方法的流程图。

具体实施方式

如图1所示，本发明基于图像处理的车辙检测方法包括如下步骤：

步骤1：通过摄像头采集道路彩色车辙图像。

步骤2：把彩色图片转化成单通道的灰度图，高斯平滑灰度图，减少噪音的影响。

用A[m,n]表示m行n列的矩阵A，A(y,x)表示在矩阵A中第y行第x列的值。一般的RGB图的转化公式为：

g=0.3×r+0.59×g+0.11×b

用GI[m,n]保存灰度值，其中m是图像的高度，n是宽度；用GI(i,j)表示像素点(j,i)的灰度值；用SI[m,n]保存平滑后图像的灰度值。SI[m,n]的计算方法是：

$\begin{array}{c}\mathrm{SI}(y,x)={\mathrm{\&Sigma;}}_{j=\max (0,x-2)}^{\min (n-1,x+2)}{\mathrm{\&Sigma;}}_{i=\max (0,y-2)}^{\min (m-1,y+2)}\mathrm{GI}(i,j)*\exp (-\frac{{\left|\right|(y,x)-(i,j)\left|\right|}^2}{{2\mathrm{\&delta;}}^2})/\\ {\mathrm{\&Sigma;}}_{j=\max (0,x-2)}^{\min (n-1,x+3)}{\mathrm{\&Sigma;}}_{i=\max (0,y-2)}^{\min (m-1,y+2)}\exp (-\frac{{\left|\right|(y,x)-(i,j)\left|\right|}^2}{{2\mathrm{\&delta;}}^2})\end{array}$

步骤3：用一阶偏导的有限差分来计算高斯平滑后灰度图每个像素点的梯度，然后计算出梯度的幅值和方向。

用Gx[m,n]表示梯度在水平方向的值，用Gy[m,n]表示梯度在垂直方向的值,用G[m,n]表示梯度的幅值，用θ[m,n]表示梯度的方向。各自的计算方法是：

Gx(y,x)=SI(y,x+1)-SI(y,x-1)

Gy(y,x)=SI(y+1,x)-SI(y-1,x)

$G(y,x)=\sqrt{\mathrm{Gx}(y,x)*\mathrm{Gx}(y,x)+\mathrm{Gy}(y,x)*\mathrm{Gy}(y,x)}$

$\mathrm{\&theta;}(y,x)={\tan }^{-1}\frac{\mathrm{Gy}(y,x)}{\mathrm{Gx}(y,x)}$

步骤4：保留局部梯度最大的点，抑制非极大值。

图像上每一个象素点M(mx,my)与沿着梯度线的两个象素相比，如果像素点M的梯度值不比沿梯度线的两个相邻象素梯度值大，则令G[my][mx]=0。否则保持像素点梯度幅值不变。

步骤5：使用3个阈值（T₁<T₂<T₃）法检验和连接边缘。

通过3个阈值得到两个阈值边缘图像N1,N2。图像N1中任意的像素点P(px,py),都有T₁≤G(py,px)≤T₃。图像N2中任意的像素点P(px,py)，都有T₂≤G(py,px)≤T₃。在图像N2中把边缘连接成轮廓，当到达轮廓的端点时，就在图像N1的8邻点位置寻找可以连接到轮廓上的边缘，这样，不断在N1中收集边缘，直到将N2中所有的边缘点连接起来为止。用E[m,n]记录边缘，E(i,j)=1表示像素点(j,i)是边缘，E(i,j)=0表示像素点(j,i)不是边缘。

步骤6：用50*50的窗口处理边缘点。窗口内边缘点的个数是n，设定边缘点个数阈值nT，把窗口分为三种情况。

第一种情况：n<nT时，此窗口不处理，窗口内的边缘点为自由边缘点。

第二种情况：n≥nT时，并且可以用不多于两条直线进行拟合，这个窗口为好区。直线与窗口交两点——上顶点M(mx,my)、下顶点N(nx,ny),其中（ny>my或者ny=my,nx>mx）。令E(my,mx)=2,E(ny,nx)=3,并记录直线的方向θ，D(my,mx)=D(ny,nx)=θ。点m、n中间的点p(px,py),令E(py,px)=4；不在直线上的点p(px,py),令E(py,px)=0。

第三种情况：n≥nT时，并且无法用两条直线拟合，称这个窗口为噪音区，任意的在这个窗口的像素点p(px,py),令E(py,px)=0。

拟合的方法：用Hough变换找到过最多边缘点的第一条直线，如果只有少量的边缘点不在直线，为第二种情况。否则用Hough变换找到第二条直线过最多剩余的边缘点，若只有少量的边缘不在直线上，为第二种情况，否则属于第三种情况。

经过此步骤后，E(y,x)=0,表示像素点(x,y)为非边缘，E(y,x)=1，表示像素点(x,y)为自由边缘，E(y,x)=2，表示像素点(x,y)为上顶点，E(y,x)=3，表示像素点(x,y)为下顶点，E(y,x)=4，表示像素点(x,y)为拟合的直线中间点。

步骤7：连接边缘点，形成最终的车辙。从上往下，从左往右的顺序遍历E[m,n]，找到未处理的顶点p(px,py)，既E(py,px)=2或3，若为上顶点，沿着方向D(py,px)向上寻找可连接的边缘点；若为下顶点，沿着方向D(py,px)向下寻找可连接的边缘点。首先令E(py,px)=4，标记顶点P已处理。寻找可连接的边缘点分如下几种情形，定义连接的距离阈值nT₁，方向差上的阈值nT₂：

情形1，找到顶点M(mx,my)，即E(my,mx)=2或3。若||PM||≤nT₁且||D（py,px）-D（my,mx）||≤nT₂,用直线连接PM，中间的点C(cx,cy),令E(cy,cx)=5。终止该方向的查找。

情形2，找到自由边缘点M(mx,my)，即E(my,mx)=1，||PM||≤nT₁,用直线连接PM，中间的点C(cx,cy),令E(cy,cx)=5。把M的值赋给P，继续该方向的查找。

情形3，其他情况都终止该方向的查找。其他情况包括1，到达图像的边界；2，||PM||>nT₁等。

直到所有的顶点处理完，即E中不存在2或3。E(y,x)=4或5表示像素点(x,y)是位于车辙上的点，这些点的集合即是找到的车辙。

Claims (1)

1.一种基于图像处理的车辙检测方法，其特征在于，包括如下步骤：

步骤1：通过摄像头采集道路彩色车辙图像；

步骤2：把彩色图片转化成单通道的灰度图：用A[m,n]表示m行n列的矩阵A，A(y,x)表示在矩阵A中第y行第x列的值；一般的RGB图的转化公式为：

g＝0.3×r+0.59×g+0.11×b

用GI[m,n]保存灰度值，其中m是图像的高度，n是宽度；用GI(i,j)表示像素点(j,i)的灰度值；用SI[m,n]保存平滑后图像的灰度值；SI[m,n]的计算方法是：

$\begin{array}{c}SI(y,x)={\&Sigma;}_{j=\max (0,x-2)}^{\min (n-1,x+2)}{\&Sigma;}_{i=\max (0,y-2)}^{\min (n-1,y+2)}GI(i,j)*\exp (-\frac{\left|\right|(y-x)-(i,j)|{|}^2}{2{\mathrm{\&delta;}}^2})/\\ {\&Sigma;}_{j=\max (0,x-2)}^{\min (n-1,x+3)}{\&Sigma;}_{i=\max (0,y-2)}^{\min (m-1,y+2)}\exp (-\frac{\left|\right|(y,x)-(i,j)|{|}^2}{2{\mathrm{\&delta;}}^2})\end{array}$

步骤3：用一阶偏导的有限差分来计算高斯平滑后灰度图每个像素点的梯度，然后计算出梯度的幅值和方向：用Gx[m,n]表示梯度在水平方向的值，用Gy[m,n]表示梯度在垂直方向的值,用G[m,n]表示梯度的幅值，用θ[m,n]表示梯度的方向；各自的计算方法是：

Gx(y,x)＝SI(y,x+1)-SI(y,x-1)

Gy(y,x)＝SI(y+1,x)-SI(y-1,x)

$G(y,x)=\sqrt{Gx(y,x)*Gx(y,x)+Gy(y,x)*Gy(y,x)}$

$\mathrm{\&theta;}(y,x)={\tan }^{-1}\frac{Gy(y,x)}{Gx(y,x)}$

步骤4：保留局部梯度最大的点，抑制非极大值：图像上每一个象素点M(mx,my)与沿着梯度线的两个象素相比，如果像素点M的梯度值不比沿梯度线的两个相邻象素梯度值大，则令G[my][mx]＝0；否则保持像素点梯度幅值不变；

步骤5：使用3个阈值法检验和连接边缘，3个阈值分别记为T₁、T₂、T₃，且T₁<T₂<T₃：通过3个阈值得到两个阈值边缘图像N1,N2；图像N1中任意的像素点P(px,py),都有T₁≤G(py,px)≤T₃；图像N2中任意的像素点P(px,py)，都有T₂≤G(py,px)≤T₃；在图像N2中把边缘连接成轮廓，当到达轮廓的端点时，就在图像N1的8邻点位置寻找可以连接到轮廓上的边缘，这样，不断在N1中收集边缘，直到将N2中所有的边缘点连接起来为止；用E[m,n]记录边缘，E(i,j)＝1表示像素点(j,i)是边缘，E(i,j)＝0表示像素点(j,i)不是边缘；

步骤6：用50*50的窗口处理边缘点；窗口内边缘点的个数是n，设定边缘点个数阈值nT，把窗口分为三种情况；

第一种情况：n<nT时，此窗口不处理，窗口内的边缘点为自由边缘点；

第二种情况：n≥nT时，并且可以用不多于两条直线进行拟合，这个窗口为好区；直线与窗口交两点——上顶点M(mx,my)、下顶点N(nx,ny),其中ny>my或者ny＝my,nx>mx；令E(my,mx)＝2,E(ny,nx)＝3,并记录直线的方向θ，D(my,mx)＝D(ny,nx)＝θ；点m、n中间的点p(px,py),令E(py,px)＝4；不在直线上的点p(px,py),令E(py,px)＝0；

第三种情况：n≥nT时，并且无法用两条直线拟合，称这个窗口为噪音区，任意的在这个窗口的像素点p(px,py),令E(py,px)＝0；

拟合的方法：用Hough变换找到过最多边缘点的第一条直线，如果只有少量的边缘点不在直线，为第二种情况；否则用Hough变换找到第二条直线过最多剩余的边缘点，若只有少量的边缘不在直线上，为第二种情况，否则属于第三种情况；

经过此步骤后，E(y,x)＝0,表示像素点(x,y)为非边缘，E(y,x)＝1，表示像素点(x,y)为自由边缘，E(y,x)＝2，表示像素点(x,y)为上顶点，E(y,x)＝3，表示像素点(x,y)为下顶点，E(y,x)＝4，表示像素点(x,y)为拟合的直线中间点；

步骤7：连接边缘点，形成最终的车辙：从上往下，从左往右的顺序遍历E[m,n]，找到未处理的顶点p(px,py)，既E(py,px)＝2或3，若为上顶点，沿着方向D(py,px)向上寻找可连接的边缘点；若为下顶点，沿着方向D(py,px)向下寻找可连接的边缘点；首先令E(py,px)＝4，标记顶点P已处理；寻找可连接的边缘点分如下几种情形，定义连接的距离阈值nT₁，方向差上的阈值nT₂：

情形1，找到顶点M(mx,my)，即E(my,mx)＝2或3；若||PM||≤nT₁且||D(py,px)-D(my,mx)||≤nT₂,用直线连接PM，中间的点C(cx,cy),令E(cy,cx)＝5；终止该方向的查找；

情形2，找到自由边缘点M(mx,my)，即E(my,mx)＝1，||PM||≤nT₁,用直线连接PM，中间的点C(cx,cy),令E(cy,cx)＝5；把M的值赋给P，继续该方向的查找；

情形3，其他情况都终止该方向的查找；其他情况包括1，到达图像的边界；2，||PM||>nT₁等；

直到所有的顶点处理完，即E中不存在2或3；E(y,x)＝4或5表示像素点(x,y)是位于车辙上的点，这些点的集合即是找到的车辙。