CN103886594B - 路面线激光车辙检测与识别方法及处理系统 - Google Patents
路面线激光车辙检测与识别方法及处理系统 Download PDFInfo
- Publication number
- CN103886594B CN103886594B CN201410102675.7A CN201410102675A CN103886594B CN 103886594 B CN103886594 B CN 103886594B CN 201410102675 A CN201410102675 A CN 201410102675A CN 103886594 B CN103886594 B CN 103886594B
- Authority
- CN
- China
- Prior art keywords
- point
- image
- ridge
- window
- pixel
- 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.)
- Expired - Fee Related
Links
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种路面线激光车辙检测与识别方法及处理系统,其中检测与识别方法包括步骤:采集路面车辙激光线图像;对图像进行特征提取得到脊性特征强度图;在特征强度图中,图像中每列象素灰度值在数值上都会呈现为波形曲线,每条曲线上会有一个或多个波形峰值点,这些峰值点为激光线车辙上点(称为脊点)的候选点,利用峰值连续性逐个寻找每列象素灰度值波形的脊点来确定车辙激光线。本发明能自动、实时、精确地提取车辙激光线,且处理系统具备很强的鲁棒性,为后续的路面车辙模型及车辙深度计算提供了精确的、可靠的数据,进而提高了路面车辙深度的测量精度。
Description
技术领域
本发明涉及图像处理,尤其涉及一种路面线激光车辙检测与识别方法及处理系统。
背景技术
近年来,随着我国交通运输业的发展,特别是高速公路的建设获得了较快的发展,高速公路的里程和重型车数量都在快速增加,随之引起的路面轮廓变形成为一个日益突出的问题,对车辙变形的分析是评价路面使用性能的重要组成部分和进行公路科学养护的基础。车辙是路面经过汽车轮胎反复行驶碾压产生流动变形、磨损、沉陷后,在车行道行车轨迹上产生的纵向带状辄槽,是路面永久性变形,由轮迹的凹陷及两侧的隆起组成。
车辙不仅仅是高速公路路面的主要病害之一,还是高等级公路进一步损坏的诱因,如果对路面车辙不及时修补,就可能造成路面的拥包、松散、块裂和龟裂等。车辙主要有四方面危害,一是对路面平整度造成一定影响,使行车舒适性明显降低;二是减薄了轮迹位置的沥青层厚度,对沥青层及整体路面结构强度进行削弱,易于导致各种病害的发生;三是雨天路面排水不够通畅,会使路面抗滑性能降低,以至于因车辙积水造成车辆发生漂滑,车辙内的水在冬季凝结成冰降低路面抗滑能力,使高速行车安全受到严重影响;四是车辆超车或改变方向时容易发生失控,使车辆操纵的稳定性受到影响。因此,路面车辙是高速公路养护中的一项十分重要的检测任务和质量评价指标。
高速公路建设的飞速发展,对路面车辙检测手段提出了更高的要求,而计算机技术的发展也为较好的进行自动检测提供了重要手段。车辙自动检测技术和设备朝着快速、实时化,高精度、高稳定性,经济性、人性化多功能、集成化,智能化、标准化、可视化的方向发展。
将激光器以线阵排列的方式安装在检测车上,在检测车以正常速度行驶时,对路面图像进行采集与存储,获取激光线路面图像。然后采用现代数字图像处理方法对激光线图像进行检测与识别,提取车辙激光线上的系列象素点,进而分析路面车辙的深度分布特征。该技术已广泛应用于高速公路路面车辙的检测过程中。如图1所示,为沥青路面常见车辙激光线图像,从图像上看,表征车辙的激光曲线在图像上呈略亮于路面背景的线状特征,穿越车道线时,会因强反光而出现高亮变化。曲线随着车辙形态的变化而发生弯曲变形,变形量与路面车辙深度有一定的数学模型关系。
路面车辙激光线图像的采集与存储方法已成熟。现在面临的主要问题是图像数据的处理,面对庞大(数以亿级)的图像数据量,车辙激光线提取算法的可靠性、准确性以及速度和效率是至关重要的,这已成为路面车辙检测的技术瓶颈。
现有的激光线检测与识别方法包括:采用线激光投射路面,摄像机拍摄路面获得图像。进行路面激光线图像处理的步骤为:首先进行灰度校正,以原图中一块最暗的80%的象素作为背景象素,并将这些象素的平均灰度值作为图像块的背景灰度值,用原图减去背景图,得到校正结果图。再采用分割方法在原图中提取最接近最大灰度值的目标象素,并对提取的象素点进行直线拟合,然后截取一个较小的确定为目标的区域。其中分割阈值设为平均灰度值的一个固定的倍数。最后对分割图像进行细化处理,以便得到宽度为单象素的激光车辙线图像。
现有技术中也有采用与上面相同的方法获取路面激光线图像,使用最小误差法选取图像分割阈值,然后消除干扰噪声,利用B样条拟合重心法对保留下来的象素进行细化处理,得到确认的激光线目标象素。
上述方法步骤中,对图像进行阈值分割采用的分割方法需要进行人工干预,同时设定较多的人工阈值,采集的路面图像中存在较多的斑马线、车道线等高灰度象素,采用这样的分割方法容易给图像的分割结果带来不稳定的结果,可能把较亮的背景分割成目标,同时也可能把较暗的目标分割为背景。还有方法对提取出的目标象素进行细化或拟合,得到激光线图像。经过细化或曲线拟合处理后所得到的象素点不一定是真实的车辙激光线目标象素,有时出现偏差,这就使得检测的车辙精度出现较大程度的误差,直接影响车辙深度的计算,进而影响路面质量的最终评价。
发明内容
本发明要解决的技术问题在于针对现有技术中对路面车辙激光线图像处理后得到的车辙精度不够,且处理系统的鲁棒性不强的缺陷,提供一种能自动、实时、精确地提取车辙激光线,且处理系统具备很强的鲁棒性的路面线激光车辙检测与识别方法及处理系统。
本发明解决其技术问题所采用的技术方案是:
提供一种路面线激光车辙检测与识别方法,包括以下步骤:
S1、采集路面车辙激光线图像;
S2、对采集的路面车辙激光线图像进行归一化处理,使整幅图像的灰度值在0-255之间;
S3、采用高度小于宽度的横向矩形方向滤波器对归一化后的图像进行滤波;
S4、根据图像选择高度大于宽度的纵向矩形窗口,计算矩形窗口的中心坐标象素的脊性特征强度值,在整个图像区域内从左到右从上到下滑动窗口,获取整图的脊性特征强度图,并将脊性特征强度图的强度值归一化到0-255;
S5、判断脊性特征强度图中象素的强度值是否小于等于阈值,若是,则将其强度值重置为0,若否,则保持原强度值,得到阈值处理后的脊性特征强度图;
S6、计算阈值处理后的脊性特征强度图中连通域的长度,将长度最大的连通域上的强度值最大的点确定为种子点;
S7、在脊性特征强度图中,将种子点所在的图像坐标列的下一列象素的多个峰值点作为候选点,将与种子点为邻的候选点确定为该下一列的脊点,同理逐列寻找脊点,以提取完整的车辙激光线。
本发明所述的方法中,步骤S7中,若所述候选点确定为脊点,则将该候选点标识为1,该列其它候选点标识为-1,如果该列所有候选点均不能确定为脊点,则标识为0,表明要留待确认。
本发明所述的方法中,对脊点未能确定的列,进行第二次跟踪,在两个零界车辙点区间内,利用原图信息,找出峰值点,利用峰值和连续性在该区间范围内逐一确认脊点。
本发明所述的方法中,步骤S4具体包括步骤:
S41、以象素为单位,采用大小为11×5的滑动窗口,每个窗口内的图像象素个数sumnum=11×5;将窗口的中心与图像待处理的当前象素点吻合,在该窗口覆盖的图像区域内,计算图像中当前象素点与其它各象素点差异值Δim,jn,计算公式为Δim,jn=Pi,j-Ci+m,j+n,Pi,j为当前点象素值,Ci+m,j+n为窗口内除当前点外的其它象素值;
S42、统计窗口内Δim,jn>0的象素个数num,对满足条件Δim,jn>0下的象素灰度值求和
S43、开辟和原图大小相同的图像空间,在当前点对应坐标上对当前点的强度进行赋值;设定合适的阈值ε=0.65,若num/sumnum<ε则当前点的强度置为0,反之,则用计算强度值Intensity=Si,j/sumnum来赋值;
S44、将该窗口在整幅图像上滑动,计算每一个窗口所对应的当前象素点的强度特征值,并给新开辟的图像空间赋值;
S45、将赋值后整图的强度值归一化到[0,255]。
本发明还提供了一种路面线激光车辙检测与识别处理系统,包括:
采集模块,用于采集路面车辙激光线图像;
归一化处理模块,用于对采集的路面车辙激光线图像进行归一化处理,使整幅图像的灰度值在0-255之间;
滤波器模块,用于采用方向滤波器对归一化后的图像进行滤波;
脊性特征强度图获取模块,用于根据图像选择矩形窗口,计算矩形窗口的中心坐标象素的脊性特征强度值,在整个图像区域内从左到右从上到下滑动窗口,获取整图的脊性特征强度图,并将脊性特征强度图的强度值归一化到0-255;
重置模块,用于判断脊性特征强度图中象素的强度值是否小于等于阈值,若是,则将其强度值重置为0,则保持原强度值,得到阈值处理后的脊性特征强度图;
种子点确定模块,计算阈值处理后的脊性特征强度图中连通域的长度,将长度最大的连通域上的强度值最大的点确定为种子点;
脊点提取模块,用于在脊性特征强度图中,将种子点所在的图像坐标列的下一列象素的多个峰值点作为候选点,将与种子点为邻的候选点确定为该下一列的脊点,同理逐列寻找脊点,以提取完整的车辙激光线。
本发明所述的系统中,所述脊点提取模块,具体用于在所述候选点确定为脊点时,则将该候选点标识为1,该列其它候选点标识为-1,在该列所有候选点均不能确定为脊点时,则标识为0,表明要留待确认。
本发明所述的系统中,包括二次跟踪模块,用于对脊点未能确定的列,进行第二次跟踪,具体为在两个零界车辙点区间内,利用原图信息,找出峰值点,利用峰值和连续性在该区间范围内逐一确认脊点。
本发明所述的系统中,所述脊性特征强度图获取模块具体用于:
象素点差异值计算模块,用于以象素为单位,采用大小为11×5的滑动窗口,每个窗口内的图像象素个数sumnum=11×5;将窗口的中心与图像待处理的当前象素点吻合,在该窗口覆盖的图像区域内,计算图像中当前象素点与其它各象素点差异值Δim,jn,计算公式为Δim,jn=Pi,j-Ci+m,j+n,Pi,j为当前点象素值,Ci+m,j+n为窗口内除当前点外的其它象素值;
象素灰度值求和模块,用于统计窗口内Δim,jn>0的象素个数num,对满足条件Δim,jn>0下的象素灰度值求和
赋值模块,用于开辟和原图大小相同的图像空间,在当前点对应坐标上对当前点的强度进行赋值;设定合适的阈值ε=0.65,若num/sumnum<ε则当前点的强度置为0,反之,则用计算强度值Intensity=Si,j/sumnum来赋值;将该窗口在整幅图像上滑动,计算每一个窗口所对应的当前象素点的强度特征值,并给新开辟的图像空间赋值;
整图归一化模块,用于将赋值后整图的强度值归一化到[0,255]。
本发明产生的有益效果是:本发明利用特征强度图中,图像中每列象素在数值上都会呈现为波形曲线,每条曲线都会有一个车辙点,且为波形峰值点(可称为脊点),通过将采集到的图像转化为脊性特征强度图,再在该脊性特征强度图中逐个寻找每列的波形峰值点来确定激光线。本发明能自动、实时、精确地提取车辙激光线,且处理系统具备很强的鲁棒性,为后续的路面车辙模型及车辙深度计算提供了精确的、可靠的数据,进而提高了路面车辙深度的测量精度。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1沥青路面常见车辙激光线图像;
图2北京五环路面车辙激光线图像提取实例图;
图3是本发明实施例路面线激光车辙检测与识别方法流程图;
图4为本发明实施例采用矩形均值滤波器(3×9滤波器)对图2进行滤波的结果图;
图5为本发明实施例对图2滤波后提取的脊性特征强度图;
图6为本发明实施例采用连通域度量寻找车辙激光线上的种子点的示意图;
图7为本发明实施例特征强度图上列象素灰度值的波形及峰值点示意图;
图8为本发明实施例采用波峰连续性向左、右方向寻找车辙激光线的结果示意图;
图9为本发明实施例采用波峰连续性再次寻找微弱车辙激光线象素的结果示意图;
图10为本发明实施例车辙激光线的提取结果(单像素);
图11(a)为安徽一高速路面车辙激光图像;
图11(b)为对图10的车辙激光线跟踪结果;
图11(c)为车辙激光线的提取结果(单像素);
图12(a)为津京高速路面车辙激光线图像;
图12(b)为对图12(a)的激光线跟踪结果;
图12(c)车辙激光线的提取结果(单像素);
图13(a)为河北一高速路面车辙激光线图像;
图13(b)为对图13(a)的车辙激光线跟踪结果;
图13(c)为车辙激光线的提取结果(单像素)。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
本发明利用车辙激光线存在脊性特征即峰值连续性特征,可从采集到的路面激光车辙图像中自动、实时、精确地提取车辙激光线,且具有很强的鲁棒性。
本发明实施例路面线激光车辙检测与识别方法,如图3所示,包括以下步骤:
S1、采集路面车辙激光线图像;
S2、对采集的路面车辙激光线图像进行归一化处理,使整幅图像的灰度值在0-255之间;
S3、采用高度小于宽度的横向矩形方向滤波器对归一化后的图像进行滤波,目的是为了增强车辙激光线的线性目标特征。车辙激光线目标是一种典型的线性目标,故本发明实施例中,将滤波器窗口设置为高度小于宽度的矩形。本发明处理的对象中激光线方向为从左至右的线,则滤波器设置为宽大于高的矩形,本发明一个实施例中,可设置滤波矩形窗口大小为3×9,对如图2所示的北京五环路面车辙激光线图像提取实例图进行滤波,其滤波结果见图4。
S4、根据图像选择高度大于宽度的纵向矩形窗口,计算矩形窗口的中心坐标象素的脊性特征强度值,在整个图像区域内从左到右从上到下滑动窗口,获取整图的脊性特征强度图,并将脊性特征强度图的强度值归一化到0-255。脊性特征强度主要表现为当前点(中心点)象素值与窗口内其它象素值的差异,值越大,脊性特征越明显。本发明的一个实施例中滑动窗口的高度大于宽度,目的是为了统计脊性特征值。在特征强度图中,图像中每列象素在数值上都会呈现为波形曲线,每条曲线都会有一个车辙点,且为波形峰值点,可将该波峰点称为脊点,见图7中的黑色圆圈标记处的黑点。
本发明的一个较佳实施例中,步骤S4具体包括步骤:
S41、以象素为单位,采用大小为11×5的滑动窗口,每个窗口内的图像象素个数sumnum=11×5;将窗口的中心与图像待处理的当前象素点吻合,在该窗口覆盖的图像区域内,计算图像中当前象素点与其它各象素点差异值Δim,jn,计算公式为Δim,jn=Pi,j-Ci+m,j+n,Pi,j为当前点象素值,Ci+m,j+n为窗口内除当前点外的其它象素值;
S42、统计窗口内Δim,jn>0的象素个数num,对满足条件Δim,jn>0下的象素灰度值求和
S43、开辟和原图大小相同的图像空间,在当前点对应坐标上对当前点的强度进行赋值;设定合适的阈值ε=0.65,若num/sumnum<ε则当前点的强度置为0,反之,则用计算强度值Intensity=Si,j/sumnum来赋值;
S44、将该窗口在整幅图像上滑动,计算每一个窗口所对应的当前象素点的强度特征值,并给新开辟的图像空间赋值;
S45、将赋值后整图的强度值归一化到[0,255]。如图5所示,为对图4滤波后的图像进行提取的脊性特征强度图。
经上述步骤处理后得到的结果图的亮度大小为强度大小。为了快速、准确地检测及识别激光线位置,本发明实施例在处理过程中对激光线象素目标进行逐点定位,具体为:
步骤S5、判断脊性特征强度图中象素的强度值是否小于等于阈值,若是,则将其强度值重置为0,若否,则保持原强度值,得到阈值处理后的脊性特征强度图。本发明的一个实施例中,对归一化到[0,255]强度图进行分类,强度小于等于40的置0,大于40的保持原强度值,由此得到强度值均大于40的一些连通域。
S6、计算阈值处理后的脊性特征强度图中连通域的长度,将长度最大的连通域上的强度值最大的点确定为种子点。具体为:计算每个连通象素区域的横向长度Lk并保存。本发明将横向长度最长Lmax的连通域上强度值最大的点确定为种子点,如图6为对图5重置后的脊性特征强度图,其中白色圆圈标记处为种子点。
S7、以种子点为起点,分别向左右两边跟踪激光线单象素目标。本发明中利用车辙具有的峰值连续性特点对激光线进行逐点跟踪。
本发明实施例中,利用种子点确定脊点的具体方法为:以向右跟踪为例:①将种子点所在图像坐标列的下一列象素的一些峰值点作为候选点,以与种子点为邻的候选点确定为该下一列的脊点;②继续进行下一列象素灰度值波形的脊点确认,以与上一个脊点为邻的候选点确定为该下一列的脊点。本发明的一个实施例中,可将该候选点标识为1,其它候选点标识为-1。如果该列所有候选点不能确定为脊点,则标识为0,表明要留待确认。逐列寻找脊点和标识,直至图像的最右端。
以上述同样的方式向左跟踪脊点,只是对应坐标反向而已,完成左右两方向的脊点跟踪,结果如图8所示,图中白色的实心点为种子点,图中的亮线为车辙激光线,中间断裂部分为脊点未确定,即标记为0的列。
在本发明的一个较佳实施例中,有可能存在脊点不确定的情况,对脊点未能确定的列(即列上的峰值候选点标识0的一些列),进行第二次跟踪,在两个零界脊点区间,利用原图信息,找出峰值点,利用峰值和连续性在小区间范围内逐一确认脊点,如图9所示,图中方框标注内的线为找到的微弱车辙激光线象素。由此,可完整地连续地提取车辙激光线,见图10。
上述方法应用到实际中,产生了较好的效果。如图11(a)所示,为安徽一高速路面车辙激光图像,图11(b)为对图11(a)的车辙激光线跟踪结果,图11(c)为车辙激光线的提取结果(单像素)。图12(a)为一津京高速路面车辙激光线图像,图12(b)为对图12(a)的激光线跟踪结果,图12(c)车辙激光线的提取结果(单像素)。图13(a)为河北一高速路面车辙激光线图像,图13(b)为对图13(a)的车辙激光线跟踪结果,图13(c)车辙激光线的提取结果(单像素)。
以上述步骤提取的激光线目标象素为所真正所需要检测的路面车辙激光线,真实地反应了路面车辙的状态,可供路面车辙模型的分析和车辙深度的计算。
本发明实施例路面线激光车辙检测与识别处理系统,基于上述路面线激光车辙检测与识别方法,具体包括:
采集模块,用于采集路面车辙激光线图像;
归一化处理模块,用于对采集的路面车辙激光线图像进行归一化处理,使整幅图像的灰度值在0-255之间;
滤波器模块,用于采用高度小于宽度的横向矩形方向滤波器对归一化后的图像进行滤波;
脊性特征强度图获取模块,用于根据图像选择高度大于宽度的纵向矩形窗口,计算矩形窗口的中心坐标象素的脊性特征强度值,在整个图像区域内从左到右从上到下滑动窗口,获取整图的脊性特征强度图,并将脊性特征强度图的强度值归一化到0-255;
重置模块,用于判断脊性特征强度图中象素的强度值是否小于等于阈值,若是,则将其强度值重置为0,则保持原强度值,得到阈值处理后的脊性特征强度图;
种子点确定模块,计算阈值处理后的脊性特征强度图中连通域的长度,将长度最大的连通域上的强度值最大的点确定为种子点;
脊点提取模块,用于在脊性特征强度图中,将种子点所在的图像坐标列的下一列象素的多个峰值点作为候选点,将与种子点为邻的候选点确定为该下一列的脊点,同理逐列寻找脊点,以提取完整的车辙激光线。
本发明的一个实施例中,所述脊点提取模块,具体用于在所述候选点确定为脊点时,则将该候选点标识为1,该列其它候选点标识为-1,在该列所有候选点均不能确定为脊点时,则标识为0,表明要留待确认。
本发明的一个实施例中,该系统包括二次跟踪模块,用于对脊点未能确定的列,进行第二次跟踪,具体为在两个零界车辙点区间内,利用原图信息,找出峰值点,利用峰值和连续性在该区间范围内逐一确认脊点。
本发明的一个实施例中,所述脊性特征强度图获取模块具体用于:
象素点差异值计算模块,用于以象素为单位,采用大小为11×5的滑动窗口,每个窗口内的图像象素个数sumnum=11×5;将窗口的中心与图像待处理的当前象素点吻合,在该窗口覆盖的图像区域内,计算图像中当前象素点与其它各象素点差异值Δim,jn,计算公式为Δim,jn=Pi,j-Ci+m,j+n,Pi,j为当前点象素值,Ci+m,j+n为窗口内除当前点外的其它象素值;
象素灰度值求和模块,用于统计窗口内Δim,jn>0的象素个数num,对满足条件Δim,jn>0下的象素灰度值求和
赋值模块,用于开辟和原图大小相同的图像空间,在当前点对应坐标上对当前点的强度进行赋值;设定合适的阈值ε=0.65,若num/sumnum<ε则当前点的强度置为0,反之,则用计算强度值Intensity=Si,j/sumnum来赋值;将该窗口在整幅图像上滑动,计算每一个窗口所对应的当前象素点的强度特征值,并给新开辟的图像空间赋值;
整图归一化模块,用于将赋值后整图的强度值归一化到[0,255]。
本发明提出的路面线激光车辙检测与识别方法及系统,具有以下优点:
1、精确性和高精度:本发明对激光线进行单象素跟踪检测,得到的激光线目标象素与真实激光线的中心线逐点吻合,为后续的路面车辙模型及车辙深度计算提供了精确的、可靠的数据,进而提高了路面车辙深度的测量精度;
2、快速性与高效性:在通用计算机上每幅图像运行时间不超过0.4秒,使用专用工控计算机进行处理,则处理时间为0.2秒以内,满足高速公路路面车辙检测对计算处理的时间要求;
3、自适应性和鲁棒性良好:目前本发明提出的方法已在北京、天津、河北、山东、安徽等多个省市的高速公路上投入使用,处理的图片达到了千万张以上,程序运行稳定,自适应性好,鲁棒性强,所有图片处理无需人工干预,取得了满意的路面车辙检测效果。
应当理解的是,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (6)
1.一种路面线激光车辙检测与识别方法,其特征在于,包括以下步骤:
S1、采集路面车辙激光线图像;
S2、对采集的路面车辙激光线图像进行归一化处理,使整幅图像的灰度值在0-255之间;
S3、采用高度小于宽度的横向矩形方向滤波器对归一化后的图像进行滤波;
S4、根据图像选择高度大于宽度的纵向矩形窗口,计算矩形窗口的中心坐标象素的脊性特征强度值,在整个图像区域内从左到右从上到下滑动窗口,获取整图的脊性特征强度图,并将脊性特征强度图的灰度值归一化到0-255;
S5、判断脊性特征强度图中象素的强度值是否小于等于阈值,若是,则将其强度值重置为0,若否,则保持原强度值,得到阈值处理后的脊性特征强度图;
S6、计算阈值处理后的脊性特征强度图中连通域的长度,将长度最大的连通域上的强度值最大的点确定为种子点;
S7、在脊性特征强度图中,将种子点所在的图像坐标列的下一列象素的多个峰值点作为候选点,将与种子点为邻的候选点确定为该下一列的脊点,同理逐列寻找脊点,以提取完整的车辙激光线;
其中步骤S4具体包括步骤:
S41、以象素为单位,采用大小为11×5的滑动窗口,每个窗口内的图像象素个数sumnum=11×5;将窗口的中心与图像待处理的当前象素点吻合,在该窗口覆盖的图像区域内,计算图像中当前象素点与其它各象素点差异值Δim,jn,计算公式为Δim,jn=Pi,j-Ci+m,j+n,Pi,j为当前点象素值,Ci+m,j+n为窗口内除当前点外的其它象素值;
S42、统计窗口内Δim,jn>0的象素个数num,对满足条件Δim,jn>0下的象素灰度值求和
S43、开辟和原图大小相同的图像空间,在当前点对应坐标上对当前点的强度进行赋值;设定合适的阈值ε=0.65,若num/sumnum<ε则当前点的强度置为0,反之,则用计算强度值Intensity=Si,j/sumnum来赋值;
S44、将该窗口在整幅图像上滑动,计算每一个窗口所对应的当前象素点的强度特征值,并给新开辟的图像空间赋值;
S45、将赋值后整图的强度值归一化到[0,255]。
2.根据权利要求1所述的方法,其特征在于,步骤S7中,若所述候选点确定为脊点,则将该候选点标识为1,该列其它候选点标识为-1,如果该列所有候选点均不能确定为脊点,则标识为0,表明要留待确认。
3.根据权利要求2所述的方法,其特征在于,对脊点未能确定的列,进行第二次跟踪,在两个零界车辙点区间内,利用原图信息,找出峰值点,利用峰值和连续性在该区间范围内逐一确认脊点。
4.一种路面线激光车辙检测与识别处理系统,其特征在于,包括:
采集模块,用于采集路面车辙激光线图像;
归一化处理模块,用于对采集的路面车辙激光线图像进行归一化处理,使整幅图像的灰度值在0-255之间;
滤波器模块,用于采用高度小于宽度的横向矩形方向滤波器对归一化后的图像进行滤波;
脊性特征强度图获取模块,用于根据图像选择高度大于宽度的纵向矩形窗口,计算矩形窗口的中心坐标象素的脊性特征强度值,在整个图像区域内从左到右从上到下滑动窗口,获取整图的脊性特征强度图,并将脊性特征强度图的灰度值归一化到0-255;
重置模块,用于判断脊性特征强度图中象素的强度值是否小于等于阈值,若是,则将其强度值重置为0,若否,则保持原强度值,得到阈值处理后的脊性特征强度图;
种子点确定模块,计算阈值处理后的脊性特征强度图中连通域的长度,将长度最大的连通域上的强度值最大的点确定为种子点;
脊点提取模块,用于在脊性特征强度图中,将种子点所在的图像坐标列的下一列象素的多个峰值点作为候选点,将与种子点为邻的候选点确定为该下一列的脊点,同理逐列寻找脊点,以提取完整的车辙激光线;
所述脊性特征强度图获取模块具体包括:
象素点差异值计算模块,用于以象素为单位,采用大小为11×5的滑动窗口,每个窗口内的图像象素个数sumnum=11×5;将窗口的中心与图像待处理的当前象素点吻合,在该窗口覆盖的图像区域内,计算图像中当前象素点与其它各象素点差异值Δim,jn,计算公式为Δim,jn=Pi,j-Ci+m,j+n,Pi,j为当前点象素值,Ci+m,j+n为窗口内除当前点外的其它象素值;
象素灰度值求和模块,用于统计窗口内Δim,jn>0的象素个数num,对满足条件Δim,jn>0下的象素灰度值求和
赋值模块,用于开辟和原图大小相同的图像空间,在当前点对应坐标上对当前点的强度进行赋值;设定合适的阈值ε=0.65,若num/sumnum<ε则当前点的强度置为0,反之,则用计算强度值Intensity=Si,j/sumnum来赋值;将该窗口在整幅图像上滑动,计算每一个窗口所对应的当前象素点的强度特征值,并给新开辟的图像空间赋值;
整图归一化模块,用于将赋值后整图的强度值归一化到[0,255]。
5.根据权利要求4所述的系统,其特征在于,所述脊点提取模块,具体用于在所述候选点确定为脊点时,则将该候选点标识为1,该列其它候选点标识为-1,在该列所有候选点均不能确定为脊点时,则标识为0,表明要留待确认。
6.根据权利要求4所述的系统,其特征在于,包括二次跟踪模块,用于对脊点未能确定的列,进行第二次跟踪,具体为在两个零界车辙点区间内,利用原图信息,找出峰值点,利用峰值和连续性在该区间范围内逐一确认脊点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410102675.7A CN103886594B (zh) | 2014-03-19 | 2014-03-19 | 路面线激光车辙检测与识别方法及处理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410102675.7A CN103886594B (zh) | 2014-03-19 | 2014-03-19 | 路面线激光车辙检测与识别方法及处理系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103886594A CN103886594A (zh) | 2014-06-25 |
CN103886594B true CN103886594B (zh) | 2015-08-19 |
Family
ID=50955467
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410102675.7A Expired - Fee Related CN103886594B (zh) | 2014-03-19 | 2014-03-19 | 路面线激光车辙检测与识别方法及处理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103886594B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104776810B (zh) * | 2015-03-24 | 2016-03-30 | 长安大学 | 一种基于3d线激光设备的坑槽三维指标提取计算方法 |
DE102015121673B4 (de) * | 2015-12-11 | 2019-01-10 | SmartRay GmbH | Formermittlungsverfahren |
CN106022327B (zh) * | 2016-05-10 | 2019-04-23 | 浙江理工大学 | 一种对实物象棋的识别和处理方法 |
CN105956594A (zh) * | 2016-05-10 | 2016-09-21 | 浙江理工大学 | 一种对实物象棋棋子移动识别方法 |
CN106683076B (zh) * | 2016-11-24 | 2019-08-09 | 南京航空航天大学 | 基于纹理特征聚类的机车轮对踏面损伤检测的方法 |
CN109035218B (zh) * | 2018-07-09 | 2021-08-31 | 武汉光谷卓越科技股份有限公司 | 路面修补区域检测方法 |
CN110853000B (zh) * | 2019-10-30 | 2023-08-11 | 北京中交国通智能交通系统技术有限公司 | 一种车辙的检测方法 |
CN111127459B (zh) * | 2019-12-30 | 2023-05-26 | 武汉理工大学 | 路面车辙检测的图像实时处理系统 |
CN111408546B (zh) * | 2020-03-11 | 2022-09-16 | 武汉工程大学 | 一种基于激光扫描成像的矿石检测方法和系统 |
CN111739042B (zh) * | 2020-06-04 | 2023-06-09 | 中南大学 | 一种基于数字图像特征的复杂背景电力线提取方法 |
CN116704446B (zh) * | 2023-08-04 | 2023-10-24 | 武汉工程大学 | 机场跑道路面异物实时检测方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101089548A (zh) * | 2007-07-06 | 2007-12-19 | 哈尔滨工业大学 | 路面车辙三维信息检测装置及检测方法 |
US7801333B2 (en) * | 2005-06-02 | 2010-09-21 | Institut National D'optique | Vision system and a method for scanning a traveling surface to detect surface defects thereof |
WO2011069191A1 (en) * | 2009-12-08 | 2011-06-16 | Radar Portal Systems Pty Ltd | High speed photometric stereo pavement scanner |
CN102509291A (zh) * | 2011-10-31 | 2012-06-20 | 东南大学 | 基于无线网络视频传感器的公路路面病害检测及识别方法 |
-
2014
- 2014-03-19 CN CN201410102675.7A patent/CN103886594B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7801333B2 (en) * | 2005-06-02 | 2010-09-21 | Institut National D'optique | Vision system and a method for scanning a traveling surface to detect surface defects thereof |
CN101089548A (zh) * | 2007-07-06 | 2007-12-19 | 哈尔滨工业大学 | 路面车辙三维信息检测装置及检测方法 |
WO2011069191A1 (en) * | 2009-12-08 | 2011-06-16 | Radar Portal Systems Pty Ltd | High speed photometric stereo pavement scanner |
CN102509291A (zh) * | 2011-10-31 | 2012-06-20 | 东南大学 | 基于无线网络视频传感器的公路路面病害检测及识别方法 |
Non-Patent Citations (2)
Title |
---|
对称式线激光路面车辙检测技术研究;方翠;《长安大学硕士学位论文》;20101231;全文 * |
用于路面车辙检测的线结构光图像处理流程;李莉等;《同济大学学报(自然科学版)》;20130531;第41卷(第5期);摘要,第711页左栏第20行-714页右栏第4行 * |
Also Published As
Publication number | Publication date |
---|---|
CN103886594A (zh) | 2014-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103886594B (zh) | 路面线激光车辙检测与识别方法及处理系统 | |
Wang et al. | Lane detection of curving road for structural highway with straight-curve model on vision | |
CN106203398B (zh) | 一种检测车道边界的方法、装置和设备 | |
CN109190481B (zh) | 一种遥感影像道路材质提取方法和系统 | |
CN107025432B (zh) | 一种高效的车道线检测跟踪方法及系统 | |
CN110246130B (zh) | 基于红外和可见光图像数据融合的机场道面裂缝检测方法 | |
CN105488454A (zh) | 基于单目视觉的前方车辆检测与测距 | |
EP2168079B1 (en) | Method and system for universal lane boundary detection | |
Huang et al. | On-board vision system for lane recognition and front-vehicle detection to enhance driver's awareness | |
CN102982304B (zh) | 利用偏光图像检测车辆位置的方法和系统 | |
CN103714343A (zh) | 线激光器照明条件下双线阵相机采集的路面图像拼接及匀化方法 | |
CN103714538A (zh) | 道路边缘检测方法、装置及车辆 | |
CN105373135A (zh) | 一种基于机器视觉的飞机入坞引导和机型识别的方法及系统 | |
CN114998852A (zh) | 一种基于深度学习的公路路面病害智能检测方法 | |
CN105740809A (zh) | 一种基于机载摄像机的高速公路车道线检测方法 | |
CN103630496A (zh) | 基于路面视亮度和最小二乘法的交通视频能见度检测方法 | |
CN103440657B (zh) | 一种在线道路裂缝筛查方法 | |
CN110390256B (zh) | 一种沥青路面裂缝提取方法 | |
CN105608429A (zh) | 基于差分激励的鲁棒车道线检测方法 | |
CN103310199B (zh) | 基于高分辨率遥感数据的车辆型号识别方法 | |
CN107705294B (zh) | 一种十字激光的图像式路基表面沉降监测方法和监测系统 | |
CN107798293A (zh) | 一种道路裂缝检测装置 | |
CN103577809A (zh) | 一种基于智能驾驶的地面交通标志实时检测的方法 | |
CN104992429A (zh) | 一种基于图像局部增强的山体裂缝检测方法 | |
CN109635737A (zh) | 基于道路标记线视觉识别辅助车辆导航定位方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20150819 Termination date: 20180319 |