CN104217427A - 一种交通监控视频中车道线定位方法 - Google Patents

Abstract

本发明涉及一种交通监控视频中车道线定位方法，针对现有技术进行改进，引入可调滤波器进行边缘检测，使得车道线的边缘信息非常明显，再采用全局阈值的方法进行图像阈值化处理，使得能够尽可能多地获取车道线像素点，减少了非车道像素点的干扰，最后结合霍夫变换准确实现对车道线位置检测，再提高检测精度的同时，减少了运算量和降低了复杂度，使得应用更加便捷，有效提高了监控摄像头针对压线违章车辆进行检测的工作效率。

Description

一种交通监控视频中车道线定位方法

技术领域

本发明涉及一种交通监控视频中车道线定位方法。

背景技术

随着交通运输业的快速发展，汽车数量的急剧增加，城市道路交通秩序变得越来越复杂，各种车辆违章行为层出不穷，车辆压线属于一种严重的交通违章行为，用视频的方法来检测车辆压线具有一定的实用价值，准确定位车道线的位置是实现车辆压线检测的重要前提。

对于车辆压线违章中车道线的定位，国内外研究人员提出了很多基于视觉的车道线检测方法，在众多的车道线识别算法中，霍夫变换是最常用的方法之一。车道线的识别主要由两大部分组成，一是车道线的特征提取部分，一般情况下有以下2种边缘检测算法：Canny边缘检测与可调滤波器，然后通过阈值化来提取图像中的边缘信息。二是车道线建模部分，主流算法为霍夫变换和曲线拟合，然而霍夫变换检测出来的车道线是多条线的集合，由于道路表面的不规则，检测到的车道线往往是扭曲的。论文《Real time Detection of LaneMarkers in Urban Streets》Intelligent Vehicles Symposium,2008 IEEE中，Aly等人利用B样条进行拟合。虽然样条拟合能够更灵活适应车道线的各种类型，如直线模型或曲线模型，然而曲线拟合的运算复杂度较大，在实际应用中具有一定困难，并且前期的逆透视变换去除透视效果需要获得车载摄像头的位置信息。另外一种常用的方法是颜色分割来提取车道线，但是颜色分割受天气、光照等的影响较大。

专利CN103632140A中，边缘检测采用横向边缘检测，通过Sobel算子进行左右车道线的边缘检测，根据前一帧获取的车道线的位置在边缘图中确定初始边缘检测区域，然后将初始检测区域划分为N个小检测区域，在小检测区域内根据每个小检测区域的边缘图数值和每个小检测区域的像素点的总数，确定某个小检测区域为精确车道线检测区域。首先，Sobel算子进行边缘检测存在边缘定位精度不高、存在较多伪边缘的缺点。其次，小检测区域的划分是采用平均间隔，这样同一条车道线可能划分在不同的区域内；划分在小区域内的也可能含有路面标识，这样检测出来的就是路面标示造成车道线的错误检测，并且当车道线是曲线时也容易造成车道线的错误检测。

发明内容

针对上述技术问题，本发明所要解决的技术问题是提供一种针对现有技术进行改进，引入可调滤波器进行边缘检测，再结合霍夫变换准确实现对车道线位置检测的交通监控视频中车道线定位方法。

本发明为了解决上述技术问题采用以下技术方案：本发明设计了一种交通监控视频中车道线定位方法，包括如下步骤：

步骤001.针对交通监控摄像头捕获的无运动物体图像，获得该无运动物体图像中的道路区域图像，并对道路区域图像进行灰度处理，得到道路区域灰度图像；

步骤002.针对道路区域灰度图像，采用可调滤波器分别沿水平方向、竖直方向进行卷积滤波处理；

步骤003.针对进行卷积滤波处理后的道路区域灰度图像采用全局阈值的方法进行图像阈值化处理；

步骤004.针对进行阈值化处理后的道路区域灰度图像中的像素点，通过霍夫变换获得道路区域灰度图像中至少一条直线，由各条直线构成车道线的初级位置，进而获得该交通监控摄像头捕获监控视频中车道线初级位置。

作为本发明的一种优选技术方案：所述步骤004之后还包括步骤005，如下所示：

步骤005.依次遍历所述由霍夫变换获得道路区域灰度图像中的各条直线，分别获得彼此相邻两直线彼此间的间距，并与预设直线间距阀值进行比较，若相邻两条直线彼此间的间距小于直线间距阀值，则将该两条直线划并为一体；由经过以上处理重新得到的各条直线构成车道线的中级位置，进而获得该交通监控摄像头捕获监控视频中车道线中级位置。

作为本发明的一种优选技术方案：所述步骤005具体包括如下内容：

步骤005.依次遍历所述由霍夫变换获得道路区域灰度图像中的各条直线，将直角坐标系下的各条直线转换到极坐标系下，各条直线通过极径值、极角值表示；根据各条直线的极径值获得彼此相邻两直线彼此间的间距，并与预设直线间距阀值进行比较，若相邻两条直线彼此间的间距小于直线间距阀值，则将该两条直线划并为一体，并取该两条直线极径值的平均值、极角值的平均值作为经划并处理后直线的极径值、极角值；最后再将极坐标系下经划并处理后所获得的各条直线转换到直角坐标系下，各条直线通过起点坐标、终点坐标表示；由经过以上处理重新得到的各条直线构成车道线的中级位置，进而获得该交通监控摄像头捕获监控视频中车道线中级位置。

作为本发明的一种优选技术方案：所述步骤005之后还包括如下步骤：

步骤006.针对步骤005中经过划并处理重新得到的各条直线，分别根据各条直线的起点坐标和终点坐标确定各条直线的中点坐标，然后针对该各条直线，根据直线的中点坐标确定仅包围监控视频中该直线下半部分的矩形区域；然后获得两两矩形区域的重叠比例，遍历所有矩形区域，将重叠比例大于预设重叠比例阀值的两矩形区域划并为一体，获得各个矩形合并区域；

步骤007.遍历各个矩形合并区域，分别针对各个矩形合并区域按如下操作迭代K次，K为预设迭代次数：

步骤00701.另存一幅拥有所有矩形合并区域的道路区域灰度图像副本，将该道路区域灰度图像副本上除当前处理的矩形合并区域外的其它区域像素点灰度值置零；

步骤00702.随机获得像素点灰度值阀值，针对道路区域灰度图像副本上当前处理的矩形合并区域中的像素点，获取其中灰度值大于像素点灰度值阀值的像素点作为像素采样点；

步骤00703.采用最小二乘法针对像素采样点进行直线拟合，获得一条拟合直线，并获得对应该拟合直线的像素采样点的灰度值和；

步骤00704.删除道路区域灰度图像副本中极角弧度值大于预设极角弧度值阀值的拟合直线，更新道路区域灰度图像副本；

步骤00705.判断道路区域灰度图像副本上当前处理的矩形合并区域内是否存在拟合直线，是则进入下一步骤；否则，若针对该矩形合并区域的操作的迭代次数达到K次，则进一步判断是否存在未遍历的矩形合并区域，是则遍历下一个未遍历的矩形合并区域，返回步骤00701，否则直接进入步骤008；若针对该矩形合并区域的操作的迭代次数未达到K次，则返回步骤00702；

步骤00706.遍历道路区域灰度图像副本上所有灰度值非零的像素点，分别获得各个像素点到拟合直线的距离，针对到拟合直线的距离小于预设像素点直线距离阀值的像素点，将该像素点定义为对应该条拟合直线的像素采样点，并更新对应该条拟合直线的像素采样点的灰度值和；判断若针对该矩形合并区域的操作的迭代次数达到K次，则进一步判断是否存在未遍历的矩形合并区域，是则遍历下一个未遍历的矩形合并区域，返回步骤00701，否则直接进入步骤008；若针对该矩形合并区域的操作的迭代次数未达到K次，则返回步骤00702；

步骤008.分别获得各个矩形合并区域内最高灰度值和对应的拟合直线，该各条拟合直线即为该交通监控摄像头捕获监控视频中车道线终级位置。

作为本发明的一种优选技术方案：所述步骤002中，针对道路区域灰度图像，采用可调滤波器分别沿水平方向、竖直方向采用二维高斯核滤波器卷积进行卷积滤波处理，其中，竖直方向采用高斯平滑核滤波器进行卷积滤波处理，水平方向采用差分高斯核滤波器进行卷积滤波处理。

本发明所述一种交通监控视频中车道线定位方法采用以上技术方案与现有技术相比，具有以下技术效果：

(1)本发明设计的交通监控视频中车道线定位方法，针对现有技术进行改进，引入可调滤波器进行边缘检测，使得车道线的边缘信息非常明显，再采用全局阈值的方法进行图像阈值化处理，使得能够尽可能多地获取车道线像素点，减少了非车道像素点的干扰，最后结合霍夫变换准确实现对车道线位置检测，再提高检测精度的同时，减少了运算量和降低了复杂度，使得应用更加便捷；

(2)本发明设计的交通监控视频中车道线定位方法，在结合霍夫变换实现对车道线位置检测之后，针对霍夫变换获得对应车道线的各条直线，提出根据直线彼此间的间距，针对直线进行划并处理，使得车道线位置的检测更加精确，并且具体设计了通过直角坐标系与极坐标系的转换，有效提高了直线彼此间距获得的准确性，进一步保证了结果数据，车道线位置检测的准确性；

(3)本发明设计的交通监控视频中车道线定位方法中，在设计通过可调滤波器、霍夫变化、以及之后划并处理实现车道线位置检测的基础之上，还进一步提出并设计了结合分区域直线拟合的方法，更加进一步强调了车道线位置检测的精确性，使得最终车道线位置检测结果的精度远超现有技术，同时在强调精度的同时，有效控制了运算量，保证了实际应用过程中的效率。

附图说明

图1是本发明设计交通监控视频中车道线定位方法的流程示意图；

图2是本发明设计交通监控视频中进行矩形区域确定的示意图。

具体实施方式

下面结合说明书附图对本发明的具体实施方式作进一步详细的说明。

如图1所示，本发明设计一种交通监控视频中车道线定位方法，包括如下步骤：

步骤001.针对交通监控摄像头捕获的无运动物体图像，获得该无运动物体图像中的道路区域图像，并对道路区域图像进行灰度处理，得到道路区域灰度图像；

步骤002.针对道路区域灰度图像，采用可调滤波器分别沿水平方向、竖直方向采用二维高斯核滤波器卷积进行卷积滤波处理，其中，竖直方向采用高斯平滑核滤波器进行卷积滤波处理，水平方向采用差分高斯核滤波器进行卷积滤波处理；

步骤003.针对进行卷积滤波处理后的道路区域灰度图像采用全局阈值的方法进行图像阈值化处理；

步骤004.针对进行阈值化处理后的道路区域灰度图像中的像素点，通过霍夫变换获得道路区域灰度图像中至少一条直线，由各条直线构成车道线的初级位置，进而获得该交通监控摄像头捕获监控视频中车道线初级位置；

步骤005.依次遍历所述由霍夫变换获得道路区域灰度图像中的各条直线，将直角坐标系下的各条直线转换到极坐标系下，各条直线通过极径值、极角值表示；根据各条直线的极径值获得彼此相邻两直线彼此间的间距，并与预设直线间距阀值进行比较，若相邻两条直线彼此间的间距小于直线间距阀值，则将该两条直线划并为一体，并取该两条直线极径值的平均值、极角值的平均值作为经划并处理后直线的极径值、极角值；最后再将极坐标系下经划并处理后所获得的各条直线转换到直角坐标系下，各条直线通过起点坐标、终点坐标表示；由经过以上处理重新得到的各条直线构成车道线的中级位置，进而获得该交通监控摄像头捕获监控视频中车道线中级位置；

步骤006.针对步骤005中经过划并处理重新得到的各条直线，分别根据各条直线的起点坐标和终点坐标确定各条直线的中点坐标，然后针对该各条直线，根据直线的中点坐标确定仅包围监控视频中该直线下半部分的矩形区域；然后获得两两矩形区域的重叠比例，遍历所有矩形区域，将重叠比例大于预设重叠比例阀值的两矩形区域划并为一体，获得各个矩形合并区域；

步骤007.遍历各个矩形合并区域，分别针对各个矩形合并区域按如下操作迭代K次，K为预设迭代次数：

步骤00701.另存一幅拥有所有矩形合并区域的道路区域灰度图像副本，将该道路区域灰度图像副本上除当前处理的矩形合并区域外的其它区域像素点灰度值置零；

步骤00702.随机获得像素点灰度值阀值，针对道路区域灰度图像副本上当前处理的矩形合并区域中的像素点，获取其中灰度值大于像素点灰度值阀值的像素点作为像素采样点；

步骤00703.采用最小二乘法针对像素采样点进行直线拟合，获得一条拟合直线，并获得对应该拟合直线的像素采样点的灰度值和；

步骤00704.删除道路区域灰度图像副本中极角弧度值大于预设极角弧度值阀值的拟合直线，更新道路区域灰度图像副本；

步骤00705.判断道路区域灰度图像副本上当前处理的矩形合并区域内是否存在拟合直线，是则进入下一步骤；否则，若针对该矩形合并区域的操作的迭代次数达到K次，则进一步判断是否存在未遍历的矩形合并区域，是则遍历下一个未遍历的矩形合并区域，返回步骤00701，否则直接进入步骤008；若针对该矩形合并区域的操作的迭代次数未达到K次，则返回步骤00702；

步骤00706.遍历道路区域灰度图像副本上所有灰度值非零的像素点，分别获得各个像素点到拟合直线的距离，针对到拟合直线的距离小于预设像素点直线距离阀值的像素点，将该像素点定义为对应该条拟合直线的像素采样点，并更新对应该条拟合直线的像素采样点的灰度值和；判断若针对该矩形合并区域的操作的迭代次数达到K次，则进一步判断是否存在未遍历的矩形合并区域，是则遍历下一个未遍历的矩形合并区域，返回步骤00701，否则直接进入步骤008；若针对该矩形合并区域的操作的迭代次数未达到K次，则返回步骤00702；

步骤008.分别获得各个矩形合并区域内最高灰度值和对应的拟合直线，该各条拟合直线即为该交通监控摄像头捕获监控视频中车道线终级位置。

本发明设计的交通监控视频中车道线定位方法，就以上设计技术方案而言，针对现有技术进行改进，引入可调滤波器进行边缘检测，使得车道线的边缘信息非常明显，再采用全局阈值的方法进行图像阈值化处理，使得能够尽可能多地获取车道线像素点，减少了非车道像素点的干扰，最后结合霍夫变换准确实现对车道线位置检测，不仅如此，在结合霍夫变换实现对车道线位置检测之后，针对霍夫变换获得对应车道线的各条直线，提出根据直线彼此间的间距，针对直线进行划并处理，使得车道线位置的检测更加精确，并且具体设计了通过直角坐标系与极坐标系的转换，有效提高了直线彼此间距获得的准确性，进一步保证了结果数据，车道线位置检测的准确性；除此之外，在设计通过可调滤波器、霍夫变化、以及之后划并处理实现车道线位置检测的基础之上，还进一步提出并设计了结合分区域直线拟合的方法，更加进一步强调了车道线位置检测的精确性，使得最终车道线位置检测结果的精度远超现有技术，同时在强调精度的同时，有效控制了运算量，保证了实际应用过程中的效率。

本发明设计的交通监控视频中车道线定位方法在实际应用过程中，基于图1所示，具体参照如下步骤进行：

步骤001.针对交通监控摄像头捕获的无运动物体图像，获得该无运动物体图像中的道路区域图像，这里就尽可能的排除了车辆、行人等运动物体的干扰，而且尽可能的减少了天空和植物的干扰，保证最终结果的准确性，然后对道路区域图像进行灰度处理，得到道路区域灰度图像；

步骤002.针对道路区域灰度图像，采用可调滤波器分别沿水平方向、竖直方向采用二维高斯核滤波器卷积进行卷积滤波处理，能够有效增强车道线的边缘信息；其中，竖直方向采用高斯平滑核滤波器进行卷积滤波处理，水平方向采用差分高斯核滤波器进行卷积滤波处理；

步骤003.由于步骤001中获取的处理对象是无运动物体图像的道路区域图像，并且该图像已经经过可调滤波器沿水平方向、竖直方向的卷积滤波处理，因此，此时道路区域灰度图像中车道线和非车道线的像素灰度值差异比较明显，则此步骤采用全局阈值的方法，针对进行卷积滤波处理后的道路区域灰度图像进行图像阈值化处理；这里对于阈值的确定是关键，阈值的确定直接影响到车道线的提取效果，因此，这里需要本领域技术人员参照工作经验、以及之前步骤001和步骤002所做的操作确定阈值，实现图像阈值化处理；具体是针对进行卷积滤波处理后的道路区域灰度图像，将大于阈值的像素点的灰度值保留，将小于阈值的像素点的灰度值置零；如这里的阈值设置为0.975。

步骤004.针对进行阈值化处理后的道路区域灰度图像中的像素点，通过霍夫变换获得道路区域灰度图像中至少一条直线，由各条直线构成车道线的初级位置，进而获得该交通监控摄像头捕获监控视频中车道线初级位置；

其中，标准直线霍夫变换，采用参数化直线方程：xcosθ+ysinθ＝ρ；坐标(x,y)表示二值化处理获取的像素点在直角坐标系下的位置坐标，θ表示直线的法线方向，0≤θ＜180°，ρ表示直角坐标系下原点至直线的距离。霍夫变换的具体方法为：

步骤a：首先需要按一定的量化间隔将可能的θ与ρ取值范围离散化为若干区间，定义霍夫空间的大小。其中θ的取值范围规定在[0，180°)的区间内，而ρ的取值范围则由图像矩形的顶点至原点的距离确定。整个可能的θ-ρ参数空间被离散化为一个二维的网络，对每个可能的离散化参数对即每个网格单元设置一个计数器，并全部初始化为0；

步骤b：初始化极径和极角，θ和ρ的量化间隔设为1；

步骤c：遍历图像中的所有非零像素点，计算每个θ值下对应的ρ值及相应的离散区间，并对此离散区间的计数器的值加1，这一过程称为特征点对参数空间投票；

步骤d：针对霍夫空间进行高斯平滑；

步骤e：获得霍夫空间中的局部最大值，当所有的特征点均完成了投票后，对霍夫空间上的每一点进行阈值判断，寻找出参数空间中计数器值大于某一给定阈值T1的局部极大点，这些局部极大点对应的直线参数对(θ,ρ)即代表了霍夫变换检测得到的图像中的直线。

参照以上霍夫变换的具体方法，针对进行阈值化处理后的道路区域灰度图像中的像素点，通过霍夫变换获得道路区域灰度图像中至少一条直线，由各条直线构成车道线的初级位置，进而获得该交通监控摄像头捕获监控视频中车道线初级位置。

经过前期的处理，我们可以获得车道线初级位置，即使车道线的大致位置，检测到的是一组直线，并且存在直线冗余，接下来的工作就是实现车道线的精确定位。

为了获得车道线的精确定位，接下来将采用分区域拟合的方法，分区域拟合也可以减少运算的复杂度和运算量。由于霍夫变换获得的直线的数量过多，首先进行直线的合并，根据彼此直线间的间距，判断将彼此很近的直线划并为一体，减少同一区域内直线的数量，接下来的操作参照如下：

步骤005.依次遍历所述由霍夫变换获得道路区域灰度图像中的各条直线，将直角坐标系下的各条直线转换到极坐标系下，各条直线通过极径值、极角值表示；根据各条直线的极径值获得彼此相邻两直线彼此间的间距，并与预设直线间距阀值进行比较，若相邻两条直线彼此间的间距小于直线间距阀值，则将该两条直线划并为一体，并取该两条直线极径值的平均值、极角值的平均值作为经划并处理后直线的极径值、极角值；最后再将极坐标系下经划并处理后所获得的各条直线转换到直角坐标系下，各条直线通过起点坐标、终点坐标表示；由经过以上处理重新得到的各条直线构成车道线的中级位置，进而获得该交通监控摄像头捕获监控视频中车道线中级位置；

现实场景中车道线多为平行线，平行线经过监控摄像头投影会在图像所在平面中交于一点，但该交点位于监控摄像头捕获监控视频图像之外，因此构成了监控视频图像上的消失点，由于监控摄像头投影产生的消失点会影响不同的车道线会在监控视频图像之外的远方相交于一点，因此，为了使不同的车道线位于不同的区域内，将由这些直线的起点坐标和终点坐标确定各条直线的中点坐标，然后得到仅包含该直线下半部分的矩形区域，具体参照如下步骤006；

步骤006.针对步骤005中经过划并处理重新得到的各条直线，分别根据各条直线的起点坐标和终点坐标确定各条直线的中点坐标，然后针对该各条直线，根据直线的中点坐标确定仅包围监控视频中该直线下半部分的矩形区域；然后获得两两矩形区域的重叠比例，遍历所有矩形区域，将重叠比例大于预设重叠比例阀值的两矩形区域划并为一体，获得各个矩形合并区域；

其中，矩形区域的确定过程为：如图2所示，矩形是由矩形左上角坐标和矩形的宽和长度来确定的，分两种情况：对于左边的直线(起点x坐标大于终点x坐标)，矩形的左上角x坐标由直线的终点x坐标确定，矩形的左上角y坐标由直线的中点y坐标确定，矩形的宽度和长度分别为直线起点、终点x坐标和y坐标差的绝对值的一半确定；对于右边的直线，矩形的左上角坐标为直线的中点坐标，矩形的宽度和长度分别为直线起点、终点x坐标和y坐标差的绝对值的一半。基于以上过程确定的矩形区域是仅包含该直线的下半部分的矩形区域；

步骤007.遍历各个矩形合并区域，分别针对各个矩形合并区域按如下操作迭代K次，K为预设迭代次数，实际应用中，K可以预设为40；

步骤00701.另存一幅拥有所有矩形合并区域的道路区域灰度图像副本，将该道路区域灰度图像副本上除当前处理的矩形合并区域外的其它区域像素点灰度值置零；

步骤00702.随机获得像素点灰度值阀值，针对道路区域灰度图像副本上当前处理的矩形合并区域中的像素点，获取其中灰度值大于像素点灰度值阀值的像素点作为像素采样点；

步骤00703.采用最小二乘法针对像素采样点进行直线拟合，获得一条拟合直线，并获得对应该拟合直线的像素采样点的灰度值和；

步骤00704.删除道路区域灰度图像副本中极角弧度值大于预设极角弧度值阀值的拟合直线，更新道路区域灰度图像副本，这里，删除道路区域灰度图像副本中极角弧度值大于预设极角弧度值阀值的拟合直线，即是为了删除道路区域灰度图像副本中水平或近似水平的直线，因此，这里预设极角弧度值阀值即为水平或近似水平的直线与其它直线的划分阀值，这里认为极角弧度值大于预设极角弧度值阀值的拟合直线为水平或近似水平的直线；其中实际应用中，预设极角弧度值阀值可以预设为30*CV-PI/180。

步骤00705.判断道路区域灰度图像副本上当前处理的矩形合并区域内是否存在拟合直线，是则进入下一步骤；否则，若针对该矩形合并区域的操作的迭代次数达到K次，则进一步判断是否存在未遍历的矩形合并区域，是则遍历下一个未遍历的矩形合并区域，返回步骤00701，否则直接进入步骤008；若针对该矩形合并区域的操作的迭代次数未达到K次，则返回步骤00702；

步骤00706.遍历道路区域灰度图像副本上所有灰度值非零的像素点，分别获得各个像素点到拟合直线的距离，针对到拟合直线的距离小于预设像素点直线距离阀值的像素点，将该像素点定义为对应该条拟合直线的像素采样点，并更新对应该条拟合直线的像素采样点的灰度值和，其中实际应用中，预设像素点直线距离阀值可以定义为0.2；判断若针对该矩形合并区域的操作的迭代次数达到K次，则进一步判断是否存在未遍历的矩形合并区域，是则遍历下一个未遍历的矩形合并区域，返回步骤00701，否则直接进入步骤008；若针对该矩形合并区域的操作的迭代次数未达到K次，则返回步骤00702；

步骤008.分别获得各个矩形合并区域内最高灰度值和对应的拟合直线，该各条拟合直线即为该交通监控摄像头捕获监控视频中车道线终级位置。

综上所述，本发明设计的交通监控视频中车道线定位方法，针对现有技术进行改进，引入可调滤波器、全局阈值的图像阈值化处理、霍夫变换、直线的划并处理、以及基于分区域的直线拟合，保证了最终结果数据的高精确性，使得最终车道线位置检测结果的精度远超现有技术，同时在强调精度的同时，有效控制了运算量，有效提高了监控摄像头针对压线违章车辆进行检测的工作效率。

上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。

Claims (5)

1. 一种交通监控视频中车道线定位方法，其特征在于，包括如下步骤：

步骤001. 针对交通监控摄像头捕获的无运动物体图像，获得该无运动物体图像中的道路区域图像，并对道路区域图像进行灰度处理，得到道路区域灰度图像；

步骤002. 针对道路区域灰度图像，采用可调滤波器分别沿水平方向、竖直方向进行卷积滤波处理；

步骤003. 针对进行卷积滤波处理后的道路区域灰度图像采用全局阈值的方法进行图像阈值化处理；

步骤004. 针对进行阈值化处理后的道路区域灰度图像中的像素点，通过霍夫变换获得道路区域灰度图像中至少一条直线，由各条直线构成车道线的初级位置，进而获得该交通监控摄像头捕获监控视频中车道线初级位置。

2. 根据权利要求1所述一种交通监控视频中车道线定位方法，其特征在于，所述步骤004之后还包括步骤005，如下所示：

步骤005. 依次遍历所述由霍夫变换获得道路区域灰度图像中的各条直线，分别获得彼此相邻两直线彼此间的间距，并与预设直线间距阀值进行比较，若相邻两条直线彼此间的间距小于直线间距阀值，则将该两条直线划并为一体；由经过以上处理重新得到的各条直线构成车道线的中级位置，进而获得该交通监控摄像头捕获监控视频中车道线中级位置。

3. 根据权利要求2所述一种交通监控视频中车道线定位方法，其特征在于，所述步骤005具体包括如下内容：

步骤005. 依次遍历所述由霍夫变换获得道路区域灰度图像中的各条直线，将直角坐标系下的各条直线转换到极坐标系下，各条直线通过极径值、极角值表示；根据各条直线的极径值获得彼此相邻两直线彼此间的间距，并与预设直线间距阀值进行比较，若相邻两条直线彼此间的间距小于直线间距阀值，则将该两条直线划并为一体，并取该两条直线极径值的平均值、极角值的平均值作为经划并处理后直线的极径值、极角值；最后再将极坐标系下经划并处理后所获得的各条直线转换到直角坐标系下，各条直线通过起点坐标、终点坐标表示；由经过以上处理重新得到的各条直线构成车道线的中级位置，进而获得该交通监控摄像头捕获监控视频中车道线中级位置。

4. 根据权利要求2或3所述一种交通监控视频中车道线定位方法，其特征在于，所述步骤005之后还包括如下步骤：

步骤006. 针对步骤005中经过划并处理重新得到的各条直线，分别根据各条直线的起点坐标和终点坐标确定各条直线的中点坐标，然后针对该各条直线，根据直线的中点坐标确定仅包围监控视频中该直线下半部分的矩形区域；然后获得两两矩形区域的重叠比例，遍历所有矩形区域，将重叠比例大于预设重叠比例阀值的两矩形区域划并为一体，获得各个矩形合并区域；

步骤007. 遍历各个矩形合并区域，分别针对各个矩形合并区域按如下操作迭代                                               次，为预设迭代次数：

步骤00701. 另存一幅拥有所有矩形合并区域的道路区域灰度图像副本，将该道路区域灰度图像副本上除当前处理的矩形合并区域外的其它区域像素点灰度值置零；

步骤00702. 随机获得像素点灰度值阀值，针对道路区域灰度图像副本上当前处理的矩形合并区域中的像素点，获取其中灰度值大于像素点灰度值阀值的像素点作为像素采样点；

步骤00703. 采用最小二乘法针对像素采样点进行直线拟合，获得一条拟合直线，并获得对应该拟合直线的像素采样点的灰度值和；

步骤00704. 删除道路区域灰度图像副本中极角弧度值大于预设极角弧度值阀值的拟合直线，更新道路区域灰度图像副本；

步骤00705. 判断道路区域灰度图像副本上当前处理的矩形合并区域内是否存在拟合直线，是则进入下一步骤；否则，若针对该矩形合并区域的操作的迭代次数达到次，则进一步判断是否存在未遍历的矩形合并区域，是则遍历下一个未遍历的矩形合并区域，返回步骤00701，否则直接进入步骤008；若针对该矩形合并区域的操作的迭代次数未达到次，则返回步骤00702； 

步骤00706. 遍历道路区域灰度图像副本上所有灰度值非零的像素点，分别获得各个像素点到拟合直线的距离，针对到拟合直线的距离小于预设像素点直线距离阀值的像素点，将该像素点定义为对应该条拟合直线的像素采样点，并更新对应该条拟合直线的像素采样点的灰度值和；判断若针对该矩形合并区域的操作的迭代次数达到次，则进一步判断是否存在未遍历的矩形合并区域，是则遍历下一个未遍历的矩形合并区域，返回步骤00701，否则直接进入步骤008；若针对该矩形合并区域的操作的迭代次数未达到次，则返回步骤00702； 

步骤008. 分别获得各个矩形合并区域内最高灰度值和对应的拟合直线，该各条拟合直线即为该交通监控摄像头捕获监控视频中车道线终级位置。

5. 根据权利要求4所述一种交通监控视频中车道线定位方法，其特征在于：所述步骤002中，针对道路区域灰度图像，采用可调滤波器分别沿水平方向、竖直方向采用二维高斯核滤波器卷积进行卷积滤波处理，其中，竖直方向采用高斯平滑核滤波器进行卷积滤波处理，水平方向采用差分高斯核滤波器进行卷积滤波处理。