CN104268859A

CN104268859A - 一种用于夜间车道线检测的图像预处理方法

Info

Publication number: CN104268859A
Application number: CN201410471754.5A
Authority: CN
Inventors: 王海; 陈军; 谷明琴; 孙锐; 王继贞
Original assignee: SAIC Chery Automobile Co Ltd
Current assignee: Chery Automobile Co Ltd
Priority date: 2014-09-16
Filing date: 2014-09-16
Publication date: 2015-01-07

Abstract

本发明涉及一种用于夜间车道线检测的图像预处理方法，通过夜间车道线图像分析，分析得出进行车道线检测所需要的车道线的信息集中于灰度值相对较高的区域，而路面和一些其他的无用信息基本集中于灰度值相对较低的区域。为了能够得到更好的对比度增强效果，本发明将首先进行车道标线部分和路面背景部分的灰度阈值分割，在此基础上对车道标线和路面背景两部分分别进行局部直方图均衡化，从而增强对比度。

Description

一种用于夜间车道线检测的图像预处理方法

技术领域

本发明属于图像处理技术领域，涉及图像变换和理解，具体涉及一种用于夜间车道线检测的图像预处理方法。

背景技术

交通安全问题已成为世界性的大问题，因此汽车的安全性对人类生命财产的影响是不言而喻的。随着高速公路的发展和汽车性能的提高，汽车行驶速度也相应加快，加之汽车数量增加以及交通运输日益繁忙，汽车事故增多所引起的人员伤亡和财产损失，已成为一个不容忽视的社会问题，汽车的行车安全更显得非常重要。而传统的被动安全已经远远不能避免交通的事故发生，因此主动安全的概念慢慢的行成并不断的完善。视觉传感由于具有信息量大、成本低廉的特点，在汽车主动安全领域有着广泛的应用。

车道线检测技术是指利用图像传感等手段检测出道路车道虚实标线的技术，它是汽车主动安全领域的关键技术之一。在基于视觉的车道保持系统中，车道线的检测和跟踪是一个基本的、必要的功能，它能防止汽车偏离车道，同时也可以给包括碰撞预警等其它主动安全系统提供重要的道路环境信息。

目前，日间车道线的检测方法较为成熟。从上世纪九十年代中期起，包括美国、德国在内的欧美等国进行了大量相关方向的研究，并且已经成功研制出一些各具特色的车道偏离预警系统。这些系统在车辆发生偏离或具有偏离趋势时给驾驶员以警示信息，提醒驾驶员采取措施，以达到防止事故发生的目的。

但是，目前夜间车道线由于路面照射光源有限，图像整体亮度低，其中的车道线辨识度低，导致夜间车道线检测仍有较大的难度。通过对大量夜间道路的图像观察发现，道路图像中白色(或黄色)车道线区域对应的像素点亮度值较低，与非车道线路面区域像素点的对比度较小是导致车道线检测困难的根本原因。因此，本发明提出了一种针对夜间道路图像的预处理方法，目的是增强车道线像素区域和非车道线路面区域之间像素点的对比度，以提高夜间车道线的检测率。

发明内容

本发明的目的在于提供一种用于夜间车道线检测的图像预处理方法，通过夜间车道线图像分析，分析得出进行车道线检测所需要的车道线的信息集中于灰度值相对较高的区域(车道标线部分)，而路面和一些其他的无用信息基本集中于灰度值相对较低的区域(路面背景部分)。为了能够得到更好的对比度增强效果，本发明将首先进行车道标线部分和路面背景部分的灰度阈值分割，在此基础上对车道标线和路面背景两部分分别进行局部直方图均衡化，从而增强对比度。

具体的步骤如下：

步骤1：首先采集图像，对图像中所有灰度值所对应的像素点个数进行统计。本发明中，采集的图像为8位的灰度图，因此灰度级范围为0至255。

步骤2：统计出图像中所有像素点数少于7的灰度级，然后把他们的像素点数的灰度值置为0。

该步骤的目的是，当某个灰度的像素点数目少于一定值的时候，可以认为这些点为噪声点，将这些噪声点的像素灰度值数置为0，并在下一步车道标线部分和路面背景部分的分界点阈值选取时忽略这些点。该步骤的目的是可以减少噪声对提取目标的影响。此处的判断阈值7是经过多次试验后确定的，一般可在区间[1,11]中选取。

步骤3：计算出车道标线部分和路面背景部分的分界点阈值t。

阈值法是图像二值化时最简单的算法，它利用灰度级来将图像划分成一个或者多个区域，当图像的目标与背景对比度较强的时候，这种方法非常有效。此时这种方法能把背景跟目标很好的分开，虽然本发明处理的图像是夜间环境下的车道线图像，对比度比较差，但是此处的阈值的选取不是为了把背景段跟目标段绝对的区分开来，不是图像的二值化处理，而是近似地分开背景段跟目标段，从而增强对比度以达到很好的对比度增强的效果。所以此处选用阈值法中算法简单且适用的全局灰度均值法来计算阈值。

计算公式如下(全局灰度均值法)：

t = \frac{1}{N} Σ_{i = 0}^{N} t_{i}, i = 0,1,2, \cdot \cdot \cdot \cdot \cdot \cdot, N - - - (1)

其中：t为阈值，N为图像中灰度值不为0的像素总数，t_i为第i点的像素灰度值。这样就得到：背景段为[1,t]，目标段为[t+1,255]。

步骤4：统计车道标线部分和路面背景部分所有像素点数等于0的灰度级个数，分别记为A和B，把它们分配给车道标线部分和路面背景部分，分配法则是：按照车道标线部分和路面背景部分占整个灰度级的比例来分。

这样按比例分配可以使灰度级的分配近似均匀化，符合直方图均衡化的原理。

分配给背景段和目标段的灰度级个数计算公式(2)、(3)分别如下所示：

Q_{1} = \frac{t}{256} \times (A + B) - - - (2)

Q_{2} = (1 - \frac{t}{256}) \times (A + B) - - - (3)

其中：Q₁，Q₂分别表示为背景段和目标段分配到的灰度级个数，t表示阈值,256表示整个灰度区间个数。

这样分配之后，可以得到一个新的阈值u，计算公式(4)如下:

u＝t-A+Q₁ (4)

根据阈值u重新划分算法后的背景段和目标段的灰度区间。背景段[1,t]扩展为[1,u]，目标段[t+1,255]扩展为[u+1,255]。

步骤5：对区间[1,t]和[t+1,255]分别进行局域直方图均衡化。灰度变换公式(5)如下所示：

t_{i} = \{\begin{matrix} (u + 1) Σ_{k = 0}^{i} p_{s} (s_{k}) = (u + 1) Σ_{k = 0}^{i} \frac{n_{k}}{n_{a}}, & 0 \leq i \leq t \\ \begin{matrix} (255 - u) Σ_{j = t + 1}^{i} p_{s} (s_{j}) + (u + 1) \\ = (255 - u) Σ_{j = t + 1}^{i} \frac{n_{j}}{n_{b}} + (u + 1), \end{matrix} & t < i \leq 255 \end{matrix} - - - (5)

式中i为原灰度级，t_i为算法后的灰度级，都表示为第i个灰度级的累计分布函数，只是它们的起始点和作用的区间不同。第一个作用的区间为[1,t]，起始点为1，第二个作用区间为[t+1,255]，起始点为t+1，n_k、n_j分别为灰度级s_k在[1，t]、[t+1,255]区间出现的像素总数，n_a、n_b分别为[1，t]、[t+1,255]区间频数大于0的灰度级的像素总数。

与现有技术即全局灰度进行直方图均衡化的方法相比，目前夜间车道线由于路面照射光源有限，图像整体亮度低，其中的车道线辨识度低，导致夜间车道线检测仍有较大的难度的现状。本发明提出了一种针对夜间道路图像的，以车道标线部分和路面背景部分分别进行直方图均衡化的预处理方法，该发明增强车道线像素区域和非车道线(路面)像素区域的对比度，可以提高夜间车道线的检测率。

附图说明

图1为总体流程图

图2为夜间道路图片预处理前对应灰度直方图

图3为夜间道路图片预处理后对应灰度直方图

具体实施方式

下面根据附图对本发明进行详细描述，其为本发明多种实施方式中的一种优选实施例。

采用本发明的方法，首先使用C++语言编写夜间道路图像预处理软件；然后将摄像机安装在汽车上(内部和外部皆可)。然后在车辆行驶过程中对前方图像进行采集；随后，把拍摄到的原始图像(640x480)输入到夜间道路图像预处理软件中进行处理。

具体步骤参照附图1所示：

计算公式如下(全局灰度均值法)：

t = \frac{1}{N} Σ_{i = 0}^{N} t_{i}, i = 0,1,2, \cdot \cdot \cdot \cdot \cdot \cdot, N - - - (1)

Q_{1} = \frac{t}{256} \times (A + B) - - - (2)

Q_{2} = (1 - \frac{t}{256}) \times (A + B) - - - (3)

这样分配之后，可以得到一个新的阈值u，计算公式(4)如下:

u＝t-A+Q₁ (4)

t_{i} = \{\begin{matrix} (u + 1) Σ_{k = 0}^{i} p_{s} (s_{k}) = (u + 1) Σ_{k = 0}^{i} \frac{n_{k}}{n_{a}}, & 0 \leq i \leq t \\ \begin{matrix} (255 - u) Σ_{j = t + 1}^{i} p_{s} (s_{j}) + (u + 1) \\ = (255 - u) Σ_{j = t + 1}^{i} \frac{n_{j}}{n_{b}} + (u + 1), \end{matrix} & t < i \leq 255 \end{matrix} - - - (5)

综上所述，本发明实现一种以车道标线部分和路面背景部分分别进行直方图均衡化的预处理方法，从而增强车道线像素区域和非车道线(路面)像素区域的对比度，可以提高夜间车道线的检测率。

采用本发明的一幅夜间道路图像的原图和灰度直方图及预处理后图片和灰度直方图如图2和图3所示。

上面结合附图对本发明进行了示例性描述，显然本发明具体实现并不受上述方式的限制，只要采用了本发明的方法构思和技术方案进行的各种改进，或未经改进直接应用于其它场合的，均在本发明的保护范围之内。

Claims

1.一种用于夜间车道线检测的图像预处理方法，其特征在于，包括如下步骤：

步骤1：首先采集图像，对图像中所有灰度值所对应的像素点个数进行统计；

步骤2：统计出图像中所有像素点数少于7的灰度级，然后把他们的像素点数的灰度值置为0；

步骤3：计算出车道标线部分和路面背景部分的分界点阈值t，设为背景段为[1,t]，目标段为[t+1,255]；

步骤4：统计车道标线部分和路面背景部分所有像素点数等于0的灰度级个数，分别记为A和B，把它们分配给车道标线部分和路面背景部分，分配法则是：按照车道标线部分和路面背景部分占整个灰度级的比例来分；

分配给背景段的灰度级个数计算公式如下所示：

Q_{1} = \frac{t}{256} \times (A + B)

分配给目标段的灰度级个数计算公式如下所示：

Q_{2} = (1 - \frac{t}{256}) \times (A + B)

其中：Q₁，Q₂分别表示为背景段和目标段分配到的灰度级个数，t表示阈值,256表示整个灰度区间个数；

这样分配之后，可以得到一个新的阈值u，计算公式如下:

u＝t-A+Q₁

根据阈值u重新划分算法后的背景段和目标段的灰度区间，背景段[1,t]扩展为[1,u]，目标段[t+1,255]扩展为[u+1,255]；

步骤5：对区间[1,t]和[t+1,255]分别进行局域直方图均衡化。

2.如权利要求1所述的用于夜间车道线检测的图像预处理方法，其特征在于，在步骤1中，采集的图像为8位的灰度图，灰度级范围为0至255。

3.如权利要求1-2所述的用于夜间车道线检测的图像预处理方法，其特征在于，在步骤3中，计算出车道标线部分和路面背景部分的分界点阈值t选用全局灰度均值法来计算阈值。

4.如权利要求3所述的用于夜间车道线检测的图像预处理方法，其特征在于，在步骤3中，进一步地，计算全局灰度均值法来计算阈值的公式如下：

t = \frac{1}{N} Σ_{i = 0}^{N} t_{i}, i = 0,1,2, \cdot \cdot \cdot \cdot \cdot \cdot, N

其中：t为阈值，N为图像中灰度值不为0的像素总数，t_i为第i点的像素灰度值。

5.如权利要求1-4所述的用于夜间车道线检测的图像预处理方法，其特征在于，步骤4中的分配法则是：按照车道标线部分和路面背景部分占整个灰度级的比例来分。

6.如权利要求5所述的用于夜间车道线检测的图像预处理方法，其特征在于，步骤5中，局域直方图均衡化采用灰度变换公式，如下所示：

t_{i} = \{\begin{matrix} (u + 1) Σ_{k = 0}^{i} p_{s} (s_{k}) = (u + 1) Σ_{k = 0}^{i} \frac{n_{k}}{n_{a}}, & 0 \leq i \leq t \\ \begin{matrix} (255 - u) Σ_{j = t + 1}^{i} p_{s} (s_{j}) + (u + 1) \\ = (255 - u) Σ_{j = t + 1}^{i} \frac{n_{j}}{n_{b}} + (u + 1), \end{matrix} & t < i \leq 255 \end{matrix}

式中i为原灰度级，t_i为算法后的灰度级，都表示为第i个灰度级的累计分布函数，只是它们的起始点和作用的区间不同；第一个作用的区间为[1,t]，起始点为1，第二个作用区间为[t+1,255]，起始点为t+1，n_k、n_j分别为灰度级s_k在[1，t]、[t+1,255]区间出现的像素总数，n_a、n_b分别为[1，t]、[t+1,255]区间频数大于0的灰度级的像素总数。