CN105069411A - 道路识别方法和装置 - Google Patents
道路识别方法和装置 Download PDFInfo
- Publication number
- CN105069411A CN105069411A CN201510443995.3A CN201510443995A CN105069411A CN 105069411 A CN105069411 A CN 105069411A CN 201510443995 A CN201510443995 A CN 201510443995A CN 105069411 A CN105069411 A CN 105069411A
- Authority
- CN
- China
- Prior art keywords
- gray level
- region
- image
- level image
- vehicle
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种道路识别方法，所述方法包括以下步骤：获得车辆行驶过程中所述车辆四周的地面图像；对所述地面图像进行处理，获得对应的灰度图像；提取所述灰度图像中灰度均匀的区域；提取所述地面图像的纹理特征；根据所述地面图像的颜色特征和纹理特征对相邻的灰度均匀的区域进行合并，获得最大面积的区域。本发明还公开了一种道路识别装置。本发明利用相同内容的灰度均匀，不同内容的边缘灰度不同的现象结合颜色、问题特征对车辆环境进行感知，能够识别出道路中可行驶区域和不可行驶的区域。
Description
技术领域
本发明涉及智能汽车辅助驾驶技术领域，尤其涉及一种道路识别方法和装置。
背景技术
智能汽车在无人驾驶时，可以根据各种传感器获得环境信息以及车辆状态、位置，通过对环境的理解自动控制车辆驾驶的行为。
路径规划是无人驾驶汽车研究的关键技术之一。路径规划一般需要先识别行驶道路，识别行驶道路一般通过先识别道路中车道线或者车道轮廓，然后再根据车道线或者车道轮廓进行处理，从而识别出车辆行驶车道。然而车辆在行驶过程中可能会遇到很多地形，车辆在有些地形行驶时无法识别出车道线或者车道轮廓，比如沙漠，从而使得通过识别道路中车道线或者车道轮廓的方式无法识别出行驶车道。
发明内容
本发明的主要目的在于提出一种道路识别方法和装置，旨在实现对行驶车道的识别。
为实现上述目的，本发明提供的一种道路识别方法，所述方法包括以下步骤：获得车辆行驶过程中所述车辆四周的地面图像；对所述地面图像进行处理，获得对应的灰度图像；提取所述灰度图像中灰度均匀的区域；提取所述地面图像的纹理特征；根据所述地面图像的颜色特征和纹理特征对相邻的灰度均匀的区域进行合并，获得最大面积的区域，作为所述车辆行驶候选区域。
优选地，所述提取所述灰度图像中灰度均匀的区域的步骤包括：对所述灰度图像进行二值化处理，以获得所述灰度图像中的连通区域；根据预置算法计算获得所述连通区域的局部最小值；根据获得的多个连通区域的局部最小值获得所述灰度图像中灰度均匀的区域。
优选地，所述根据预置算法计算获得所述连通区域的局部最小值的步骤包括：根据如下公式计算获得所述连通区域的局部最小值：
q(i)＝(|Qi+△|－|Qi-△|)/|Qi|，
其中，i为预设的二值化阈值，|Qi|表示对应二值化阈值i的连通区域的面积，△为预设常数，Qi+△表示对应二值化阈值i+△的连通区域的面积，Qi-△表示对应二值化阈值i-△的连通区域的面积。
优选地，所述对所述灰度图像进行二值化处理，以获得所述灰度图像中的连通区域的步骤之前包括：根据像素灰度值的大小，对所述灰度图像中所有像素进行排序。
优选地，所述对所述地面图像进行处理，获得对应的灰度图像的步骤包括：对所述灰度图像进行滤波处理。
此外，为实现上述目的，本发明还提供一种道路识别装置，所述装置包括：第一获得模块，用于获得车辆行驶过程中所述车辆四周的地面图像；第二获得模块，用于对所述地面图像进行处理，获得对应的灰度图像；第一提取模块，用于提取所述灰度图像中灰度均匀的区域；第二提取模块，用于提取所述地面图像的纹理特征；合并模块，用于根据所述地面图像的颜色特征和纹理特征对相邻的灰度均匀的区域进行合并，获得最大面积的区域，作为所述车辆行驶候选区域。
优选地，所述第一提取模块包括：第一获得单元，用于对所述灰度图像进行二值化处理，以获得所述灰度图像中的连通区域；计算单元，用于根据预置算法计算获得所述连通区域的局部最小值；第二获得单元，用于根据获得的多个连通区域的局部最小值获得所述灰度图像中灰度均匀的区域。
优选地，所述计算单元还用于根据如下公式计算获得所述连通区域的局部最小值：
q(i)＝(|Qi+△|－|Qi-△|)/|Qi|，
其中，i为预设的二值化阈值，|Qi|表示对应二值化阈值i的连通区域的面积，△为预设常数，Qi+△表示对应二值化阈值i+△的连通区域的面积，Qi-△表示对应二值化阈值i-△的连通区域的面积。
优选地，所述第一提取模块还包括：排序单元，用于根据像素灰度值的大小，对所述灰度图像中所有像素进行排序。
优选地，所述第二获得模块还用于对所述灰度图像进行滤波处理。
本发明通过获得车辆行驶过程中所述车辆四周的地面图像；对所述地面图像进行处理，获得对应的灰度图像；提取所述灰度图像中灰度均匀的区域；提取所述地面图像的纹理特征；根据所述地面图像的颜色特征和纹理特征对相邻的灰度均匀的区域进行合并，获得最大面积的区域，作为所述车辆行驶候选区域。通过上述方式，本发明利用地面图像中相同内容的灰度均匀，不同内容的边缘灰度不同的现象结合物体图像中颜色、纹理特征进行判断，合并颜色、纹理特征相同或者相近的灰度均匀的区域，将合并的区域中面积最大的区域作为车辆行驶车道的候补区域，从而识别出车辆行驶车道和包括障碍物、其他车辆或者行人区域的为非行驶车道，能够无需提取车道的车道线或车道轮廓，特别适合野外环境，如荒地，沙漠，甚至是在月球或火星表面的星际智能车辆行走控制中。
附图说明
图1为本发明道路识别方法第一实施例的流程示意图；
图2为本发明实施例中提取所述灰度图像中灰度均匀的区域的一种流程示意图；
图3为本发明道路识别装置第一实施例的功能模块示意图；
图4为本发明实施例中提取模块的细化功能模块示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明提供一种道路识别方法。
请参照图1，图1为本发明道路识别方法第一实施例的流程示意图。
在本实施例中，该道路识别方法包括：
步骤S10，获得车辆行驶过程中所述车辆四周的地面图像；
车辆在行驶过程中或者在开始行驶时，模拟人驾驶车辆行驶在道路上时的情境：除了注视前方道路以外，时常还要通过对正上方的后视镜、左右两个侧后视镜，不时观测周围环境。车辆在行驶过程中同样除了要感知前方道路信息以外，还要对周围地面环境信息，比如地面平坦情况、车辆和行人情况。通过车辆上的视觉传感器获得车辆行驶过程中所述车辆四周的地面图像，比如通过一台或者多台摄像机用于前视、左视、右视，甚至后视获得所述车辆四周的地面图像。优选地，通过车辆上全景摄像头获得所述车辆行驶过程中四周的地面图像，可以避免摄像机在各个方向上独立采集视觉图像所产生的无法标定问题，每个摄像机之间的数据关联无法有效完成的问题。优选地，获得所述车辆预设具体的地面图像。获得所述车辆四周的地面图像后进入步骤S20。
步骤S20，对所述地面图像进行处理，获得对应的灰度图像；
根据步骤S10获得的所述车辆四周的地面图像，对所述地面图像进行处理，获得所述地面图像的灰度图像，比如根据获得的地面图像获得所述地面图像中每个像素点的RGB值，然后根据转换公式将所述地面图像中每个像素点转换为需要的灰度图像。当然还可以通过其他方式获得对应的灰度图像，比如先判断获得的所述地面图像的类型，划分为16位以上的图和16为以下的图，根据类型进行不同的处理获得对应的灰度图像，处理过程包括：16位以上的图按每个点的位数都转换成相同的灰度值；16为以下的图通过修改调色板的数值，并且按照每个点所占位数修改灰度值索引获得对应的灰度图像。
获得灰度图像后进入步骤S30。
步骤S30，提取所述灰度图像中灰度均匀的区域；
根据步骤S20获得的灰度图像，根据所述灰度图像的灰度值，利用同一物体的灰度值相同或者相近的现象提取所述灰度图像中灰度均匀的区域，灰度值提取到的灰度均匀的区域中灰度值会大于或者小于所述区域边缘处的灰度值。可以避免因为光线原因导致灰度值不同，比如障碍物、行人或者车辆造成的阴影，使得所述灰度图像中很多区域可能灰度值有所不同。
在一优选实施例中还可以识别所述灰度图像中车道线或者车道轮廓，车辆行驶的道路包括结构化道路和非结构化道路两种，所述结构化道路就是城市道路，也就是有车道线的道路；而非结构化道路即乡村道路中，道路的是没有车道线的。在结构化道路和非结构化道路上行驶时，则可以识别出所述灰度图像中车道线或者车道轮廓。比如在结构化的车道中根据车道线的在灰度图像中灰度值为两道连续线的特征，识别出所述灰度图像中车道线；在没有车道线的非结构化车道中根据车道和车道外灰度值差异明显获得所述车道的轮廓，优先地，通过Otsu算法将所述道路轮廓图像按照灰度特征分成图像和背景两类，以提取图像类的特征信息作为道路特征信息。具体实施中还可以通过其他方式在地面图像中识别出车道线或者车道轮廓，比如根据颜色识别出车道线或者车道轮廓。然后根据车道线和车道轮廓中道路为行驶车道，提取所述灰度图像中灰度均匀的区域。
提取所述灰度图像中灰度均匀的区域后进入步骤S40。
步骤S40，提取所述地面图像的纹理特征；
根据所述地面图像或者灰度图像，提取所述地面图像的问题特征。比如首先将检测窗口划分为16×16的小区域，对于每个小区域中的一个像素，将其环形邻域内的8个点(也可以是环形邻域多个点)进行顺时针或逆时针的比较，如果中心像素值比该邻点大，则将邻点赋值为1，否则赋值为0，这样每个点都会获得一个8位二进制数，当然还可以转换为十进制数。然后计算每个小区域的直方图，即每个数字(假定是十进制数)出现的频率，也就是一个关于每一个像素点是否比邻域内点大的一个二进制序列进行统计，然后对该直方图进行归一化处理。最后将得到的每个小区域的统计直方图进行连接，就得到了整幅图的纹理特征。当然还可以通过其他方式获得所述纹理特征。然后进入步骤S50。
步骤S50，根据所述地面图像的颜色特征和纹理特征对相邻的灰度均匀的区域进行合并，获得最大面积的区域，作为所述车辆行驶候选区域。
根据步骤S30提取到的所述灰度图像中灰度均匀的区域，利用地面图像中相同内容的灰度均匀，不同内容的边缘灰度不同的现象，结合获得的所述地面图像或者灰度图像中颜色特征和步骤S40提取的纹理特征对相邻的灰度均匀的区域进行合并，获得最大面积的区域。将获得最大面积的区域作为车辆行驶的候补区域，从而获得可以行使区域。然后所述车辆可以根据可行驶区域以及行驶目标和/或规则行驶。还能识别出在所述车辆所在地面的平坦程度，比如所述车辆所在地面中包括有一个较深的坑，地面和坑的灰度值可能较大，其颜色和纹理特征也有很大差异。
在一优选实施例中在获得所述车辆的地面图像或者对应所述地面图像的灰度图像时，还可以对所述地面图像或所述灰度图像进行预处理，预处理过程包括：对所述地面图像或所述灰度图像滤波处理，消除所述地面图像或所述灰度图像中噪点干扰。
本发明通过获得车辆行驶过程中所述车辆四周的地面图像；对所述地面图像进行处理，获得对应的灰度图像；提取所述灰度图像中灰度均匀的区域；提取所述地面图像的纹理特征；根据所述地面图像的颜色特征和纹理特征对相邻的灰度均匀的区域进行合并，获得最大面积的区域，作为所述车辆行驶候选区域。通过上述方式，本发明利用地面图像中相同内容的灰度均匀，不同内容的边缘灰度不同的现象结合物体图像中颜色、纹理特征进行判断，合并颜色、纹理特征相同或者相近的灰度均匀的区域，将合并的区域中面积最大的区域作为车辆行驶车道的候补区域，从而识别出车辆行驶车道和包括障碍物、其他车辆或者行人区域的为非行驶车道。能够无需提取车道的车道线或车道轮廓，特别适合野外环境，如荒地，沙漠，甚至是在月球或火星表面的星际智能车辆行走控制中
请参照图2，图2为本发明实施例中提取所述灰度图像中灰度均匀的区域的一种流程示意图。
基于本发明道路识别方法第一实施例，步骤S30可以包括：
步骤S31，对所述灰度图像进行二值化处理，以获得所述灰度图像中的连通区域；
对在步骤S20获得的所述灰度图像进行二值化处理，图像中各个像素值一般在区间[0，225]，利用像素区间内的256个不同整形阈值对所述灰度图像进行二值化处理，获得二值化处理的二值图像，根据所述二值图像判断所述二值图像中的连通区域，优选地，连通区域为所述二值图像中没有“洞”的区域，因为经过二值化处理后的图像中只有两个像素值，相同像素值则为连通区域，如果某个区域中出现不同的像素，则在图中会表现为该区域中有个明显缺口，类似洞的形状。
在一优选实施例中在对所述灰度图像进行二值化处理之前，还可以先根据所述灰度图像中灰度值的大小，对所述灰度图像中所有像素进行排序，优选地，利用快速排序算法对所述灰度图像中所有像素进行排序，即在所述灰度图像中随机选择一像素值，根据这像素值对所有像素的大小分成两部分：像素值大于选择像素值部分和像素值小于选择像素值部分，然后在像素值大于选择像素值部分和像素值小于选择像素值部分再随机选择一像素值进行同样处理，直至所有像素根据像素大小从大到小或者从小到大进行排序。利用排序后的图像像素列表能够快速地计算出灰度图像的二值化结果。
获得所述灰度图像中的连通区域后进入步骤S32。
步骤S32，根据预置算法计算获得所述连通区域的局部最小值；
根据步骤S31获得所述灰度图像中的连通区域，根据预置算法计算获得所述连通区域的局部最小值，优选地，通过如下算法进行计算q(i)：
q(i)＝(|Qi+△|－|Qi-△|)/|Qi|，
其中，i为预设的二值化阈值，|Qi|表示对应二值化阈值i的连通区域的面积，△为预设常数，Qi+△表示对应二值化阈值i+△的连通区域的面积，表示对应二值化阈值i-△的连通区域的面积。i可为在步骤S31进行二值化选择的值，△为预设常数支持出厂预设或用户自定义，|Qi+△|－|Qi-△|则可以表示为区域Qi+ △减去区域Qi-△后剩余的面积。当然还可以通过其他方式计算获得。
获得所述连通区域的局部最小值进入步骤S33。
步骤S33，根据获得的多个连通区域的局部最小值获得所述灰度图像中灰度均匀的区域。
基于最大稳定区是地面平坦区的可能性最大，非稳定区是地面高低不平区域的可能性最大的判定准则，根据步骤S33获得的多个连通区域的局部最小值，选择多个连通区域中根据获得的局部最小值变化较小的区域，从而获得所述灰度图像中灰度均匀的区域。然后进入步骤S40。
本发明进一步提供一种道路识别装置。
请参照图3，图3为本发明道路识别装置第一实施例的功能模块示意图。
在本实施例中，该道路识别装置包括：
第一获得模块10，用于获得车辆行驶过程中所述车辆四周的地面图像。
车辆在行驶过程中或者在开始行驶时，模拟人驾驶车辆行驶在道路上时的情境：除了注视前方道路以外，时常还要通过对正上方的后视镜、左右两个侧后视镜，不时观测周围环境。车辆在行驶过程中同样除了要感知前方道路信息以外，还要对周围地面环境信息，比如地面平坦情况、车辆和行人情况。通过车辆上的视觉传感器获得车辆行驶过程中所述车辆四周的地面图像，比如通过一台或者多台摄像机用于前视、左视、右视，甚至后视获得所述车辆四周的地面图像。优选地，通过车辆上全景摄像头获得所述车辆行驶过程中四周的地面图像，可以避免摄像机在各个方向上独立采集视觉图像所产生的无法标定问题，每个摄像机之间的数据关联无法有效完成的问题。优选地，获得所述车辆预设具体的地面图像。
第二获得模块20，用于对所述地面图像进行处理，获得对应的灰度图像。
根据第一获得模块10获得的所述车辆四周的地面图像，对所述地面图像进行处理，获得所述地面图像的灰度图像，比如根据获得的地面图像获得所述地面图像中每个像素点的RGB值，然后根据转换公式将所述地面图像中每个像素点转换为需要的灰度图像。当然还可以通过其他方式获得对应的灰度图像，比如先判断获得的所述地面图像的类型，划分为16位以上的图和16为以下的图，根据类型进行不同的处理获得对应的灰度图像，处理过程包括：16位以上的图按每个点的位数都转换成相同的灰度值；16为以下的图通过修改调色板的数值，并且按照每个点所占位数修改灰度值索引获得对应的灰度图像。
第一提取模块30，用于提取所述灰度图像中灰度均匀的区域。
根据第二获得模块20获得的灰度图像，根据所述灰度图像的灰度值，利用同一物体的灰度值相同或者相近的现象提取所述灰度图像中灰度均匀的区域，灰度值提取到的灰度均匀的区域中灰度值会大于或者小于所述区域边缘处的灰度值。可以避免因为光线原因导致灰度值不同，比如障碍物、行人或者车辆造成的阴影，使得所述灰度图像中很多区域可能灰度值有所不同。
在一优选实施例中还可以识别所述灰度图像中车道线或者车道轮廓，车辆行驶的道路包括结构化道路和非结构化道路两种，所述结构化道路就是城市道路，也就是有车道线的道路；而非结构化道路即乡村道路中，道路的是没有车道线的。在结构化道路和非结构化道路上行驶时，则可以识别出所述灰度图像中车道线或者车道轮廓。比如在结构化的车道中根据车道线的在灰度图像中灰度值为两道连续线的特征，识别出所述灰度图像中车道线；在没有车道线的非结构化车道中根据车道和车道外灰度值差异明显获得所述车道的轮廓，优先地，通过Otsu算法将所述道路轮廓图像按照灰度特征分成图像和背景两类，以提取图像类的特征信息作为道路特征信息。具体实施中还可以通过其他方式在地面图像中识别出车道线或者车道轮廓，比如根据颜色识别出车道线或者车道轮廓。然后根据车道线和车道轮廓中道路为行驶车道，提取所述灰度图像中灰度均匀的区域。
第二提取模块40，用于提取所述地面图像的纹理特征；
根据所述地面图像或者灰度图像，提取所述地面图像的问题特征。比如首先将检测窗口划分为16×16的小区域，对于每个小区域中的一个像素，将其环形邻域内的8个点(也可以是环形邻域多个点)进行顺时针或逆时针的比较，如果中心像素值比该邻点大，则将邻点赋值为1，否则赋值为0，这样每个点都会获得一个8位二进制数，当然还可以转换为十进制数。然后计算每个小区域的直方图，即每个数字(假定是十进制数)出现的频率，也就是一个关于每一个像素点是否比邻域内点大的一个二进制序列进行统计，然后对该直方图进行归一化处理。最后将得到的每个小区域的统计直方图进行连接，就得到了整幅图的纹理特征。当然还可以通过其他方式获得所述纹理特征。
合并模块50，用于根据所述地面图像的颜色特征和纹理特征对相邻的灰度均匀的区域进行合并，获得最大面积的区域。
根据第一提取模块30提取到的所述灰度图像中灰度均匀的区域，利用地面图像中相同内容的灰度均匀，不同内容的边缘灰度不同的现象，结合获得的所述地面图像或者灰度图像中颜色特征和第二提取模块40提取的纹理特征对相邻的灰度均匀的区域进行合并，获得最大面积的区域。将获得最大面积的区域作为车辆行驶的候补区域，从而获得可以行使区域。然后所述车辆可以根据可行驶区域以及行驶目标和/或规则行驶。还能识别出在所述车辆所在地面的平坦程度，比如所述车辆所在地面中包括有一个较深的坑，地面和坑的灰度值可能较大，其颜色和纹理特征也有很大差异。
在一优选实施例中在获得所述车辆的地面图像或者对应所述地面图像的灰度图像时，还可以对所述地面图像或所述灰度图像进行预处理，预处理过程包括：对所述地面图像或所述灰度图像滤波处理，消除所述地面图像或所述灰度图像中噪点干扰。
本发明通过获得车辆行驶过程中所述车辆四周的地面图像；对所述地面图像进行处理，获得对应的灰度图像；提取所述灰度图像中灰度均匀的区域；提取所述地面图像的纹理特征；根据所述地面图像的颜色特征和纹理特征对相邻的灰度均匀的区域进行合并，获得最大面积的区域，作为所述车辆行驶候选区域。通过上述方式，本发明利用地面图像中相同内容的灰度均匀，不同内容的边缘灰度不同的现象结合物体图像中颜色、纹理特征进行判断，合并颜色、纹理特征相同或者相近的灰度均匀的区域，将合并的区域中面积最大的区域作为车辆行驶车道的候补区域，从而识别出车辆行驶车道和包括障碍物、其他车辆或者行人区域的为非行驶车道。能够无需提取车道的车道线或车道轮廓，特别适合野外环境，如荒地，沙漠，甚至是在月球或火星表面的星际智能车辆行走控制中
请参照图4，图4为本发明实施例中提取模块的细化功能模块示意图。
基于本发明道路识别装置第一实施例，第一提取模块30可以包括：
第一获得单元31，用于对所述灰度图像进行二值化处理，以获得所述灰度图像中的连通区域。
对在步骤S20获得的所述灰度图像进行二值化处理，图像中各个像素值一般在区间[0，225]，利用像素区间内的256个不同整形阈值对所述灰度图像进行二值化处理，获得二值化处理的二值图像，根据所述二值图像判断所述二值图像中的连通区域，优选地，连通区域为所述二值图像中没有“洞”的区域，因为经过二值化处理后的图像中只有两个像素值，相同像素值则为连通区域，如果某个区域中出现不同的像素，则在图中会表现为该区域中有个明显缺口，类似洞的形状。
在一优选实施例中还可以包括排序单元(图未示)，用于根据像素灰度值的大小，对所述灰度图像中所有像素进行排序。
在对所述灰度图像进行二值化处理之前，还可以先根据所述灰度图像中灰度值的大小，对所述灰度图像中所有像素进行排序，优选地，利用快速排序算法对所述灰度图像中所有像素进行排序，即在所述灰度图像中随机选择一像素值，根据这像素值对所有像素的大小分成两部分：像素值大于选择像素值部分和像素值小于选择像素值部分，然后在像素值大于选择像素值部分和像素值小于选择像素值部分再随机选择一像素值进行同样处理，直至所有像素根据像素大小从大到小或者从小到大进行排序。利用排序后的图像像素列表能够快速地计算出灰度图像的二值化结果。
计算单元32，用于根据预置算法计算获得所述连通区域的局部最小值。
根据步骤S31获得所述灰度图像中的连通区域，根据预置算法计算获得所述连通区域的局部最小值，优选地，通过如下算法进行计算q(i)：
q(i)＝(|Qi+△|－|Qi-△|)/|Qi|，
其中，i为预设的二值化阈值，|Qi|表示对应二值化阈值i的连通区域的面积，△为预设常数，Qi+△表示对应二值化阈值i+△的连通区域的面积，表示对应二值化阈值i-△的连通区域的面积。i可为在步骤S31进行二值化选择的值，△为预设常数支持出厂预设或用户自定义，|Qi+△|－|Qi-△|则可以表示为区域Qi+ △减去区域Qi-△后剩余的面积。当然还可以通过其他方式计算获得。
第二获得单元33，用于根据获得的多个连通区域的局部最小值获得所述灰度图像中灰度均匀的区域。
基于最大稳定区是地面平坦区的可能性最大，非稳定区是地面高低不平区域的可能性最大的判定准则，根据步骤S33获得的多个连通区域的局部最小值，选择多个连通区域中根据获得的局部最小值变化较小的区域，从而获得所述灰度图像中灰度均匀的区域。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种道路识别方法，其特征在于，所述方法包括以下步骤：
获得车辆行驶过程中所述车辆四周的地面图像；
对所述地面图像进行处理，获得对应的灰度图像；
提取所述灰度图像中灰度均匀的区域；
提取所述地面图像的纹理特征；
根据所述地面图像的颜色特征和纹理特征对相邻的灰度均匀的区域进行合并，获得最大面积的区域，作为所述车辆行驶候选区域。
2.如权利要求1所述的方法，其特征在于，所述提取所述灰度图像中灰度均匀的区域的步骤包括：
对所述灰度图像进行二值化处理，以获得所述灰度图像中的连通区域；
根据预置算法计算获得所述连通区域的局部最小值；
根据获得的多个连通区域的局部最小值获得所述灰度图像中灰度均匀的区域。
3.如权利要求2所述的方法，其特征在于，所述根据预置算法计算获得所述连通区域的局部最小值的步骤包括：
根据如下公式计算获得所述连通区域的局部最小值：
q(i)＝(|Qi+△|－|Qi-△|)/|Qi|，
其中，i为预设的二值化阈值，|Qi|表示对应二值化阈值i的连通区域的面积，△为预设常数，Qi+△表示对应二值化阈值i+△的连通区域的面积，Qi-△表示对应二值化阈值i-△的连通区域的面积。
4.如权利要求2所述的方法，其特征在于，所述对所述灰度图像进行二值化处理，以获得所述灰度图像中的连通区域的步骤之前包括：
根据像素灰度值的大小，对所述灰度图像中所有像素进行排序。
5.如权利要求1所述的方法，其特征在于，所述对所述地面图像进行处理，获得对应的灰度图像的步骤包括：
对所述灰度图像进行滤波处理。
6.一种道路识别装置，其特征在于，所述装置包括：
第一获得模块，用于获得车辆行驶过程中所述车辆四周的地面图像；
第二获得模块，用于对所述地面图像进行处理，获得对应的灰度图像；
第一提取模块，用于提取所述灰度图像中灰度均匀的区域；
第二提取模块，用于提取所述地面图像的纹理特征；
合并模块，用于根据所述地面图像的颜色特征和纹理特征对相邻的灰度均匀的区域进行合并，获得最大面积的区域，作为所述车辆行驶候选区域。
7.如权利要求6所述的装置，其特征在于，所述第一提取模块包括：
第一获得单元，用于对所述灰度图像进行二值化处理，以获得所述灰度图像中的连通区域；
计算单元，用于根据预置算法计算获得所述连通区域的局部最小值；
第二获得单元，用于根据获得的多个连通区域的局部最小值获得所述灰度图像中灰度均匀的区域。
8.如权利要求7所述的装置，其特征在于，所述计算单元还用于根据如下公式计算获得所述连通区域的局部最小值：
q(i)＝(|Qi+△|－|Qi-△|)/|Qi|，
其中，i为预设的二值化阈值，|Qi|表示对应二值化阈值i的连通区域的面积，△为预设常数，Qi+△表示对应二值化阈值i+△的连通区域的面积，Qi-△表示对应二值化阈值i-△的连通区域的面积。
9.如权利要求7所述的装置，其特征在于，所述第一提取模块还包括：
排序单元，用于根据像素灰度值的大小，对所述灰度图像中所有像素进行排序。
10.如权利要求6所述的装置，其特征在于，所述第二获得模块还用于对所述灰度图像进行滤波处理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510443995.3A CN105069411B (zh) | 2015-07-24 | 2015-07-24 | 道路识别方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510443995.3A CN105069411B (zh) | 2015-07-24 | 2015-07-24 | 道路识别方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105069411A true CN105069411A (zh) | 2015-11-18 |
| CN105069411B CN105069411B (zh) | 2019-03-29 |
Family
ID=54498773
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510443995.3A Active CN105069411B (zh) | 2015-07-24 | 2015-07-24 | 道路识别方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105069411B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109117690A (zh) * | 2017-06-23 | 2019-01-01 | 百度在线网络技术（北京）有限公司 | 可行驶区域检测方法、装置、设备及存储介质 |
| CN109657628A (zh) * | 2018-12-24 | 2019-04-19 | 驭势（上海）汽车科技有限公司 | 一种用于确定车辆的可行驶区域的方法与设备 |
| CN109683613A (zh) * | 2018-12-24 | 2019-04-26 | 驭势（上海）汽车科技有限公司 | 一种用于确定车辆的辅助控制信息的方法与设备 |
| CN110163883A (zh) * | 2018-03-29 | 2019-08-23 | 长春工业大学 | 一种张拉整体轮式机构系统 |
| CN111160086A (zh) * | 2019-11-21 | 2020-05-15 | 成都旷视金智科技有限公司 | 车道线识别方法、装置、设备和存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101286239A (zh) * | 2008-04-22 | 2008-10-15 | 北京航空航天大学 | 航拍交通视频车辆快速检测方法 |
| CN102436644A (zh) * | 2011-11-02 | 2012-05-02 | 南京物联网研究院发展有限公司 | 基于自适应边缘配准的非结构化道路检测方法 |
| CN104657978A (zh) * | 2014-12-24 | 2015-05-27 | 福州大学 | 一种基于遥感图像道路形状特征的道路提取方法 |
| CN104700071A (zh) * | 2015-01-16 | 2015-06-10 | 北京工业大学 | 一种全景图道路轮廓的提取方法 |
-
2015
- 2015-07-24 CN CN201510443995.3A patent/CN105069411B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101286239A (zh) * | 2008-04-22 | 2008-10-15 | 北京航空航天大学 | 航拍交通视频车辆快速检测方法 |
| CN102436644A (zh) * | 2011-11-02 | 2012-05-02 | 南京物联网研究院发展有限公司 | 基于自适应边缘配准的非结构化道路检测方法 |
| CN104657978A (zh) * | 2014-12-24 | 2015-05-27 | 福州大学 | 一种基于遥感图像道路形状特征的道路提取方法 |
| CN104700071A (zh) * | 2015-01-16 | 2015-06-10 | 北京工业大学 | 一种全景图道路轮廓的提取方法 |
Non-Patent Citations (1)
| Title |
|---|
| 肖晓明等: "一种自适应的区域生长算法用于道路分割", 《控制工程》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109117690A (zh) * | 2017-06-23 | 2019-01-01 | 百度在线网络技术（北京）有限公司 | 可行驶区域检测方法、装置、设备及存储介质 |
| CN110163883A (zh) * | 2018-03-29 | 2019-08-23 | 长春工业大学 | 一种张拉整体轮式机构系统 |
| CN109657628A (zh) * | 2018-12-24 | 2019-04-19 | 驭势（上海）汽车科技有限公司 | 一种用于确定车辆的可行驶区域的方法与设备 |
| CN109683613A (zh) * | 2018-12-24 | 2019-04-26 | 驭势（上海）汽车科技有限公司 | 一种用于确定车辆的辅助控制信息的方法与设备 |
| CN109683613B (zh) * | 2018-12-24 | 2022-04-29 | 驭势（上海）汽车科技有限公司 | 一种用于确定车辆的辅助控制信息的方法与设备 |
| CN111160086A (zh) * | 2019-11-21 | 2020-05-15 | 成都旷视金智科技有限公司 | 车道线识别方法、装置、设备和存储介质 |
| CN111160086B (zh) * | 2019-11-21 | 2023-10-13 | 芜湖迈驰智行科技有限公司 | 车道线识别方法、装置、设备和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105069411B (zh) | 2019-03-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Sotelo et al. | A color vision-based lane tracking system for autonomous driving on unmarked roads | |
| Son et al. | Real-time illumination invariant lane detection for lane departure warning system | |
| CN105069411A (zh) | 道路识别方法和装置 | |
| US10990820B2 (en) | Heterogeneous convolutional neural network for multi-problem solving | |
| Li et al. | A sensor-fusion drivable-region and lane-detection system for autonomous vehicle navigation in challenging road scenarios | |
| CN101783076B (zh) | 一种视频监控模式下的快速车型识别方法 | |
| US20180330615A1 (en) | Road obstacle detection device, method, and program | |
| US10496891B2 (en) | Driver assistance system and method for object detection and notification | |
| US8934669B2 (en) | Self-adaptive image-based obstacle detection method | |
| JP2003228711A (ja) | レーンマーク認識方法 | |
| CN101950350A (zh) | 使用分级方法的畅通路径检测 | |
| JP2015197829A (ja) | レーンマーク認識装置 | |
| CN103996030A (zh) | 一种车道线检测方法 | |
| Mandal et al. | Real-time automotive night-vision system for drivers to inhibit headlight glare of the oncoming vehicles and enhance road visibility | |
| US11200438B2 (en) | Sequential training method for heterogeneous convolutional neural network | |
| US10417518B2 (en) | Vehicle camera system | |
| Zarbakht et al. | Lane detection under adverse conditions based on dual color space | |
| JP2020095631A (ja) | 画像処理装置および画像処理方法 | |
| Kumar et al. | ROBOG an autonomously navigating vehicle based on road detection for unstructured road | |
| JP6378547B2 (ja) | 車外環境認識装置 | |
| US11417117B2 (en) | Method and device for detecting lanes, driver assistance system and vehicle | |
| KR20180069282A (ko) | 자율주행을 위한 차선검출 방법. | |
| Zhang et al. | Automatic road sign detection method based on color barycenters hexagon model | |
| Novák et al. | Visible Light Communication transmitter position detection for use in ITS | |
| Patil et al. | Moving vehicle detection: A review |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CP03 | Change of name, title or address |
Address after: 341000 standard workshop of phase III Industrial Park, QUANNAN County, Ganzhou City, Jiangxi Province Patentee after: Jiangxi jiaxinjie Electronics Co.,Ltd. Address before: 518000 building A2, zone 6, Xinhe Xinxing Industrial Park, Fuyong street, Bao'an District, Shenzhen City, Guangdong Province Patentee before: SHENZHEN JIAXINJIE TECHNOLOGY CO.,LTD. |
|
| CP03 | Change of name, title or address |