CN105740796A - 一种基于灰度直方图的透视变换后车道线图像二值化方法 - Google Patents
一种基于灰度直方图的透视变换后车道线图像二值化方法 Download PDFInfo
- Publication number
- CN105740796A CN105740796A CN201610053975.XA CN201610053975A CN105740796A CN 105740796 A CN105740796 A CN 105740796A CN 201610053975 A CN201610053975 A CN 201610053975A CN 105740796 A CN105740796 A CN 105740796A
- Authority
- CN
- China
- Prior art keywords
- threshold
- grey level
- level histogram
- lane line
- histogram
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Facsimile Image Signal Circuits (AREA)
Abstract
本发明涉及一种基于灰度直方图的透视变换后车道线图像二值化方法,将透视变换后的车道线图像进行灰度直方图统计;将像素0所对应的灰度直方图频次赋值为0;根据阈值选取方法,对灰度直方图进行阈值选取,得到全局阈值t1;将透视变换后的车道线图像截取感兴趣区域,形成感兴趣区域的灰度直方图;根据阈值选取方法,对感兴趣区域的灰度直方图进行阈值选取,得到局部阈值t2;根据全局阈值t1和局部阈值t2得到最优阈值;对最优阈值进行二值化,得到二值图。本发明通过差分灰度直方图确定最优阈值,成功的将单峰的车道线背景分离,通过采取双阈值的方法,成功的解决了由于透视变换图像上半部分背景比下半部分背景像素值高导致二值化效果不好的现象。
Description
技术领域
本发明涉及一种智能汽车领域,具体地说是一种基于灰度直方图的透视变换后车道线图像二值化方法。
背景技术
随着汽车行业的不断发展,汽车的智能化是当前的主流趋势,智能驾驶也就成为了未来发展的主要目标。为了更好使汽车能够更好的主动适应路面信息,车道线检测成为重中之重。道路图像经透视变换后通常由于远端少量像素点插值拉伸导致远端像素值偏高,单纯的大津法等方法对该类图像不能自适应的计算出合适的阈值,导致二值化效果失败;另外路面车辆以及周边楼宇等造成的干扰,使得二值化阈值不准确,导致车道线不能够完全的和路面分离出来,导致二值化效果失败。这些原因均能导致之后的车道线检测程序干扰过多,直接导致车道线检测失败。
发明内容
针对现有技术的不足,本发明提供一种基于灰度直方图的透视变换后车道线图像二值化方法,通过对透视变换后车道线图像灰度直方图的分析,得到透视变换后车道线图像二值化的最优阈值,达到使透视变换后车道线与车道背景分离的目的。
本发明为实现上述目的所采用的技术方案是:
一种基于灰度直方图的透视变换后车道线图像二值化方法,包括以下步骤:
步骤1:将透视变换后的车道线图像进行灰度直方图统计;
步骤2:将像素0所对应的灰度直方图频次赋值为0;
步骤3:根据阈值选取方法,对灰度直方图进行阈值选取,得到全局阈值t1;
步骤4:将透视变换后的车道线图像截取感兴趣区域,形成感兴趣区域的灰度直方图;
步骤5:根据阈值选取方法,对感兴趣区域的灰度直方图进行阈值选取,得到局部阈值t2;
步骤6:根据全局阈值t1和局部阈值t2得到最优阈值;
步骤7:对最优阈值进行二值化,得到二值图。
所述阈值选取方法包括以下步骤:
步骤1:将灰度直方图纵坐标频次归一化;
步骤2:求取灰度直方图的最大值位置,该位置即峰值频次所对应的像素值iLocMax;
步骤3:将灰度直方图向量右移一位,像素值为0位置频率为0,像素值为256位置舍弃,与原始灰度直方图相减,得到差分灰度直方图;
步骤4:根据差分灰度直方图得到最优阈值。
所述根据差分灰度直方图得到最优阈值包括以下过程:
如果差分灰度直方图无正值,则感兴趣区域内全为背景区域,从iLocMax遍历至255,求取灰度直方图频率第一次到达零点所对应像素值位置iLoc1,则最优阈值为k×iLoc1,其中,k为调和系数,iLoc1为灰度直方图频率第一次到达零点所对应像素值位置;
如果差分直方图有正值,则从iLocMax遍历至255,如果差分直方图由负变正位置所对应归一化频率小于阈值thresh,则该位置所对应的像素值即为最优阈值,否则继续遍历。
所述根据全局阈值t1和局部阈值t2得到最优阈值包括以下过程:
如果|t1-t2|>threshold,则取(t1+t2)/2作为二值化最优阈值,如果|t1-t2|≤threshold,则取t1作为二值化最优阈值,其中t1为全局阈值,t2为局部阈值,threshold为约束阈值。
本发明具有以下有益效果及优点:
1.本发明通过差分灰度直方图确定最优阈值,成功的将单峰的车道线背景分离,避免了其他算法二值化效果不佳的情况。
2.本发明通过采取双阈值的方法,成功的解决了由于透视变换图像上半部分背景比下半部分背景像素值高导致二值化效果不好的现象。
3.本发明通过截取感兴趣区域,该区域一定是地面背景或者车道线与其的组合,避免了路面车辆以及楼宇等干扰对二值化阈值的影响。
附图说明
图1是本发明的方法流程图;
图2是本发明的二值结果图;
图3是本发明的透视变换图。
具体实施方式
下面结合附图及实施例对本发明做进一步的详细说明。
如图1所示为本发明的方法流程图。
一种基于灰度直方图的透视变换后车道线图像二值化方法。灰度直方图是灰度级的函数,它表示图像中具有某种灰度级的像素的个数,反映了图像中某种灰度出现的频率。灰度直方图的纵坐标为频率,横坐标为该频率所对应的像素值。具体步骤如下:
S1首先将透视变换后的车道线图像统计灰度直方图。
S2将像素0所对应的直方图频次赋值为0。
S3根据直方图使用全局阈值选取方法选取阈值t1为全局阈值。
S4在透视图像底端选取一块矩形区域作为感兴趣区域。
S5根据直方图使用局部阈值选取方法选取阈值t2为局部阈值。
S6如|t1-t2|>threshold,则取(t1+t2)/2作为二值化最优阈值,如|t1-t2|>threshold,则取t1作为二值化最优阈值。
根据灰度直方图选取二值化阈值的步骤如下:
S1将灰度直方图纵坐标频次归一化。
S2将灰度直方图向量右移一位,像素值为0位置频率为0,像素值为256位置舍弃,与原始灰度直方图相减,得到差分灰度直方图。
S3求取灰度直方图的最大值位置,该位置即峰值频次所对应的像素值iLocMax。
S4如差分灰度直方图无正值,则感兴趣区域内全为背景区域,求取灰度直方图频率第一次到达零点所对应像素值位置iLoc1,最优阈值为k×iLoc1,其中k为调和系数,一般取值为1.2。
S5如差分直方图有正值,则从iLocMax遍历至255,如差分直方图由负变正位置所对应归一化频率小于阈值thresh,则该位置所对应像素即为最优阈值,否则继续遍历,直至满足条件。
如图2所示为本发明的二值结果图。
二值图中白色区域主要为车道线以及道路地面标识,黑色区域为透视变换图中对车道线后续相关工作无关的背景信息。
如图3所示为本发明的透视变换图。
透视变换图为车载摄像头拍摄的道路图像进行透视变换后的结果,该图以俯视图的效果良好的表达了道路与车道线信息。
Claims (4)
1.一种基于灰度直方图的透视变换后车道线图像二值化方法,其特征在于:包括以下步骤:
步骤1:将透视变换后的车道线图像进行灰度直方图统计;
步骤2:将像素0所对应的灰度直方图频次赋值为0;
步骤3:根据阈值选取方法,对灰度直方图进行阈值选取,得到全局阈值t1;
步骤4:将透视变换后的车道线图像截取感兴趣区域,形成感兴趣区域的灰度直方图;
步骤5:根据阈值选取方法,对感兴趣区域的灰度直方图进行阈值选取,得到局部阈值t2;
步骤6:根据全局阈值t1和局部阈值t2得到最优阈值;
步骤7:对最优阈值进行二值化,得到二值图。
2.根据权利要求1所述的基于灰度直方图的透视变换后车道线图像二值化方法,其特征在于:所述阈值选取方法包括以下步骤:
步骤1:将灰度直方图纵坐标频次归一化;
步骤2:求取灰度直方图的最大值位置,该位置即峰值频次所对应的像素值iLocMax;
步骤3:将灰度直方图向量右移一位,像素值为0位置频率为0,像素值为256位置舍弃,与原始灰度直方图相减,得到差分灰度直方图;
步骤4:根据差分灰度直方图得到最优阈值。
3.根据权利要求2所述的基于灰度直方图的透视变换后车道线图像二值化方法,其特征在于:所述根据差分灰度直方图得到最优阈值包括以下过程:
如果差分灰度直方图无正值,则感兴趣区域内全为背景区域,从iLocMax遍历至255,求取灰度直方图频率第一次到达零点所对应像素值位置iLoc1,则最优阈值为k×iLoc1,其中,k为调和系数,iLoc1为灰度直方图频率第一次到达零点所对应像素值位置;
如果差分直方图有正值,则从iLocMax遍历至255,如果差分直方图由负变正位置所对应归一化频率小于阈值thresh,则该位置所对应的像素值即为最优阈值,否则继续遍历。
4.根据权利要求1所述的基于灰度直方图的透视变换后车道线图像二值化方法,其特征在于:所述根据全局阈值t1和局部阈值t2得到最优阈值包括以下过程:如果|t1-t2|>threshold,则取(t1+t2)/2作为二值化最优阈值,如果|t1-t2|≤threshold,则取t1作为二值化最优阈值,其中t1为全局阈值,t2为局部阈值,threshold为约束阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610053975.XA CN105740796B (zh) | 2016-01-27 | 2016-01-27 | 一种基于灰度直方图的透视变换后车道线图像二值化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610053975.XA CN105740796B (zh) | 2016-01-27 | 2016-01-27 | 一种基于灰度直方图的透视变换后车道线图像二值化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105740796A true CN105740796A (zh) | 2016-07-06 |
CN105740796B CN105740796B (zh) | 2018-11-16 |
Family
ID=56246709
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610053975.XA Active CN105740796B (zh) | 2016-01-27 | 2016-01-27 | 一种基于灰度直方图的透视变换后车道线图像二值化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105740796B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108052904A (zh) * | 2017-12-13 | 2018-05-18 | 辽宁工业大学 | 车道线的获取方法及装置 |
CN112699825A (zh) * | 2021-01-05 | 2021-04-23 | 上海博泰悦臻网络技术服务有限公司 | 一种车道线识别方法及其装置 |
US20210325314A1 (en) * | 2020-04-15 | 2021-10-21 | Shanghai Huali Integrated Circuit Corporation | Image processing method and device for cdsem |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104309606A (zh) * | 2014-11-06 | 2015-01-28 | 中科院微电子研究所昆山分所 | 基于360度全景的车道偏离预警方法 |
CN105447491A (zh) * | 2014-07-25 | 2016-03-30 | 北京大学深圳研究生院 | 标识牌图像二值化方法及其装置 |
-
2016
- 2016-01-27 CN CN201610053975.XA patent/CN105740796B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105447491A (zh) * | 2014-07-25 | 2016-03-30 | 北京大学深圳研究生院 | 标识牌图像二值化方法及其装置 |
CN104309606A (zh) * | 2014-11-06 | 2015-01-28 | 中科院微电子研究所昆山分所 | 基于360度全景的车道偏离预警方法 |
Non-Patent Citations (1)
Title |
---|
闻帆等: "基于灰度直方图的透视变换后车道线图像二值化方法道路路径识别和跟踪算法", 《公路交通科技》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108052904A (zh) * | 2017-12-13 | 2018-05-18 | 辽宁工业大学 | 车道线的获取方法及装置 |
CN108052904B (zh) * | 2017-12-13 | 2021-11-30 | 辽宁工业大学 | 车道线的获取方法及装置 |
US20210325314A1 (en) * | 2020-04-15 | 2021-10-21 | Shanghai Huali Integrated Circuit Corporation | Image processing method and device for cdsem |
US11573188B2 (en) * | 2020-04-15 | 2023-02-07 | Shanghai Huali Integrated Circuit Corporation | Image processing method and device for CDSEM |
CN112699825A (zh) * | 2021-01-05 | 2021-04-23 | 上海博泰悦臻网络技术服务有限公司 | 一种车道线识别方法及其装置 |
Also Published As
Publication number | Publication date |
---|---|
CN105740796B (zh) | 2018-11-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106951879B (zh) | 基于摄像头与毫米波雷达的多特征融合车辆检测方法 | |
CN107154040B (zh) | 一种隧道衬砌表面图像裂缝检测方法 | |
CN108280450B (zh) | 一种基于车道线的高速公路路面检测方法 | |
CN111179152B (zh) | 一种道路标识识别方法及装置、介质、终端 | |
CN111448478B (zh) | 用于基于障碍物检测校正高清地图的系统和方法 | |
CN105046198B (zh) | 一种车道检测方法 | |
CN109741356B (zh) | 一种亚像素边缘检测方法及系统 | |
CN109784344A (zh) | 一种用于地平面标识识别的图像非目标滤除方法 | |
CN107862290A (zh) | 车道线检测方法及系统 | |
CN107045629A (zh) | 一种多车道线检测方法 | |
CN105550665A (zh) | 一种基于双目视觉的无人驾驶汽车可通区域检测方法 | |
CN108229342B (zh) | 一种海面舰船目标自动检测方法 | |
CA2959967C (en) | Identification of a contact point between a pantograph and a power supply line in an image | |
CN107832674B (zh) | 一种车道线检测方法 | |
CN103778613B (zh) | 一种窗口自适应的极化sar影像滤波方法 | |
CN107895151A (zh) | 一种强光照条件下基于机器视觉的车道线检测方法 | |
CN106599760B (zh) | 一种变电站巡检机器人行驶区域计算方法 | |
CN109635737A (zh) | 基于道路标记线视觉识别辅助车辆导航定位方法 | |
CN103473763B (zh) | 基于启发式概率Hough变换的道路边缘检测方法 | |
CN105117726A (zh) | 基于多特征区域累积的车牌定位方法 | |
CN103293168B (zh) | 基于视觉显著性的水果表面缺陷检测方法 | |
CN105740796A (zh) | 一种基于灰度直方图的透视变换后车道线图像二值化方法 | |
CN108229247A (zh) | 一种移动车辆检测方法 | |
CN110276787B (zh) | 基于标志物图像检测的导线舞动监测方法 | |
US8218877B2 (en) | Tracking vehicle method by using image processing |
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 |