CN105740803A - 一种应用于智能驾驶的斑马线检测算法 - Google Patents

Abstract

本发明涉及一种应用于智能驾驶的斑马线检测算法，采集的原始灰度图像，并提取感兴趣区域；对提取出来的感兴趣区域进行预处理得到二值图；从二值图的第一行开始遍历，提取灰度值，存入数组中，并将数组中的值转化为信号量；判断当前行对应信号量是否为方波信号，如果是，则该信号量为斑马线提取出的信号量，当前行为斑马线的起始行，否则该信号量不为斑马线提取出的信号量，如果是图像最后一行，则遍历结束；查看斑马线标志位，如果标志位为1，则该图中存在斑马线；如果标志位为0，则该图中不存在斑马线。本发明利用斑马线的纹理信息与黑白颜色信息，将二维灰度判断斑马线转化为一维，降低了数据处理的维度，提高了斑马线识别的速度与准确度。

Description

一种应用于智能驾驶的斑马线检测算法

技术领域

本发明涉及智能驾驶领域，具体地说是一种应用于智能驾驶的斑马线检测算法。

背景技术

随着社会的发展，汽车在家庭生活中的作用越来越大。然而，庞大的汽车基数给道路安全问题带来了巨大的隐患。尤其在交通路口，更是事故频发。交通路口道路标示的检测势在必行。而斑马线，作为交通路口标示的重要组成部分，其检测的准确性与实时性尤为重要。

目前斑马线的检测主要利用的是斑马线在图像中所呈现的纹理信息和颜色信息。利用纹理信息主要是指斑马线在图像中，呈现一种近似平行的特性。而颜色信息指的是斑马线黑白交错的特点，利用“双极系数”法，计算图像中“黑白”对立区域的方差，来判断图像中是否存在斑马线。

双极系数法是道路斑马线判断的常用方法，其基本原理如下。道路斑马线由一组黑白交替、等间隔的条形带构成。斑马线区域最显著的特征就是具有很强烈的灰度对比度和良好的规律性。据此，引入双极系数来表征和量化斑马线区域的灰度对比强烈程度，并通过双极系数值筛选出道路图像中灰度对比强烈的区域进行分析和判断。具体计算方法，详见曹玉珍，刘刚，杨海峰等著“导盲系统中的道路斑马线识别方法”。

双极系数法虽然可以检测出目标图像上是否存在斑马线，然而因其需要计算图像中指定“像素块”的双极系数，还需滑动像素块的位置，计算不同区域的双极系数值，导致其计算复杂，计算速度慢，不能满足智能驾驶实时性系统的需求。同时因其在计算过程中，不能给出斑马线的位置，实用性受到了一定限制。

发明内容

针对现有技术的不足，本发明提供一种应用于智能驾驶的斑马线检测算法，利用斑马线的纹理信息与黑白颜色信息，将二维灰度判断斑马线转化为一维信号量判断斑马线，降低了数据处理的维度，提高了斑马线识别的速度与准确度。

本发明为实现上述目的所采用的技术方案是：

一种应用于智能驾驶的斑马线检测算法，包括以下步骤：

步骤1：采集的原始灰度图像，并提取感兴趣区域；

步骤2：对提取出来的感兴趣区域进行预处理得到二值图；

步骤3：从二值图的第一行开始遍历，提取灰度值，存入数组中，并将数组中的值转化为信号量；

步骤4：判断当前行对应信号量是否为方波信号，如果是，则该信号量为斑马线提取出的信号量，当前行为斑马线的起始行，记斑马线标志位为1，执行步骤6；否则该信号量不为斑马线提取出的信号量，并判断当前行是否为图像最后一行；

步骤5：如果是图像最后一行，则遍历结束；否则返回步骤4；

步骤6：查看斑马线标志位，如果标志位为1，则该图中存在斑马线；如果标志位为0，则该图中不存在斑马线。

所述提取感兴趣区域的过程为，一个车道内的梯形的区域，通过行近邻差值法，将该梯形区域转化为矩形区域，即为感兴趣区域。

所述行近邻差值法为：将任意长度的行，通过近邻差值，拉伸为指定宽度的行。

所述预处理过程为：

对感兴趣区域图像进行大尺度均值滤波处理，得到目标图像，然后对目标图像进行二值化处理，得到二值图。

所述判断当前行对应信号量是否为方波信号包括以下过程：

步骤1：统计信号量中波峰的数量、波峰的长度、波峰的中心距离方差、每个波峰的中心、波峰长度与相邻波谷长度的比值、每个波峰的方差；

步骤2：判断波峰的数量是否满足预先设定值；

步骤3：判断波峰的长度是否满足预先设定值；

步骤4：判断波峰的中心距离方差是否满足预先设定值；

步骤5：判断波峰长度与相邻波谷长度的比值是否满足预先设定值

步骤6：判断每个波峰的方差是否满足预先设定值

所述判断波峰的数量是否满足预先设定值为一个车道内斑马线的个数，即波峰的个数，根据先验性知识可知为4到10个。

根据大样本统计可得出，经过抽样后，单个斑马线的宽度，即波峰的长度，在5到15个像素之间，波峰中心距离的方差小于4，波峰与相邻波谷的比值在1到2.5之间，单个波峰所有信号值的方差应小于200。

所述斑马线标志位为，记录图像中是否存在斑马线的数，如果图像中存在斑马线，则该位置为1，否则置为0。

本发明具有以下有益效果及优点：

1.斑马线检测的数据量减少，将斑马线的二维灰度信息，平行、黑白对立，转化为一维的信号量信息，类方波。将二维信息，转化为一维信息，降低了数据量。

2.斑马线检测的速度加快，因将斑马线二维空间检测转化为处理一维信号量，数据量的减少，使信号量的检测速度大大提高，速度是传统双极系数检测的10-20倍。

3.给出斑马线的位置信息，选取一行的灰度信息，转化为信号量用于斑马线的检测，所以可以给出图像从存在斑马线所在的位置，用于给车主预警。

附图说明

图1是本发明的方法流程图；

图2是本发明的“梯形”感兴趣区域图；

图3是本发明的感兴趣区域图像；

图4是本发明的二值图；

图5是本发明的信号量图。

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。

本发明的流程图如图1所示。在采集的原始灰度图像中，画定一个预期检测到斑马线的区域，并利用抽样等手段，将目标区域提取出来，得到目标图，完成感兴趣区域的提取。对目标图进行预处理，排除噪点的干扰，抵抗光照等操作，得到处理后的目标图，对处理后的目标图进行二值化操作，得到二值图，完成图像的预处理。提取二值图的第一行灰度值，存在一个数组中，用于后续检测。将数组中的值转化为一个信号量，如果目标域为斑马线，该信号量会呈现出一种类方波的波动，完成图像信息到信号量的转变。判断信号量是否为斑马线。如果该信号量是斑马线，则程序结束，斑马线存在的标志位为1，当前行为斑马线的起始行。如果不是斑马线，判断当前行是否为图像最后一行，如果是，程序结束，输出目标区域不存在斑马线，如果当前行不是图像最后一行，提取下一行的灰度信息，重复上述操作，直到图像最后一行处理完。

如图2所示为本发明的感兴趣区域图。为保证图像的清晰度，智能驾驶车载摄像头的清晰度较高，在200W-500W之间，每秒10-20帧。数据量较大，直接用原图进行斑马线检测，速度慢，不能满足智能驾驶系统的实时性需求。因此，需要从原图中提取需要的信息，降低数据量。

提取单元，首先在原始图像中，画出一个感兴趣梯形区域。画定区域的原则为，梯形的两条腰在车道线的外侧，梯形的下底与图像低相差100个像素左右，梯形的上底根据实际检测距离的需求来确定。以此为根据，在图像中选定斑马线可能存在的目标区域。

如图3所示为本发明的感兴趣区域图像。提取感兴趣区域，感兴趣区域为一个车道内的区域，在原图中体现为一个梯形的区域。通过“行近邻差值”的方法，将该梯形区域转化为一个矩形区域。其优点为，将相机引起的变形矫正，达到类似俯视图的效果。

画定梯形的目标区域之后，需要将梯形区域转化为矩形目标图像。采用的方法是对梯形目标区域进行列等间隔抽样。首先设定目标抽样个数为300个像素。每一行抽出等间距抽出300个像素点。这样，每一行所包含的像素点个数相同。然后，对矩形目标图形进行行抽样，每20行留一行，减小图像数据量，利于实时性需求。

如图4所示为本发明的二值图。对感兴趣区域图像进行大尺度均值滤波处理。排除噪点的干扰。通过两个尺度的均值滤波结果相减，来对图像进行类二值化处理，得到二值图。

如图5所示为本发明的信号量图。将目标图像中一行的灰度信息转化信号量。提取图像中一行的灰度信息，将其存于一个数组中，可以将这个数组当成一个信号来处理，通过这种手段，将在图像中检测斑马线，转化为判断一个信号量是否为斑马线。从而将二维的灰度信息，转化为一维的信号信息。从而简化程序处理复杂度。同时可以给出斑马线的准确位置。

因斑马线在原始图中呈现平行、黑白间隔等特性。将斑马线从二维灰度信息转化为一维信号信息后，斑马线一维信号呈现出一种类方波的信息。所以通过判别信号量是否为类方波信号，就可以判断出，该信号是否为斑马线。

首先统计信号的波峰与波谷信息，统计波峰的长度与中心位置，统计波谷的长度与中心位置。因是斑马线的信号存在波峰等间距，波峰与波谷距离近似相等的特性。首先判断所有波峰的中心位置是否呈现等间隔的特性，判断所有波峰的长度是否近似相等。其次判断，波谷的特性，与波峰的判断类似。当信号满足上述要求时，利用已有的统计信息，拟合一个方波信号量，定义为x₂，原始信号量定义为x₁，定义σ为信号x₁与信号x₂的方差。σ的计算公式为

$\mathrm{\σ}=\underset{1}{\overset{n}{\Σ}}{(x_2-x_1)}^2$

其中，n为向量的长度。通过比对σ与预先设定的σ进行比较，来判断该信号量是否满足方波的需求。

通过信号量检测，可以判断出当前行转化的信号量是否是斑马线。通过一些逻辑判断来完成斑马线的检测技术。

如果判断当前信号是斑马线，则程序结束，当前行为斑马线所在的位置，目标图像中存在斑马线。

如果判断当前信号不是斑马线，则判断转化信号量的当前行是否为图像最后一行。如果是图像最后一行，则程序结束，输出目标图像没有斑马线。如果不是最后一行，提取当前行下一行的灰度信息，转化为信号量，执行3步骤，信号量转化。

Claims (6)

1.一种应用于智能驾驶的斑马线检测算法，其特征在于，包括以下步骤：

步骤1：采集的原始灰度图像，并提取感兴趣区域；

步骤2：对提取出来的感兴趣区域进行预处理得到二值图；

步骤3：从二值图的第一行开始遍历，提取灰度值，存入数组中，并将数组中的值转化为信号量；

步骤4：判断当前行对应信号量是否为方波信号，如果是，则该信号量为斑马线提取出的信号量，当前行为斑马线的起始行，记斑马线标志位为1，执行步骤6；否则该信号量不为斑马线提取出的信号量，并判断当前行是否为图像最后一行；

步骤5：如果是图像最后一行，则遍历结束；否则返回步骤4；

步骤6：查看斑马线标志位，如果标志位为1，则该图中存在斑马线；如果标志位为0，则该图中不存在斑马线。

2.根据权利要求1所述的应用于智能驾驶的斑马线检测算法，其特征在于：所述提取感兴趣区域的过程为，一个车道内的梯形的区域，通过行近邻差值法，将该梯形区域转化为矩形区域，即为感兴趣区域。

3.根据权利要求2所述的应用于智能驾驶的斑马线检测算法，其特征在于：所述行近邻差值法为：将任意长度的行，通过近邻差值，拉伸为指定宽度的行。

4.根据权利要求1所述的应用于智能驾驶的斑马线检测算法，其特征在于：所述预处理过程为：

对感兴趣区域图像进行大尺度均值滤波处理，得到目标图像，然后对目标图像进行二值化处理，得到二值图。

5.根据权利要求1所述的应用于智能驾驶的斑马线检测算法，其特征在于，所述判断当前行对应信号量是否为方波信号包括以下过程：

步骤1：统计信号量中波峰的数量、波峰的长度、波峰的中心距离方差、每个波峰的中心、波峰长度与相邻波谷长度的比值、每个波峰的方差；

步骤2：判断波峰的数量是否满足预先设定值；

步骤3：判断波峰的长度是否满足预先设定值；

步骤4：判断波峰的中心距离方差是否满足预先设定值；

步骤5：判断波峰长度与相邻波谷长度的比值是否满足预先设定值；

步骤6：判断每个波峰的方差是否满足预先设定值。

6.根据权利要求1所述的应用于智能驾驶的斑马线检测算法，其特征在于，所述斑马线标志位为，记录图像中是否存在斑马线的数，如果图像中存在斑马线，则该位置为1，否则置为0。