CN105740826A - 一种基于双尺度的车道标识二值化检测方法 - Google Patents

Abstract

本发明涉及一种基于双尺度的车道标识二值化检测方法，通过车载摄像机采集道路灰度图像；根据透视变换的方法，将道路灰度图像转换为透视图像；对透视图像进行聚类处理，得到聚类图像；对聚类图像进行双尺度二值化处理，得到二值化图像。本发明可以排除阴影的影响，对车道标识的检测更加准确；节省时间，可以加快检测速度，保证了之后对车道标识的判断准确。

Description

一种基于双尺度的车道标识二值化检测方法

技术领域

本发明涉及智能驾驶领域，具体地说是一种基于双尺度的车道标识二值化检测方法。

背景技术

当今社会，智能驾驶正在以前所未有的高速度发展。可以展望，不久的将来，智能驾驶就会进入百姓的生活。智能驾驶很重要的一项任务就是对车道标识的检测。复杂的车道，形形色色的车道标识，给检测带来了影响。其中影响最大的，就是晴天环境下的阴影。因为，需要对车道图像进行二值化处理，才能分辨出其中的车道标识。阴影遮挡会造成局部车道标识在车道图像中的像素值衰减，局部车道标识模糊。二值化的结果可能并不完整，导致后期对车道标识的判断不准确。

现有的方法采用单一阈值，进行二值化图像提取，很难将车道标识完整地提取出来。

发明内容

针对现有技术的不足，本发明提供一种基于双尺度的车道标识二值化检测方法，从车道图像中提取完整的车道标识二值化图像，保证了之后对车道标识的判断准确。

本发明为实现上述目的所采用的技术方案是：

一种基于双尺度的车道标识二值化检测方法，包括以下步骤：

步骤1：通过车载摄像机采集道路灰度图像；

步骤2：根据透视变换的方法，将道路灰度图像转换为透视图像；

步骤3：对透视图像进行聚类处理，得到聚类图像；

步骤4：对聚类图像进行双尺度二值化处理，得到二值化图像。

所述聚类处理包括以下过程：

步骤1：利用均值滤波对透视图像进行去噪处理；

步骤2：提取图像的LBP特征；

步骤3：利用kmeans聚类算法，对图像的LBP特征进行聚类；

步骤4：求聚类后图像的方差，选取方差最大值对应的图像作为聚类图像。

所述双尺度二值化处理包括以下过程：

步骤1：选取一个像素值较大的阈值，对图像进行二值化处理，得到车道标识的局部二值化图像；

步骤2：选取低阈值对车道标识的局部二值化图像进行二值化处理；

步骤3：对得到的图像进行方差的计算，选取方差最大值对应的图像作为二值化图像。

所述低阈值为聚类后图像每一类对应的像素值。

所述方差为：

$g=\underset{i=1}{\overset{n}{\Σ}}wi*pow\left(\left(u-ui\right),2\right)$

其中，g为聚类后图像的方差、n为类数、wi为当前类占整幅图像的比例、ui为wi的平均灰度、u为整幅图像的平均灰度。

本发明具有以下有益效果及优点：

1.本发明可以排除阴影的影响，对车道标识的检测更加准确；

2.本发明节省时间，可以加快检测速度。

附图说明

图1是本发明的方法流程图；

图2是本发明的聚类处理流程图。

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。

首先，通过车载摄像机采集前方道路信息，并将彩色图像转换为灰度图像。因为视觉透视的原因，采集到的车道线在天际线处交汇于一点。车道线标识相应地呈不规则状。所以，要对车道线标识进行透视变换，使车道线呈矩形。

透视变换的原理和过程如下：

1.以视频的一幅图像作为样本进行标定处理，人工选定4个任意矩形的4个角点作为4个特征点(本发明中选择两条相邻的虚车道线的内侧4个点作为特征点)，对于图像上映射的4个点的坐标选择以图像左上点为原点，向右为X正方向，向下为Y正方向，中的图像区域中间偏下的位置。

2.根据下列方程求解透视系数：

$\left[\begin{array}{c}{x}_1^{\′}\\ y_1^{\′}\\ .\\ .\\ .\\ x_n^{\′}\\ y_n^{\′}\end{array}\right]=\left[\begin{array}{cccccccc}{x}_1& y_1& 1& 0& 0& 0& -x_1^{\′}{x}_1& -x_1^{\′}{y}_1\\ 0& 0& 0& x_1& y_1& 1& -y_1^{\′}{x}_1& -y_1^{\′}{y}_1\\ & & & & & .& & \\ & & & & & .& & \\ & & & & & .& & \\ x_n& y_n& 1& 0& 0& 0& -x_n^{\′}{x}_n& -x_n^{\′}{y}_n\\ 0& 0& 0& x_n& y_n& 1& -y_n^{\′}{x}_n& -y_n^{\′}{y}_n\end{array}\right]\left[\begin{array}{c}{m}_1\\ m_2\\ m_3\\ m_4\\ m_5\\ m_6\\ m_7\\ m8\end{array}\right]$

其中M为系数,其中元素为m1,…,m8，xi,yi为原始坐标，xi’,yi’为透视之后的坐标,i＝1,…,4。

3.将所有图像整个区域按照该透视进行变换，即

$\left[\begin{array}{c}u\\ v\\ w\end{array}\right]=\left[\begin{array}{ccc}{m}_1& m_2& m_3\\ m_4& m_5& m_6\\ m_7& m_8& 1\end{array}\right]\left[\begin{array}{c}{x}^{\′}\\ y^{\′}\\ 1\end{array}\right]$

其中，u,v,w为透视后坐标，x’、y’为原始坐标。M矩阵为系数矩阵，其元素为m1,…,m8,1。

其次，对车道标识和周围路面进行聚类处理。在无光照条件下，白色的车道标识和周围路面形成强烈对比，容易识别。但是，在强光照条件下，白色的车道标识和周围路面被道边的树木阴影遮挡，对比度下降，图片模糊，不容易识别。通过聚类算法，可以使图像的灰度值直方图，由0～255离散，变成指定的几个值离散，增加对比度。

如图2所示为本发明的聚类处理流程图。

聚类处理的过程如下：

对图像进行滤波。利用均值滤波对图像进行去噪处理。

提取图像的LBP特征。原始的LBP算子定义在3*3的窗口内，以窗口中心像素为阈值，将相邻的8个像素的灰度值与其进行比较，若周围像素值大于中心像素值，则该像素点的位置被标记为1，否则为0。这样，3*3邻域内的8个点经比较可产生8位二进制数(转换为十进制数即LBP码，共256种)，即得到该窗口中心像素点的LBP值，并用这个值来反映该区域的纹理信息。

经过LBP特征提取之后，相当于将一个像素点映射到了一个多维空间。每一个像素点的LBP码就是像素点在该空间的坐标。利用kmeans聚类算法，可以将这些不同像素值的像素点分为几类，每一类都有同一个像素值。

为了使图像聚类后的对比度更加强烈，可以采用方差最大化的原则。对灰度图分别聚类1～256类，然后计算聚类后图像的方差，方差越大，表示图像的对比度越强。选取方差最大的类数n，进行kmeans聚类。

方差的计算方法如下：

$g=\underset{i=1}{\overset{n}{\Σ}}wi*pow\left(\left(u-ui\right),2\right)$

其中，N表示类数；Wi是当前类占整幅图像的比例，Ui是Wi的平均灰度，U是整幅图像的平均灰度，Pow表示求平方。

最后，对经过kmeans聚类后的图像进行二值化。经过聚类，原先灰度图像的像素值，由0～255，已经缩减到了有限的n个值。其中，不被阴影遮挡的车道标识和被阴影遮挡的车道标识是两个不同的区域，这两个区域内的像素点各自拥有同一个像素值。利用双尺度二值化方法对图像进行二值化。

选取一个像素值较大的阈值，对图像进行二值化，因为车道标识被阴影遮挡，所以，只可以得到一个不完整的车道标识。所述像素值较大的阈值凭经验值设定，一般为200～225之间。

对于类数n，分别计算1～n每一类的像素值做低阈值时，图像的方差，公式同上。求取方差最大的像素值，作为低阈值。

将高阈值和低阈值分别二值化后的图像合并成一幅完整的二值化图像。

Claims (5)

1.一种基于双尺度的车道标识二值化检测方法，其特征在于，包括以下步骤：

步骤1：通过车载摄像机采集道路灰度图像；

步骤2：根据透视变换的方法，将道路灰度图像转换为透视图像；

步骤3：对透视图像进行聚类处理，得到聚类图像；

步骤4：对聚类图像进行双尺度二值化处理，得到二值化图像。

2.根据权利要求1所述的基于双尺度的车道标识二值化检测方法，其特征在于：所述聚类处理包括以下过程：

步骤1：利用均值滤波对透视图像进行去噪处理；

步骤2：提取图像的LBP特征；

步骤3：利用kmeans聚类算法，对图像的LBP特征进行聚类；

步骤4：求聚类后图像的方差，选取方差最大值对应的图像作为聚类图像。

3.根据权利要求1所述的基于双尺度的车道标识二值化检测方法，其特征在于，所述双尺度二值化处理包括以下过程：

步骤1：选取一个像素值较大的阈值，对图像进行二值化处理，得到车道标识的局部二值化图像；

步骤2：选取低阈值对车道标识的局部二值化图像进行二值化处理；

步骤3：对得到的图像进行方差的计算，选取方差最大值对应的图像作为二值化图像。

4.根据权利要求3所述的基于双尺度的车道标识二值化检测方法，其特征在于，所述低阈值为聚类后图像每一类对应的像素值。

5.根据权利要求2或3所述的基于双尺度的车道标识二值化检测方法，其特征在于，所述方差为：

$g=\underset{i=1}{\overset{n}{\Σ}}wi*-pow\left(\right(u-ui),2)$

其中，g为聚类后图像的方差、n为类数、wi为当前类占整幅图像的比例、ui为wi的平均灰度、u为整幅图像的平均灰度。