CN105740826A - 一种基于双尺度的车道标识二值化检测方法 - Google Patents
一种基于双尺度的车道标识二值化检测方法 Download PDFInfo
- Publication number
- CN105740826A CN105740826A CN201610071280.4A CN201610071280A CN105740826A CN 105740826 A CN105740826 A CN 105740826A CN 201610071280 A CN201610071280 A CN 201610071280A CN 105740826 A CN105740826 A CN 105740826A
- Authority
- CN
- China
- Prior art keywords
- image
- lane markings
- detection method
- variance
- method based
- 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.)
- Pending
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
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
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:
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:
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
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:
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:
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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610071280.4A CN105740826A (zh) | 2016-02-02 | 2016-02-02 | 一种基于双尺度的车道标识二值化检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610071280.4A CN105740826A (zh) | 2016-02-02 | 2016-02-02 | 一种基于双尺度的车道标识二值化检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105740826A true CN105740826A (zh) | 2016-07-06 |
Family
ID=56245644
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610071280.4A Pending CN105740826A (zh) | 2016-02-02 | 2016-02-02 | 一种基于双尺度的车道标识二值化检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105740826A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106462762A (zh) * | 2016-09-16 | 2017-02-22 | 香港应用科技研究院有限公司 | 基于增强反透视变换的车辆检测、跟踪和定位 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101595368A (zh) * | 2007-01-29 | 2009-12-02 | 株式会社东芝 | 汽车导航装置 |
CN101689296A (zh) * | 2007-04-19 | 2010-03-31 | 电子地图有限公司 | 用于产生道路信息的方法及设备 |
CN102629326A (zh) * | 2012-03-19 | 2012-08-08 | 天津工业大学 | 一种基于单目视觉的车道线检测方法 |
CN102682292A (zh) * | 2012-05-10 | 2012-09-19 | 清华大学 | 基于单目视觉的道路边缘检测及粗定位方法 |
CN102842130A (zh) * | 2012-07-04 | 2012-12-26 | 贵州师范大学 | 由合成孔径雷达图像中检测建筑和提取数目信息的方法 |
US20140185879A1 (en) * | 2011-09-09 | 2014-07-03 | Industry-Academic Cooperation Foundation, Yonsei University | Apparatus and method for detecting traffic lane in real time |
CN104573719A (zh) * | 2014-12-31 | 2015-04-29 | 国家电网公司 | 基于图像智能分析的山火检测方法 |
CN104637044A (zh) * | 2013-11-07 | 2015-05-20 | 中国科学院深圳先进技术研究院 | 钙化斑块及其声影的超声图像提取系统 |
-
2016
- 2016-02-02 CN CN201610071280.4A patent/CN105740826A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101595368A (zh) * | 2007-01-29 | 2009-12-02 | 株式会社东芝 | 汽车导航装置 |
CN101689296A (zh) * | 2007-04-19 | 2010-03-31 | 电子地图有限公司 | 用于产生道路信息的方法及设备 |
US20140185879A1 (en) * | 2011-09-09 | 2014-07-03 | Industry-Academic Cooperation Foundation, Yonsei University | Apparatus and method for detecting traffic lane in real time |
CN102629326A (zh) * | 2012-03-19 | 2012-08-08 | 天津工业大学 | 一种基于单目视觉的车道线检测方法 |
CN102682292A (zh) * | 2012-05-10 | 2012-09-19 | 清华大学 | 基于单目视觉的道路边缘检测及粗定位方法 |
CN102842130A (zh) * | 2012-07-04 | 2012-12-26 | 贵州师范大学 | 由合成孔径雷达图像中检测建筑和提取数目信息的方法 |
CN104637044A (zh) * | 2013-11-07 | 2015-05-20 | 中国科学院深圳先进技术研究院 | 钙化斑块及其声影的超声图像提取系统 |
CN104573719A (zh) * | 2014-12-31 | 2015-04-29 | 国家电网公司 | 基于图像智能分析的山火检测方法 |
Non-Patent Citations (2)
Title |
---|
曾治 等: ""一种实时的城市道路车道线识别方法及实现"", 《电子技术与软件工程》 * |
陈侃: ""基于模糊计算的文本图像二值化方法研究与应用"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106462762A (zh) * | 2016-09-16 | 2017-02-22 | 香港应用科技研究院有限公司 | 基于增强反透视变换的车辆检测、跟踪和定位 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105488454B (zh) | 基于单目视觉的前方车辆检测与测距 | |
CN105678285B (zh) | 一种自适应的道路鸟瞰图变换方法和道路车道检测方法 | |
US10074020B2 (en) | Vehicular lane line data processing method, apparatus, storage medium, and device | |
CN103927526B (zh) | 一种基于高斯差分多尺度边缘融合的车辆检测方法 | |
Li et al. | Nighttime lane markings recognition based on Canny detection and Hough transform | |
CN105809149A (zh) | 基于最大长度直线的车道线检测方法 | |
CN104392212A (zh) | 一种基于视觉的道路信息检测及前方车辆识别方法 | |
CN108280450A (zh) | 一种基于车道线的高速公路路面检测方法 | |
CN104008377A (zh) | 基于时空关联的地面交通标志实时检测识别方法 | |
CN103500322A (zh) | 基于低空航拍图像的车道线自动识别方法 | |
CN104050450A (zh) | 一种基于视频的车牌识别方法 | |
CN108921813B (zh) | 一种基于机器视觉的无人机检测桥梁结构裂缝识别方法 | |
CN103116751A (zh) | 一种车牌字符自动识别方法 | |
CN103324930A (zh) | 一种基于灰度直方图二值化的车牌字符分割方法 | |
CN108171695A (zh) | 一种基于图像处理的高速公路路面检测方法 | |
CN106887004A (zh) | 一种基于块匹配的车道线检测方法 | |
CN104881661B (zh) | 基于结构相似度的车辆检测方法 | |
CN112734729B (zh) | 适用于夜间补光条件的水尺水位线图像检测方法、装置及存储介质 | |
Shaikh et al. | A novel approach for automatic number plate recognition | |
CN105426868A (zh) | 一种基于自适应感兴趣区域的车道检测方法 | |
CN104408458A (zh) | 基于射线补全区域图和特征学习的sar图像分割方法 | |
CN113239733B (zh) | 一种多车道车道线检测方法 | |
CN104123734A (zh) | 基于可见光和红外检测结果融合的运动目标检测方法 | |
CN109886168B (zh) | 一种基于层阶的地面交通标志识别方法 | |
CN104700071A (zh) | 一种全景图道路轮廓的提取方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160706 |