CN106373134A - 一种基于线结构光三维测量的公路标线检测方法 - Google Patents

Abstract

本发明公开了一种基于线结构光三维测量的公路标线检测方法，包括获取路面灰度数据、对获取的路面灰度数据进行灰度校正、对灰度校正的数据进行平滑滤波处理、对平滑滤波处理的数据进行阶跃边缘点检测、标线边缘点筛选、将间断的边缘连接成完整边缘、去除虚假标线边缘、提取标线信息等8个步骤。本发明能有效的保证了标线检测的完整性。

Description

一种基于线结构光三维测量的公路标线检测方法

技术领域

本发明属于图像识别技术领域，涉及一种公路标线检测方法，尤其涉及一种基于线结构光三维测量的公路标线检测方法。

背景技术

道路交通标线主要是采用漆类(或热塑材料、路钮等)涂料喷涂或安装在路面或障碍物垂面上，对车辆及行人交通进行警示，表达指示、警告、禁令及指路的内容，以便对驾驶员进行指引，从而保障行车安全。同时，道路交通标线还是智能汽车进行主动定位和自动导航的重要标识。由于公路标线经过一段时间的使用后，会出现磨损、污染、剥落等现象，因此需要对道路交通标线进行定期检测和养护。目前，公路标线养护数据的采集与评估主要采用人工现场目测和手工测量的方法，该类方法劳动强度大、效率低、且检测结果易受人为因素的影响。其次，在路面图像处理算法中，白色标线会对处理算法产生较大影响，如公路标线上或标线边缘长时间磨耗会出现油漆开裂或剥落现象，若缺乏维护会表现出线状特性，这些特性是会产生很多虚假边缘而影响真实目标识别。因此在进行路面图像处理时，将公路标线从图像出精确分割出来，将有助于提高路面目标识别的精度。

常见的标线检测方案有以下两种：

(1)基于经典边缘检测算子(如Canny、Sobel算子)及直线边缘提取方(Hough变换、Beamlet变换)相结合的标线检测方法。

该算法将标线特征总结如下：

A.路面标线与路面背景之间存在一种明显边缘，一般路面背景灰度值低，路面标线灰度值高，是一种典型的阶跃边缘；

B.公路标线一般具有规则的形状特征，标线边缘具有典型的直线特征。

该算法首先依据特征A，采用经典的边缘算子检测图像的阶跃边缘，再根据特征B，采用直线边缘提取算法对阶跃边缘进行判断，得到满足直线特征的边缘。检测出的直线边缘将路面标线图像分割为多个区域，再根据不同区域的灰度特征以及几何特征精确分割标线区域。

但是经典的边缘检测算子如Canny、Sobel等只对某些特定方向的边缘(如垂直、水平或者对角)具有较好的检测性能，一种边缘检测算子难以保证多个方向边缘均具有良好的响应。此外，路面图像具有复杂的边缘特性，采用3*3大小的经典的边缘检测算子将检测出大量的非公路标线边缘，抗噪性差。

直线边缘提取方法，如Hough变换可以有效的检测直线边缘，但运算效率较低，且无法有效分割因长时间磨耗导致边缘特征不显著的标线区域。

(2)基于阈值分割的标线检测方法。

通过对路面图像灰度特征进行分析，选取合适的灰度阈值分割图像背景与标线区域。该方法一般建立在标线的灰度通常比背景灰度高的前提条件下，要求图像灰度分布均匀且标线与背景具有明显灰度对比度。

但是，由于路面图像灰度分布不均匀的影响，路面标线在整幅路面图像中的不同位置上可能呈现出不同的灰度均值；由于拍摄环境不同，图像中标线出现的位置及其面积大小不同(如人行道区域与非人行道区域)，此外，标线表面的磨损、污染、剥落区域的灰度特征不显著，因此，基于阈值分割的方法往往会出现过分割与欠分割的情况。

发明内容

为了解决上述技术问题，本发明提供了一种基于线结构光三维测量的公路标线检测方法。

本发明所采用的技术方案是：一种基于线结构光三维测量的公路标线检测方法，其特征在于，包括以下步骤：

步骤1：获取路面灰度数据；

步骤2：对获取的路面灰度数据进行灰度校正；

步骤3：对灰度校正的数据进行平滑滤波处理；

步骤4：对平滑滤波处理的数据进行阶跃边缘点检测；

步骤5：标线边缘点筛选；

步骤6：将间断的边缘连接成完整边缘；

步骤7：去除虚假标线边缘；

步骤8：提取标线信息。

作为优选，步骤2的具体实现包括以下子步骤：

步骤2.1：计算大小为m×n的已知理想图像每列灰度均值，得到光强分布特征值，即大小为1×n的数组V，通过计算V的均值，得到光强分布的整体水平V_avg；

步骤2.2：计算光强分布特征值偏离整体水平的程度，得到校正数据每列灰度差异值Dif：

Dif＝V_avg-V；

步骤2.3：当前数据第i行第j列的像素点的灰度值I_org(i,j)校正为I_new(i,j)：

I_new(i,j)＝I_org(i,j)+Dif_I；

其中，Dif_I表示当前数据每列的灰度差异值，Dif_I＝Dif*(I_avg/V_avg)，I_avg为当前数据的灰度均值。

作为优选，步骤4的具体实现包括以下子步骤：

步骤4.1：设定符合标线特征的边缘检测算子；

采用k*k的对角模板，其左、右对角模板元素T(m,n)取值分别为T_left(m,n)、T_right(m,n).

步骤4.2：对图像f中的每个点(i,j)分别按照左、右两个对角模板做卷积运算，得到梯度分量G_left与G_right；

$G_{left}=\underset{m=1}{\overset{k}{\Σ}}\underset{n=1}{\overset{k}{\Σ}}\left(T_{left}\right(m,n)\·f(i-p+m,j-p+n\left)\right);$

$G_{right}=\underset{m=1}{\overset{k}{\Σ}}\underset{n=1}{\overset{k}{\Σ}}\left(T_{right}\right(m,n)\·f(i-p+m,j-p+n\left)\right);$

其中k≥5且k≤11；f(i,j)为当前(i,j)像素的灰度值，p＝(k-1)/2；

步骤4.3：计算像素点(i,j)梯度的大小F(i,j)；

F(i,j)≈|G_left|+|G_right|；

若F(i,j)>Th，则(i,j)为阶跃状边缘点；其中Th＝αF_avg，α>1，F_avg为所有点的梯度均值。

作为优选，步骤5的具体实现过程是：分别统计当前点左、右对角模板中非零像素点灰度数据的总和G_{S_left}、G_{S_right}，若存在G_{S_left}/n>T或者G_{S_right}/n>T，则判断该点为标线边缘点；其中，n为模板中非零像素点的总数，T为当前图像中所有像素点的灰度数据的均值。

作为优选，步骤6的具体实现包括以下子步骤：

步骤6.1：选取种子点Ps；

选取每个连通区域主方向上的顶点作为种子点；假设连通区域的长、宽分别为l、w，若l>w，则选取长度方向的顶点作为种子点，反之，宽度方向上的顶点为种子点；

步骤6.2：连接相近的种子点；

计算种子点两两之间的欧式距离d，若d<T_d，则连接满足条件的种子点；T_d是距离阈值，为经验值。

作为优选，步骤7的具体实现过程是：利用“旋转卡壳”方法做连通区域的最小面积外接矩形R_calipers，并计算得到R_calipers平行切线间的最小距离及最大距离，即获得标线的宽度W及长度L。

作为优选，去除长度小于T_l的虚假边缘，去除宽度小于T_W且不位于图像边缘的连通区域，T_l、T_W是长度阈值及宽度阈值，为经验值。

作为优选，连通区域为标线区域，提取这些区域的宽度W长度L信息；计算最小面积外接矩形所覆盖区域的平均深度值，得到标线的高程信息。

本发明的有益效果是：

(1)本发明提出了基于激光器亮度分布的灰度校正方法，采用已知理想数据获取激光器的光强分布特征，可以保证不损害目标特征，再通过光强分布特征对图像中明亮区域进行校正，并对暗区进行补偿，使图像变得均匀，有效的克服了亮区造成的虚检边缘并增强了暗区标线的特征。

(2)设计了符合标线特征的k*k的对角边缘算子。相对于经典的3*3的边缘检测算子，该算子增强标线边缘的同时可去除纹理等小目标噪声边缘，对于具有一定宽度的目标边缘具有良好检测性能。同时，该算子保证了水平、垂直、对角方向均具有较大的响应，对与不同形态(横、纵、斜向)的标线边缘均具有良好的适用性。

(3)检测出的阶跃边缘点中，存在因路面水渍、油渍、修补等干扰因素的边缘点，这些边缘点的灰度值较低，与标线边缘具有显著的灰度差异。算法结合边缘检测算子，利用公路标线灰度高于路面背景灰度特征，通过比较模板内有效点的灰度均值与图像均值大小，达到快速准确筛选标线边缘点的目的。

(4)公路标线上或标线边缘长时间磨耗会出现油漆开裂或剥落现象，导致该区域的灰度对比度降低，标线边缘检测不完整。格式塔规则提出距离较短或互相接近的目标片段属于同一目标的可能性较大，根据这一原则，本发明将距离较近的标线片段连成一整体，有效的保证了标线检测的完整性。

附图说明

图1：本发明实施例的流程图；

图2：本发明实施例的不同形态的标线示意图；

图3：本发明实施例的标线检测效果图。

具体实施方式

为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。

基于线结构光的三维测量系统可直接获取各测点的高程数据、灰度和及激光线线宽信息。公路标线与路面背景具有显著的灰度对比度，因此，本发明采用三维测量系统获取的路面灰度信息检测公路标线，所述灰度信息为三维测量系统获取的灰度和数据或者通过计算灰度和与激光线线宽的比值得到的灰度数据。

图像的边缘是图像的最基本特征，边缘点是指图像中周围像素灰度有阶跃变化或者屋顶变化的像素点。公路标线相对于路面背景具有显著的灰度特征及规则的形状，是一种典型的阶跃边缘。因此算法采用边缘检测的原理，设计符合标线灰度特征的边缘检测算子，初步分割图像，得到灰度变换显著的边缘点。然而检测出的边缘点中，存在因路面水渍、油渍、修补等干扰因素的边缘点，再充分利用公路标线灰度高于路面背景灰度这一特征，去除灰度相对于背景较低的边缘点。最后利用格式塔规则中的邻近性原则，将间断的边缘连接成有意义的完整边缘，同时去除假边缘，实现标线的完整检测，并提取标线区域的长、宽、深度等信息。具体步骤如图1：

(1)灰度校正：由于线型激光器内部采用光纤耦合匀化技术，输出端必然会出现干涉现象，使得图像存在明暗相间条纹，表现为竖直方向亮暗分布不均。灰度分布不均图像中，标线区域特征会被掩盖。激光器的亮度分布不均属于系统误差，具有规律，可通过已知理想动态灰度数据(无标线、阴影)的光强分布得到灰度校正系数，再通过灰度校正系数对图像进行校正。

具体实现方法为：

A.计算已知理想图像(大小为m×n)每列灰度均值，得到光强分布特征值，即大小为1×n的数组V，通过计算V的均值，得到光强分布的整体水平V_avg；

B.通过公式(1)计算光强分布特征值偏离整体水平的程度，得到校正数据每列灰度差异值Dif；

Dif＝V_avg-V (1)

C.由于采集环境不同，如不同时间段光照不同，校正数据的灰度均值V_avg与当前数据的灰度均值I_avg存在差异，I_avg/V_avg越大，每列的灰度差异越大，因此，当前数据每列的灰度差异值Dif_I与I_avg/V_avg成正比，即：

Dif_I＝Dif*(I_avg/V_avg) (2)

D.当前数据第i行第j列的像素点的灰度值I_org(i,j)按照公式(3)校正为I_new(i,j)。

I_new(i,j)＝I_org(i,j)+Dif_I (3)

本实施例利用已知理想图像的光强分布特征值对图3(a)进行灰度校正，校正结果如图3(b)所示。

(2)平滑滤波：路面图像具有复杂的边缘特性，路面纹理对于图像的细节的影响十分显著，而这种纹理的边缘细节为非标线边缘，在标线提取过程中应弱化这种边缘特征，减少这种影响的一种方法是对图像进行平滑处理，算法采用均值滤波器对图像进行了平滑处理。

本实施例用模板中对应位置像素灰度的平均值来代替模板中心像素的灰度，算法采用5*5的全1模板进行滤波。

(3)边缘检测算子是利用图像边缘的突变性质来检测边缘的，以一阶导数为基础的边缘检测算子，通过计算图像的梯度值来检测图像阶跃边缘。在处理数字图像的离散域时，可用图像的一阶差分直接代替图像函数的导数。二维离散图像函数在x方向的一阶差分定义为f(x+1,y)-f(x,y)，在y方向的一阶差分定义为：f(x,y+1)-f(x,y)。差分边缘检测通过求图像灰度迅速变化处的一阶导数算子的极值来检测奇异点。某一点的值则代表该点的“边缘强度”，通过对这些值设定阈值进一步得到边缘图像。同时，差分边缘检测要求差分方向与边缘方向垂直，此时需对图像不同方向进行差分运算。边缘检测一般分为垂直边缘、水平边缘、对角线边缘，各自方向模板为：

$\left[\begin{array}{ccc}0& 0& 0\\ -1& 1& 0\\ 0& 0& 0\end{array}\right]\left[\begin{array}{ccc}0& -1& 0\\ 0& 1& 0\\ 0& 0& 0\end{array}\right]\left[\begin{array}{ccc}-1& 0& 0\\ 0& 1& 0\\ 0& 0& 0\end{array}\right]$

从左到右，分别为垂直边缘模板、水平边缘模板、对角边缘模板；

阶跃边缘点检测：一般情况下，路面标线相对于路面背景的灰度值较高，与路面背景之间存在一种典型的阶跃边缘，因此，算法通过求梯度变化较快的点提取阶跃边缘点。此外，标线具有规则的形状，大多表现为横、纵及斜向标线，为了同时识别不同形态的标线，算法设计的模板应保证在水平、垂直、对角方向均具有较大的响应，为了较大程度体现标线区域与背景区域的差异，算法设计了符合标线特征的边缘检测算子，即k*k(k≥5且k≤11)模板，相对于经典的3*3的模板，增强标线边缘的同时去除纹理等小目标噪声边缘，对于具有一定宽度的目标边缘具有良好检测性能。此外，标线区域较大且区域内像素点的灰度差值较小，基于此，算子采用的是对角模板，其左、右对角模板元素T(m,n)取值如公式(4)、(5)，对图像f中的每个点(i,j)分别按照左、右两个对角模板做卷积运算，得到梯度分量G_left与G_right，如公式(6)、(7)所示。

$G_{left}=\underset{m=1}{\overset{k}{\&Sigma;}}\underset{n=1}{\overset{k}{\&Sigma;}}\left(T_{left}\right(m,n)\&CenterDot;f(i-p+m,j-p+n\left)\right)---\left(6\right)$

$G_{right}=\underset{m=1}{\overset{k}{\&Sigma;}}\underset{n=1}{\overset{k}{\&Sigma;}}\left(T_{right}\right(m,n)\&CenterDot;f(i-p+m,j-p+n\left)\right)---\left(7\right)$

f(i,j)为当前(i,j)像素的灰度值，p＝(k-1)/2。

像素点(i,j)梯度的大小为：

F(i,j)≈|G_left|+|G_right| (8)

若F(i,j)>Th，则(i,j)为阶跃状边缘点。通过大量统计标线边缘的梯度值与所有像素梯度值的比例关系，算法设定Th＝αF_avg，其中，α>1，F_avg为所有点的梯度均值。

请见图2，本实施例以7*7的模板为例，图中圆形代表标线区域中参与梯度计算的点，方形表示背景区域中参与运算的点，两者的差分运算值代表着边缘强度的大小。该模板不仅能保证对角方向的响应较大，如图2(c)、(d)，同时也保证了水平、垂直方向的响应较大，如图2(a)、(b)。对于标线边缘点，模板对应位置灰度差异较大，即边缘强度大，因此可通过设定阈值得到边缘强度大的点，即可得到阶跃边缘点。7*7的对角边缘检测算子，其数学表达形式为：

$\begin{array}{cc}{G}_{left}=\left[\begin{array}{ccccccc}0& 0& 0& 0& 1& 1& 1\\ 0& 0& 0& 0& 1& 1& 1\\ 0& 0& 0& 0& 1& 1& 1\\ 0& 0& 0& 0& 0& 0& 0\\ -1& -1& -1& 0& 0& 0& 0\\ -1& -1& -1& 0& 0& 0& 0\\ -1& -1& -1& 0& 0& 0& 0\end{array}\right]& G_{right}=\left[\begin{array}{ccccccc}1& 1& 1& 0& 0& 0& 0\\ 1& 1& 1& 0& 0& 0& 0\\ 1& 1& 1& 0& 0& 0& 0\\ 0& 0& 0& 0& 0& 0& 0\\ 0& 0& 0& 0& -1& -1& -1\\ 0& 0& 0& 0& -1& -1& -1\\ 0& 0& 0& 0& -1& -1& -1\end{array}\right]\end{array}$

G_left＝(f(i-3,j+1)+f(i-3,j+2)+f(i-3,j+3)+f(i-2,j+1)+f(i-2,j+2)+f(i-2,j+3)+f(i-1,j+1)+f(i-1,j+2)+f(i-1,j+3))-...

(f(i+1,j-3)+f(i+1,j-2)+f(i+1,j-1)+f(i+2,j-3)+f(i+2,j-2)+f(i+2,j-1)+f(i+3,j-3)+f(i+3,j-2)+f(i+3,j-1))

G_right＝(f(i-3,j-1)+f(i-3,j-2)+f(i-3,j-3)+f(i-2,j-1)+f(i-2,j-2)+f(i-2,j-3)+f(i-1,j-1)+f(i-1,j-2)+f(i-1,j-3))-...

(f(i+1,j+3)+f(i+1,j+2)+f(i+1,j+1)+f(i+2,j+3)+f(i+2,j+2)+f(i+2,j+1)+f(i+3,j+3)+f(i+3,j+2)+f(i+3,j+1))

(9)

通过公式(9)及公式(8)计算像素点(i,j)两个对角方向的梯度分量G_x、G_y以及梯度的大小F(i,j)。若F(i,j)>Th，则(i,j)为阶跃状边缘点。通过大量统计标线边缘的梯度值与所有像素梯度值的比例关系，算法设定Th为所有点梯度均值的1.8倍，阶跃点的检测效果如图3(c)所示。

(3)标线边缘点筛选：检测出的阶跃边缘点中，存在因路面水渍、油渍、修补等干扰因素的边缘点，算法利用公路标线灰度高于路面背景灰度这一特征，筛选符合标线特征的边缘点。若某阶跃点属于标线边缘点，则以该点为中心，其模板中某一对角区域应位于标线区域内，该区域的灰度值较大。

具体判定方法为：分别统计当前点左、右对角模板中非零像素点灰度数据的总和G_{S_left}、G_{S_right}，若模板包含有标线上的点，其平均值应不少于图像的均值。因此，若存在G_{S_left}/n>T或者G_{S_right}/n>T，则判断该点为标线边缘点。其中，n为模板中非零像素点的总数，T为图像的均值。对于步骤4中的模板，n＝18，T为图像的均值，结果如图3(d)所示。

(4)边缘连接：公路标线上或标线边缘长时间磨耗会出现油漆开裂或剥落现象，导致该区域的灰度对比度降低，标线边缘检测不完整，该步的目标是将间断的边缘连接成有意义的完整边缘，格式塔的接近原则强调某些距离较短或互相接近的部分，容易组成整体。因此，算法通过找到连通区域的种子点，再根据种子点之间的距离将位置相近的离散连通区域连成统一的整体。

A.种子点Ps的选取：由于标线具有线性性，算法选取每个连通区域主方向上的顶点作为种子点。假设连通区域的长、宽分别为l、w，若l>w，则选取长度方向的顶点作为种子点，反之，宽度方向上的顶点为种子点。

B.连接相近的种子点：计算种子点两两之间的欧式距离d，若d<T_d，则连接满足条件的种子点。T_d取值为经验值60，连接结果如图3(e)所示。

(5)去虚假标线边缘：用“旋转卡壳”思想做连通区域的最小面积外接矩形R_calipers，如图3(f)所示，并计算得到R_calipers平行切线间的最小距离及最大距离，即获得连通区域的宽度W及长度L，由于标线具有一定长度及宽度，去除长度小于T_l的连通区域以及宽度小于T_w的连通区域，T_l取值为30，T_w取值与连通区域的位置有关，若连通区域不位于图像边缘，表明采集到完整宽度的标线区域，考虑到一般标线的宽度不小于100mm，因此T_w≥100，反之，位于图像边缘的标线区域可能只采集到标线的局部范围，宽度不定，因此对该区域不做限制。

(6)标线信息提取：剩余的连通区域为标线区域，可提取这些区域的宽度W长度L信息，也可计算最小面积外接矩形所覆盖区域的平均深度值，得到标线的高程信息。

本发明基于线结构光的三维测量系统采集检测数据，三维测量系统利用激光三角测量原理，线结构光投射到被测物体表面形成线型激光线，相机与激光器成一定角度获取被测物激光线所在表面，通过提取激光线位置结合标定文件实现单个断面测量，通过连续断面测量实现物体三维测量。本测量系统可获取被测物体轮廓、被测物体表面灰度信息(测量系统可直接获取各测点的灰度和、激光线线宽信息，本发明所述灰度为灰度和或灰度和/激光线线宽)。由于线型激光器内部采用光纤耦合匀化技术，输出端必然会出现干涉现象，使得图像存在明暗相间条纹，表现为竖直方向亮暗分布不均。灰度分布不均图像中，明亮区域与标线特征相似，可能造成虚假标线边缘，同时暗区会掩盖真正标线区域特征。本发明提出了一种灰度校正方法，解决了因激光器亮度分布不均造成图像灰度分布不均的问题。

本发明根据标线的灰度及形态特征，设计了k*k的对角边缘检测算子，该算子增强标线边缘特征的同时降低了噪声的干扰，且对于不同形态特征的标线边缘均具有较大的响应，解决了现有方法中标线边缘检测不完整且对于不同形态标线适用性不强的问题；

路面水渍、油渍、修补的灰度与背景形成差异，与标线边缘类似，属于典型的阶跃边缘，同时这些边缘也符合线性特征。因此，传统的边缘检测结合直线检测方法难以克服此类虚检且效率低下。考虑到标线区域灰度值较高，而水、油、修补等灰度值较低，因此，算法通过分析边缘算子中参与运算点的灰度特征，达到了快速有效去虚检的目的。

公路标线上或标线边缘长时间磨耗会出现油漆开裂或剥落现象，导致该区域的灰度对比度降低，标线边缘检测不完整，算法提出了基于格式塔规则的标线连接方法，有效的解决了标线边缘断裂的问题。

本发明稍作改变同样适用于修补裂缝检测。具体修改步骤为：

A.一般情况下，修补的灰度低于路面背景灰度，因此步骤5中，将G_{S_left}/n>T或者G_{S_right}/n>T改为G_{S_left}/n<T或者G_{S_right}/n<T，可筛选出符合修补特征的边缘点。

B.修补不具有固定的宽度特征，因此，步骤7中，只需根据修补的长度特征去噪，即去除长度小于T_l的虚假修补边缘。

应当理解的是，本说明书未详细阐述的部分均属于现有技术。

应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。

Claims (8)

1.一种基于线结构光三维测量的公路标线检测方法，其特征在于，包括以下步骤：

步骤1：获取路面灰度数据；

步骤2：对获取的路面灰度数据进行灰度校正；

步骤3：对灰度校正的数据进行平滑滤波处理；

步骤4：对平滑滤波处理的数据进行阶跃边缘点检测；

步骤5：标线边缘点筛选；

步骤6：将间断的边缘连接成完整边缘；

步骤7：去除虚假标线边缘；

步骤8：提取标线信息。

2.根据权利要求1所述的基于线结构光三维测量的公路标线检测方法，其特征在于，步骤2的具体实现包括以下子步骤：

步骤2.1：计算大小为m×n的已知理想图像每列灰度均值，得到光强分布特征值，即大小为1×n的数组V，通过计算V的均值，得到光强分布的整体水平V_avg；

步骤2.2：计算光强分布特征值偏离整体水平的程度，得到校正数据每列灰度差异值Dif：

Dif＝V_avg-V；

步骤2.3：当前数据第i行第j列的像素点的灰度值I_org(i,j)校正为I_new(i,j)：

I_new(i,j)＝I_org(i,j)+Dif_I；

其中，Dif_I表示当前数据每列的灰度差异值，Dif_I＝Dif*(I_avg/V_avg)，I_avg为当前数据的灰度均值。

3.根据权利要求1所述的基于线结构光三维测量的公路标线检测方法，其特征在于，步骤4的具体实现包括以下子步骤：

步骤4.1：设定符合标线特征的边缘检测算子；

采用k*k的对角模板，其左、右对角模板元素T(m,n)取值分别为T_left(m,n)、T_right(m,n)；；

步骤4.2：对图像f中的每个点(i,j)分别按照左、右两个对角模板做卷积运算，得到梯度分量G_left与G_right；

$G_{left}=\underset{m=1}{\overset{k}{\&Sigma;}}\underset{n=1}{\overset{k}{\&Sigma;}}\left(T_{left}\right(m,n)\&CenterDot;f(i-p+m,j-p+n\left)\right);$

$G_{right}=\underset{m=1}{\overset{k}{\&Sigma;}}\underset{n=1}{\overset{k}{\&Sigma;}}\left(T_{right}\right(m,n)\&CenterDot;f(i-p+m,j-p+n\left)\right);$

其中k≥5且k≤11；f(i,j)为当前(i,j)像素的灰度值，p＝(k-1)/2；

步骤4.3：计算像素点(i,j)梯度的大小F(i,j)；

F(i,j)≈|G_left|+|G_right|；

若F(i,j)>Th，则(i,j)为阶跃状边缘点；其中Th＝αF_avg，α>1，F_avg为所有点的梯度均值。

4.根据权利要求3所述的基于线结构光三维测量的公路标线检测方法，其特征在于，步骤5的具体实现过程是：分别统计当前点左、右对角模板中非零像素点灰度数据的总和G_{S_left}、G_{S_right}，若存在G_{S_left}/n>T或者G_{S_right}/n>T，则判断该点为标线边缘点；其中，n为模板中非零像素点的总数，T为当前灰度图像中所有像素点的灰度均值。

5.根据权利要求1所述的基于线结构光三维测量的公路标线检测方法，其特征在于，步骤6的具体实现包括以下子步骤：

步骤6.1：选取种子点Ps；

选取每个连通区域主方向上的顶点作为种子点；假设连通区域的长、宽分别为l、w，若l>w，则选取长度方向的顶点作为种子点，反之，宽度方向上的顶点为种子点；

步骤6.2：连接相近的种子点；

计算种子点两两之间的欧式距离d，若d<T_d，则连接满足条件的种子点；其中T_d为距离阈值，为经验值。

6.根据权利要求1所述的基于线结构光三维测量的公路标线检测方法，其特征在于，步骤7的具体实现过程是：利用“旋转卡壳”方法做连通区域的最小面积外接矩形R_calipers，并计算得到R_calipers平行切线间的最小距离及最大距离，即获得标线的宽度W及长度L。

7.根据权利要求1所述的基于线结构光三维测量的公路标线检测方法，其特征在于：去除长度小于T_l的虚假边缘，去除宽度小于T_W且不位于图像边缘的连通区域，其中T_l、T_W分别为长度阈值及宽度阈值，为经验值。

8.根据权利要求1所述的基于线结构光三维测量的公路标线检测方法，其特征在于，步骤8的具体实现过程是：连通区域为标线区域，提取这些区域的宽度W长度L信息；计算最小面积外接矩形所覆盖区域的平均深度值，得到标线的高程信息。