CN106548135A - 一种路面障碍检测方法 - Google Patents

Abstract

本发明公开了一种路面障碍检测方法，包括以下步骤：S1：采集道路视频图像，进行灰度化、滤波平滑处理和图像增强处理；S2：使用Canny边缘检测方法提取出大概的道路边界；S3：基于Hough变换精确提取出道路的边界；S4：采用双自适应阈值法分割出车底阴影；S5：对车底阴影图像按照从上到下，从左到右扫描阴影线，扫描阴影线，完成对路面车辆障碍物的检测。本发明基于车辆底部阴影的路面车辆障碍检测算法能够较好地检测出车前的运动车辆，且该算法具有较好的可靠性和鲁棒性。

Description

一种路面障碍检测方法

技术领域

本发明涉及一种路面障碍检测方法。

背景技术

汽车的普及为人们的日常生活和出行带来诸多便利，但同时也引发了一些不可避免的社会问题，诸如车辆行驶的安全、城市的交通拥挤、能源的浪费和环境的污染等方面的问题，这些问题造成的损失难以估算，汽车引起的交通事故所带来的伤害也是不容忽视的。由于汽车数量的增加和驾驶员不规范的驾驶操作，交通事故的发生频率很高，造成的损失和危害令人震惊，有关研究表明，如果能提前1秒察觉到交通事故危险的发生并立刻执行相应的安全保护操作，则可以避免绝大多数交通事故的发生。许多汽车技术研究机构都在致力于研究汽车行业新技术，用于加强汽车驾驶员在行车过程中的环境感知能力，辅助驾驶员安全行驶，并提供行车过程中障碍安全警告服务，最终达到汽车无人驾驶的高度水平，逐渐实现车辆的智能化，提高汽车驾驶的安全性能、减少交通事故的发生，加强对车辆辅助驾驶技术的研究是提升行车安全性和解决道路交通问题的有效途径。

发明内容

本发明要解决的技术问题是提供一种路面障碍检测方法。

一种路面障碍检测方法，包括以下步骤：

S1：采集道路视频图像，进行灰度化、滤波平滑处理和图像增强处理；

S2：使用Canny边缘检测方法提取出大概的道路边界，具体方法如下：

S2-1：使用高斯滤波方法对图像进行平滑处理，f(x,y)表示原图像，g(x,y)表示高斯平滑后的图像；

S2-2：图像像素邻域内的x方向和y方向的两个偏导数的有限差分可以由下列公式近似计算得到：

g_x(x,y)＝[g(x+1,y)-g(x,y)+g(x+1,y+1)-g(x,y+1)]/2，

g_y(x,y)＝[g(x,y+1)-g(x,y)+g(x+1,y+1)-g(x+1,y)]/2，

g_x(x,y)，g_y(x,y)分别为x方向和y方向的两个偏导数的有限差分；则的梯度幅值大小方向角分别为：

其中，M(x,y)为梯度幅值，θ(x,y)为梯度方向角；

S2-3：对得到的M(x,y)进行非极大值像素点的抑制,就是通过保留邻域范围内梯度幅值为局部最大值的像素点,而去除所有非局部最大值的像素点,则M(x,y)中邻域内的局部最大值点可以形成比较精确的图像边界,非极大值抑制的实现过程可通过以下公式来实现：

N(x,y)＝max_(x,y)∈S M(x,y),

其中，M(x,y)为梯度幅值图像，N(x,y)表示非极大值抑制后图像，S表示像素点领域范围；

S2-4：对S2-3中抑制后的图像进行处理，对其保留下来的极大值像素点采用双阈值法进行确定，分别设定两个阈值，即低阈值TH_min和高阈值TH_max，其中TH_min<TH_max,图像N(x,y)中像素点梯度幅值大于TH_max的称为强边缘像素,可以直接当作边缘；而小于TH_min的则称为非边缘点，可以直接排除；在TH_min，TH_max之间的称为弱边缘像素，弱边缘像素还需进一步确定其是否为边缘点，寻找周围邻域内是否存在已经被判定为边缘的像素点，若存在则可认为该点为边缘像素点，若不存在则认为该点为非边缘像素点；然后再通过下式来判断N(x,y)保留下来的极大值像素点是否为边缘点，

其中，S为检测点(x,y)不包含该检测点的邻域，G(x,y)表示边缘检测结果,G(x,y)＝1表示该位置为边缘位置；

S3：基于Hough变换精确提取出道路的边界，具体方法如下：

S3-1：在极坐标空间上直线的另一个标准表示方式为：

ρ＝x cosθ+y sinθ，其中，θ为夹角，表示直线与x轴的角度,θ的取值范围为θ∈(-90°，90°)；ρ为极半径，表示原点到直线的距离，对于M×N大小的图像，ρ的取值范围ρ∈(-D，D)，其中D为图像对角线间两点的距离，

S3-2：θ设定一个适合的步长，通过上式计算得到将得到ρ的近似为最接近的能在轴上能取到的单元值；ρ也设定一个适合的步长，然后根据坐标(ρ，θ)将该坐标所对应的参数空间累加器单元加一；依此累加，计算得到累加器单元的峰值所对应的点，即表示为图像空间的直线；

S3-3：根据x-y图像空间与k-b参数空间的点线对偶性，在k-b参数空间中的任意一个点在x-y图像空间的都存在相对应的一条直线，只要通过统计k-b参数空间累加器单元的峰值就可以实现对x-y图像空间中直线的检测；

S4：采用双自适应阈值法分割出车底阴影；

S5：对车底阴影图像按照从上到下，从左到右扫描阴影线，扫描阴影线的具体处理步骤如下：

S5-1：如符合公式：g(x,y)-g(x-1,y)＝255&&g(x,y)-g(x+1,y)＝0，标记为起始点x_start，并继续扫描该行的连续白点，其中，g(x,y)为灰度图像在点(x,y)处的灰度值；

S5-2：当满足公式：g(x,y)-g(x-1,y)＝0&&g(x,y)-g(x+1,y)＝255，标记为终点x_end，确定出阴影线的起始点x_start和终点x_end；

S5-3：再利用公式：Len＝x_start-x_end，确定阴影线的长度Len；

S5-4：给阴影线的长度设定一个上限阈值Len_max和下限阈值Len_min满足Len_min<Len<Len_max的阴影线才判定为可能的车底阴影线；

S5-5：相机投影到图像中的车辆成像的宽度ω表示为：

其中，ω_P为实际车辆的宽度(单位：m)，H为相机的光轴与路面之间的相对高度(单位：m)，y为车辆在图像中y轴上所在的行(单位：像素)，阴影线长度的下限阈值Len_min和上限阈值Len_max由y值决定的，设Len_min和Len_max分别取：Len_min＝0.8ω，Len_max＝1.2ω。

本发明的有益效果是：

本发明基于车辆底部阴影的路面车辆障碍检测算法能够较好地检测出车前的运动车辆，且该算法具有较好的可靠性和鲁棒性。

具体实施方式

以下具体实施例对本发明作进一步阐述，但不作为对本发明的限定。

实验1对结构化道路与非结构化道路使用Hough变换法进行道路边界提取的实验。

1.结构化道路边界提取实验

首先选取一段结构化道路图像进行处理，采集的图像大小为512*307像素,设置极半径ρ的分辨率为1,角度θ的分辨率为0.5。

使用Canny边缘检测后图像含有很多非道路边界，取Hough变换峰后得到的图像，其中选取了前10个Hough变换峰，对应提取出了10条直线，这10条直线上包含了非道路边界，这在未限定斜率之前，道路边界的提取效果不是很理想，虽然能够提取出左右道路边界，但同时也有许多非道路边界的干扰。采用的斜率范围为左边道路边界的斜率角小于70度，右边道路边界的斜率大于-70度，通过限定斜率后就能够较准确的检测出车道线。

2.非结构化道路边界提取实验

对于非结构化道路，道路也存在明显的边界信息，同样可以采用Hough变换进行道路边界检测。选取一段没有车道线的非结构化道路进行处理，图像大小为458*329像素，同样设置极半径ρ的分辨率为1，角度θ的分辨率为0.5。

使用Canny边缘检测后图像含有很多非道路边界，取Hough变换峰后得到的图像，同样选取了前10个Hough变换峰，提取出了10条直线同样也包含了非道路边界。采用的斜率范围同样也为左边道路边界的斜率角小于70度，右边道路边界的斜率为角大于-70度的，限定斜率后也能较准确的检测出车道线。

实验2将对基于车底阴影的路面车辆障碍检测算法的性能进行仿真实验分析。

选取真实道路图像进行实验图像大小为466*330像素。首先进行双自适应阈值分割以消除路面物体阴影的干扰；其次根据车底阴影的特征提取出可能的车底阴影线；然后再将车底阴影线区域合并得到更为准确的车底阴影线；最后在原图像上标注出障碍物的位置。

将经双自适应阈值分割后得到的二值图像，为了研究方便，将车底阴影用最大灰度值255来表示，则在图像中呈现为白像素点，通过阈值分割后的图像已经很好的消除了其它道路阴影的干扰，从而有利于车底阴影的准确提取。

设定长度上限阈值Len_max＝130和下限阈值Len_min＝80，限定长度上下限阈值后可以有效地排除路边树木对车底阴影检测的干扰，并较好地保留了车底的位置和大小信息。在限定阴影长度后的图像中包含了车体边缘，选取最大y值所在行的阴影线作为最终的车底阴影线，根据最终检测结果，在原图上标注出了车辆障碍物的具体位置。

由于受外界环境因素的影响，导致车底阴影线检测可能有所偏差，为了保证矩形框能够完整地包含车辆尾部，实验中将阴影线的左右两侧分别扩展3-4个像素点，并取长宽比为1:1的矩形框将车辆目标在原图像上标注出来。

Claims (1)

1.一种路面障碍检测方法，其特征在于，包括以下步骤：

S1：采集道路视频图像，进行灰度化、滤波平滑处理和图像增强处理；

S2：使用Canny边缘检测方法提取出大概的道路边界，具体方法如下：

S2-1：使用高斯滤波方法对图像进行平滑处理，f(x,y)表示原图像，g(x,y)表示高斯平滑后的图像；

S2-2：图像像素邻域内的x方向和y方向的两个偏导数的有限差分可以由下列公式近似计算得到：

g_x(x,y)＝[g(x+1,y)-g(x,y)+g(x+1,y+1)-g(x,y+1)]/2，

g_y(x,y)＝[g(x,y+1)-g(x,y)+g(x+1,y+1)-g(x+1,y)]/2，

g_x(x,y)，g_y(x,y)分别为x方向和y方向的两个偏导数的有限差分；则的梯度幅值大小方向角分别为：

$M(x,y)=\sqrt{g_x^2(x,y)+g_y^2(x,y)},$

$\mathrm{\&theta;}(x,y)=arctan\left(\frac{g_y(x,y)}{g_x(x,y)}\right),$

其中，M(x,y)为梯度幅值，θ(x,y)为梯度方向角；

S2-3：对得到的M(x,y)进行非极大值像素点的抑制,就是通过保留邻域范围内梯度幅值为局部最大值的像素点,而去除所有非局部最大值的像素点,则M(x,y)中邻域内的局部最大值点可以形成比较精确的图像边界,非极大值抑制的实现过程可通过以下公式来实现：

N(x,y)＝max_(x,y)∈SM(x,y),

其中，M(x,y)为梯度幅值图像，N(x,y)表示非极大值抑制后图像，S表示像素点领域范围；

S2-4：对S2-3中抑制后的图像进行处理，对其保留下来的极大值像素点采用双阈值法进行确定，分别设定两个阈值，即低阈值TH_min和高阈值TH_max，其中TH_min<TH_max,图像N(x,y)中像素点梯度幅值大于TH_max的称为强边缘像素,可以直接当作边缘；而小于TH_min的则称为非边缘点，可以直接排除；在TH_min，TH_max之间的称为弱边缘像素，弱边缘像素还需进一步确定其是否为边缘点，寻找周围邻域内是否存在已经被判定为边缘的像素点，若存在则可认为该点为边缘像素点，若不存在则认为该点为非边缘像素点；然后再通过下式来判断N(x,y)保留下来的极大值像素点是否为边缘点，

其中，S为检测点(x,y)不包含该检测点的邻域，G(x,y)表示边缘检测结果,G(x,y)＝1表示该位置为边缘位置；

S3：基于Hough变换精确提取出道路的边界，具体方法如下：

S3-1：在极坐标空间上直线的另一个标准表示方式为：

ρ＝x cosθ+y sinθ，其中，θ为夹角，表示直线与x轴的角度,θ的取值范围为θ∈(-90°，90°)；ρ为极半径，表示原点到直线的距离，对于M×N大小的图像，ρ的取值范围ρ∈(-D，D)，其中D为图像对角线间两点的距离，

S3-2：θ设定一个适合的步长，通过上式计算得到将得到ρ的近似为最接近的能在轴上能取到的单元值；ρ也设定一个适合的步长，然后根据坐标(ρ，θ)将该坐标所对应的参数空间累加器单元加一；依此累加，计算得到累加器单元的峰值所对应的点，即表示为图像空间的直线；

S3-3：根据x-y图像空间与k-b参数空间的点线对偶性，在k-b参数空间中的任意一个点在x-y图像空间的都存在相对应的一条直线，只要通过统计k-b参数空间累加器单元的峰值就可以实现对x-y图像空间中直线的检测；

S4：采用双自适应阈值法分割出车底阴影；

S5：对车底阴影图像按照从上到下，从左到右扫描阴影线，扫描阴影线的具体处理步骤如下：

S5-1：如符合公式：g(x,y)-g(x-1,y)＝255&&g(x,y)-g(x+1,y)＝0，标记为起始点x_start，并继续扫描该行的连续白点，其中，g(x,y)为灰度图像在点(x,y)处的灰度值；

S5-2：当满足公式：g(x,y)-g(x-1,y)＝0&&g(x,y)-g(x+1,y)＝255，标记为终点x_end，确定出阴影线的起始点x_start和终点x_end；

S5-3：再利用公式：Len＝x_start-x_end，确定阴影线的长度Len；

S5-4：给阴影线的长度设定一个上限阈值Len_max和下限阈值Len_min满足Len_min<Len<Len_max的阴影线才判定为可能的车底阴影线；

S5-5：相机投影到图像中的车辆成像的宽度ω表示为：

其中，ω_P为实际车辆的宽度(单位：m)，H为相机的光轴与路面之间的相对高度(单位：m)，y为车辆在图像中y轴上所在的行(单位：像素)，阴影线长度的下限阈值Len_min和上限阈值Len_max由y值决定的，设Len_min和Len_max分别取：Len_min＝0.8ω，Len_max＝1.2ω。