CN107066985B - 一种基于快速霍夫变换的路口斑马线检测方法 - Google Patents

Abstract

本发明公开了一种基于快速霍夫变换的路口斑马线检测方法。该方法提出一种通过对公路图进行边缘检测，并把检测到的边缘进行快速霍夫变换，从而获取图像中存在的直线的方向和位置。通过进一步判断，得出在一定区域内直线的方向一致且直线数量超过一个阈值，则该区域判定为路口斑马线所在区域，进而能对车辆和行人做出预警。本发明具有稳定性强，准确率高的特点。

Description

一种基于快速霍夫变换的路口斑马线检测方法

技术领域

本发明涉及图像处理技术领域，特别是一种基于快速霍夫变换的路口斑马线检测方法。

背景技术

无人驾驶汽车从根本上改变了传统的人—车控制方式，将不可控的驾驶员从驾驶中分离出去，从而大大提高了交通系统的效率和安全性。无人驾驶汽车需要通过各类感知器对道路信息、车辆位置和障碍物信息进行采集和运算，实时分析复杂的道路情况，并通过总控程序给车辆作出最优的行驶选择。其中计算机视觉在对路况分析和处理中起到至关重要的作用，也是无人驾驶能否成功的关键。如何准确识别和判断出公路上的各类事物是进行进一步分析和处理的前提条件，例如，汽车若能对路口的斑马线进行提前识别，则能在通过路口时提前告知总控程序要对汽车进行减速处理，从而增强了汽车行驶的安全性。

现有的技术通常采用模式匹配的方法，对公路上的各类事物通过采集大量的图像数据让计算机进行学习并进一步分类，然后在实际运行环境中对实时拍摄到的公路图像进行模式匹配，将匹配度高的结果作为物体识别的结果。然而该方法需要大量的训练数据，对不同类的物体运用同样的训练方法，忽略了物体间的差异性，从而导致计算量很大，而且对某些路况，如公路上的地面标志信息的识别精确度较低。

发明内容

本发明所要解决的技术问题是克服现有技术的不足而提供一种基于快速霍夫变换的路口斑马线检测方法，以准确高效地对公路上的斑马线进行识别检测。

本发明为解决上述技术问题采用以下技术方案：

根据本发明提出的一种基于快速霍夫变换的路口斑马线检测方法，包括以下步骤：

步骤1、采集公路图像，对公路图像进行灰度处理，得到处理后的n×n图像矩阵G，n代表G中的行数和列数；

步骤2、对G进行高斯滤波操作，得出更新后的矩阵G′；具体步骤如下：

步骤21、定义模糊半径r和大小为r*r的模糊矩阵，利用高斯函数计算模糊矩阵中每个元素的值，r＜n且r为奇数；

步骤22、对模糊矩阵中的元素做归一化处理：计算模糊矩阵中元素的和sp，并将模糊矩阵中每个元素除以sp，得到归一化后的模糊矩阵P；

步骤23、定义矩阵G′＝G，计算更新

从而得到更新后的矩阵G′，矩阵G′为n行n列；其中，

为向下取整，P(i′,j′)代表P中第i′行和第j′列的元素，G(i′,j′)代表G中第i′行和第j′列的元素，G′(i,j)为矩阵G′中第i行和第j列的元素；

步骤3、对步骤2得到的矩阵G′做边缘检测；具体步骤如下：

步骤31、计算G′(i,j)的水平方向梯度dx(i,j)＝G′(i,j+1)-G′(i,j)；

步骤32、计算G′(i,j)的垂直方向梯度dy(i,j)＝G′(i+1,j)-G′(i,j)；

步骤33、计算G′(i,j)的梯度值

和梯度方向

步骤34、对矩阵G′中每个元素的梯度值进行非极大值抑制：对于G′(i,j)，若在α(i,j)方向上的若干个元素梯度值当中，d(i,j)为极大，则G′(i,j)＝255；否则G′(i,j)＝0；

步骤4、用双阈值算法对矩阵G′中的边缘进行连接，具体步骤如下：

步骤41、定义一个高阈值λ，对矩阵G′中的元素按梯度值进行排序，排序后的元素个数为M个；取排序后的前ω*M个元素中梯度值最大的元素，该元素所对应的梯度值作为λ的值，其中，0.6≤ω≤0.8，且ω*M向下取整；扫描矩阵G′中的每个元素，对于元素G′(i,j)，若d(i,j)＜λ，则G′(i,j)＝255，否则G′(i,j)不变；

步骤42、定义一个低阈值μ，且

对G′中元素值为0的元素做判断：若与该元素距离为1的邻域内的元素值都等于255，则将邻域内的元素梯度值与μ比较，将梯度值大于μ的元素的值赋为0；

步骤43、重复步骤42，直到对矩阵G′中所有的元素都判断完毕；

步骤5、对矩阵G′中的元素进行快速霍夫变换；具体步骤如下：

步骤51、在矩阵G′中任取一个G′(i,j),判断G′(i,j)是否等于0，若是则把该元素加入集合S中，执行步骤52，否则重新执行步骤51；

步骤52、记新加入集合S中的元素为Q，依次对Q的邻域内的元素进行判断，若Q的邻域中存在像素点的值等于0的元素，且该元素不属于集合S，则将该元素加入S中；

步骤53、重复步骤52直到集合S不再扩大为止；

步骤54、选取集合S中距离最远的两个元素作为线段s的端点，线段s的端点坐标分别记为(x1,y1)和(x2,y2)，计算集合S中该线段最大的偏离距离d＝max{[(y3-y1)(x2-x1)-(x3-x1)(y2-y1)]/L}，(x3,y3)为集合S中元素的坐标且(x3,y3)≠(x1,y1)，(x2,y2)；

步骤55、定义偏离比

若集合S的偏离比R＞φ,则以(x3,y3)为分割点，将原线段s进行二分割，分割成以(x1,y1),(x3,y3)为端点的线段s1和以(x3,y3),(x2,y2)为端点的线段s2，并将集合S中元素的坐标点靠近s1的元素分为一个子集，靠近s2的分为另一个子集；对于每个子集合，用该子集合替换步骤54和步骤55中的集合S，并重复执行步骤54和步骤55；若R≤φ，则当前子集S_K确定一条直线，K初始值为1，每当一个集合能确定一条直线K就自增1，φ为比率阈值；

步骤56、经过步骤55，集合S被划分成若干个子集：{S₁,S₂,...,S_N}，N为S被划分成的子集个数；取矩阵G′的第n行第1列元素的左下方任意一点作为坐标原点(0,0)，以矩阵G′的行方向为x轴正方向，以矩阵G′的列方向为y轴正方向，构建出平面直角坐标系，使得矩阵G′位于该坐标系的第一象限；在步骤55得到的每个子集中，选取υ个元素，过这些元素作与x轴负方向且直线向上方向的夹角为1度到180度的直线，以<距离，夹角>的形式记录坐标原点(0,0)到每条直线的距离和每条直线向上方向与x轴负方向形成的夹角；

步骤57、对于每一组<距离,夹角>，统计与其在距离和夹角上都相同的<距离，夹角>的个数，若个数大于ε,则该<距离，夹角>确定一条直线，ε为一条直线上的元素个数阈值；

步骤6、统计矩阵G′中直线密集的区域，将该区域作为斑马线所在的区域，具体步骤如下：

步骤61、对步骤57确定出的若干条直线，统计在1度到180度上每个角度所对应的直线数量：若某一直线向上方向与x轴负方向的夹角为α°，则α°对应的直线数量加1；

步骤62、对同一角度上的所有直线按离原点(0,0)的距离从小到大进行排序；对于每一个角度，按照距离从近到远扫描该角度上的所有直线：定义计数变量cnt＝1，从第2条直线到最后一条直线逐条判断，若当前判断直线与前一条直线距离在γ以内，则cnt＝cnt+1,否则cnt＝1；对该角度上所有直线判断完毕后，若cnt＞δ，则选定该角度的直线所在区域为斑马线区域；否则该角度上不存在斑马线区域，δ为直线数量阈值，γ为直线间的距离阈值。

作为本发明所述的一种基于快速霍夫变换的路口斑马线检测方法进一步优化方案，所述步骤1具体如下：采集公路图像，对公路图像中每个像素点的红、绿、蓝三个色彩值取平均，取得的平均值作为该像素点的灰度值。

作为本发明所述的一种基于快速霍夫变换的路口斑马线检测方法进一步优化方案，所述步骤21中高斯函数为：

其中，α为调节参数且代表模糊矩阵中元素的离散程度，Δx为模糊矩阵中的元素与模糊矩阵中心点的横坐标方向的距离，Δy为模糊矩阵中的元素与模糊矩阵中心点的纵坐标方向的距离，e为自然底数。

作为本发明所述的一种基于快速霍夫变换的路口斑马线检测方法进一步优化方案，所述步骤4中ω＝75％；

作为本发明所述的一种基于快速霍夫变换的路口斑马线检测方法进一步优化方案，所述步骤5中υ的取值为4或5。

本发明采用以上技术方案与现有技术相比，具有以下技术效果：

(1)本发明提出一种基于快速霍夫变换的路口斑马线检测方法，其完整的方法过程包括对图像进行灰度处理和高斯滤波处理，再通过canny算子提取出图像的边缘，对边缘图像进行快速霍夫变换得到图像中直线所在的位置，根据直线的密集程度判断出路口斑马线所在的区域；

(2)本发明通过对图像进行高斯滤波，有效地减少原始图像存在的噪声干扰提高识别的准确性；

(3)本发明采用双阈值法对图像边缘进行提取，有效减少图像中的假边缘数并对图像边缘的不连贯区域进行连接；

(4)本发明通过快速霍夫变换先对图像中近似在同一直线的元素进行聚合，再对聚合元素中的5-6个元素进行霍夫变化即可确定出一条直线，大大改善了传统霍夫变换计算量大的缺点。

附图说明

图1是基于快速霍夫变换的路口斑马线检测方法流程。

图2是公路图像实例。

图3是图像边缘检测实例。

图4是霍夫变换效果图。

具体实施方式

下面结合附图对本发明的技术方案做进一步的详细说明：

根据附图1所示快速霍夫变换的路口斑马线检测方法对应的流程图，附图2所示公路图像实例，附图3所示图像边缘检测实例，附图4所示霍夫变换效果图，本发明具体实施方式为：

1)输入公路图像如附图1所示，对图像进行灰度处理得到处理后的n×n图像矩阵G，n代表G中的行数和列数，具体步骤如下：

11)对图像中每个像素点的红、绿、蓝三个色彩值取平均，取得的平均值作为该像素点的灰度值。

2)对G进行高斯滤波操作，具体步骤如下：

21)定义模糊半径r＝3和大小为3*3的模糊矩阵P，利用高斯函数计算P中每个元素的值，计算结果如下：

22)对P中的元素做归一化处理：计算P中元素的和sp，并将P中每个元素除以sp，得到归一化后的矩阵P：

23)定义矩阵G′＝G，计算更新

从而得到更新后的矩阵G′，更新后的矩阵G′为n行n列；其中，

为向下取整，P(i′,j′)代表P中第i′行和第j′列的元素，G(i′,j′)代表G中第i′行和第j′列的元素，G′(i,j)为更新后的矩阵G′中第i行和第j列的元素；

3)对步骤2)得到的矩阵G′做边缘检测。具体步骤如下：

31)计算G′(i,j)的水平方向梯度dx(i,j)＝G′(i,j+1)-G′(i,j)。

32)计算G′(i,j)的垂直方向梯度dy(i,j)＝G′(i+1,j)-G′(i,j)。

33)计算G′(i,j)的梯度值

和梯度方向

34)对G′中每个元素的梯度值进行非极大值抑制：对于元素G′(i,j)，若在α(i,j)方向上的若干个元素梯度值当中，d(i,j)为极大，则G′(i,j)＝255；否则G′(i,j)＝0。以矩阵

为例，该矩阵对应的梯度矩阵为

假设A(2,2)的梯度方向为30度，则比较B(2,2)和B(1,3),B(3,1)的大小，因为B(2,2)并非局部最大，所以A(2,2)的值就赋为255。再假设A(3,3)的梯度方向为135度，由于B(3,3)在B(1,1)和B(2,2)中是局部最大，所以A(3,3)的值就赋为0。

4)用双阈值算法对G′中的边缘进行连接，具体步骤如下：

41)定义一个高阈值λ，对G′中的元素按梯度值进行排序，排序后的元素个数为M个；取排序后的前0.75*M个元素中梯度值最大的元素，该元素所对应的梯度值作为λ的值，其中0.75*M下取整整数；扫描G′中的每个元素，对于元素G′(i,j)，若d(i,j)＜λ，则G′(i,j)＝255，否则G′(i,j)不变；

42)定义一个低阈值μ，且

对G′中元素值为0的元素做判断：若与该元素距离为1的邻域内的元素值都等于255，则将邻域内的元素梯度值与μ比较，将梯度值大于μ的元素的值赋为0。

43)重复步骤42)，直到对G′中所有的元素都判断完毕，得到如附图3所示的边缘检测效果图。

5)对矩阵G′中的元素进行快速霍夫变换。具体步骤如下：

51)在G′中任取一个点G′(i,j),判断G′(i,j)是否等于0，若是则把该点加入集合S中，执行步骤52)，否则重新执行步骤51)。

52)记新加入集合S中的点为Q，依次对Q邻域内的元素进行判断，若Q的邻域中存在像素点的值等于0的元素，且该元素不属于集合S，则把该元素加入S中。

53)重复步骤52)直到集合S不再扩大为止。

54)选取集合S中距离最远的两个点作为线段s的端点，线段s的端点坐标分别记为(x1,y1)和(x2,y2)，计算集合S中该线段最大的偏离距离d＝max{[(y3-y1)(x2-x1)-(x3-x1)(y2-y1)]/L}，(x3,y3)为集合S中元素的坐标，且(x3,y3)≠(x1,y1)，(x2,y2)；所述

55)定义偏离比

若集合S的偏离比R＞0.2,则以(x3,y3)为分割点，将原线段s进行二分割，分割成以(x1,y1),(x3,y3)为端点的线段s1和以(x3,y3),(x2,y2)为端点的线段s2，并将集合S中元素坐标点靠近s1的元素分为一个子集，靠近s2的分为另一个子集；对于每个子集合，用该子集合替换步骤54和步骤55中的S，并重复执行步骤54和步骤55；若R≤0.2，则当前子集S_K确定一条直线，K初始值为1，每当一个集合能确定一条直线K就自增1，φ为比率阈值；

56)经过步骤55)集合S被划分成若干个子集：{S₁,S₂,...,S_N}，N为S被划分成的子集个数。取矩阵G′的第n行第1列元素的左下方任意一点作为坐标原点(0,0)，以矩阵G′的行方向为x轴正方向，以矩阵G′的列方向为y轴正方向，构建出平面直角坐标系，使得矩阵G′位于该坐标系的第一象限；在步骤55得到的每个子集中，选取5-6个元素，过这些元素作与x轴负方向且直线向上方向的夹角为1度到180度的直线，以<距离，夹角>的形式记录坐标原点(0,0)到每条直线的距离和每条直线向上方向与x轴负方向形成的夹角；原点到每条直线的距离可由公式：dr＝xcosθ+ysinθ计算得到。以元素G(3,4)为例，过该元素作与横坐标轴夹角为60度的直线，原点到该直线的距离为3*cos60°+4*sin60°＝4.96，把<60,4.96>记录下来。

57)对于每一组<距离,夹角>，统计与其在距离和夹角上都相同的<距离，夹角>的个数，若个数大于4,则该<距离，夹角>确定一条直线。

6)统计图像矩阵G′中直线密集的区域，把该区域作为斑马线所在的区域，具体步骤如下：

61)对步骤57)确定出的若干条直线，统计在1度到180度上每个角度所对应的直线数量：若某一直线向上方向与x轴负方向的夹角为α°，则α°对应的直线数量加1

62)对同一角度上的所有直线按离原点(0,0)的距离从小到大进行排序。对于每一个角度，按照距离从近到远扫描该角度上的所有直线：定义计数变量cnt＝1，从第2条直线到最后一条直线逐条判断，若当前判断直线与前一条直线距离在γ以内，则cnt＝cnt+1,否则cnt＝1。对该角度上所有直线判断完毕后，若cnt＞δ，则选定该角度的直线所在区域为斑马线区域；否则该角度上不存在斑马线区域，δ为直线数量阈值，γ为直线间的距离阈值。

本发明能精确快速地检测出斑马线所在区域，通过高斯滤波减少原始图像中存在的噪声干扰，而且在边缘提取过程中采用双阈值法减少了假边缘的数量，对后序快速霍夫变换提取直线的准确性起到至关重要的作用。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替代，都应当视为属于本发明的保护范围。

Claims (5)

1.一种基于快速霍夫变换的路口斑马线检测方法，其特征在于，包括以下步骤：

步骤1、采集公路图像，对公路图像进行灰度处理，得到处理后的n×n图像矩阵G，n代表G中的行数和列数；

步骤2、对G进行高斯滤波操作，得出更新后的矩阵G′；具体步骤如下：

步骤21、定义模糊半径r和大小为r*r的模糊矩阵，利用高斯函数计算模糊矩阵中每个元素的值，r＜n且r为奇数；

步骤22、对模糊矩阵中的元素做归一化处理：计算模糊矩阵中元素的和sp，并将模糊矩阵中每个元素除以sp，得到归一化后的模糊矩阵P；

步骤23、定义矩阵G′＝G，计算更新

从而得到更新后的矩阵G′，矩阵G′为n行n列；其中，

为向下取整，P(i′,j′)代表P中第i′行和第j′列的元素，G(i′,j′)代表G中第i′行和第j′列的元素，G′(i,j)为矩阵G′中第i行和第j列的元素；

步骤3、对步骤2得到的矩阵G′做边缘检测；具体步骤如下：

步骤31、计算G′(i,j)的水平方向梯度dx(i,j)＝G′(i,j+1)-G′(i,j)；

步骤32、计算G′(i,j)的垂直方向梯度dy(i,j)＝G′(i+1,j)-G′(i,j)；

步骤33、计算G′(i,j)的梯度值

和梯度方向

步骤34、对矩阵G′中每个元素的梯度值进行非极大值抑制：对于G′(i,j)，若在α(i,j)方向上的若干个元素梯度值当中，d(i,j)为极大，则G′(i,j)＝255；否则G′(i,j)＝0；

步骤4、用双阈值算法对矩阵G′中的边缘进行连接，具体步骤如下：

步骤41、定义一个高阈值λ，对矩阵G′中的元素按梯度值进行排序，排序后的元素个数为M个；取排序后的前ω*M个元素中梯度值最大的元素，该元素所对应的梯度值作为λ的值，其中，0.6≤ω≤0.8，且ω*M向下取整；扫描矩阵G′中的每个元素，对于元素G′(i,j)，若d(i,j)＜λ，则G′(i,j)＝255，否则G′(i,j)不变；

步骤42、定义一个低阈值μ，且

对G′中元素值为0的元素做判断：若与该元素距离为1的邻域内的元素值都等于255，则将邻域内的元素梯度值与μ比较，将梯度值大于μ的元素的值赋为0；

步骤43、重复步骤42，直到对矩阵G′中所有的元素都判断完毕；

步骤5、对矩阵G′中的元素进行快速霍夫变换；具体步骤如下：

步骤51、在矩阵G′中任取一个G′(i,j),判断G′(i,j)是否等于0，若是则把该元素加入集合S中，执行步骤52，否则重新执行步骤51；

步骤52、记新加入集合S中的元素为Q，依次对Q的邻域内的元素进行判断，若Q的邻域中存在像素点的值等于0的元素，且该元素不属于集合S，则将该元素加入S中；

步骤53、重复步骤52直到集合S不再扩大为止；

步骤54、选取集合S中距离最远的两个元素作为线段s的端点，线段s的端点坐标分别记为(x1,y1)和(x2,y2)，计算集合S中该线段最大的偏离距离d＝max{[(y3-y1)(x2-x1)-(x3-x1)(y2-y1)]/L}，(x3,y3)为集合S中元素的坐标且

步骤55、定义偏离比

若集合S的偏离比R＞φ,则以(x3,y3)为分割点，将原线段s进行二分割，分割成以(x1,y1),(x3,y3)为端点的线段s1和以(x3,y3),(x2,y2)为端点的线段s2，并将集合S中元素的坐标点靠近s1的元素分为一个子集，靠近s2的分为另一个子集；对于每个子集合，用该子集合替换步骤54和步骤55中的集合S，并重复执行步骤54和步骤55；若R≤φ，则当前子集S_K确定一条直线，K初始值为1，每当一个集合能确定一条直线K就自增1，φ为比率阈值；

步骤56、经过步骤55，集合S被划分成若干个子集：{S₁,S₂,...,S_N}，N为S被划分成的子集个数；取矩阵G′的第n行第1列元素的左下方任意一点作为坐标原点(0,0)，以矩阵G′的行方向为x轴正方向，以矩阵G′的列方向为y轴正方向，构建出平面直角坐标系，使得矩阵G′位于该坐标系的第一象限；在步骤55得到的每个子集中，选取υ个元素，过这些元素作与x轴负方向且直线向上方向的夹角为1度到180度的直线，以<距离，夹角>的形式记录坐标原点(0,0)到每条直线的距离和每条直线向上方向与x轴负方向形成的夹角；

步骤57、对于每一组<距离,夹角>，统计与其在距离和夹角上都相同的<距离，夹角>的个数，若个数大于ε,则该<距离，夹角>确定一条直线，ε为一条直线上的元素个数阈值；

步骤6、统计矩阵G′中直线密集的区域，将该区域作为斑马线所在的区域，具体步骤如下：

步骤61、对步骤57确定出的若干条直线，统计在1度到180度上每个角度所对应的直线数量：若某一直线向上方向与x轴负方向的夹角为α°，则α°对应的直线数量加1；

步骤62、对同一角度上的所有直线按离原点(0,0)的距离从小到大进行排序；对于每一个角度，按照距离从近到远扫描该角度上的所有直线：定义计数变量cnt＝1，从第2条直线到最后一条直线逐条判断，若当前判断直线与前一条直线距离在γ以内，则cnt＝cnt+1,否则cnt＝1；对该角度上所有直线判断完毕后，若cnt＞δ，则选定该角度的直线所在区域为斑马线区域；否则该角度上不存在斑马线区域，δ为直线数量阈值，γ为直线间的距离阈值。

2.根据权利要求1所述的一种基于快速霍夫变换的路口斑马线检测方法，其特征在于，所述步骤1具体如下：采集公路图像，对公路图像中每个像素点的红、绿、蓝三个色彩值取平均，取得的平均值作为该像素点的灰度值。

3.根据权利要求1所述的一种基于快速霍夫变换的路口斑马线检测方法，其特征在于，所述步骤21中高斯函数为：

其中，α为调节参数且代表模糊矩阵中元素的离散程度，Δx为模糊矩阵中的元素与模糊矩阵中心点的横坐标方向的距离，Δy为模糊矩阵中的元素与模糊矩阵中心点的纵坐标方向的距离，e为自然底数。

4.根据权利要求1所述的一种基于快速霍夫变换的路口斑马线检测方法，其特征在于，所述步骤4中ω＝75％。

5.根据权利要求1所述的一种基于快速霍夫变换的路口斑马线检测方法，其特征在于，所述步骤5中υ的取值为4或5。

Images