CN107862294B - 一种基于形态学重建的车道线检测方法与装置 - Google Patents
一种基于形态学重建的车道线检测方法与装置 Download PDFInfo
- Publication number
- CN107862294B CN107862294B CN201711160193.7A CN201711160193A CN107862294B CN 107862294 B CN107862294 B CN 107862294B CN 201711160193 A CN201711160193 A CN 201711160193A CN 107862294 B CN107862294 B CN 107862294B
- Authority
- CN
- China
- Prior art keywords
- image
- marked
- marked image
- calculation result
- zero
- 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.)
- Active
Links
Images
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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于形态学重建的车道线检测方法与装置,该车道线检测方法包括:对待检测道路图像的感兴趣区域采用形态学重建的方式进行去噪处理,并得到一处理结果;提取所述处理结果中的车道线特征,并获取所述车道线特征的二值图像;通过对所述二值图像的处理及Blob分析,对所述待检测道路图像的车道线图像块进行确认。本发明通过对待检测道路图像的预处理,去除待检测道路图像中的黑白噪点,使得对道路车道线检测的算法流程更加简单,高效,从而实现车道线的快速检测。
Description
技术领域
本发明涉及数字图像处理技术领域,尤其涉及一种基于形态学重建的车道线检测方法与装置。
背景技术
车道偏离报警系统以及车道保持系统,是高级辅助驾驶系统的两个重要功能模块,其中的核心技术是车道线检测算法。随着无人驾驶技术及高级驾驶辅助系统的蓬勃发展,涌现出了越来越多的车道线检测算法。由于相机固有的成像特性以及外界环境光线的影响,采集的图像上噪声的表现形式也不尽相同,需要对图像进行预处理,以祛除噪声对车道线检测的影响。预处理是非常重要的一个环节,然而传统的车道线检测算法对预处理环节重视不够,用的更多的是中值滤波、均值滤波或高斯滤波等方法,处理效果也不尽人意。另外,现有的车道线检测算法,一般是通过先对图像中车道线的颜色、边缘、纹理方向等特征信息进行提取,然后用最小二乘拟合法或RANSAC(随机抽样一致性)结合Hough变换及其相关变种算法(如概率Hough变换)进行车道线检测,最后采用卡曼滤波、粒子滤波等算法对车道线进行跟踪。算法流程复杂、繁琐,导致处理时间过长。
发明内容
本发明的主要目的在于公开一种基于形态学重建的车道线检测方法与装置,用于解决现有技术中对于车道线检测存在算法流程复杂、繁琐,从而导致算法处理时间过长的问题。
为达上述目的,根据本发明的一个方面,公开一种基于形态学重建的车道线检测方法,并采用如下技术方案:
一种基于形态学重建的车道线检测方法包括:对待检测道路图像的感兴趣区域采用形态学重建的方式进行去噪处理,并得到一处理结果;提取所述处理结果中的车道线特征,并获取所述车道线特征的二值图像;通过对所述二值图像的处理及Blob分析,对所述待检测道路图像的车道线图像块进行确认。
进一步地,所述对待检测道路图像的感兴趣区域采用形态学重建的方式进行去噪处理,并得到一处理结果包括:采用形态学重建的方式去除所述待检测道路图像感兴趣区域中的黑噪点,得到中间处理结果;采用形态学重建的方式去除所述中间处理结果中的白噪点,得到所述处理结果。
进一步地,所述采用形态学重建的方式去除所述待检测道路图像感兴趣区域中的黑噪点,得到中间处理结果包括:输入所述待检测道路图像的原图作为第一模板图像;对所述第一模板图像进行腐蚀操作,得到所述原图的第一标记图像;对所述第一标记图像进行膨胀操作,得到第二标记图像;将所述第二标记图像与所述第一模板图像逐个像素点取最小值,得到第三标记图像;计算所述第三标记图像和所述第一标记图像的误差,得到第一计算结果;判断所述第一计算结果是否为零,在所述第一计算结果为零时,将所述第三标记图像记为所述中间处理结果。
进一步地,在所述第一计算结果不为零时,所述车道线检测方法还包括:用所述第三标记图像替换所述第一标记图像,并循环执行如下操作:对所述第一标记图像进行膨胀操作,得到第二标记图像;将所述第二标记图像与所述第一模板图像逐个像素点取最小值,得到第三标记图像;计算所述第三标记图像和所述第一标记图像的误差,得到第一计算结果;判断所述第一计算结果是否为零,在所述第一计算结果为零时,所述第三标记图像,记为所述中间处理结果。
进一步地,所述采用形态学重建的方式去除所述中间处理结果中的白噪点,得到所述处理结果包括:输入所述中间结果作为第二原图,并对所述第二原图执行取反操作,得到第二模板图像;对所述第二模板图像进行腐蚀操作,得到第四标记图像;对所述第四标记图像进行膨胀操作,得到第五标记图像;将所述第五标记图像与所述第二模板图像逐个像素点取最小值,得到第六标记图像;计算所述第六标记图像与所述第四标记图像的误差,并得到第二计算结果;判断所述第二计算结果是否为零,并在所述第二计算结果为零时,对所述第六标记图像执行取反操作,即为所述处理结果。在所述第二计算结果不为零时,用所述第六标记图像替换所述第四标记图像,并触发循环执行如下操作:对所述第四标记图像进行膨胀操作,得到第五标记图像;将所述第五标记图像与所述第二模板图像逐个像素点取最小值,得到第六标记图像;计算所述第六标记图像与所述第四标记图像的误差,并得到第二计算结果;判断所述第二计算结果是否为零,并在所述第二计算结果为零时,对所述第六标记图像执行取反操作,即为所述处理结果。
根据本发明的另外一个方面,提供一种基于形态学重建的车道线检测装置,并采用如下技术方案:
一种基于形态学重建的车道线检测装置包括:去噪模块,用于对待检测道路图像的感兴趣区域采用形态学重建的方式进行去噪处理,并得到一处理结果;提取模块,用于提取所述处理结果中的车道线特征,并获取所述车道线特征的二值图像;确认模块,用于通过对所述二值图像的处理及Blob分析,对所述待检测道路图像的车道线图像块进行确认。
进一步地,所述去噪模块包括:第一去除模块,用于采用形态学重建的方式去除所述待检测道路图像感兴趣区域中的黑噪点,得到中间处理结果;第二去除模块,用于采用形态学重建的方式去除所述中间处理结果中的白噪点,得到所述处理结果。
进一步地,所述第一去除模块包括:第一输入模块,用于输入所述待检测道路图像的原图作为第一模板图像;第一腐蚀操作模块,用于对所述第一模板图像进行腐蚀操作,得到所述原图的第一标记图像;第一膨胀操作模块,用于对所述第一标记图像进行膨胀操作,得到第二标记图像;第一取值模块,用于将所述第二标记图像与所述第一模板图像逐个像素点取最小值,得到第三标记图像;第一计算模块,用于计算所述第三标记图像和所述第一标记图像的误差,得到第一计算结果;第一判断模块,用于判断所述第一计算结果是否为零,在所述第一计算结果为零时,将所述第三标记图像记为所述中间处理结果。
进一步地,在所述第一计算结果不为零时,所述车道线检测装置还包括:替换模块,用于用所述第三标记图像替换所述第一标记图像,并触发所述第一去除模块执行如下循环操作:对所述第一标记图像进行膨胀操作,得到第二标记图像;将所述第二标记图像与所述第一模板图像逐个像素点取最小值,得到第三标记图像;计算所述第三标记图像和所述第一标记图像的误差,得到第一计算结果;判断所述第一计算结果是否为零,在所述第一计算结果为零时,所述第三标记图像,记为所述中间处理结果。
进一步地,所述第二去噪模块包括:第二输入模块,用于输入所述中间结果作为第二原图,并对所述第二原图执行取反操作,得到第二模板图像;第二腐蚀操作模块,用于对所述第二模板图像进行腐蚀操作,得到第四标记图像;第二膨胀操作模块,用于对所述第四标记图像进行膨胀操作,得到第五标记图像;第二取值模块,用于将所述第五标记图像与所述第二模板图像逐个像素点取最小值,得到第六标记图像;第二计算模块,用于计算所述第六标记图像与所述第四标记图像的误差,并得到第二计算结果;第二判断模块,用于判断所述第二计算结果是否为零,并在所述第二计算结果为零时,对所述第六标记图像执行取反操作,即为所述处理结果。在所述第二计算结果不为零时,用所述第六标记图像替换所述第四标记图像,并触发循环执行如下操作:,
对所述第四标记图像进行膨胀操作,得到第五标记图像;将所述第五标记图像与所述第二模板图像逐个像素点取最小值,得到第六标记图像;计算所述第六标记图像与所述第四标记图像的误差,并得到第二计算结果;判断所述第二计算结果是否为零,并在所述第二计算结果为零时,对所述第六标记图像执行取反操作,即为所述处理结果。
本发明通过对待检测道路图像的预处理,而不同于传统的中值滤波,均值滤波或高斯滤波等预处理方法,而是采用基于形态学重建,对待检测道路图像依次进行去除黑噪点及白噪点,然后提取车道线特征图;再对车道线特征图进行二值化,得到二值图像;最后对二值图像进行处理及Blob分析,将符合车道线特征的图像块确定为车道线。通过上述技术方案,以此快速、高效的解决车道线检测问题。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明中记载的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的附图。
图1为本发明实施例所述的一种基于形态学重建的车道线检测方法的流程图;
图2为本发明实施例所述的待检测道路图像的原图像及ROI区域;
图3为本发明实施例所述车道线特征图;
图4为本发明实施例所述的车道线特征图的二值化图;
图5为本发明实施例所述的二值化图经过空洞填补、闭运算及开运算之后的图像;
图6为本发明实施例所述的对二值图像进行Blob分析后的示意图;
图7为本发明图2所述ROI区域直接做高帽算法的处理效果图;
图8为本发明实施例所述的对待检测道路图像去除黑噪点的方法流程图;
图9为本发明实施例所述的对待检测道路图像去除黑噪点之后的示意图;
图10为本发明实施例所述的对待检测道路图像去除白噪点的方法流程图;
图11为本发明实施例所述的对待检测道路图像去除白噪点之后的示意图;
图12为本发明实施例所述的一种基于形态学重建的车道线检测装置的结构示意图。
具体实施方式
以下结合附图对本发明的实施例进行详细说明,但是本发明可以由权利要求限定和覆盖的多种不同方式实施。
图1为本发明实施例所述的一种基于形态学重建的车道线检测方法的流程图。
参见图1所示,一种基于形态学重建的车道线检测方法包括:
S101:对待检测道路图像的感兴趣区域采用形态学重建的方式进行去噪处理,并得到一处理结果;
S103:提取所述处理结果中的车道线特征,并获取所述车道线特征的二值图像;
S105:通过对所述二值图像的处理及Blob分析,对所述待检测道路图像的车道线图像块进行确认。
具体而言,在步骤S101中,对待检测道路图像的感兴趣区域采用形态学重建的方式进行去噪处理,并得到一处理结果。
基于现有技术,对预处理环节不够重视,传统更多采用中值滤波、均值滤波或高斯滤波等方法,处理效果也不尽人意的状态下,本发明提出对待检测道路图像的感兴趣区域采用形态学重建的方式进行去噪处理,并对去噪算法进一步的改进,以满足当下高级辅助驾驶系统对于车道线迅速检测的技术要求。
更具体的,待检测道路图像是通过安装在运动装置上拍摄前方的道路图像的图像采集设备,具体可以为单目摄像机、双目摄像机亦或相机,如图2所示,图2为本发明实施例所述的待检测道路图像的原图像及ROI区域(感兴趣区域),对于图2采用形态学重建的方法进行去噪处理,首先选取ROI区域,通常选取图像的下半部分进行处理,具体的,去噪处理包括消除黑噪点,并在去除黑噪点之后,消除白噪点,得到步骤S101中所述的处理结果。
在步骤S103中,提取所述处理结果中的车道线特征,并获取所述车道线特征的二值图像。
对于在步骤S101中的处理结果的基础上,采用高帽算法,提取车道线特征图,如图3所示,图3示意性地示出了所提取的车道线特征图。在本步骤中,对道路图像进行高帽运算;其中,结构元素的长度为道路图像上车道线宽度的两倍,在通过高帽算法获取车道线特征图的基础上,对车道线特征对进行二值化运算,获取相应的二值化图像。
本领域技术人员应能理解,高帽算法是图像处理中的常用算法,此处不进行赘述,另外上述提取车道线特征图的方法仅仅为举例,其他任意现有的或今后可能出现的提取车道线特征图的方法也应包含在本发明的保护范围之内并在此以引用的方式结合于此。
作为优选的实施方式,本发明对车道线特征图的二值化运算采用的是全局二值化方法,全局二值化具有速度快的特点。由于全局二值化方法采用了全局阈值,因此对于所处理的图像要求较高,对于噪声、不均匀光照等情况采用全局二值化方法效果并不好,而本发明正是基于在对待检测道路图像进行了基于形态学重建的预处理,分别对待检测道路图像进行了黑噪点去除和白噪点去除,然后对于图像整体的品质做了大大的提升,从而采用快速的全局二值化方法对车道线特征图实现二值化运算,图4为示意性地示出了所述车道线特征图的二值化图,具体可参见图4所示。
在步骤S105中,通过对所述二值图像的处理及Blob分析,对所述待检测道路图像的车道线图像块进行确认。
具体的,对二值图像的处理可以包括空洞填充,弥补破损、残旧车道线的缺失,然后对空洞填充后的图像进行闭运算和开运算,去除一些毛刺和杂块,具体可参见图5,图5为本发明实施例所述的二值化图经过空洞填补、闭运算及开运算之后的图像。在对二值图像进行上述处理之后,再对二值化图像进行Blob计算,从而对于符合车道线特征的图像块进行车道线确认,图6为对二值图像进行Blob分析后的示意图。同时,本发明示出了,对于待检测道路图像没有进行预处理,而直接进行高帽算法的处理效果图,参见图7所示,图7为图2所述ROI区域直接做高帽算法的处理效果图,可以发现图7的处理效果与经过预处理环节的图3的处理效果要差很多,本发明的有益效果不言而喻。
优选地,本发明对待检测道路图像的感兴趣区域采用形态学重建的方式进行去噪处理,并得到一处理结果包括:采用形态学重建的方式去除所述待检测道路图像感兴趣区域中的黑噪点,得到中间处理结果;采用形态学重建的方式去除所述中间处理结果中的白噪点,得到所述处理结果。
作为优选的实施方式,对待检测道路图像的预处理包括去除黑噪点和去除白噪点。
参见图8所示,具体的,去除黑噪点包括:
步骤1:输入所述待检测道路图像的原图作为第一模板图像;
步骤2:对所述第一模板图像进行腐蚀操作,得到所述原图的第一标记图像;
步骤3:对所述第一标记图像进行膨胀操作,得到第二标记图像;
步骤4:将所述第二标记图像与所述第一模板图像逐个像素点取最小值,得到第三标记图像;
步骤5:计算所述第三标记图像和所述第一标记图像的误差,得到第一计算结果;
步骤6:判断所述第一计算结果是否为零,若是,执行步骤7,若否,用第三标记图像替换第一标记图像,返回步骤3。
步骤7:将所述第三标记图像记为所述中间处理结果。
需要说明的是,步骤1至步骤3为本领域的常见操作方法,不做多余赘述,在步骤4中,将第二标记图像与第一模板图像逐个像素点取最小值,得到第三标记图像,具体的,对第二标记图像与第一模板图像的逐个像素值进行比较并取最小值,以此得到第三标记图像。在步骤5中,计算所述第三标记图像和所述第一标记图像的误差,得到第一计算结果。
并在步骤6中,对第一计算结果进行判断,并在第一计算结果为零时,得到去噪后的图像,即本发明的去除黑噪点之后的中间处理结果,图9为本发明实施例所述的对待检测道路图像去除黑噪点之后的示意图,具体参见图9所示。
需要进一步说明的是,在所述第一计算结果不为零时,返回执行步骤3的膨胀操作,直到所述第一计算结果为0,实现对待检测道路图像的黑噪点去除。
参见图10所示,具体的,去除白噪点包括:
步骤10:输入所述中间结果作为第二原图,并对所述第二原图执行取反操作,得到第二模板图像;
步骤12:对所述第二模板图像进行腐蚀操作,得到所述原图的第四标记图像;
步骤13:对所述第四标记图像进行膨胀操作,得到第五标记图像;
步骤14:将所述第五标记图像与所述第二模板图像逐个像素点取最小值,得到第六标记图像;
步骤15:计算所述第六标记图像和所述第四标记图像的误差,得到第二计算结果;
步骤16:判断所述第二计算结果是否为零,若是,执行步骤17,若否,用第六标记图像替换第四标记图像,返回步骤13。
步骤17:将所述第六标记图像记为所述处理结果。
需要说明的是,步骤10中,对输入的第二原图进去取反,是用255对所有像素逐个作差,然后将其结果作为第二模板图像;从步骤12到步骤16执行与去除黑噪点相同的处理方法,在步骤17之后,对得到的第六标记图像再次进行取反操作,得到本发明中的处理结果,具体参见图11所示,图11为本发明实施例所述的对待检测道路图像去除白噪点之后的示意图。
在本发明的上述实施例在中,针对采集的图像上噪声的表现形式不尽相同,本发明采用黑白噪点分别去除的方案,对图像进行预处理,为之后的图像全局二值化图像处理奠定基础,采用图像的全局二值化算法使得图像处理速度大大加快,以实现对待检测道路图像的快速、高效检测。
图12为本发明实施例所述的一种基于形态学重建的车道线检测装置的结构示意图。
参见图12所示,一种基于形态学重建的车道线检测装置包括:去噪模块20,用于对待检测道路图像的感兴趣区域采用形态学重建的方式进行去噪处理,并得到一处理结果;提取模块40,用于提取所述处理结果中的车道线特征,并获取所述车道线特征的二值图像;确认模块60,用于通过对所述二值图像的处理及Blob分析,对所述待检测道路图像的车道线图像块进行确认。
优选地,所述去噪模块20包括:第一去除模块(图中未示),用于采用形态学重建的方式去除所述待检测道路图像感兴趣区域中的黑噪点,得到中间处理结果;第二去除模块(图中未示),用于采用形态学重建的方式去除所述中间处理结果中的白噪点,得到所述处理结果。
优选地,所述第一去除模块包括:第一输入模块(图中未示),用于输入所述待检测道路图像的原图作为第一模板图像;第一腐蚀操作模块(图中未示),用于对所述第一模板图像进行腐蚀操作,得到所述原图的第一标记图像;第一膨胀操作模块(图中未示),用于对所述第一标记图像进行膨胀操作,得到第二标记图像;第一取值模块(图中未示),用于将所述第二标记图像与所述第一模板图像逐个像素点取最小值,得到第三标记图像;第一计算模块(图中未示),用于计算所述第三标记图像和所述第一标记图像的误差,得到第一计算结果;第一判断模块(图中未示),用于判断所述第一计算结果是否为零,在所述第一计算结果为零时,将所述第三标记图像记为所述中间处理结果。
优选地,在所述第一计算结果不为零时,所述车道线检测装置还包括:替换模块(图中未示),用于用所述第三标记图像替换所述第一标记图像,并触发所述第一去除模块执行如下循环操作:对所述第一标记图像进行膨胀操作,得到第二标记图像;将所述第二标记图像与所述第一模板图像逐个像素点取最小值,得到第三标记图像;计算所述第三标记图像和所述第一标记图像的误差,得到第一计算结果;判断所述第一计算结果是否为零,在所述第一计算结果为零时,所述第三标记图像,记为所述中间处理结果。
优选地,所述第二去噪模块包括:第二输入模块,用于输入所述中间结果作为第二原图,并对所述第二原图执行取反操作,得到第二模板图像;第二腐蚀操作模块,用于对所述第二模板图像进行腐蚀操作,得到第四标记图像;第二膨胀操作模块,用于对所述第四标记图像进行膨胀操作,得到第五标记图像;第二取值模块,用于将所述第五标记图像与所述第二模板图像逐个像素点取最小值,得到第六标记图像;第二计算模块,用于计算所述第六标记图像与所述第四标记图像的误差,并得到第二计算结果;第二判断模块,用于判断所述第二计算结果是否为零,并在所述第二计算结果为零时,对所述第六标记图像执行取反操作,即为所述处理结果。
在所述第二计算结果不为零时,用所述第六标记图像替换所述第四标记图像,并触发循环执行如下操作:对所述第四标记图像进行膨胀操作,得到第五标记图像;将所述第五标记图像与所述第二模板图像逐个像素点取最小值,得到第六标记图像;计算所述第六标记图像与所述第四标记图像的误差,并得到第二计算结果;判断所述第二计算结果是否为零,并在所述第二计算结果为零时,对所述第六标记图像执行取反操作,即为所述处理结果。
本发明通过对待检测道路图像的预处理,而不同于传统的中值滤波,均值滤波或高斯滤波等预处理方法,而是采用基于形态学重建,对待检测道路图像依次进行去除黑噪点及白噪点,然后提取车道线特征图;再对车道线特征图进行全局自适应二值化,得到二值图像;最后对二值图像进行Blob分析,将符合车道线特征的图像块确定为车道线。通过上述技术方案,以此快速、高效的解决车道线检测问题。
以上只通过说明的方式描述了本发明的某些示范性实施例,毋庸置疑,对于本领域的普通技术人员,在不偏离本发明的精神和范围的情况下,可以用各种不同的方式对所描述的实施例进行修正。因此,上述附图和描述在本质上是说明性的,不应理解为对本发明权利要求保护范围的限制。
Claims (6)
1.一种基于形态学重建的车道线检测方法,其特征在于,包括:
对待检测道路图像的感兴趣区域采用形态学重建的方式进行去噪处理,并得到一处理结果;
提取所述处理结果中的车道线特征,并获取所述车道线特征的二值图像;
通过对所述二值图像的处理及Blob分析,对所述待检测道路图像的车道线图像块进行确认;
其中,所述对待检测道路图像的感兴趣区域采用形态学重建的方式进行去噪处理,并得到一处理结果包括:
采用形态学重建的方式去除所述待检测道路图像感兴趣区域中的黑噪点,得到中间处理结果;
采用形态学重建的方式去除所述中间处理结果中的白噪点,得到所述处理结果;
其中,所述采用形态学重建的方式去除所述待检测道路图像感兴趣区域中的黑噪点,得到中间处理结果包括:
输入所述待检测道路图像的原图作为第一模板图像;
对所述第一模板图像进行腐蚀操作,得到所述原图的第一标记图像;
对所述第一标记图像进行膨胀操作,得到第二标记图像;
将所述第二标记图像与所述第一模板图像逐个像素点取最小值,得到第三标记图像;
计算所述第三标记图像和所述第一标记图像的误差,得到第一计算结果;
判断所述第一计算结果是否为零,在所述第一计算结果为零时,将所述第三标记图像记为所述中间处理结果;
在所述第一计算结果不为零时,返回执行膨胀操作,直到所述第一计算结果为零,实现对待检测道路图像的黑噪点去除。
2.根据权利要求1所述的车道线检测方法,其特征在于,在所述第一计算结果不为零时,所述车道线检测方法还包括:
用所述第三标记图像替换所述第一标记图像,并循环执行如下操作:
对所述第一标记图像进行膨胀操作,得到第二标记图像;
将所述第二标记图像与所述第一模板图像逐个像素点取最小值,得到第三标记图像;
计算所述第三标记图像和所述第一标记图像的误差,得到第一计算结果;
判断所述第一计算结果是否为零,在所述第一计算结果为零时,所述第三标记图像,记为所述中间处理结果。
3.根据权利要求1所述的车道线检测方法,其特征在于,所述采用形态学重建的方式去除所述中间处理结果中的白噪点,得到所述处理结果包括:
输入所述中间结果作为第二原图,并对所述第二原图执行取反操作,得到第二模板图像;
对所述第二模板图像进行腐蚀操作,得到第四标记图像;
对所述第四标记图像进行膨胀操作,得到第五标记图像;
将所述第五标记图像与所述第二模板图像逐个像素点取最小值,得到第六标记图像;
计算所述第六标记图像与所述第四标记图像的误差,并得到第二计算结果;
判断所述第二计算结果是否为零,并在所述第二计算结果为零时,对所述第六标记图像执行取反操作,即为所述处理结果;
若所述第二计算结果不为零,用所述第六标记图像替换所述第四标记图像,并循环执行如下操作:
对所述第四标记图像进行膨胀操作,得到第五标记图像;
将所述第五标记图像与所述第二模板图像逐个像素点取最小值,得到第六标记图像;
计算所述第六标记图像与所述第四标记图像的误差,并得到第二计算结果;
判断所述第二计算结果是否为零,并在所述第二计算结果为零时,对所述第六标记图像执行取反操作,即为所述处理结果。
4.一种基于形态学重建的车道线检测装置,其特征在于,包括:
去噪模块,用于对待检测道路图像的感兴趣区域采用形态学重建的方式进行去噪处理,并得到一处理结果;
提取模块,用于提取所述处理结果中的车道线特征,并获取所述车道线特征的二值图像;
确认模块,用于通过对所述二值图像的处理及Blob分析,对所述待检测道路图像的车道线图像块进行确认;
其中,所述去噪模块包括:
第一去除模块,用于采用形态学重建的方式去除所述待检测道路图像感兴趣区域中的黑噪点,得到中间处理结果;
第二去除模块,用于采用形态学重建的方式去除所述中间处理结果中的白噪点,得到所述处理结果;
其中,所述第一去除模块包括:
第一输入模块,用于输入所述待检测道路图像的原图作为第一模板图像;
第一腐蚀操作模块,用于对所述第一模板图像进行腐蚀操作,得到所述原图的第一标记图像;
第一膨胀操作模块,用于对所述第一标记图像进行膨胀操作,得到第二标记图像;
第一取值模块,用于将所述第二标记图像与所述第一模板图像逐个像素点取最小值,得到第三标记图像;
第一计算模块,用于计算所述第三标记图像和所述第一标记图像的误差,得到第一计算结果;
第一判断模块,用于判断所述第一计算结果是否为零,在所述第一计算结果为零时,将所述第三标记图像记为所述中间处理结果;在所述第一计算结果不为零时,返回执行膨胀操作,直到所述第一计算结果为零,实现对待检测道路图像的黑噪点去除。
5.根据权利要求4所述的车道线检测装置,其特征在于,在所述第一计算结果不为零时,所述车道线检测装置还包括:
替换模块,用于用所述第三标记图像替换所述第一标记图像,并触发所述第一去除模块执行如下循环操作:
对所述第一标记图像进行膨胀操作,得到第二标记图像;
将所述第二标记图像与所述第一模板图像逐个像素点取最小值,得到第三标记图像;
计算所述第三标记图像和所述第一标记图像的误差,得到第一计算结果;
判断所述第一计算结果是否为零,在所述第一计算结果为零时,所述第三标记图像,记为所述中间处理结果。
6.根据权利要求4所述的车道线检测装置,其特征在于,所述第二去噪模块包括:
第二输入模块,用于输入所述中间结果作为第二原图,并对所述第二原图执行取反操作,得到第二模板图像;
第二腐蚀操作模块,用于对所述第二模板图像进行腐蚀操作,得到第四标记图像;
第二膨胀操作模块,用于对所述第四标记图像进行膨胀操作,得到第五标记图像;
第二取值模块,用于将所述第五标记图像与所述第二模板图像逐个像素点取最小值,得到第六标记图像;
第二计算模块,用于计算所述第六标记图像与所述第四标记图像的误差,并得到第二计算结果;
第二判断模块,用于判断所述第二计算结果是否为零,并在所述第二计算结果为零时,对所述第六标记图像执行取反操作,即为所述处理结果;
返回执行模块,用于在所述第二计算结果不为零时,用所述第六标记图像替换所述第四标记图像,并触发循环执行如下操作:
对所述第四标记图像进行膨胀操作,得到第五标记图像;
将所述第五标记图像与所述第二模板图像逐个像素点取最小值,得到第六标记图像;
计算所述第六标记图像与所述第四标记图像的误差,并得到第二计算结果;
判断所述第二计算结果是否为零,并在所述第二计算结果为零时,对所述第六标记图像执行取反操作,即为所述处理结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711160193.7A CN107862294B (zh) | 2017-11-21 | 2017-11-21 | 一种基于形态学重建的车道线检测方法与装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711160193.7A CN107862294B (zh) | 2017-11-21 | 2017-11-21 | 一种基于形态学重建的车道线检测方法与装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107862294A CN107862294A (zh) | 2018-03-30 |
CN107862294B true CN107862294B (zh) | 2021-05-18 |
Family
ID=61702218
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711160193.7A Active CN107862294B (zh) | 2017-11-21 | 2017-11-21 | 一种基于形态学重建的车道线检测方法与装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107862294B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111161090B (zh) * | 2019-11-26 | 2022-12-27 | 京东科技信息技术有限公司 | 圈养栏信息的确定方法、装置及系统、存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007141052A (ja) * | 2005-11-21 | 2007-06-07 | Toyota Motor Corp | 道路区画線検出装置 |
CN101916516A (zh) * | 2010-08-13 | 2010-12-15 | 深圳市豪恩汽车电子装备股份有限公司 | 一种车道偏移识别方法 |
CN105654064A (zh) * | 2016-01-25 | 2016-06-08 | 北京中科慧眼科技有限公司 | 车道线检测方法和装置及高级驾驶辅助系统 |
CN106778661A (zh) * | 2016-12-28 | 2017-05-31 | 深圳市美好幸福生活安全系统有限公司 | 一种基于形态学变换和自适应阈值的快速车道线检测方法 |
-
2017
- 2017-11-21 CN CN201711160193.7A patent/CN107862294B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007141052A (ja) * | 2005-11-21 | 2007-06-07 | Toyota Motor Corp | 道路区画線検出装置 |
CN101916516A (zh) * | 2010-08-13 | 2010-12-15 | 深圳市豪恩汽车电子装备股份有限公司 | 一种车道偏移识别方法 |
CN105654064A (zh) * | 2016-01-25 | 2016-06-08 | 北京中科慧眼科技有限公司 | 车道线检测方法和装置及高级驾驶辅助系统 |
CN106778661A (zh) * | 2016-12-28 | 2017-05-31 | 深圳市美好幸福生活安全系统有限公司 | 一种基于形态学变换和自适应阈值的快速车道线检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107862294A (zh) | 2018-03-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wu et al. | Lane-mark extraction for automobiles under complex conditions | |
CN111489337B (zh) | 一种自动光学检测伪缺陷去除方法及系统 | |
CN107844683B (zh) | 一种数字pcr液滴浓度的计算方法 | |
WO2017000466A1 (zh) | 一种基于光流法的运动目标跟踪方法及系统 | |
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 | |
Bedruz et al. | Real-time vehicle detection and tracking using a mean-shift based blob analysis and tracking approach | |
CN107909009B (zh) | 一种基于路面学习的障碍物检测方法与装置 | |
CN104615972B (zh) | 指针式仪表智能识别方法及其装置 | |
CN103093198A (zh) | 一种人群密度监测方法及装置 | |
Suddamalla et al. | A novel algorithm of lane detection addressing varied scenarios of curved and dashed lanemarks | |
CN113780110A (zh) | 一种图像序列中弱小目标实时检测方法及设备 | |
CN110599516A (zh) | 一种运动目标检测方法、装置、存储介质及终端设备 | |
CN111582126A (zh) | 基于多尺度行人轮廓分割融合的行人重识别方法 | |
Ghanta et al. | Automatic road surface defect detection from grayscale images | |
Shin et al. | Practical methods of image data preprocessing for enhancing the performance of deep learning based road crack detection | |
CN107862294B (zh) | 一种基于形态学重建的车道线检测方法与装置 | |
CN112330667B (zh) | 一种基于形态学的激光条纹中心线提取方法 | |
Tung-Ching | Segmentation of crack and open joint in sewer pipelines based on CCTV inspection images | |
Danilescu et al. | Road anomalies detection using basic morphological algorithms | |
CN108229327B (zh) | 一种基于背景重建的车道线检测方法、装置与系统 | |
CN111242051A (zh) | 一种车辆识别优化方法、装置及存储介质 | |
CN116030430A (zh) | 铁轨识别方法、装置、设备及存储介质 | |
Gu et al. | Robust road lane detection using extremal-region enhancement | |
CN112614094B (zh) | 基于序列状态编码的绝缘子串异常定位识别方法 | |
CN114359332A (zh) | 基于深度图像的目标跟踪方法、装置、设备和介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |