CN108009522A - 一种道路检测方法、装置及终端 - Google Patents
一种道路检测方法、装置及终端 Download PDFInfo
- Publication number
- CN108009522A CN108009522A CN201711397338.5A CN201711397338A CN108009522A CN 108009522 A CN108009522 A CN 108009522A CN 201711397338 A CN201711397338 A CN 201711397338A CN 108009522 A CN108009522 A CN 108009522A
- Authority
- CN
- China
- Prior art keywords
- value
- binaryzation
- road image
- characteristic value
- road
- 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.)
- Granted
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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
Abstract
本发明实施例提供了一种道路检测方法、装置及终端,所述方法包括:采集两帧道路图像,并分别确定两帧所述道路图像的灰度均值和二值化特征值;若两帧所述道路图像之间的灰度均值的差值小于第一预设阈值,根据上一帧道路图像的二值化特征值校正当前帧道路图像的二值化特征值;根据所述校正后的二值化特征值,对所述当前帧道路图像进行二值化处理,得到二值化道路图像并确定道路区域。根据本发明实施例,避免将道路背景区域识别为车道指示区域,提升了道路检测的准确率。
Description
技术领域
本发明涉及辅助驾驶技术领域,特别是涉及一种道路检测方法、装置及终端。
背景技术
目前,无人驾驶技术、辅助驾驶技术得到了广泛的应用,而无人驾驶技术、辅助驾驶技术的实现依赖于准确的道路检测结果。
在进行道路检测时,通常是通过车辆上的摄像头,针对车辆前方的道路,采集道路图像,并识别该道路图像中的斑马线、车道线,根据该斑马线、车道线,调整车辆在道路上的行车方向和行车速度。
在一个道路图像中,除了斑马线、车道线,还可能包含有大量的道路背景,例如,没有任何指示标识的道路、天空、树木、行车等。为了区分道路图像中的斑马线、车道线和道路背景,目前通常通过二值化处理,将道路图像处理成一个二值化图像,从而便于识别其中的斑马线、车道线。
然而,在将道路图像处理成二值化图像时,如果道路图像中所包含的道路背景较多时,可能会得到错误的二值化图像,针对错误的二值化图像进行识别,可能会将道路背景识别为斑马线或车道线,影响了道路检测的准确率。
因此,目前的道路检测方法存在着道路检测准确率较低的问题。
发明内容
鉴于上述问题,提出了本发明实施例以便提供克服上述问题或者至少部分地解决上述问题的一种道路检测方法、装置及终端。
为了解决上述问题,本发明实施例公开了一种道路检测方法,所述方法包括:
采集两帧道路图像,并分别确定两帧所述道路图像的灰度均值和二值化特征值;
若两帧所述道路图像之间的灰度均值的差值小于第一预设阈值,根据上一帧道路图像的二值化特征值校正当前帧道路图像的二值化特征值;
根据所述校正后的二值化特征值,对所述当前帧道路图像进行二值化处理,得到二值化道路图像并确定道路区域。
可选地,所述根据上一帧道路图像的二值化特征值校正当前帧道路图像的二值化特征值的步骤,包括:
根据所述上一帧道路图像的二值化特征值和所述当前帧道路图像的二值化特征值,确定第一权重值和第二权重值;
计算所述第一权重值和所述上一帧道路图像的二值化特征值的第一乘积,以及,计算所述第二权重值和所述当前帧道路图像的二值化特征值的第二乘积;
计算所述第一乘积和所述第二乘积之和,作为所述校正后的二值化特征值。
可选地,所述根据所述校正后的二值化特征值,对所述当前帧道路图像进行二值化处理的步骤,包括:
将所述当前帧道路图像的像素点的灰度值与所述校正后的二值化特征值进行比较;
将灰度值大于所述校正后的二值化特征值的像素点转换为高亮度像素点,以及,将灰度值小于所述校正后的二值化特征值的像素点转换为低亮度像素点。
可选地,所述道路区域包括车道指示区域和道路背景区域,至少两个像素点之间具有关联关系,所述确定道路区域的步骤,包括:
从所述二值化道路图像中,提取具有关联关系的高亮度像素点,作为所述车道指示区域;
从所述二值化道路图像中,提取具有关联关系的低亮度像素点,作为所述道路背景区域。
可选地,在所述根据上一帧道路图像的二值化特征值校正当前帧道路图像的二值化特征值的步骤之前,所述方法还包括:
选取至少一个像素点的灰度值作为候选二值化特征值,并根据所述候选二值化特征值确定第一像素点和第二像素点;
根据所述第一像素点和所述第二像素点的灰度值,确定灰度差平方值,并计算所述第一像素点和所述第二像素点在所述下一帧道路图像中的第一占比和第二占比;
当所述第一占比、所述第二占比和所述灰度差平方值的乘积大于第二预设阈值时,提取所述候选二值化特征值,作为所述当前帧道路图像的二值化特征值;
当所述第一占比、所述第二占比和所述灰度差平方值的乘积小于第二预设阈值时,返回所述选取至少一个像素点的灰度值作为候选二值化特征值的步骤。
可选地,所述当前帧道路图像具有对应的候选权重值,所述根据所述上一帧道路图像的二值化特征值和所述当前帧道路图像的二值化特征值,确定第一权重值和第二权重值的步骤,包括:
计算所述上一帧道路图像的二值化特征值和所述当前帧道路图像的二值化特征值的差值;
将计算的差值与预设的权重校正值的比值,作为权重值校正参数;
计算所述候选权重值和所述权重值校正参数的乘积,得到所述第二权重值;
计算预设的权重总和与所述第二权重值的差值,得到所述第一权重。
为了解决上述问题,本发明实施例还提供了一种道路检测装置,所述装置包括:
道路图像采集模块,用于采集两帧道路图像,并分别确定两帧所述道路图像的灰度均值和二值化特征值;
二值化特征值校正模块,用于若两帧所述道路图像之间的灰度均值的差值小于第一预设阈值,根据上一帧道路图像的二值化特征值校正当前帧道路图像的二值化特征值;
道路区域确定模块,用于根据所述校正后的二值化特征值,对所述当前帧道路图像进行二值化处理,得到二值化道路图像并确定道路区域。
可选地,所述二值化特征值校正模块,包括:
权重值确定子模块,用于根据所述上一帧道路图像的二值化特征值和所述当前帧道路图像的二值化特征值,确定第一权重值和第二权重值;
乘积计算子模块,用于计算所述第一权重值和所述上一帧道路图像的二值化特征值的第一乘积,以及,计算所述第二权重值和所述当前帧道路图像的二值化特征值的第二乘积;
校正二值化特征值计算子模块,用于计算所述第一乘积和所述第二乘积之和,作为所述校正后的二值化特征值。
可选地,所述当前帧道路图像包括像素点,每个像素点具有灰度值,所述道路区域确定模块,包括:
比较子模块,用于将所述像素点的灰度值与所述校正后的二值化特征值进行比较;
亮度转换子模块,用于将灰度值大于所述校正后的二值化特征值的像素点转换为高亮度像素点,以及,将灰度值小于所述校正后的二值化特征值的像素点转换为低亮度像素点。
可选地,所述道路区域包括车道指示区域和道路背景区域,至少两个像素点之间具有关联关系,所述道路区域确定模块,包括:
车道指示区域确定子模块,用于从所述二值化道路图像中,提取具有关联关系的高亮度像素点,作为所述车道指示区域;
道路背景区域确定子模块,用于从所述二值化道路图像中,提取具有关联关系的低亮度像素点,作为所述道路背景区域。
可选地,所述装置还包括:
候选二值化特征值选取模块,用于选取至少一个像素点的灰度值作为候选二值化特征值,并根据所述候选二值化特征值确定第一像素点和第二像素点;
占比计算模块,用于根据所述第一像素点和所述第二像素点的灰度值,确定灰度差平方值,并计算所述第一像素点和所述第二像素点在所述下一帧道路图像中的第一占比和第二占比;
二值化特征值确定模块,用于当所述第一占比、所述第二占比和所述灰度差平方值的乘积大于第二预设阈值时,提取所述候选二值化特征值,作为所述当前帧道路图像的二值化特征值;
返回模块,用于当所述第一占比、所述第二占比和所述灰度差平方值的乘积小于第二预设阈值时,返回所述选取至少一个像素点的灰度值作为候选二值化特征值的步骤。
可选地,所述当前帧道路图像具有对应的候选权重值,所述权重值确定子模块,包括:
差值计算单元,用于计算所述上一帧道路图像的二值化特征值和所述当前帧道路图像的二值化特征值的差值;
权重值校正参数计算单元,用于将计算的差值与预设的权重校正值的比值,作为权重值校正参数;
第二权重值计算单元,用于计算所述候选权重值和所述权重值校正参数的乘积,得到所述第二权重值;
第一权重值计算单元,用于计算预设的权重总和与所述第二权重值的差值,得到所述第一权重。
为了解决上述问题,本发明实施例还提供了一种道路检测终端,包括摄像装置、处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序;
所述摄像装置,用于采集两帧道路图像;
所述计算机程序被所述处理器执行时,实现上述任一所述的道路检测方法。
为了解决上述问题,本发明实施例还提供了一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时,实现上述任一所述的道路检测方法。
根据本发明实施例,通过在上下两帧道路图像的灰度均值的差值小于预设阈值时,采用上一帧道路图像的二值化特征值校正下一帧道路图像的二值化特征值,得到校正后的更准确的二值化特征值,根据更准确的二值化特征值对道路图像进行二值化处理以得到二值化道路图像时,可以准确地将道路区域中代表车道指示区域的像素点转换为高亮度像素点,从而,针对该二值化道路图像确定道路区域时,可以确定高亮度像素点为车道指示区域,避免将道路背景区域识别为车道指示区域,提升了道路检测的准确率。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例的描述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的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是现有技术中的一种道路图像的示意图;
图2是现有技术中的二值化图像的示意图;
图3是现有技术中的另一种道路图像的示意图;
图4是现有技术中的另一二值化图像的示意图;
图5是本发明实施例一提供的道路检测方法的流程图;
图6是本发明实施例二提供的道路检测方法的流程图;
图7是本发明实施例的一种校正后的二值化图像的示意图;
图8是本发明实施例三的一种道路检测装置的结构框图;
图9是本发明实施例四的一种道路检测装置的结构框图;
图10是本发明实施例五的一种道路检测终端的结构框图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
首先,为了便于本领域技术人员深入理解本发明的道路检测方法,以下将结合图1和图4的具体示例,首先说明现有技术的道路检测方法。
在现有技术的道路检测方法中,首先会通过车辆上的摄像头,针对前方采集一个初始图像,将初始图像的部分图像截取,作为道路图像,以减少图像中的无关信息。图1是现有技术中的一种道路图像的示意图,从图中可见,摄像头拍摄到一个初始图像,初始图像的上半部分包含有行车、建筑、树木等无关信息,因此,可以将初始图像的下半部分截取作为道路图像。道路图像中包含有道路区域,道路区域可以分为车道指示区域和道路背景区域。车道指示区域可以为斑马线等的可用于指示车道的区域,道路背景区域可以为没有任何指示标识的普通道路等的无法用于指示车道的区域。
其中,道路图像由多个像素点组成,每个像素点具有一定的灰度值。为了便于说明,将道路图像中各个像素点的灰度值,按照像素点在图像中的坐标进行列表展示,得到表1如下:
表1
第1列 | 第2列 | 第3列 | 第4列 | 第5列 |
20 | 181 | 43 | 192 | 36 |
30 | 200 | 27 | 201 | 56 |
50 | 215 | 65 | 213 | 53 |
55 | 193 | 52 | 197 | 55 |
其中,表1中的第2列和第4列像素点的灰度值为斑马线的灰度值,表1中的第1列、第3列和第5列像素点的灰度值为没有指示标识的普通道路的灰度值。从表中各列像素点的灰度值可见,斑马线相对于没有指示标识的普通道路,具有较高的灰度值。从而,可以基于灰度值之间的差异,对道路图像进行二值化处理。
在二值化处理中,需要根据各个像素点的灰度值,确定一个二值化特征值。基于表1中的多个灰度值,可以通过例如大津法(OTSU,最大类间方差法)等的自适应图像二值化算法,计算得到其二值化特征值为122.5。
针对灰度值大于二值化特征值的像素点,标记为1,针对灰度值小于二值化特征值的像素点,标记为0。针对表1的示例,按照二值化特征值为132.5,对表1中的各个灰度值进行标记,得到表2如下:
表2
第1列 | 第2列 | 第3列 | 第4列 | 第5列 |
0 | 1 | 0 | 1 | 0 |
0 | 1 | 0 | 1 | 0 |
0 | 1 | 0 | 1 | 0 |
0 | 1 | 0 | 1 | 0 |
从表2可见,对应于斑马线的第2列和第4列像素点,其灰度值均大于二值化特征值132.5,因此第2列和第4列的各个像素点均标记为1,对应于普通道路的第1列、第3列和第5列像素点,其灰度值均小于二值化特征值132.5,因此第1列、第3列和第5列的各个像素点被标记为0。
然后,可以根据表2对道路图像进行二值化处理。具体地,对被标记为1的像素点,转换为高亮度像素点;对被标记为0的像素点,转换为低亮度像素点。从而,得到一个仅由高亮度像素点和低亮度像素点组成的二值化图像。
图2是现有技术中的二值化图像的示意图。从图中可见,道路图像被处理为由高亮度像素点和低亮度像素点组成的图像,在识别道路区域时,可以提取高亮度像素点的边缘,将由边缘形成的区域内的高亮度像素点作为一个车道指示区域,而将低亮度像素点的区域,作为道路背景区域。
然而,在实际的应用中,现有技术的道路检测方法可能会将道路背景区域错误地识别为车道指示区域。图3是现有技术中的另一种道路图像的示意图。从图中可见,所得到的初始图像中,将初始图像的下半部分截取,作为道路图像。该道路图像中并没有包含有斑马线或车道线,基于图3中各个像素点的灰度值如下表3所示:
表3
其中,表3中的第1列至第5列像素点的灰度值,均为没有指示标识的普通道路的灰度值。根据表3中的各个灰度值,通过自适应图像二值化算法计算得到的二值化特征值为53。当根据该二值化特征值53,对各个灰度值进行标记,得到表4如下:
表4
第1列 | 第2列 | 第3列 | 第4列 | 第5列 |
0 | 1 | 0 | 0 | 0 |
0 | 1 | 0 | 0 | 1 |
0 | 0 | 1 | 1 | 0 |
0 | 0 | 1 | 0 | 0 |
从表4可见,对应于普通道路的部分像素点的灰度值大于二值化特征值53,因此错误地被标记为1。根据表4的标记对道路图像进行二值化处理,所得到的二值化图像如图4所示。从图中可见,对应于普通道路的部分像素点被转换为高亮度像素点,在识别道路区域时,则会将该部分高亮度像素点错误地识别为车道指示区域。
从上述具体示例可见,当道路图像包含有较少车道指示区域、甚至不包含有车道指示区域时,根据其灰度值计算所得到的二值化特征值并不准确,根据该二值化特征值,可能会错误地将部分的应该属于道路背景区域的像素点转换为高亮度像素点,从而得到错误的二值化图像。针对错误的二值化图像,则可能会将道路背景区域识别为车道指示区域,影响了识别准确率。严重情况下,可能会根据错误的车道指示区域对行车方向、速度进行错误的调整,造成交通事故。
实施例一
图5是本发明实施例一提供的道路检测方法的流程图,该方法可以具体包括以下步骤:
步骤110,采集两帧道路图像,并分别确定两帧所述道路图像的灰度均值和二值化特征值。
车辆上的摄像头可以拍摄连续多帧的道路图像,并逐一针对各帧道路图像进行道路检测。在本发明实施例中,可以从连续多帧的道路图像中,提取其中任意两帧道路图像,以便通过之前的某帧道路图像的二值化特征值,对当前一帧道路图像的二值化特征值进行校正。
具体实现中,针对两帧道路图像,可以将早于当前帧道路图像所采集的道路图像,命名为上一帧道路图像,相对地,对于当前采集到的道路图像,可以命名为当前帧道路图像。
针对上一帧道路图像,确定其灰度均值和二值化特征值。为了区分说明,将上一帧道路图像的灰度均值和二值化特征值,分别命名为第一灰度均值和第一二值化特征值。可以针对当前帧道路图像,确定其灰度均值和二值化特征值。为了区分说明,将下一帧道路图像的灰度均值和二值化特征值,分别命名为第二灰度均值和第二二值化特征值。
道路图像中可以由多个像素点组成,每个像素点具有一定的灰度值,针对一个道路图像中各个像素点的灰度值计算平均值,即可得到该道路图像的灰度均值。
此外,可以基于道路图像中各个像素点的灰度值,通过自适应图像二值化算法,计算二值化特征值。自适应图像二值化算法可以有多种,例如大津法。大津法可以根据多个灰度值,计算出一个二值化阈值,利用该二值化阈值,将图像分为前景和背景,当二值化阈值为最优时,图像的前景和背景的区别则可以达到最大,此时则可以将该二值化阈值,作为道路图像的二值化特征值。
当然,本领域技术人员也可以采用其他算法计算二值化特征值,本发明实施例对此不作限制。
需要说明的是,在实际应用中,在采集到某一帧道路图像时,即可针对该帧道路图像,进行灰度均值和二值化特征值的计算。
步骤120,若两帧所述道路图像之间的灰度均值的差值小于第一预设阈值,根据上一帧道路图像的二值化特征值校正当前帧道路图像的二值化特征值。
具体实现中,可以计算上一帧道路图像的第一灰度均值和下一帧道路图像的第二灰度均值之间的差值。
当计算得到第一灰度均值和第二灰度均值的差值,小于预设的第一预设阈值时,则采用上一帧道路图像的第一二值化特征值,对当前帧道路图像的第二二值化特征值进行校正,以便基于校正后的第二二值化特征值对道路图像进行二值化处理。
此外,当计算得到第一灰度均值和第二灰度均值的差值,大于第一预设阈值时,则可以不进行校正,直接采用第二二值化特征值,进行后续的二值化处理。
其中,校正的方式可以有多种,例如,分别对第一二值化特征值和第二二值化特征值配置第一权重和第二权重,将二值化特征值与所配置权重的乘积之和,作为校正后的二值化特征值。
需要说明的是,当上一帧道路图像和当前帧道路图像之间的灰度均值的差值小于第一预设阈值时,说明连续两帧道路图像之间比较相似,此时,上一帧道路图像的二值化特征值,则具有较大的参考意义,可以采用上一帧道路图像的二值化特征值,对当前帧道路图像的二值化特征值进行校正。
在应用实例中,如果两帧道路图像之间的灰度均值比较接近,当上一帧道路图像中没有包含有斑马线、车道线,当前帧道路图像中包含有斑马线、车道线的可能性则较低。
因此,本发明实施例通过比较灰度均值的方式,基于上下两帧道路图像的灰度均值的比较,以在图像之间相似的情况下,利用上下两帧道路图像之间的二值化特征值之间的连续性,采用上一帧道路图像的二值化特征值,对当前帧道路图像的二值化特征值进行校正,得到更为准确的二值化特征值,基于更准确的二值化特征值对道路图像进行二值化处理,所得到的二值化图像中,可以更准确地反映道路图像的实际情况从而可以避免将道路背景区域识别为车道指示区域。
步骤130,根据所述校正后的二值化特征值,对所述当前帧道路图像进行二值化处理,得到二值化道路图像并确定道路区域。
具体实现中,可以基于校正后的二值化特征值,对当前帧图像进行二值化处理。例如,灰度值大于校正后的二值化特征值的像素点,转换为高亮度像素点,将灰度值小于校正后的二值化特征值的像素点,转换为低亮度像素点,得到二值化图像。在该二值化图像中,由高亮度像素点和低亮度像素点组成,简化了图像的组成元素,便于区分车道指示区域和道路背景区域。
道路区域可以包括车道指示区域,如斑马线、车道线,还可以包括无法用于指示车道的道路背景区域,如行车、建筑、树木、没有指示标识的普通道路等。在确定道路区域时,可以将二值化道路图像中多个高亮度像素点,提取作为车道指示区域,将多个低亮度像素点,提取作为道路背景区域。
在实际应用中,可以首先确定二值化道路图像中高亮度像素点与低亮度像素点之间分界线,作为一个高亮度像素点集合的边缘,针对边缘内的高亮度像素点集合进行线段检测,将检测到的线段作为一个车道指示区域。同时,将所有的低亮度像素点作为道路背景区域。
从本发明实施例提供的道路检测方法可见,相对于现有技术中仅针对当前的单帧道路图像计算二值化特征值、基于该二值化特征值获取二值化图像并进行图像识别的道路检测方法,本发明实施例通过连续帧的道路图像的二值化特征值的连续性,对道路图像的二值化特征值进行校正,得到更为准确的二值化特征值,基于更为准确的二值化特征值获取二值化图像,并基于该二值化图像确定道路区域,从而改善了道路检测的准确率。
根据本发明实施例,通过在上下两帧道路图像的灰度均值的差值小于预设阈值时,采用上一帧道路图像的二值化特征值校正下一帧道路图像的二值化特征值,得到校正后的更准确的二值化特征值,根据更准确的二值化特征值对道路图像进行二值化处理以得到二值化道路图像时,可以准确地将道路区域中代表车道指示区域的像素点转换为高亮度像素点,从而,针对该二值化道路图像确定道路区域时,可以确定高亮度像素点为车道指示区域,避免将道路背景区域识别为车道指示区域,提升了道路检测的准确率。
实施例二
图6是本发明实施例二提供的道路检测方法的流程图,该方法可以具体包括以下步骤:
步骤210,采集两帧道路图像,并分别确定两帧所述道路图像的灰度均值和二值化特征值。
实际应用中,可以针对连续时间的相邻两帧道路图像进行二值化特征值的校正。由于相邻两帧道路图像在时间上具有连续性,道路图像的变化较小,上一帧的道路图像的二值化特征值对于下一帧道路图像的参考意义更大,由此可以进一步提升道路检测的准确性。
此外,还可以针对采集到的道路图像进行预处理,例如通过高斯滤波,以过滤图像中噪音数据,提高图像的平滑度。
实际应用中,可以计算道路图像中多个像素点的灰度值的平均值,作为上述的灰度均值。
可选地,所述方法可以还包括:
选取至少一个像素点的灰度值作为候选二值化特征值,并根据所述候选二值化特征值确定第一像素点和第二像素点;
根据所述第一像素点和所述第二像素点的灰度值,确定灰度差平方值,并计算所述第一像素点和所述第二像素点在所述下一帧道路图像中的第一占比和第二占比;
当所述第一占比、所述第二占比和所述灰度差平方值的乘积大于第二预设阈值时,提取所述候选二值化特征值,作为所述当前帧道路图像的二值化特征值;
当所述第一占比、所述第二占比和所述灰度差平方值的乘积小于第二预设阈值时,返回所述选取至少一个像素点的灰度值作为候选二值化特征值的步骤。
具体实现中,在计算道路图像的二值化特征值时,可以首先选取道路图像中的至少一个像素点,提取其灰度值,作为一个候选二值化特征值。然后,针对道路图像中各个像素点,将灰度值大于该候选二值化特征值的像素点,标记为第一像素点,而灰度值小于该候选二值化特征值的像素点,标记为第二像素点。从而,得到多个第一像素点和多个第二像素点。
在确定第一像素点和第二像素点之后,可以计算多个第一像素点的灰度值的平均值,作为第三灰度均值,以及,计算多个第二像素点的灰度值的平均值,作为第四灰度均值。然后,可以计算第三灰度均值和第四灰度均值的差值,将差值的平方作为灰度差平方值。
在确定第一像素点和第二像素点之后,还可以统计多个第一像素点在道路图像中的占比,作为上述的第一占比,统计多个第二像素点在道路图像中的占比,作为上述的第二占比。
在计算得到灰度差平方值、第一占比和第二占比之后,可以将三者相乘,将相乘所得到的乘积与第二预设阈值进行比较,当乘积大于第二预设阈值时,则可以将候选二值化特征值,作为第二二值化特征值;当乘积小于第二预设阈值时,则可以重选选取另外一个像素点的灰度值,作为下一个候选二值化特征值,并进行下一轮的计算。
在实际应用中,也可以选取多个像素点的灰度值,作为多个候选二值化特征值,针对多个候选二值化特征值,计算出多个灰度差平方值、第一占比和第二占比的乘积,选取乘积数值最大的候选二值化特征值,作为第二二值化特征值。
步骤220,若两帧所述道路图像之间的灰度均值的差值小于第一预设阈值,根据上一帧道路图像的二值化特征值校正当前帧道路图像的二值化特征值。
可选地,所述根据上一帧道路图像的二值化特征值校正当前帧道路图像的二值化特征值的步骤,可以具体包括:
根据所述上一帧道路图像的二值化特征值和所述当前帧道路图像的二值化特征值,确定第一权重值和第二权重值;
计算所述第一权重值和所述上一帧道路图像的二值化特征值的第一乘积,以及,计算所述第二权重值和所述当前帧道路图像的二值化特征值的第二乘积;
计算所述第一乘积和所述第二乘积之和,作为所述校正后的二值化特征值。
具体实现中,可以通过配置权重的方式进行二值化特征值的校正。更具体地,可以根据上一帧道路图像的第一二值化特征值和当前帧道路图像的第二二值化特征值,确定第一权重值和第二权重值,将第一权重值与第一二值化特征值相乘,得到第一乘积,将第二权重值与第二二值化特征值相乘,得到第二乘积。然后,计算第一乘积和第二乘积之和,以得到校正后的二值化特征值。
在实际应用中,可以通过以下公式计算二值化特征值:
tht.new=tht,|μt-μt-1|≥g;
tht.new=λ*tht+(1-λ)tht-1.new,|μt-μt-1|<g;
其中,t=(1,2,3......),tht为第t帧道路图像未校正的二值化特征值,tht.new为第t帧道路图像校正后的二值化特征值,μt为第t帧道路图像的灰度均值,g为第一预设阈值,λ为介于[0,1]的权重值。
从上述计算公式中可见,若第t-1帧道路图像的灰度均值μt-1与当第t帧道路图像的灰度均值μt的差值小于g,即,上下两帧道路图像较为相似的情况下,利用上一帧道路图像的第一二值化特征值tht-1.new,对下一帧道路图像的第二二值化特征值tht进行校正,得到校正后的二值化特征值tht.new。
从上述计算公式中还可见,校正后的二值化特征值tht.new受到前面连续帧的道路图像的二值化特征值tht-1.new的影响,并且根据上述公式可以推导出λ`=λ(1-λ)t-t`,其中,t≥t`≥1,由此可见,随着时间的推移,越早期的道路图像的二值化特征值tht-1.new对当前帧道路图像的二值化特征值的影响越小。
针对上述公式的实际应用,还可以设定一个帧数阈值作为是否校正二值化特征值的判断条件,具体可以如下所示:
tht.new=tht,0<t<n or|μt-μt-1|≥g;
tht.new=λ*tht+(1-λ)tht-1.new,t≥n>0and|μt-μt-1|<g;
其中,n为预设的帧数阈值。通过增加一个帧数阈值,在达到一定帧数后、且第t-1帧道路图像的灰度均值μt-1与当第t帧道路图像的灰度均值μt的差值小于g时,才会进行二值化特征值的校正,避免针对缺乏参考价值的初始几帧道路图像进行二值化特征值的校正。
可选地,所述当前帧道路图像具有对应的候选权重值,所述根据所述上一帧道路图像的二值化特征值和所述当前帧道路图像的二值化特征值,确定第一权重值和第二权重值的步骤,可以进一步包括:
计算所述上一帧道路图像的二值化特征值和所述当前帧道路图像的二值化特征值的差值;
将计算的差值与预设的权重校正值的比值,作为权重值校正参数;
计算所述候选权重值和所述权重值校正参数的乘积,得到所述第二权重值;
计算预设的权重总和与所述第二权重值的差值,得到所述第一权重。
实际应用中,可以根据具体应用场景中的光线和道路色调变化的快慢进行设定权重λ。当色调变化较大的情况下,权重λ越大,反之则越小。更具体地,可以通过以下公式进行计算:
λ`=λ|tht-tht-1.new|/μ0;
其中,λ为预设的候选权重值,μ0为预设的权重校正值。从上述公式可见,通过计算下一帧道路图像的第二二值化特征值tht与上一帧道路图像的第一二值化特征值tht-1.new的差值,将该差值与预设的权重校正值的比值,作为权重值校正参数,并计算权重值校正参数与候选权重值λ的乘积,即可得到λ`,作为上述的第二权重值。权重总和可以设定为1,由此,第一权重值为(1-λ`)。从而,得到了校正后的第一权重值和第二权重值。
步骤230,根据所述校正后的二值化特征值,对所述当前帧道路图像进行二值化处理,得到二值化道路图像并确定道路区域。
可选地,所述当前帧道路图像包括像素点,每个像素点具有灰度值,所述根据所述校正后的二值化特征值,对所述当前帧道路图像进行二值化处理的步骤,可以具体包括:
步骤231,将所述像素点的灰度值与所述校正后的二值化特征值进行比较;
步骤232,将灰度值大于所述校正后的二值化特征值的像素点转换为高亮度像素点,以及,将灰度值小于所述校正后的二值化特征值的像素点转换为低亮度像素点。
具体实现中,可以针对多个像素点,分别将其灰度值与校正后的二值化特征值进行比较。对于灰度值大于校正后的二值化特征值的像素点,则增加其像素亮度,转换成高亮度像素点;对于灰度值小于校正后的二值化特征值的像素点,则降低其像素亮度,转换成低亮度像素点。由此,将道路图像处理成由高亮度像素点和低亮度像素点组成的二值化道路图像。
可选地,所述道路区域包括车道指示区域和道路背景区域,至少两个像素点之间具有关联关系,所述确定道路区域的步骤,可以具体包括:
步骤233,从所述二值化道路图像中,提取具有关联关系的高亮度像素点,作为所述车道指示区域;
步骤234,从所述二值化道路图像中,提取具有关联关系的低亮度像素点,作为所述道路背景区域。
具体实现中,可以将关联的多个高亮度像素点提取作为一个高亮度像素点集合,并将该高亮度像素点集合作为一个车道指示区域,该车道指示区域可以包括斑马线、车道线等可用于指示车道方向、车道类型等的信息。此外,还可以将关联的多个低亮度像素点,提取作为低亮度像素点集合,并将该低亮度像素点集合作为一个道路背景区域。
在实际应用中,可以对二值化道路图像中各个高亮度像素点集合,确定各个高亮度像素点集合的边缘,并通过霍夫变换(Hough Transform)的方式,对边缘区域进行线段识别,将识别到的线段识别为车道指示区域。其中,霍夫变换是图像处理中的一种特征提取技术,它通过一种投票算法检测具有特定形状的对象。
为了便于本领域技术人员理解本发明实施例,以下将以具体应用示例进行说明。
假设第t-1帧道路图像中各个像素点的灰度值如下表5:
表5
第1列 | 第2列 | 第3列 | 第4列 | 第5列 |
52 | 48 | 43 | 54 | 36 |
50 | 57 | 53 | 49 | 56 |
50 | 62 | 63 | 61 | 53 |
55 | 44 | 52 | 49 | 55 |
其中,表5中的第1列至第5列像素点的灰度值,均为没有指示标识的普通道路的灰度值。根据表5的多个灰度值,可以计算得到其第一灰度均值μt-1为52.2,以及,计算得到其第一二值化特征值tht-1.new为72。
假设第t帧道路图像中各个像素点的灰度值如下表6:
表6
第1列 | 第2列 | 第3列 | 第4列 | 第5列 |
45 | 74 | 36 | 48 | 38 |
35 | 69 | 39 | 39 | 70 |
31 | 23 | 59 | 72 | 40 |
46 | 42 | 70 | 48 | 22 |
其中,表6中的第1列至第5列像素点的灰度值,均为没有指示标识的普通道路的灰度值。根据表6的多个灰度值,可以计算得到其第二灰度均值μt为46.2,以及,计算得到其第二二值化特征值tht为53。计算第一灰度均值52.1与第二灰度均值46.2的差值为6。假设预设阈值g为50,|46.2-52.2|<50,则可以采用tht-1.new校正tht。更具体地,假设计算得到校正后的λ为0.1,校正后的二值化特征值tht.new=λ*tht+(1-λ)tht-1.new=0.1*53+0.9*72=72。根据校正后的二值化特征值,对各个灰度值进行标记,得到表7如下:
表7
第1列 | 第2列 | 第3列 | 第4列 | 第5列 |
0 | 1 | 0 | 0 | 0 |
0 | 0 | 0 | 0 | 0 |
0 | 0 | 0 | 0 | 0 |
0 | 0 | 0 | 0 | 0 |
从表7可见,针对于普通道路的大部分像素点,其灰度值小于校正后二值化特征值72,相应地被标记为0,并没有被错误地标记为1。根据表7的标记对道路图像进行二值化处理,所得到的二值化图像如图7所示。从图中可见,相对于图5所示的现有技术的二值化图像,通过本发明实施例基于校正的二值化特征值获取二值化图像,避免了将大量的属于普通道路的像素点转换为高亮度像素点,在针对二值化图像进行识别时,不会将道路背景区域识别为车道指示区域。
可选地,当所述第一灰度均值和所述第二灰度均值的差值大于所述第一预设阈值时,采用所述第二二值化特征值,对所述下一帧道路图像进行二值化处理,得到未校正二值化道路图像,确定所述未校正二值化道路图像中的道路区域。
具体实现中,当上一帧道路图像的第一灰度均值与当前帧道路图像的第二灰度均值差值较大时,表明上一帧的道路图像不具有参考价值,因此,无须采用其第一二值化特征值,对第二二值化特征值进行校正,而直接采用第二二值化特征值对道路图像进行二值化处理,并基于所得到的二值化道路图像确定道路区域。
根据本发明实施例,在上一帧道路图像的灰度均值与当前帧道路图像的灰度均值差值较大的情况下,不采用上一帧道路图像的二值化特征值对当前帧道路图像的二值化特征值进行校正,避免得到错误的二值化图像,进一步提升了道路检测的准确率。
在实际应用中,针对所得到的二值化道路图像,可以对图像进行初步识别,识别其是否包含有车道指示区域或者车道指示区域的区域是否足够大,如果已经识别出不包含有任何车道指示区域或者车道指示区域的区域过小,在这种情况下,较难准确识别出有效的斑马线、车道线等车道指示区域,因此可以无须进一步对图像进行车道指示区域的识别。
可选地,所述二值化道路图像具有对应的行车方向,所述方法可以还包括:
针对所述二值化道路图像中的车道指示区域,获取车道方向;
比较所述车道方向和所述二值化道路图像对应的行车方向;
若所述车道方向和所述行车方向存在差异,生成偏离道路预警提示;所述偏离道路预警信息用于调整车辆的行车方向。
具体实现中,当从二值化道路图像中识别出车道指示区域,可以根据该车道指示区域对车辆所处的道路进行判别和定位,以调整行车方向。更具体地,二值化道路图像可以具有一个用于指示当前行车方向的指示线,该指示线可以与行车方向平行,即二值化道路图像具有对应的行车方向。
在二值化道路图像中,识别出的斑马线、车道线虽然具有一定程度的倾斜,但其在实际坐标中是相互平行的,因此,可以通过经验值计算出斑马线、车道线等车道指示区域所指向的方向,作为车道方向。当行车方向与车道方向之间存在一定角度,即,当前的行车方向偏离了车道方向,因此可以判定车道方向和行车方向存在差异。相应地,可以生成偏离道路预警提示,以提示司机调整车辆的行车方向,或者,将该预警提示发送至车辆的无人驾驶系统,通知其对车辆的行车方向进行调整。
可选地,所述车道指示区域具有多个,所述方法可以还包括:
获取多个车道指示区域在所述二值化道路图像中的分布密度;
当所述分布密度大于第三预设阈值时,生成车辆慢行预警提示;所述车辆慢行预警提示用于降低车辆的行车速度。
具体实现中,如果二值化道路图像中包含多个车道指示区域,而且该多个车道指示区域在图像中的分布密度大于预设阈值,表明当前的图像中包含有斑马线,因此可以相应地生成车辆慢行预警提示,以提示司机降低车辆的行车速度,或者,将该预警提示发送至车辆的无人驾驶系统,通知其降低车辆的行车速度。
需要说明的是,对于方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明实施例并不受所描述的动作顺序的限制,因为依据本发明实施例,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于实施例,所涉及的动作并不一定是本发明实施例所必须的。
实施例三
图8是本发明实施例三的一种道路检测装置的结构框图,所述道路检测装置300具体可以包括如下模块:
道路图像采集模块310,用于采集两帧道路图像,并分别确定两帧所述道路图像的灰度均值和二值化特征值;
二值化特征值校正模块320,用于若两帧所述道路图像之间的灰度均值的差值小于第一预设阈值,根据上一帧道路图像的二值化特征值校正当前帧道路图像的二值化特征值;
道路区域确定模块330,用于根据所述校正后的二值化特征值,对所述当前帧道路图像进行二值化处理,得到二值化道路图像并确定道路区域。
根据本发明实施例,通过在上下两帧道路图像的灰度均值的差值小于预设阈值时,采用上一帧道路图像的二值化特征值校正下一帧道路图像的二值化特征值,得到校正后的更准确的二值化特征值,根据更准确的二值化特征值对道路图像进行二值化处理以得到二值化道路图像时,可以准确地将道路区域中代表车道指示区域的像素点转换为高亮度像素点,从而,针对该二值化道路图像确定道路区域时,可以确定高亮度像素点为车道指示区域,避免将道路背景区域识别为车道指示区域,提升了道路检测的准确率。
实施例四
图9是本发明实施例四的一种道路检测装置的结构框图,所述道路检测装置400具体可以包括如下模块:
道路图像采集模块410,用于采集两帧道路图像,并分别确定两帧所述道路图像的灰度均值和二值化特征值;
二值化特征值校正模块420,用于若两帧所述道路图像之间的灰度均值的差值小于第一预设阈值,根据上一帧道路图像的二值化特征值校正当前帧道路图像的二值化特征值;
道路区域确定模块430,用于根据所述校正后的二值化特征值,对所述当前帧道路图像进行二值化处理,得到二值化道路图像并确定道路区域。
可选地,所述二值化特征值校正模块420,包括:
权重值确定子模块,用于根据所述上一帧道路图像的二值化特征值和所述当前帧道路图像的二值化特征值,确定第一权重值和第二权重值;
乘积计算子模块,用于计算所述第一权重值和所述上一帧道路图像的二值化特征值的第一乘积,以及,计算所述第二权重值和所述当前帧道路图像的二值化特征值的第二乘积;
校正二值化特征值计算子模块,用于计算所述第一乘积和所述第二乘积之和,作为所述校正后的二值化特征值。
可选地,所述当前帧道路图像包括像素点,每个像素点具有灰度值,所述道路区域确定模块430,包括:
比较子模块431,用于将所述像素点的灰度值与所述校正后的二值化特征值进行比较;
亮度转换子模块432,用于将灰度值大于所述校正后的二值化特征值的像素点转换为高亮度像素点,以及,将灰度值小于所述校正后的二值化特征值的像素点转换为低亮度像素点。
可选地,所述道路区域包括车道指示区域和道路背景区域,至少两个像素点之间具有关联关系,所述道路区域确定模块430,包括:
车道指示区域确定子模块433,用于从所述二值化道路图像中,提取具有关联关系的高亮度像素点,作为所述车道指示区域;
道路背景区域确定子模块434,用于从所述二值化道路图像中,提取具有关联关系的低亮度像素点,作为所述道路背景区域。
可选地,所述装置还包括:
候选二值化特征值选取模块,用于选取至少一个像素点的灰度值作为候选二值化特征值,并根据所述候选二值化特征值确定第一像素点和第二像素点;
占比计算模块,用于根据所述第一像素点和所述第二像素点的灰度值,确定灰度差平方值,并计算所述第一像素点和所述第二像素点在所述下一帧道路图像中的第一占比和第二占比;
二值化特征值确定模块,用于当所述第一占比、所述第二占比和所述灰度差平方值的乘积大于第二预设阈值时,提取所述候选二值化特征值,作为所述当前帧道路图像的二值化特征值;
返回模块,用于当所述第一占比、所述第二占比和所述灰度差平方值的乘积小于第二预设阈值时,返回所述选取至少一个像素点的灰度值作为候选二值化特征值的步骤。
可选地,所述当前帧道路图像具有对应的候选权重值,所述权重值确定子模块,包括:
差值计算单元,用于计算所述上一帧道路图像的二值化特征值和所述当前帧道路图像的二值化特征值的差值;
权重值校正参数计算单元,用于将计算的差值与预设的权重校正值的比值,作为权重值校正参数;
第二权重值计算单元,用于计算所述候选权重值和所述权重值校正参数的乘积,得到所述第二权重值;
第一权重值计算单元,用于计算预设的权重总和与所述第二权重值的差值,得到所述第一权重。
实施例五
图10是本发明实施例五的一种道路检测终端的结构框图,所述道路检测终端500,可以包括摄像装置510、处理器520、存储器530及存储在所述存储器530上并可在所述处理器520上运行的计算机程序,所述摄像装置510,用于采集两帧道路图像;
所述计算机程序被所述处理器520执行时,可以实现上述任一所述一种道路检测方法的步骤。
其中,摄像装置510可以包括摄像头等的用于采集图像的装置,处理器520是终端的控制中心,利用各种接口和线路连接整个终端的各个部分,通过运行或执行存储在存储器530内的软件程序和/或模块,以及调用存储在存储器530内的数据,执行终端的各种功能和处理数据。此外,存储器530可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
在本发明实施例中,处理器520可以根据存储器530中所存储的计算机程序,对摄像装置510采集到的图像进行上述的确定灰度均值和二值化特征值、对图像进行二值化处理、确定道路区域等一系列处理。存储器530还可以将处理过程中产生的灰度均值、二值化特征值、二值化道路图像等中间数据进行存储。
实施例六
本发明实施例六提供了一种计算机可读存储介质,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时,实现上述任一所述一种道路检测方法步骤:
本发明实施例还提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述道路检测方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
其中,所述的计算机可读存储介质,如只读存储器(Read-Only Memory,简称ROM)、随机存取存储器(Random Access Memory,简称RAM)、磁碟或者光盘等。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
尽管已描述了本发明实施例的实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括实施例以及落入本发明实施例范围的所有变更和修改。
Claims (14)
1.一种道路检测方法,其特征在于,所述方法包括:
采集两帧道路图像,并分别确定两帧所述道路图像的灰度均值和二值化特征值;
若两帧所述道路图像之间的灰度均值的差值小于第一预设阈值,根据上一帧道路图像的二值化特征值校正当前帧道路图像的二值化特征值;
根据所述校正后的二值化特征值,对所述当前帧道路图像进行二值化处理,得到二值化道路图像并确定道路区域。
2.根据权利要求1所述的方法,其特征在于,所述根据上一帧道路图像的二值化特征值校正当前帧道路图像的二值化特征值的步骤,包括:
根据所述上一帧道路图像的二值化特征值和所述当前帧道路图像的二值化特征值,确定第一权重值和第二权重值;
计算所述第一权重值和所述上一帧道路图像的二值化特征值的第一乘积,以及,计算所述第二权重值和所述当前帧道路图像的二值化特征值的第二乘积;
计算所述第一乘积和所述第二乘积之和,作为所述校正后的二值化特征值。
3.根据权利要求1所述的方法,其特征在于,所述根据所述校正后的二值化特征值,对所述当前帧道路图像进行二值化处理的步骤,包括:
将所述当前帧道路图像的像素点的灰度值与所述校正后的二值化特征值进行比较;
将灰度值大于所述校正后的二值化特征值的像素点转换为高亮度像素点,以及,将灰度值小于所述校正后的二值化特征值的像素点转换为低亮度像素点。
4.根据权利要求3所述的方法,其特征在于,所述道路区域包括车道指示区域和道路背景区域,至少两个像素点之间具有关联关系,所述确定道路区域的步骤,包括:
从所述二值化道路图像中,提取具有关联关系的高亮度像素点,作为所述车道指示区域;
从所述二值化道路图像中,提取具有关联关系的低亮度像素点,作为所述道路背景区域。
5.根据权利要求3所述的方法,其特征在于,在所述根据上一帧道路图像的二值化特征值校正当前帧道路图像的二值化特征值的步骤之前,所述方法还包括:
选取至少一个像素点的灰度值作为候选二值化特征值,并根据所述候选二值化特征值确定第一像素点和第二像素点;
根据所述第一像素点和所述第二像素点的灰度值,确定灰度差平方值,并计算所述第一像素点和所述第二像素点在所述下一帧道路图像中的第一占比和第二占比;
当所述第一占比、所述第二占比和所述灰度差平方值的乘积大于第二预设阈值时,提取所述候选二值化特征值,作为所述当前帧道路图像的二值化特征值;
当所述第一占比、所述第二占比和所述灰度差平方值的乘积小于第二预设阈值时,返回所述选取至少一个像素点的灰度值作为候选二值化特征值的步骤。
6.根据权利要求2所述的方法,其特征在于,所述当前帧道路图像具有对应的候选权重值,所述根据所述上一帧道路图像的二值化特征值和所述当前帧道路图像的二值化特征值,确定第一权重值和第二权重值的步骤,包括:
计算所述上一帧道路图像的二值化特征值和所述当前帧道路图像的二值化特征值的差值;
将计算的差值与预设的权重校正值的比值,作为权重值校正参数;
计算所述候选权重值和所述权重值校正参数的乘积,得到所述第二权重值;
计算预设的权重总和与所述第二权重值的差值,得到所述第一权重。
7.一种道路检测装置,其特征在于,所述装置包括:
道路图像采集模块,用于采集两帧道路图像,并分别确定两帧所述道路图像的灰度均值和二值化特征值;
二值化特征值校正模块,用于若两帧所述道路图像之间的灰度均值的差值小于第一预设阈值,根据上一帧道路图像的二值化特征值校正当前帧道路图像的二值化特征值;
道路区域确定模块,用于根据所述校正后的二值化特征值,对所述当前帧道路图像进行二值化处理,得到二值化道路图像并确定道路区域。
8.根据权利要求7所述的装置,其特征在于,所述二值化特征值校正模块,包括:
权重值确定子模块,用于根据所述上一帧道路图像的二值化特征值和所述当前帧道路图像的二值化特征值,确定第一权重值和第二权重值;
乘积计算子模块,用于计算所述第一权重值和所述上一帧道路图像的二值化特征值的第一乘积,以及,计算所述第二权重值和所述当前帧道路图像的二值化特征值的第二乘积;
校正二值化特征值计算子模块,用于计算所述第一乘积和所述第二乘积之和,作为所述校正后的二值化特征值。
9.根据权利要求7所述的装置,其特征在于,所述当前帧道路图像包括像素点,每个像素点具有灰度值,所述道路区域确定模块,包括:
比较子模块,用于将所述像素点的灰度值与所述校正后的二值化特征值进行比较;
亮度转换子模块,用于将灰度值大于所述校正后的二值化特征值的像素点转换为高亮度像素点,以及,将灰度值小于所述校正后的二值化特征值的像素点转换为低亮度像素点。
10.根据权利要求9所述的方法,其特征在于,所述道路区域包括车道指示区域和道路背景区域,至少两个像素点之间具有关联关系,所述道路区域确定模块,包括:
车道指示区域确定子模块,用于从所述二值化道路图像中,提取具有关联关系的高亮度像素点,作为所述车道指示区域;
道路背景区域确定子模块,用于从所述二值化道路图像中,提取具有关联关系的低亮度像素点,作为所述道路背景区域。
11.根据权利要求9所述的装置,其特征在于,所述装置还包括:
候选二值化特征值选取模块,用于选取至少一个像素点的灰度值作为候选二值化特征值,并根据所述候选二值化特征值确定第一像素点和第二像素点;
占比计算模块,用于根据所述第一像素点和所述第二像素点的灰度值,确定灰度差平方值,并计算所述第一像素点和所述第二像素点在所述下一帧道路图像中的第一占比和第二占比;
二值化特征值确定模块,用于当所述第一占比、所述第二占比和所述灰度差平方值的乘积大于第二预设阈值时,提取所述候选二值化特征值,作为所述当前帧道路图像的二值化特征值;
返回模块,用于当所述第一占比、所述第二占比和所述灰度差平方值的乘积小于第二预设阈值时,返回所述选取至少一个像素点的灰度值作为候选二值化特征值的步骤。
12.根据权利要求8所述的装置,其特征在于,所述当前帧道路图像具有对应的候选权重值,所述权重值确定子模块,包括:
差值计算单元,用于计算所述上一帧道路图像的二值化特征值和所述当前帧道路图像的二值化特征值的差值;
权重值校正参数计算单元,用于将计算的差值与预设的权重校正值的比值,作为权重值校正参数;
第二权重值计算单元,用于计算所述候选权重值和所述权重值校正参数的乘积,得到所述第二权重值;
第一权重值计算单元,用于计算预设的权重总和与所述第二权重值的差值,得到所述第一权重。
13.一种道路检测终端,其特征在于,包括摄像装置、处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序;
所述摄像装置,用于采集两帧道路图像;
所述计算机程序被所述处理器执行时,实现上述权利要求1-6任一所述的道路检测方法。
14.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时,实现上述权利要求1-6任一所述的道路检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711397338.5A CN108009522B (zh) | 2017-12-21 | 2017-12-21 | 一种道路检测方法、装置及终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711397338.5A CN108009522B (zh) | 2017-12-21 | 2017-12-21 | 一种道路检测方法、装置及终端 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108009522A true CN108009522A (zh) | 2018-05-08 |
CN108009522B CN108009522B (zh) | 2020-11-03 |
Family
ID=62060522
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711397338.5A Active CN108009522B (zh) | 2017-12-21 | 2017-12-21 | 一种道路检测方法、装置及终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108009522B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109145930A (zh) * | 2018-08-23 | 2019-01-04 | 陕西师范大学 | 一种基于半监督的图像显著性检测方法 |
CN110472472A (zh) * | 2019-05-30 | 2019-11-19 | 北京市遥感信息研究所 | 基于sar遥感图像的机场检测方法与装置 |
CN111091066A (zh) * | 2019-11-25 | 2020-05-01 | 重庆工程职业技术学院 | 一种自动驾驶汽车地面状态评定方法及系统 |
CN111160215A (zh) * | 2019-12-25 | 2020-05-15 | Tcl华星光电技术有限公司 | 图像标识提取装置、图像标识的亮度调节方法、装置 |
CN112542163A (zh) * | 2019-09-04 | 2021-03-23 | 百度在线网络技术(北京)有限公司 | 智能语音交互方法、设备及存储介质 |
CN112801112A (zh) * | 2021-01-29 | 2021-05-14 | 厦门树冠科技有限公司 | 一种图像二值化处理方法、装置、介质及设备 |
CN113721625A (zh) * | 2021-08-31 | 2021-11-30 | 平安科技(深圳)有限公司 | Agv控制方法、装置、设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102201054A (zh) * | 2011-01-07 | 2011-09-28 | 南京理工大学 | 一种基于鲁棒统计的行道线检测方法 |
CN104063869A (zh) * | 2014-06-27 | 2014-09-24 | 南京通用电器有限公司 | 一种基于Beamlet变换的车道线检测方法 |
CN105426863A (zh) * | 2015-11-30 | 2016-03-23 | 奇瑞汽车股份有限公司 | 检测车道线的方法和装置 |
US20160314361A1 (en) * | 2014-11-17 | 2016-10-27 | Tandent Vision Science, Inc. | Method and system for classifying painted road markings in an automotive driver-vehicle-asistance device |
-
2017
- 2017-12-21 CN CN201711397338.5A patent/CN108009522B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102201054A (zh) * | 2011-01-07 | 2011-09-28 | 南京理工大学 | 一种基于鲁棒统计的行道线检测方法 |
CN104063869A (zh) * | 2014-06-27 | 2014-09-24 | 南京通用电器有限公司 | 一种基于Beamlet变换的车道线检测方法 |
US20160314361A1 (en) * | 2014-11-17 | 2016-10-27 | Tandent Vision Science, Inc. | Method and system for classifying painted road markings in an automotive driver-vehicle-asistance device |
CN105426863A (zh) * | 2015-11-30 | 2016-03-23 | 奇瑞汽车股份有限公司 | 检测车道线的方法和装置 |
Non-Patent Citations (4)
Title |
---|
MARCOS PAULO BATISTA,ET AL.: "《Lane Detection and Estimation using Perspective Image》", 《2014 JOINT CONFERENCE ON ROBOTICS:SBR-LARS ROBOTICS SYMPOSIUM AND ROBOCONTROL》 * |
付永春: "《单目视觉结构化道路车道线检测和跟踪技术研究》", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
王镇波,等: "《一种交通监控场景下的多车道检测方法》", 《计算机工程与应用》 * |
许媛媛: "《基于车道线的路面标志检测识别研究》", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109145930A (zh) * | 2018-08-23 | 2019-01-04 | 陕西师范大学 | 一种基于半监督的图像显著性检测方法 |
CN110472472A (zh) * | 2019-05-30 | 2019-11-19 | 北京市遥感信息研究所 | 基于sar遥感图像的机场检测方法与装置 |
CN112542163A (zh) * | 2019-09-04 | 2021-03-23 | 百度在线网络技术(北京)有限公司 | 智能语音交互方法、设备及存储介质 |
CN112542163B (zh) * | 2019-09-04 | 2023-10-27 | 百度在线网络技术(北京)有限公司 | 智能语音交互方法、设备及存储介质 |
CN111091066A (zh) * | 2019-11-25 | 2020-05-01 | 重庆工程职业技术学院 | 一种自动驾驶汽车地面状态评定方法及系统 |
CN111091066B (zh) * | 2019-11-25 | 2023-09-22 | 重庆工程职业技术学院 | 一种自动驾驶汽车地面状态评定方法及系统 |
CN111160215A (zh) * | 2019-12-25 | 2020-05-15 | Tcl华星光电技术有限公司 | 图像标识提取装置、图像标识的亮度调节方法、装置 |
CN111160215B (zh) * | 2019-12-25 | 2024-01-12 | Tcl华星光电技术有限公司 | 图像标识的亮度调节装置及方法 |
CN112801112A (zh) * | 2021-01-29 | 2021-05-14 | 厦门树冠科技有限公司 | 一种图像二值化处理方法、装置、介质及设备 |
CN112801112B (zh) * | 2021-01-29 | 2023-08-04 | 厦门树冠科技有限公司 | 一种图像二值化处理方法、装置、介质及设备 |
CN113721625A (zh) * | 2021-08-31 | 2021-11-30 | 平安科技(深圳)有限公司 | Agv控制方法、装置、设备及存储介质 |
CN113721625B (zh) * | 2021-08-31 | 2023-07-18 | 平安科技(深圳)有限公司 | Agv控制方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108009522B (zh) | 2020-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108009522A (zh) | 一种道路检测方法、装置及终端 | |
RU2708422C1 (ru) | Способ и система управления банкоматами | |
CN110919653B (zh) | 机器人的爬楼控制方法、装置、存储介质和机器人 | |
CN105260713B (zh) | 一种车道线检测方法和装置 | |
CN101030256B (zh) | 车辆图像分割方法和装置 | |
CN103235938B (zh) | 车牌检测与识别的方法及系统 | |
CN109583280A (zh) | 车道线识别方法、装置、设备及存储介质 | |
Chen et al. | A novel color edge detection algorithm in RGB color space | |
CN107392139B (zh) | 一种基于霍夫变换的车道线检测方法及终端设备 | |
CN104036262B (zh) | 一种lpr车牌筛选识别的方法和系统 | |
CN105718872B (zh) | 两侧车道快速定位及检测车辆偏转角度的辅助方法及系统 | |
CN108615034A (zh) | 一种模板匹配与神经网络算法结合的车牌识别方法 | |
CN105426894B (zh) | 铁道塞钉图像检测方法及装置 | |
CN108205667A (zh) | 车道线检测方法及装置、车道线检测终端、存储介质 | |
CN104680130A (zh) | 一种身份证汉字识别方法 | |
CN108171695A (zh) | 一种基于图像处理的高速公路路面检测方法 | |
CN109376740A (zh) | 一种基于视频的水尺读数检测方法 | |
CN107895151A (zh) | 一种强光照条件下基于机器视觉的车道线检测方法 | |
CN104809433A (zh) | 一种基于最大稳定区域和随机采样的斑马线检测方法 | |
CN116052152A (zh) | 一种基于轮廓检测和深度神经网络的车牌识别系统 | |
CN111814786A (zh) | 一种结合车牌轮廓nms精修算法的车牌识别方法及装置 | |
CN115841633A (zh) | 一种电力塔和电力线关联矫正的电力塔和电力线检测方法 | |
CN113628202A (zh) | 一种确定方法、清洁机器人和计算机存储介质 | |
CN108460348A (zh) | 基于三维模型的道路目标检测方法 | |
Chen et al. | A novel lane departure warning system for improving road safety |
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 |