CN108470144A - 一种基于曲线分段的汽车方向盘检测方法 - Google Patents

Abstract

本发明公开了一种基于曲线分段的汽车方向盘检测方法，它包括对含有车辆的彩色图像image进行车窗定位并截取车窗右半部分作为新的图像，经灰度化等操作得到单像素边缘图像，对得到的图像去除交叉点，再找到每一个在单像素边缘上的像素点p并且计算其八邻域中存在的在边缘上的像素点的个数，去除长度小于Len的单像素边缘去除，再利用八邻域边缘跟踪算法遍历图像的单像素边缘，顺序存储，再计算其对应的曲线偏转角度、进行分段，建立平面直角坐标系、分段，作出候选汽车方向盘边缘，获取方向盘。通过使用本发明的方法对汽车的方向盘进行检测，可以提高方向盘检测的正确率。

Description

一种基于曲线分段的汽车方向盘检测方法

技术领域

本发明涉及计算机视觉及智能交通技术领域，具体是一种基于曲线分段的汽车方向盘检测方法，它通过将图像中的曲线根据曲线偏转角度的大小进行分段，并对每一段曲线利用劣弧的对称性进行汽车方向盘检测的方法。

背景技术

随着智能交通领域的不断发展，目前在道路交通安全监测系统中对于驾驶员的行为分析越来越受到重视。例如，检测驾驶员在行车过程中是否佩戴安全带等。要通过道路监控视频检测驾驶员是否佩戴安全带就需要先准确定位到驾驶员的左侧胸部位置。然而在道路监控视频中对于车窗内的物体一般比较模糊，很难进行准确定位。方向盘是车窗内比较明显的一个特征物体，方向盘的准确定位可以估算出其它待检测部位的相对位置，使得待检测部位的定位更加精准。

在道路监控视频中，方向盘一般呈现出开口向下的劣弧形状。因此，对方向盘的检测可以转换为对边缘图像中圆弧的检测。当前也有部分学者提出了不同的圆弧检测方法，其中与本发明较接近的技术方案为：文献(陈小艳,王强,李柏林.改进的Hough变换检测圆方法[J].计算机系统应用,2015,24(8):197-201.)提出先对图像进行Canny边缘检测，然后去除短小边缘，对剩下的每一条边缘进行遍历存储，并且将其三等分，取连续的三个点计算假定圆圆心和半径，最后通过比较真实边缘上的像素点与真实边缘落在假定圆圆弧上的像素点的比例来确定该边缘是否为圆弧。该算法需要精确到像素级别，一旦假定圆的圆弧与真实边缘之间有一两个像素点的偏差也会认为它们之间的重合度比较低，边缘被判断为不是圆弧，在汽车方向盘检测的应用中方向盘就会检测不到；文献(王永会,李昱鑫,郭耸,等.基于切线段匹配的快速圆弧检测算法[J].计算机应用,2016,36(4):1126-1131.)提出通过逐点扫描边缘图，提取水平、垂直、45°以及135°方向上的所有切线段，将切线段进行两两匹配构造圆心与半径，最后通过Bresenham算法生成假定圆。该算法依赖于八个方向上切线的提取，对于很短小的劣弧以及圆弧发生部分变形的情况都无法正确检测到，而汽车方向盘的形状由于拍摄角度的问题经常会发生变形。

综上所述，当前的圆弧检测方法如果应用在汽车方向盘检测中存在着如下不足：(1)需要精确到像素级别的匹配，鲁棒性差；(2)对于短小劣弧的检测率不高；(3)对于发生形变的圆弧检测率不高。

发明内容

针对现有的圆弧检测方法如果应用在汽车方向盘检测中存在的上述问题，本发明提出了一种基于曲线分段的汽车方向盘检测方法，它通过将图像中的曲线根据曲线偏转角度的大小进行分段，并对每一段曲线利用劣弧的对称性进行汽车方向盘检测的方法。

所述的一种基于曲线分段的汽车方向盘检测方法，其特征在于包括如下步骤：

步骤1：对含有车辆的彩色图像image进行车窗定位；

步骤2：从图像image中截取车窗右半部分作为新的图像WinImg，并且对图像WinImg进行灰度化、高斯滤波、形态学边缘检测、局部二值化以及边缘细化操作，得到图像WinImg的单像素边缘图像，记为EdgeImg；

步骤3：把EdgeImg中单像素边缘的交叉点去除，得到无交叉点的单像素边缘图，记为EdgeImg1；

步骤4：在EdgeImg1中将长度小于Len的单像素边缘去除，得到新的单像素边缘图记为EdgeImg2，其中Len表示单像素边缘的长度阈值，由预先设定；

步骤5：利用八邻域边缘跟踪算法遍历EdgeImg2中的每一条单像素边缘，并且将每一条单像素边缘上的像素点分别按顺序存储在数组中，记为Array_i,i＝1,2,…,n，其中，Array_i表示第i条单像素边缘，n表示EdgeImg2中单像素边缘的数量；

步骤6：针对步骤5遍历得到的每一条单像素边缘上的每一个像素点计算其对应的曲线偏转角度，记为θ_ij，表示第i条单像素边缘在第j个像素点的曲线偏转角度；

步骤7：根据步骤6计算得到的θ_ij，在所有θ_ij大于Theta的像素点处对第i条单像素边缘进行分段，其中，Theta为预先设定的曲线偏转角度阈值；并且将数组Array_i中的所有像素点在第j-1个像素点的位置断开，分为几个小数组，分别记为数组Array_im，表示第i条单像素边缘的第m个分段；

步骤8：计算步骤7得到的每一条单像素边缘的每一个分段各自对应的一个新的平面直角坐标系，记为xOy_im，xOy_im由边缘图EdgeImg2的原平面直角坐标系通过平移旋转变换得到，其中，边缘图EdgeImg2的原平面直角坐标系表示以边缘图EdgeImg2的左上角为坐标系原点，水平向右为x轴正方向，垂直向下为y轴正方向的平面直角坐标系；

步骤9：将步骤7得到的每一条单像素边缘的每一个分段等间隔分为6段，然后按顺序选取单像素边缘分段上的起点、五个等间隔分段点以及单像素边缘分段上的终点，一共七个点，记为Point_imk，k＝1,2,3,4,5,6,7，它表示第i条单像素边缘的第m个分段上选取的第k个点；并且计算Point_imk，k＝1,2,3,4,5,6,7，在第i条单像素边缘的第m个分段对应的新的平面直角坐标系xOy_im中的纵坐标值，记为y_imk；

步骤10：根据步骤9得到的y_imk筛选满足开口朝下的劣弧检测条件的所有单像素边缘分段作为候选汽车方向盘边缘；

步骤11：对步骤10获得的所有候选汽车方向盘边缘分别计算其对应的一个假定圆，假定圆的计算首先从对应的候选汽车方向盘边缘中选取边缘的起点、边缘的二等分分段点以及边缘的终点这三个点，根据这三点确定一个假定圆；

步骤12：从步骤11获得的所有假定圆中选择满足如下条件的圆作为最终检测到的方向盘。

所述的一种基于曲线分段的汽车方向盘检测方法，其特征在于步骤3中判断EdgeImg图像中的像素点为单像素边缘的交叉点的步骤如下：

3.1)：遍历EdgeImg中的像素点，找到每一个在单像素边缘上的像素点p并且计算其八邻域中存在的在边缘上的像素点的个数，记为count，在本发明中八邻域像素点的标记如下：将像素点p右边的像素点标记为p₀，从p₀开始按逆时针方向将另外7个邻域像素点分别标记为p₁，p₂，p₃，p₄，p₅，p₆，p₇；

3.2)：若八邻域中p₀位置为边缘上的像素点，并且p₁或者p₇位置也是边缘上的像素点，则将count值减1；

3.3)：若八邻域中p₂位置为边缘上的像素点，并且p₁或者p₃位置也是边缘上的像素点，则将count值减1；

3.4)：若八邻域中p₄位置为边缘上的像素点，并且p₃或者p₅位置也是边缘上的像素点，则将count值减1；

3.5)：若八邻域中p₆位置为边缘上的像素点，并且p₅或者p₇位置也是边缘上的像素点，则将count值减1；

3.6)：若经过3.2)至3.5)的操作之后得到的count值大于等于3，则认为该像素点p为单像素边缘的交叉点。

所述的一种基于曲线分段的汽车方向盘检测方法，其特征在于步骤6中第i条单像素边缘上的第j个像素点对应的曲线偏转角度θ_ij的计算如下：

6.1)：当j<4时，从Array_i中取出三个元素，Array_i[j]，Array_i[0]和Array_i[j+4]，令这三个点分别为A,B和C；

6.2)：当j>count_i-5时，从Array_i中取出三个元素，Array_i[j]，Array_i[j-4]和Array_i[count_i-1]，令这三个点分别为A,B和C；

6.3)：当j≥4&&j≤count_i-5时，从Array_i中取出三个元素，Array_i[j]，Array_i[j-4]和Array_i[j+4]，令这三个点分别为A,B和C；

6.4)：计算向量和向量的夹角即为第i条单像素边缘上的第j个像素点对应的曲线偏转角度θ_ij值；

其中，count_i表示数组Array_i中总的元素个数。

所述的一种基于曲线分段的汽车方向盘检测方法，其特征在于步骤8中由边缘图EdgeImg2的原平面直角坐标系通过平移旋转变换分别得到每一条单像素边缘的每一个分段各自对应的一个新的平面直角坐标系xOy_im的过程如下：

8.1)：根据公式(1)计算边缘图EdgeImg2的原平面直角坐标系在x轴方向上需要平移的长度记为Δx_im，并且根据Δx_im的值进行平移；

其中，count_im表示数组Array_im中的元素个数，Array_im[0].x表示数组Array_im中第0个元素的x坐标值，Array_im[count_im-1].x表示数组Array_im中最后一个元素的x坐标值；

8.2)：根据公式(2)计算边缘图EdgeImg2的原平面直角坐标系在y轴方向上需要平移的长度记为Δy_im，并且根据Δy_im的值进行平移；

其中，Array_im[0].y表示数组Array_im中第0个元素的y坐标值，Array_im[count_im-1].y表示数组Array_im中最后一个元素的y坐标值；

8.3)：根据公式(3)计算边缘图EdgeImg2的原平面直角坐标系在平移之后需要旋转的度数记为Δθ_im，并且根据Δθ_im的值进行旋转；

其中，arctan表示求反正切值。

所述的一种基于曲线分段的汽车方向盘检测方法，其特征在于步骤9中Point_imk在i条单像素边缘的第m个分段对应的新的平面直角坐标系xOy_im中的纵坐标值y_imk的计算将根据公式(4)计算：

y_imk＝(Y_imk-Δy_im)×cos(-Δθ_im)+(X_imk-Δx_im)×sin(-Δθ_im) (4)

其中，X_imk表示点Point_imk在边缘图EdgeImg2的原平面直角坐标系中的横坐标值，k＝1,2,3,4,5,6,7，Y_imk表示点Point_imk在边缘图EdgeImg2的原平面直角坐标系中的纵坐标值，cos表示求余弦值，sin表示求正弦值。

所述的一种基于曲线分段的汽车方向盘检测方法，其特征在于步骤10中满足开口朝下的劣弧检测条件必须满足如下所有条件：

10.1)：(|Δθ_im|<90&&y_im4<0)||(|Δθ_im|≥90&&y_im4>0)；

10.2)：y_im1≤y_im2&&y_im2≤y_im3&&y_im3≤y_im4&&y_im1<y_im4；

10.3)：y_im7≤y_im6&&y_im6≤y_im5&&y_im5≤y_im4&&y_im7<y_im4；

10.4)：|y_im3–y_im5|+|y_im2–y_im6|<2。

所述的一种基于曲线分段的汽车方向盘检测方法，其特征在于步骤12作为最终检测到的方向盘的圆需要满足以下条件：圆半径r在预先设定的范围内，并且满足圆心到边缘图EdgeImg2的底边缘距离最短，并且这个距离需要小于该圆本身半径的三分之二。

通过使用本发明的方法对汽车的方向盘进行检测，首先对曲线进行分段检测可以避免干扰边缘对劣弧检测的影响，并且利用劣弧的对称性可以对短小的劣弧以及发生形变的劣弧进行检测，而方向盘边缘通常呈现为短小的劣弧，而且有可能发生形变，使用本发明的方法可以提高方向盘检测的正确率。

附图说明

图1为本发明中点p的八邻域图；

图2为本发明中实施例选取的image图；

图3为本发明实施例中image图的车窗定位图；

图4为本发明实施例中截取的车窗右半边部分图；

图5为本发明实施例中车窗右半边图对应的单像素边缘图；

图6为本发明实施例中无交叉点的单像素边缘图；

图7本发明实施例中去除长度较小边缘的单像素边缘图；

图8为本发明实施例中方向盘检测的结果图。

具体实施方式

下面结合实施例来详细阐述本发明的基于曲线分段的汽车方向盘检测方法的具体实施方式。应当理解，此处所描述的具体实施例仅用于解释本发明，并不用于限定本发明。

本发明的一种基于曲线分段的汽车方向盘检测方法，包括如下步骤：

步骤1：对含有车辆的彩色图像image进行车窗定位，本发明中选取的image图像如图2所示，车窗定位结果如图3所示；

步骤2：从图像image中截取车窗右半部分作为新的图像WinImg，在本实施例中如图4所示，并且对图像WinImg进行灰度化、高斯滤波、形态学边缘检测、局部二值化以及边缘细化操作，得到图像WinImg的单像素边缘图像，记为EdgeImg，在本实施例中如图5所示；

步骤3：把EdgeImg中单像素边缘的交叉点去除，得到无交叉点的单像素边缘图，记为EdgeImg1，在本实施例中如图6所示，判断EdgeImg图像中的像素点为单像素边缘的交叉点的步骤如下，本发明中点p的八邻域图如图1所示：

3.1)：遍历EdgeImg中的像素点，找到每一个在单像素边缘上的像素点p并且计算其八邻域中存在的在边缘上的像素点的个数，记为count，在本发明中八邻域像素点的标记如下：将像素点p右边的像素点标记为p₀，从p₀开始按逆时针方向将另外7个邻域像素点分别标记为p₁，p₂，p₃，p₄，p₅，p₆，p₇；

3.2)：若八邻域中p₀位置为边缘上的像素点，并且p₁或者p₇位置也是边缘上的像素点，则将count值减1；

3.3)：若八邻域中p₂位置为边缘上的像素点，并且p₁或者p₃位置也是边缘上的像素点，则将count值减1；

3.4)：若八邻域中p₄位置为边缘上的像素点，并且p₃或者p₅位置也是边缘上的像素点，则将count值减1；

3.5)：若八邻域中p₆位置为边缘上的像素点，并且p₅或者p₇位置也是边缘上的像素点，则将count值减1；

3.6)：若经过3.2)至3.5)的操作之后得到的count值大于等于3，则认为该像素点p为单像素边缘的交叉点；

步骤4：在EdgeImg1中将长度小于Len的单像素边缘去除，得到新的单像素边缘图记为EdgeImg2，其中Len表示单像素边缘的长度阈值，由预先设定，在本实施例中设为10，在本实施例中EdgeImg2如图7所示；

步骤5：利用八邻域边缘跟踪算法遍历EdgeImg2中的每一条单像素边缘，并且将每一条单像素边缘上的像素点分别按顺序存储在数组中，记为Array_i,i＝1,2,…,n，其中，Array_i表示第i条单像素边缘，n表示EdgeImg2中单像素边缘的数量；

步骤6：针对步骤5遍历得到的每一条单像素边缘上的每一个像素点计算其对应的曲线偏转角度，记为θ_ij，表示第i条单像素边缘在第j个像素点的曲线偏转角度，第i条单像素边缘上的第j个像素点对应的曲线偏转角度θ_ij的计算如下：

6.1)：当j<4时，从Array_i中取出三个元素，Array_i[j]，Array_i[0]和Array_i[j+4]，令这三个点分别为A,B和C；

6.2)：当j>count_i-5时，从Array_i中取出三个元素，Array_i[j]，Array_i[j-4]和Array_i[count_i-1]，令这三个点分别为A,B和C；

6.3)：当j≥4&&j≤count_i-5时，从Array_i中取出三个元素，Array_i[j]，Array_i[j-4]和Array_i[j+4]，令这三个点分别为A,B和C；

6.4)：计算向量AB和向量AC的夹角即为第i条单像素边缘上的第j个像素点对应的曲线偏转角度θ_ij值；

其中count_i表示数组Array_i中总的元素个数；

步骤7：根据步骤6计算得到的θ_ij，在所有θ_ij大于Theta的像素点处对第i条单像素边缘进行分段，其中，Theta为预先设定的曲线偏转角度阈值，在本实施例中设为137°；并且将数组Array_i中的所有像素点在第j-1个像素点的位置断开，分为几个小数组，分别记为数组Array_im，表示第i条单像素边缘的第m个分段；

步骤8：计算步骤7得到的每一条单像素边缘的每一个分段各自对应的一个新的平面直角坐标系，记为xOy_im，xOy_im由边缘图EdgeImg2的原平面直角坐标系通过平移旋转变换得到，其中，边缘图EdgeImg2的原平面直角坐标系表示以边缘图EdgeImg2的左上角为坐标系原点，水平向右为x轴正方向，垂直向下为y轴正方向的平面直角坐标系，由边缘图EdgeImg2的原平面直角坐标系通过平移旋转变换分别得到每一条单像素边缘的每一个分段各自对应的一个新的平面直角坐标系xOy_im的过程如下：

8.1)：根据公式(1)计算边缘图EdgeImg2的原平面直角坐标系在x轴方向上需要平移的长度记为Δx_im，并且根据Δx_im的值进行平移；

其中，count_im表示数组Array_im中的元素个数，Array_im[0].x表示数组Array_im中第0个元素的x坐标值，Array_im[count_im-1].x表示数组Array_im中最后一个元素的x坐标值；

8.2)：根据公式(2)计算边缘图EdgeImg2的原平面直角坐标系在y轴方向上需要平移的长度记为Δy_im，并且根据Δy_im的值进行平移；

其中，Array_im[0].y表示数组Array_im中第0个元素的y坐标值，Array_im[count_im-1].y表示数组Array_im中最后一个元素的y坐标值；

8.3)：根据公式(3)计算边缘图EdgeImg2的原平面直角坐标系在平移之后需要旋转的度数记为Δθ_im，并且根据Δθ_im的值进行旋转；

其中，arctan表示求反正切值；

步骤9：将步骤7得到的每一条单像素边缘的每一个分段等间隔分为6段，然后按顺序选取单像素边缘分段上的起点、五个等间隔分段点以及单像素边缘分段上的终点，一共七个点，记为Point_imk，k＝1,2,3,4,5,6,7，它表示第i条单像素边缘的第m个分段上选取的第k个点；并且计算Point_imk，k＝1,2,3,4,5,6,7，在第i条单像素边缘的第m个分段对应的新的平面直角坐标系xOy_im中的纵坐标值，记为y_imk，

Point_imk在i条单像素边缘的第m个分段对应的新的平面直角坐标系xOy_im中的纵坐标值y_imk的计算将根据公式(4)计算：

y_imk＝(Y_imk-Δy_im)×cos(-Δθ_im)+(X_imk-Δx_im)×sin(-Δθ_im) (4)

其中X_imk表示点Point_imk在边缘图EdgeImg2的原平面直角坐标系中的横坐标值，k＝1,2,3,4,5,6,7，Y_imk表示点Point_imk在边缘图EdgeImg2的原平面直角坐标系中的纵坐标值，cos表示求余弦值，sin表示求正弦值；

步骤10：根据步骤9得到的y_imk筛选满足开口朝下的劣弧检测条件的所有单像素边缘分段作为候选汽车方向盘边缘，满足开口朝下的劣弧检测条件必须满足如下所有条件：

10.1)：(|Δθ_im|<90&&y_im4<0)||(|Δθ_im|≥90&&y_im4>0)；

10.2)：y_im1≤y_im2&&y_im2≤y_im3&&y_im3≤y_im4&&y_im1<y_im4；

10.3)：y_im7≤y_im6&&y_im6≤y_im5&&y_im5≤y_im4&&y_im7<y_im4；

10.4)：|y_im3–y_im5|+|y_im2–y_im6|<2。

在本实施例中，通过以上处理，可以看到图8中的汽车方向盘被正确检测到；

步骤11：对步骤10获得的所有候选汽车方向盘边缘分别计算其对应的一个假定圆，假定圆的计算首先从对应的候选汽车方向盘边缘中选取边缘的起点、边缘的二等分分段点以及边缘的终点这三个点，根据这三点确定一个假定圆；

步骤12：从步骤11获得的所有假定圆中选择满足如下条件的圆作为最终检测到的方向盘：该圆需要满足圆半径r在预先设定的范围内，在本实施例中范围设为60<r<120，并且满足圆心到边缘图EdgeImg2的底边缘距离最短，并且这个距离需要小于该圆本身半径的三分之二。

Claims (7)

1.一种基于曲线分段的汽车方向盘检测方法，其特征在于包括如下步骤：

步骤1：对含有车辆的彩色图像image进行车窗定位；

步骤2：从图像image中截取车窗右半部分作为新的图像WinImg，并且对图像WinImg进行灰度化、高斯滤波、形态学边缘检测、局部二值化以及边缘细化操作，得到图像WinImg的单像素边缘图像，记为EdgeImg；

步骤3：把EdgeImg中单像素边缘的交叉点去除，得到无交叉点的单像素边缘图，记为EdgeImg1；

步骤4：在EdgeImg1中将长度小于Len的单像素边缘去除，得到新的单像素边缘图记为EdgeImg2，其中Len表示单像素边缘的长度阈值，由预先设定；

步骤5：利用八邻域边缘跟踪算法遍历EdgeImg2中的每一条单像素边缘，并且将每一条单像素边缘上的像素点分别按顺序存储在数组中，记为Array_i,i＝1,2,…,n，其中，Array_i表示第i条单像素边缘，n表示EdgeImg2中单像素边缘的数量；

步骤6：针对步骤5遍历得到的每一条单像素边缘上的每一个像素点计算其对应的曲线偏转角度，记为θ_ij，表示第i条单像素边缘在第j个像素点的曲线偏转角度；

步骤7：根据步骤6计算得到的θ_ij，在所有θ_ij大于Theta的像素点处对第i条单像素边缘进行分段，其中，Theta为预先设定的曲线偏转角度阈值；并且将数组Array_i中的所有像素点在第j-1个像素点的位置断开，分为几个小数组，分别记为数组Array_im，表示第i条单像素边缘的第m个分段；

步骤8：计算步骤7得到的每一条单像素边缘的每一个分段各自对应的一个新的平面直角坐标系，记为xOy_im，xOy_im由边缘图EdgeImg2的原平面直角坐标系通过平移旋转变换得到，其中，边缘图EdgeImg2的原平面直角坐标系表示以边缘图EdgeImg2的左上角为坐标系原点，水平向右为x轴正方向，垂直向下为y轴正方向的平面直角坐标系；

步骤9：将步骤7得到的每一条单像素边缘的每一个分段等间隔分为6段，然后按顺序选取单像素边缘分段上的起点、五个等间隔分段点以及单像素边缘分段上的终点，一共七个点，记为Point_imk，k＝1,2,3,4,5,6,7，它表示第i条单像素边缘的第m个分段上选取的第k个点；并且计算Point_imk，k＝1,2,3,4,5,6,7，在第i条单像素边缘的第m个分段对应的新的平面直角坐标系xOy_im中的纵坐标值，记为y_imk；

步骤10：根据步骤9得到的y_imk筛选满足开口朝下的劣弧检测条件的所有单像素边缘分段作为候选汽车方向盘边缘；

步骤11：对步骤10获得的所有候选汽车方向盘边缘分别计算其对应的一个假定圆，假定圆的计算首先从对应的候选汽车方向盘边缘中选取边缘的起点、边缘的二等分分段点以及边缘的终点这三个点，根据这三点确定一个假定圆；

步骤12：从步骤11获得的所有假定圆中选择满足如下条件的圆作为最终检测到的方向盘。

2.根据权利要求1所述的一种基于曲线分段的汽车方向盘检测方法，其特征在于步骤3中判断EdgeImg图像中的像素点为单像素边缘的交叉点的步骤如下：

3.1)：遍历EdgeImg中的像素点，找到每一个在单像素边缘上的像素点p并且计算其八邻域中存在的在边缘上的像素点的个数，记为count，在本发明中八邻域像素点的标记如下：将像素点p右边的像素点标记为p₀，从p₀开始按逆时针方向将另外7个邻域像素点分别标记为p₁，p₂，p₃，p₄，p₅，p₆，p₇；

3.2)：若八邻域中p₀位置为边缘上的像素点，并且p₁或者p₇位置也是边缘上的像素点，则将count值减1；

3.3)：若八邻域中p₂位置为边缘上的像素点，并且p₁或者p₃位置也是边缘上的像素点，则将count值减1；

3.4)：若八邻域中p₄位置为边缘上的像素点，并且p₃或者p₅位置也是边缘上的像素点，则将count值减1；

3.5)：若八邻域中p₆位置为边缘上的像素点，并且p₅或者p₇位置也是边缘上的像素点，则将count值减1；

3.6)：若经过3.2)至3.5)的操作之后得到的count值大于等于3，则认为该像素点p为单像素边缘的交叉点。

3.根据权利要求1所述的一种基于曲线分段的汽车方向盘检测方法，其特征在于步骤6中第i条单像素边缘上的第j个像素点对应的曲线偏转角度θ_ij的计算如下：

6.1)：当j<4时，从Array_i中取出三个元素，Array_i[j]，Array_i[0]和Array_i[j+4]，令这三个点分别为A,B和C；

6.2)：当j>count_i-5时，从Array_i中取出三个元素，Array_i[j]，Array_i[j-4]和Array_i[count_i-1]，令这三个点分别为A,B和C；

6.3)：当j≥4&&j≤count_i-5时，从Array_i中取出三个元素，Array_i[j]，Array_i[j-4]和Array_i[j+4]，令这三个点分别为A,B和C；

6.4)：计算向量和向量的夹角即为第i条单像素边缘上的第j个像素点对应的曲线偏转角度θ_ij值；

其中，count_i表示数组Array_i中总的元素个数。

4.根据权利要求1所述的一种基于曲线分段的汽车方向盘检测方法，其特征在于步骤8中由边缘图EdgeImg2的原平面直角坐标系通过平移旋转变换分别得到每一条单像素边缘的每一个分段各自对应的一个新的平面直角坐标系xOy_im的过程如下：

8.1)：根据公式(1)计算边缘图EdgeImg2的原平面直角坐标系在x轴方向上需要平移的长度记为Δx_im，并且根据Δx_im的值进行平移；

其中，count_im表示数组Array_im中的元素个数，Array_im[0].x表示数组Array_im中第0个元素的x坐标值，Array_im[count_im-1].x表示数组Array_im中最后一个元素的x坐标值；

8.2)：根据公式(2)计算边缘图EdgeImg2的原平面直角坐标系在y轴方向上需要平移的长度记为Δy_im，并且根据Δy_im的值进行平移；

其中，Array_im[0].y表示数组Array_im中第0个元素的y坐标值，Array_im[count_im-1].y表示数组Array_im中最后一个元素的y坐标值；

8.3)：根据公式(3)计算边缘图EdgeImg2的原平面直角坐标系在平移之后需要旋转的度数记为Δθ_im，并且根据Δθ_im的值进行旋转；

其中，arctan表示求反正切值。

5.根据权利要求1所述的一种基于曲线分段的汽车方向盘检测方法，其特征在于步骤9中Point_imk在i条单像素边缘的第m个分段对应的新的平面直角坐标系xOy_im中的纵坐标值y_imk的计算将根据公式(4)计算：

y_imk＝(Y_imk-Δy_im)×cos(-Δθ_im)+(X_imk-Δx_im)×sin(-Δθ_im) (4)

其中，X_imk表示点Point_imk在边缘图EdgeImg2的原平面直角坐标系中的横坐标值，k＝1,2,3,4,5,6,7，Y_imk表示点Point_imk在边缘图EdgeImg2的原平面直角坐标系中的纵坐标值，cos表示求余弦值，sin表示求正弦值。

6.根据权利要求1所述的一种基于曲线分段的汽车方向盘检测方法，其特征在于步骤10中满足开口朝下的劣弧检测条件必须满足如下所有条件：

10.1)：(|Δθ_im|<90&&y_im4<0)||(|Δθ_im|≥90&&y_im4>0)；

10.2)：y_im1≤y_im2&&y_im2≤y_im3&&y_im3≤y_im4&&y_im1<y_im4；

10.3)：y_im7≤y_im6&&y_im6≤y_im5&&y_im5≤y_im4&&y_im7<y_im4；

10.4)：|y_im3–y_im5|+|y_im2–y_im6|<2。

7.根据权利要求1所述的一种基于曲线分段的汽车方向盘检测方法，其特征在于步骤12作为最终检测到的方向盘的圆需要满足以下条件：圆半径r在预先设定的范围内，并且满足圆心到边缘图EdgeImg2的底边缘距离最短，并且这个距离需要小于该圆本身半径的三分之二。