CN110309728B - 停车线检测方法和装置 - Google Patents

停车线检测方法和装置 Download PDF

Info

Publication number
CN110309728B
CN110309728B CN201910504326.0A CN201910504326A CN110309728B CN 110309728 B CN110309728 B CN 110309728B CN 201910504326 A CN201910504326 A CN 201910504326A CN 110309728 B CN110309728 B CN 110309728B
Authority
CN
China
Prior art keywords
pixel point
image
stop line
gray
data
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
Application number
CN201910504326.0A
Other languages
English (en)
Other versions
CN110309728A (zh
Inventor
夏平
师冬霞
雷帮军
任强
潘璠
黄强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hubei Jiugan Technology Co ltd
Original Assignee
Hubei Jiugan Technology Co ltd
China Three Gorges University CTGU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hubei Jiugan Technology Co ltd, China Three Gorges University CTGU filed Critical Hubei Jiugan Technology Co ltd
Priority to CN201910504326.0A priority Critical patent/CN110309728B/zh
Publication of CN110309728A publication Critical patent/CN110309728A/zh
Application granted granted Critical
Publication of CN110309728B publication Critical patent/CN110309728B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G06T5/90—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30248—Vehicle exterior or interior
    • G06T2207/30252—Vehicle exterior; Vicinity of vehicle
    • G06T2207/30256—Lane; Road marking

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明实施例提供一种停车线检测方法，其中该方法包括：获取待检测图像的灰度图；基于Retinex算法对所述灰度图进行图像增强，得到增强灰度图；对所述增强灰度图进行停车线检测。本发明实施例提供的方法和装置，基于Retinex算法对所述灰度图进行图像增强，实现了待检测图像的去阴影，为停车线检测提供了细节清晰的高质量图像，降低了停车线检测难度，提高了停车线检测的准确性。

Description

停车线检测方法和装置
技术领域
本发明涉及计算机视觉技术领域，尤其涉及一种停车线检测方法和装置。
背景技术
随着计算机技术的飞速发展，智能交通应运而生。而如何实现停车线的自动检测识别，对于智能驾驶和智能交通管理等，都具备极其重要的意义。
计算机视觉的发展为停车线自动检测的实现提供了条件，可以通过车辆或者道路上装设的图像采集设备采集包含有停车线的图像，并从中检测停车线。然而，由于光照不足、光照不均匀、恶劣天气、相对运动等问题，图像采集设备采集的视频及图像往往存在阴影，导致图像对比度低、信息模糊，降低了图像质量从而影响停车线检测的准确性。
传统去阴影算法主要包括直方图均衡化、同态滤波等。其中，直方图均衡化方法是对图像的灰度直方图进行调整，并对图像中灰度值概率较大的像素的灰度值进行展宽，将灰度值概率较小的像素的灰度值进行归并，从而达到使图像清晰化的目的，该方法缺乏对不同的图像进行分析和自适应调整的能力，大大限制了其应用范围；同态滤波方法通过分别处理照度和反射率对像素灰度值的影响，从而减少光照变化并锐化细节，进而达到揭示阴影区域细节特征的目的，然而该方法针对一些特殊的场景亮度图像，其处理效果难以满足要求。
因而，如何针对恶劣环境下采集的图像进行准确的停车线检测，仍然是本领域技术人员亟待解决的问题。
发明内容
本发明实施例提供一种停车线检测方法和装置，用以解决现有的停车线检测准确性低的问题。
第一方面，本发明实施例提供一种停车线检测方法，包括：
获取待检测图像的灰度图；
基于Retinex算法对所述灰度图进行图像增强，得到增强灰度图；
对所述增强灰度图进行停车线检测。
优选地，所述基于Retinex算法对所述灰度图进行图像增强，得到增强灰度图，具体包括：
针对所述灰度图中的任一像素点，基于中心环绕函数获取当前迭代次数对应的另一像素点；
基于所述任一像素点和所述另一像素点分别在所述灰度图中对应的原始像素数据，以及所述任一像素点和所述另一像素点的前一迭代数据，获取所述任一像素点的当前像素数据；
基于所述任一像素点的所述前一迭代数据和所述当前像素数据，获取所述任一像素点的当前迭代数据；
若所述当前迭代次数满足预设迭代次数，则输出每一所述像素点的当前迭代数据作为所述增强灰度图。
优选地，所述基于所述任一像素点和所述另一像素点分别在所述灰度图中对应的原始像素数据，以及所述任一像素点和所述另一像素点的前一迭代数据，获取所述任一像素点的当前像素数据，具体包括：
基于下式获取所述任一像素点的当前像素数据P′i(x,y)：
Figure BDA0002091262360000021
式中，i为所述当前迭代次数，(x,y)为所述任一像素点，(xs,ys)为所述另一像素点，S′(x,y)和S′(xs,ys)分别为所述任一像素点和所述另一像素点的原始像素数据，Pi-1(x,y)和Pi-1(xs,ys)分别为所述任一像素点和所述另一像素点的前一迭代数据。
优选地，所述基于所述任一像素点的所述前一迭代数据和所述当前像素数据，获取所述任一像素点的当前迭代数据，具体包括：
基于下式获取所述任一像素点的当前迭代数据Pi(x,y)：
Figure BDA0002091262360000031
式中，i为所述当前迭代次数，(x,y)为所述任一像素点，Pi(x,y)为(x,y)的当前迭代数据，P′i(x,y)为(x,y)的当前像素数据，Pi-1(x,y)为(x,y)的前一迭代数据。
优选地，所述对所述增强灰度图进行停车线检测，具体包括：
对所述增强灰度图进行灰度统计，获取所述增强灰度图中的两个峰值灰度值；
将每一所述峰值灰度值作为初始聚类中心；
基于每一所述初始聚类中心，应用K-means聚类算法对所述增强灰度图进行图像分割，获取停车线检测结果。
优选地，所述基于每一所述初始聚类中心，应用K-means聚类算法对所述增强灰度图进行图像分割，获取停车线检测结果，具体包括：
获取任一灰度值与每一第m次聚类中心之间的距离；其中，m＝1时，所述第m次聚类中心即所述初始聚类中心；
将所述任一灰度值分配至所述距离最近的所述第m次聚类中心对应的聚类中；
基于任一聚类中的每一所述灰度值，获取所述任一聚类的第m+1次聚类中心；
若所述第m次聚类中心与所述第m+1次聚类中心一致，则输出所述停车线检测结果；
否则，将m更新为m+1。
优选地，所述基于所述增强灰度图进行停车线检测，之前还包括：
对所述增强灰度图进行线性拉伸。
第二方面，本发明实施例提供一种停车线检测装置，包括：
灰度图获取单元，用于获取待检测图像的灰度图；
图像增强单元，用于基于Retinex算法对所述灰度图进行图像增强，得到增强灰度图；
停车线检测单元，用于对所述增强灰度图进行停车线检测。
第三方面，本发明实施例提供一种电子设备，包括处理器、通信接口、存储器和总线，其中，处理器，通信接口，存储器通过总线完成相互间的通信，处理器可以调用存储器中的逻辑指令，以执行如第一方面所提供的方法的步骤。
第四方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面所提供的方法的步骤。
本发明实施例提供的一种停车线检测方法和装置，基于Retinex算法对所述灰度图进行图像增强，实现了待检测图像的去阴影，为停车线检测提供了细节清晰的高质量图像，降低了停车线检测难度，提高了停车线检测的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的停车线检测方法的流程示意图；
图2为本发明实施例提供的Retinex算法的原理示意图；
图3为本发明实施例提供的中心环绕函数示意图；
图4为本发明另一实施例提供的停车线检测方法的流程示意图；
图5为本发明实施例提供的待检测图像的灰度图；
图6为本发明实施例提供的增强灰度图；
图7为本发明实施例提供的停车线检测结果示意图；
图8为本发明实施例提供的停车线检测装置的结构示意图；
图9为本发明实施例提供的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，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。
由于光照不足、光照不均匀、恶劣天气、相对运动等问题，图像采集设备采集的视频及图像往往存在阴影，导致图像对比度低、信息模糊，降低了图像质量从而影响停车线检测的准确性。针对上述问题，本发明实施例提供了一种停车线检测方法。图1为本发明实施例提供的停车线检测方法的流程示意图，如图1所示，该方法包括：
步骤110，获取待检测图像的灰度图。
具体地，待检测图像是需要进行停车线检测的图像，待检测图像中包含有停车线。待检测图像可以是通过车辆或者道路上装设的图像采集设备采集得到的。在得到待检测图像后，对待检测图像中的每一像素点进行灰度化，得到待检测图像的灰度图。灰度图中，每一像素点对应一个灰度值。
步骤120，基于Retinex算法对灰度图进行图像增强，得到增强灰度图。
Retinex是一种颜色恒常知觉的计算理论，其模型是基于人类视觉的亮度和颜色感知，Retinex在去除阴影方面具有很好的表现，根据颜色恒常性理论，定义物体的颜色是由物体对长波、中波和短波光线的反射能力决定的，而不是由发射光强度的绝对值决定；物体的色彩不受光照非均性的影响，具有一致性。本发明实施例中，基于Retinex算法处理灰度图，以估计并去除灰度图中的照度分量，达到增强灰度图的目的。此处，增强灰度图即经过Retinex算法处理过的灰度图。
步骤130，对增强灰度图进行停车线检测。
具体地，在基于Retinex算法对灰度图进行图像增强，得到增强灰度图后，基于现有的图像分割方法对增强灰度图进行图像分割，进而区分出待检测图像中的停车线，实现停车线检测。此处，图像分割方法可以是基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法、基于聚类分析的分割方法、基于模糊集理论的分割方法和基于基因编码的分割方法等，本发明实施例对此不作具体限定。
本发明实施例提供的方法，基于Retinex算法对所述灰度图进行图像增强，实现了待检测图像的去阴影，为停车线检测提供了细节清晰的高质量图像，降低了停车线检测难度，提高了停车线检测的准确性。
基于上述实施例，图2为本发明实施例提供的Retinex算法的原理示意图，如图2所示，原始图像S是光照图像L和反射率图像R的乘积：
S(x,y)＝L(x,y)*R(x,y)；
式中，S(x,y)、L(x,y)和R(x,y)分别为坐标(x,y)为像素点的原始像素值、光照像素值和反射率像素值。其中，原始像素值即待检测图像灰度图的灰度值。
在上式基础上分解出反射率图像R，即可去除原始图像S中光照不均匀的影响，以改善图像的视觉效果。在处理中，通常将图像转换至对数域，并从图像S中除去估测照度L，即：
LogR(x,y)＝LogS(x,y)-LogL(x,y)。
该方法中，步骤120具体包括：
步骤121，针对灰度图中的任一像素点，基于中心环绕函数获取当前迭代次数对应的另一像素点。
具体地，在迭代过程中，首先确定当前迭代次数。在已知当前迭代次数的情况下，基于中心环绕函数获取当前迭代次数下任一像素点对应的另一像素点，此处任一像素点和另一像素点组成像素对。此处，中心环绕函数为Retinex算法中预先设定的函数，任一像素点的最终的灰度值取决于中心环绕函数上的各个像素点的灰度值估计和去除照度的结果。图3为本发明实施例提供的中心环绕函数示意图，图3中的实线为像素点(0,0)对应的中心环绕函数。
中心环绕函数中，初始距离D，即进行首次迭代时任一像素点与另一像素点之间的距离为：
D＝2[Log(min(rows,cols))-1]；
式中，rows和cols分别为灰度图中像素点的总的行数和总的列数。
随后每次迭代，将任一像素点与另一像素点之间的距离减半，直至任一像素点与另一像素点之间的距离为单位像素。
假设任一像素点坐标为(x,y)，任一像素点对应的另一像素点坐标为(xs,ys)。
步骤122，基于任一像素点和另一像素点分别在灰度图中对应的原始像素数据，以及该像素点和另一像素点的前一迭代数据，获取该像素点的当前像素数据。
基于下式获取任一像素点(x,y)的当前像素数据P′i(x,y)：
Figure BDA0002091262360000071
式中，i为当前迭代次数，(x,y)为任一像素点，(xs,ys)为另一像素点，S′(x,y)和S′(xs,ys)分别为任一像素点和另一像素点的原始像素数据，Pi-1(x,y)和Pi-1(xs,ys)分别为任一像素点和另一像素点的前一迭代数据。
此处，原始像素数据是指像素点在灰度图中对应的灰度值。前一迭代数据是指像素点在前一迭代次数下执行步骤123得到的当前迭代数据。
将上式转换至对数域可以得到如下公式：
Figure BDA0002091262360000072
步骤123，基于该像素点的前一迭代数据和当前像素数据，获取该像素点的当前迭代数据。
具体地，基于下式获取任一像素点的当前迭代数据Pi(x,y)：
Figure BDA0002091262360000073
式中，i为所述当前迭代次数，(x,y)为所述任一像素点，Pi(x,y)为(x,y)的当前迭代数据，P′i(x,y)为(x,y)的当前像素数据，Pi-1(x,y)为(x,y)的前一迭代数据。
步骤124，若当前迭代次数满足预设迭代次数，则输出每一像素点的当前迭代数据作为增强灰度图。
具体地，在得到每一像素点的当前迭代数据后，判断当前迭代次数是否满足预设迭代次数。此处，预设迭代次数是预先设定的Retinex算法中执行迭代的最大次数，如果当前迭代次数达到预设迭代次数，即可停止迭代，输出由每一像素点的当前迭代数据构成的增强灰度图。增强灰度图中，每一像素点的灰度值即迭代结束时输出的当前迭代数据。
如果当前迭代次数小于预设迭代次数，则返回步骤122执行下一次迭代。
基于上述任一实施例，该方法中，步骤130具体包括：基于K-means聚类算法对增强灰度图进行停车线检测。
k-means聚类算法运算快速、简单，对大数据集有较高的效率并具有可伸缩性，在图像分割方面具有很好的效果。但在聚类中心的初始化时，若选择不当，有可能会陷入局部最优或者产生空类的情况。同时，对于不同的初始化可能会产生不同的聚类结果，不利于聚类结果的分析与使用。因此，需要对K-means聚类算法进行改进，以实现准确的图像分割。
进一步地，步骤130具体包括如下步骤：
步骤131，对增强灰度图进行灰度统计，获取增强灰度图中的两个峰值灰度值。
具体地，对增强灰度图进行灰度统计，即可得到增强灰度图中每一像素点的灰度值，进而统计不同灰度值在增强灰度图中出现的次数，以此为依据判断增强灰度图中灰度值的集散情况，并获取峰值灰度值。此处，峰值灰度值是指像素点的灰度值较为集中的一段灰度值中，出现次数最高的灰度值。
针对停车线检测，需要基于增强灰度图获取两个峰值灰度值，其中一个峰值灰度值用于代表停车线区域出现次数最高的灰度值，另一个峰值灰度值用于代表非停车线区域出现次数最高的灰度值。
步骤132，将每一峰值灰度值作为初始聚类中心。
具体地，在得到两个峰值灰度值后，将峰值灰度值作为初始聚类中心。此处，初始聚类中心即K-means聚类算法首次进行聚类时的聚类中心。一个峰值灰度值即一个初始聚类中心，因而得到两个初始聚类中心，最终输出的停车线检测结果中的聚类数量也是两个，其中一个聚类代表停车线区域，另一个聚类代表非停车线区域。
传统的K-means聚类算法，初始聚类中心的选取方式是从待分割的图像的灰度值中进行随机选取。而本发明实施例则是将灰度统计得到的峰值灰度值作为初始聚类中心，相比随机选取更具备针对性。
步骤133，基于每一初始聚类中心，应用K-means聚类算法对增强灰度图进行图像分割，获取停车线检测结果。
本发明实施例提供的方法，将峰值灰度值作为初始聚类中心应用于K-means聚类算法进行图像分割，相比现有的随机选取初始聚类中心的方法，能够减少迭代开销，有效避免陷入局部最优或者产生空类的情形，进一步提高了停车线检测的准确性。
基于上述任一实施例，该方法中，步骤133具体包括：
步骤1331，获取任一灰度值与每一第m次聚类中心之间的距离；其中，m＝1时，第m次聚类中心即初始聚类中心。
假设两个峰值灰度值，分别为ymax_1和ymax_2，与之对应的初始聚类中心为
Figure BDA0002091262360000091
和
Figure BDA0002091262360000092
其中，上标序号为迭代序号，第m次聚类中心表示为
Figure BDA0002091262360000093
令增强灰度图中任一灰度值为y，则y与第m次聚类中心
Figure BDA0002091262360000094
之间的距离表示为
Figure BDA0002091262360000095
其中j＝1,2。
步骤1332，将该灰度值分配至距离最近的第m次聚类中心对应的聚类中。
若
Figure BDA0002091262360000096
即
Figure BDA0002091262360000097
为距离灰度值y最近的第m次聚类中心，则y∈R1，将灰度值y分配至
Figure BDA0002091262360000098
对应的聚类R1中；否则，y∈R2，将灰度值y分配至
Figure BDA0002091262360000099
对应的聚类R2中。
步骤1333，基于任一聚类中的每一灰度值，获取该聚类的第m+1次聚类中心。
针对任一聚类Rj，通过如下公式获取聚类Rj的第m+1次聚类中心
Figure BDA00020912623600000910
Figure BDA00020912623600000911
式中，Nj为第j个聚类中包含的灰度值数量，Rj为第j个聚类。
由上式可知，任一聚类的第m+1次聚类中心
Figure BDA0002091262360000101
是该聚类完成第m次迭代后的，该聚类中的每一灰度值的平均值。
步骤1334，若第m次聚类中心与第m+1次聚类中心一致，则输出停车线检测结果；否则，将m更新为m+1。
具体地，在得到新的聚类中心后，将迭代前的聚类中心，即第m次聚类中心
Figure BDA0002091262360000102
与迭代后的聚类中心，即第m+1次聚类中心
Figure BDA0002091262360000103
进行比较，如果
Figure BDA0002091262360000104
则说明K-means聚类算法收敛，将此时的每一聚类作为停车线检测结果输出；如果
Figure BDA0002091262360000105
则将m更新为m+1，返回执行步骤1331。
基于上述任一实施例，该方法中，在步骤120和步骤130之间，还包括：对增强灰度图进行线性拉伸。
具体地，针对增强灰度图中的任一像素点，对该像素点的灰度值进行线性拉伸，使得每一像素点的灰度值都落在0-255之间，以得到更加的图像效果：
Figure BDA0002091262360000106
式中，R为增强灰度图中的任一像素点的灰度值，max(R)为增强灰度图中的像素点的最大灰度值。
基于上述任一实施例，图4为本发明另一实施例提供的停车线检测方法的流程示意图，如图4所示，该方法包括如下步骤：
步骤410，获取待检测图像，对待检测图像中的每一像素点进行灰度化，得到待检测图像的灰度图。图5为本发明实施例提供的待检测图像的灰度图，图5大小为1314×94，且图5中包含阴影。
步骤420，基于Retinex算法对灰度图进行图像增强，得到增强灰度图：
a)针对灰度图中的任一像素点，基于中心环绕函数获取当前迭代次数对应的另一像素点。中心环绕函数中，初始距离D，即进行首次迭代时任一像素点与另一像素点之间的距离为：
D＝2[Log(min(rows,cols))-1]；
式中，rows和cols分别为灰度图中像素点的总的行数和总的列数。
随后每次迭代，将任一像素点与另一像素点之间的距离减半，直至任一像素点与另一像素点之间的距离为单位像素。
假设任一像素点坐标为(x,y)，任一像素点对应的另一像素点坐标为(xs,ys)。
b)基于下式获取任一像素点(x,y)的当前像素数据P′i(x,y)：
Figure BDA0002091262360000111
式中，i为当前迭代次数，(x,y)为任一像素点，(xs,ys)为另一像素点，S′(x,y)和S′(xs,ys)分别为任一像素点和另一像素点的原始像素数据，Pi-1(x,y)和Pi-1(xs,ys)分别为任一像素点和另一像素点的前一迭代数据。
将上式转换至对数域可以得到如下公式：
Figure BDA0002091262360000112
c)基于下式获取任一像素点的当前迭代数据Pi(x,y)：
Figure BDA0002091262360000113
式中，i为所述当前迭代次数，(x,y)为所述任一像素点，Pi(x,y)为(x,y)的当前迭代数据，P′i(x,y)为(x,y)的当前像素数据，Pi-1(x,y)为(x,y)的前一迭代数据。
d)在得到每一像素点的当前迭代数据后，判断当前迭代次数是否满足预设迭代次数。此处，预设迭代次数是预先设定的Retinex算法中执行迭代的最大次数，如果当前迭代次数达到预设迭代次数，即可停止迭代，输出由每一像素点的当前迭代数据构成的增强灰度图。增强灰度图中，每一像素点的灰度值即迭代结束时输出的当前迭代数据。图6为本发明实施例提供的增强灰度图，比较图5与图6可知，通过Retinex算法去除了图像中的阴影，并增强了图像整体效果。
如果当前迭代次数小于预设迭代次数，则返回步骤a)执行下一次迭代。
步骤430，针对增强灰度图中的任一像素点，对该像素点的灰度值进行线性拉伸，使得每一像素点的灰度值都落在0-255之间，以得到更加的图像效果：
Figure BDA0002091262360000121
式中，R为增强灰度图中的任一像素点的灰度值，max(R)为增强灰度图中的像素点的最大灰度值。
步骤440，基于K-means聚类算法对增强灰度图进行停车线检测：
e)对增强灰度图进行灰度统计，获取增强灰度图中的两个峰值灰度值。其中一个峰值灰度值用于代表停车线区域出现次数最高的灰度值，另一个峰值灰度值用于代表非停车线区域出现次数最高的灰度值。
f)在得到两个峰值灰度值后，将峰值灰度值作为初始聚类中心。此处，初始聚类中心即K-means聚类算法首次进行聚类时的聚类中心。一个峰值灰度值即一个初始聚类中心，因而得到两个初始聚类中心，最终输出的停车线检测结果中的聚类数量也是两个，其中一个聚类代表停车线区域，另一个聚类代表非停车线区域。
g)基于每一初始聚类中心，应用K-means聚类算法对增强灰度图进行图像分割，获取停车线检测结果。图7为本发明实施例提供的停车线检测结果示意图，如图7所示，停车线检测结果中只包含灰度值为0和255的两种像素。图7示出的停车线检测结果不仅分割出了停车线区域，而且很好地保留的细节部分。
本发明实施例提供的方法，基于Retinex算法对所述灰度图进行图像增强，实现了待检测图像的去阴影，为停车线检测提供了细节清晰的高质量图像，降低了停车线检测难度，提高了停车线检测的准确性。此外，将峰值灰度值作为初始聚类中心应用于K-means聚类算法进行图像分割，相比现有的随机选取初始聚类中心的方法，能够减少迭代开销，有效避免陷入局部最优或者产生空类的情形，进一步提高了停车线检测的准确性。
基于上述任一实施例，图8为本发明实施例提供的停车线检测装置的结构示意图，如图8所示，该装置包括灰度图获取单元810、图像增强单元820和停车线检测单元830；
其中，灰度图获取单元810用于获取待检测图像的灰度图；
图像增强单元820用于基于Retinex算法对所述灰度图进行图像增强，得到增强灰度图；
停车线检测单元830用于对所述增强灰度图进行停车线检测。
本发明实施例提供的装置，基于Retinex算法对所述灰度图进行图像增强，实现了待检测图像的去阴影，为停车线检测提供了细节清晰的高质量图像，降低了停车线检测难度，提高了停车线检测的准确性。
基于上述任一实施例，该装置中，图像增强单元820包括：
像素对确定子单元，用于针对所述灰度图中的任一像素点，基于中心环绕函数获取当前迭代次数对应的另一像素点；
像素数据获取子单元，用于基于所述任一像素点和所述另一像素点分别在所述灰度图中对应的原始像素数据，以及所述任一像素点和所述另一像素点的前一迭代数据，获取所述任一像素点的当前像素数据；
迭代数据获取子单元，用于基于所述任一像素点的所述前一迭代数据和所述当前像素数据，获取所述任一像素点的当前迭代数据；
输出子单元，用于若所述当前迭代次数满足预设迭代次数，则输出每一所述像素点的当前迭代数据作为所述增强灰度图。
基于上述任一实施例，该装置中，像素数据获取子单元具体用于：
基于下式获取所述任一像素点的当前像素数据P′i(x,y)：
Figure BDA0002091262360000131
式中，i为所述当前迭代次数，(x,y)为所述任一像素点，(xs,ys)为所述另一像素点，S′(x,y)和S′(xs,ys)分别为所述任一像素点和所述另一像素点的原始像素数据，Pi-1(x,y)和Pi-1(xs,ys)分别为所述任一像素点和所述另一像素点的前一迭代数据。
基于上述任一实施例，该装置中，迭代数据获取子单元具体用于：
基于下式获取所述任一像素点的当前迭代数据Pi(x,y)：
Figure BDA0002091262360000141
式中，i为所述当前迭代次数，(x,y)为所述任一像素点，Pi(x,y)为(x,y)的当前迭代数据，P′i(x,y)为(x,y)的当前像素数据，Pi-1(x,y)为(x,y)的前一迭代数据。
基于上述任一实施例，该装置中，停车线检测单元830包括：
峰值灰度值获取子单元，用于对所述增强灰度图进行灰度统计，获取所述增强灰度图中的两个峰值灰度值；
初始聚类中心子单元，用于将每一所述峰值灰度值作为初始聚类中心；
图像分割子单元，用于基于每一所述初始聚类中心，应用K-means聚类算法对所述增强灰度图进行图像分割，获取停车线检测结果。
基于上述任一实施例，该装置中，图像分割子单元具体用于：
获取任一灰度值与每一第m次聚类中心之间的距离；其中，m＝1时，所述第m次聚类中心即所述初始聚类中心；
将所述任一灰度值分配至所述距离最近的所述第m次聚类中心对应的聚类中；
基于任一聚类中的每一所述灰度值，获取所述任一聚类的第m+1次聚类中心；
若所述第m次聚类中心与所述第m+1次聚类中心一致，则输出所述停车线检测结果；
否则，将m更新为m+1。
基于上述任一实施例，该装置还包括线性拉伸单元；
线性拉伸单元，用于对所述增强灰度图进行线性拉伸。
图9为本发明实施例提供的电子设备的实体结构示意图，如图9所示，该电子设备可以包括：处理器(processor)901、通信接口(Communications Interface)902、存储器(memory)903和通信总线904，其中，处理器901，通信接口902，存储器903通过通信总线904完成相互间的通信。处理器901可以调用存储在存储器903上并可在处理器901上运行的计算机程序，以执行上述各实施例提供的停车线检测方法，例如包括：获取待检测图像的灰度图；基于Retinex算法对所述灰度图进行图像增强，得到增强灰度图；对所述增强灰度图进行停车线检测。
此外，上述的存储器903中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的停车线检测方法，例如包括：获取待检测图像的灰度图；基于Retinex算法对所述灰度图进行图像增强，得到增强灰度图；对所述增强灰度图进行停车线检测。
以上所描述的系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (9)

1.一种停车线检测方法，其特征在于，包括：
获取待检测图像的灰度图；
基于Retinex算法对所述灰度图进行图像增强，得到增强灰度图；
对所述增强灰度图进行停车线检测；
所述基于Retinex算法对所述灰度图进行图像增强，得到增强灰度图，具体包括：
针对所述灰度图中的任一像素点，基于中心环绕函数获取当前迭代次数对应的另一像素点；
基于所述任一像素点和所述另一像素点分别在所述灰度图中对应的原始像素数据，以及所述任一像素点和所述另一像素点的前一迭代数据，获取所述任一像素点的当前像素数据；
基于所述任一像素点的所述前一迭代数据和所述当前像素数据，获取所述任一像素点的当前迭代数据；
若所述当前迭代次数满足预设迭代次数，则输出每一所述像素点的当前迭代数据作为所述增强灰度图。
2.根据权利要求1所述的停车线检测方法，其特征在于，所述基于所述任一像素点和所述另一像素点分别在所述灰度图中对应的原始像素数据，以及所述任一像素点和所述另一像素点的前一迭代数据，获取所述任一像素点的当前像素数据，具体包括：
基于下式获取所述任一像素点的当前像素数据P′i(x，y)：
Figure FDA0003208041200000011
式中，i为所述当前迭代次数，(x，y)为所述任一像素点，(xs，ys)为所述另一像素点，S′(x，y)和S′(xs，ys)分别为所述任一像素点和所述另一像素点的原始像素数据，Pi-1(x，y)和Pi-1(xs，ys)分别为所述任一像素点和所述另一像素点的前一迭代数据。
3.根据权利要求1所述的停车线检测方法，其特征在于，所述基于所述任一像素点的所述前一迭代数据和所述当前像素数据，获取所述任一像素点的当前迭代数据，具体包括：
基于下式获取所述任一像素点的当前迭代数据Pi(x，y)：
Figure FDA0003208041200000021
式中，i为所述当前迭代次数，(x，y)为所述任一像素点，Pi(x，y)为(x，y)的当前迭代数据，P′i(x，y)为(x，y)的当前像素数据，Pi-1(x，y)为(x，y)的前一迭代数据。
4.根据权利要求1所述的停车线检测方法，其特征在于，所述对所述增强灰度图进行停车线检测，具体包括：
对所述增强灰度图进行灰度统计，获取所述增强灰度图中的两个峰值灰度值；
将每一所述峰值灰度值作为初始聚类中心；
基于每一所述初始聚类中心，应用K-means聚类算法对所述增强灰度图进行图像分割，获取停车线检测结果。
5.根据权利要求4所述的停车线检测方法，其特征在于，所述基于每一所述初始聚类中心，应用K-means聚类算法对所述增强灰度图进行图像分割，获取停车线检测结果，具体包括：
获取任一灰度值与每一第m次聚类中心之间的距离；其中，m＝1时，所述第m次聚类中心即所述初始聚类中心；
将所述任一灰度值分配至所述距离最近的所述第m次聚类中心对应的聚类中；
基于任一聚类中的每一所述灰度值，获取所述任一聚类的第m+1次聚类中心；
若所述第m次聚类中心与所述第m+1次聚类中心一致，则输出所述停车线检测结果；
否则，将m更新为m+1。
6.根据权利要求1至5中任一项所述的停车线检测方法，其特征在于，所述基于所述增强灰度图进行停车线检测，之前还包括：
对所述增强灰度图进行线性拉伸。
7.一种停车线检测装置，其特征在于，包括：
灰度图获取单元，用于获取待检测图像的灰度图；
图像增强单元，用于基于Retinex算法对所述灰度图进行图像增强，得到增强灰度图；
停车线检测单元，用于对所述增强灰度图进行停车线检测；
所述图像增强单元，具体用于：
针对所述灰度图中的任一像素点，基于中心环绕函数获取当前迭代次数对应的另一像素点；
基于所述任一像素点和所述另一像素点分别在所述灰度图中对应的原始像素数据，以及所述任一像素点和所述另一像素点的前一迭代数据，获取所述任一像素点的当前像素数据；
基于所述任一像素点的所述前一迭代数据和所述当前像素数据，获取所述任一像素点的当前迭代数据；
若所述当前迭代次数满足预设迭代次数，则输出每一所述像素点的当前迭代数据作为所述增强灰度图。
8.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任一项所述的停车线检测方法的步骤。
9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至6任一项所述的停车线检测方法的步骤。
CN201910504326.0A 2019-06-12 2019-06-12 停车线检测方法和装置 Active CN110309728B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910504326.0A CN110309728B (zh) 2019-06-12 2019-06-12 停车线检测方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910504326.0A CN110309728B (zh) 2019-06-12 2019-06-12 停车线检测方法和装置

Publications (2)

Publication Number Publication Date
CN110309728A CN110309728A (zh) 2019-10-08
CN110309728B true CN110309728B (zh) 2022-03-22

Family

ID=68077304

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910504326.0A Active CN110309728B (zh) 2019-06-12 2019-06-12 停车线检测方法和装置

Country Status (1)

Country Link
CN (1) CN110309728B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108062549A (zh) * 2017-12-07 2018-05-22 山东省农业机械科学研究院 一种适用于夜晚环境下车牌的识别系统及其识别定位方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108062549A (zh) * 2017-12-07 2018-05-22 山东省农业机械科学研究院 一种适用于夜晚环境下车牌的识别系统及其识别定位方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
Lane Detection System based on Hough Transform with Retinex Algorithm;Shwe Yee Win 等;《1st International Conference on Advanced Information Technologies（ICAIT）》;20171130;全文 *
基于Beamlet和K-means聚类的车道线识别;肖进胜 等;《四川大学学报》;20150731;全文 *
基于改进的K_means算法在图像分割中的应用;李栋 等;《电脑知识与技术》;20160331;第166-167页 *
基于机器视觉的车道线识别的算法研究;牛明花;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20160715;第iii、7、18-27页 *
牛明花.基于机器视觉的车道线识别的算法研究.《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》.2016, *

Also Published As

Publication number Publication date
CN110309728A (zh) 2019-10-08

Similar Documents

Publication Publication Date Title
CN109636732B (zh) 一种深度图像的空洞修复方法以及图像处理装置
Sulaiman et al. Denoising-based clustering algorithms for segmentation of low level salt-and-pepper noise-corrupted images
CN109740639B (zh) 一种风云卫星遥感影像云检测方法、系统及电子设备
CN108510499B (zh) 一种基于模糊集和Otsu的图像阈值分割方法及装置
CN110390643B (zh) 一种车牌增强方法、装置及电子设备
CN107945122B (zh) 基于自适应直方图分段的红外图像增强方法及系统
CN109416749B (zh) 一种图像的灰阶分类方法、装置以及可读存储介质
CN109658378B (zh) 基于土壤ct图像的孔隙辨识方法及系统
CN110276764A (zh) 基于K值估计的K-Means水下图像背景分割改进算法
Srinivas et al. Remote sensing image segmentation using OTSU algorithm
CN114004834B (zh) 一种图像处理中的雾天情况分析方法、设备及装置
CN116721121A (zh) 一种植物表型彩色图像特征提取方法
CN113537037A (zh) 路面病害识别方法、系统、电子设备及存储介质
CN110309728B (zh) 停车线检测方法和装置
CN111311610A (zh) 图像分割的方法及终端设备
WO2024016632A1 (zh) 亮点定位方法、亮点定位装置、电子设备及存储介质
CN107945186A (zh) 分割图像的方法、装置、计算机可读存储介质和终端设备
Tabatabaei et al. A novel method for binarization of badly illuminated document images
CN110633705A (zh) 一种低照度成像车牌识别方法及装置
CN110288604B (zh) 基于K-means的图像分割方法和装置
CN110827309A (zh) 一种基于超像素的偏光片外观缺陷分割方法
CN111754413A (zh) 图像处理方法、装置、设备及存储介质
Malik et al. Contrast enhancement and smoothing of CT images for diagnosis
CN113239738B (zh) 一种图像的模糊检测方法及模糊检测装置
CN105701807B (zh) 一种基于投票策略的图像分割方法

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
TR01 Transfer of patent right

Effective date of registration: 20231103

Address after: No. 57-5 Development Avenue, No. 6015, Yichang Area, China (Hubei) Free Trade Zone, Yichang City, Hubei Province, 443005

Patentee after: Hubei Jiugan Technology Co.,Ltd.

Address before: 443002 No. 8, University Road, Yichang, Hubei

Patentee before: CHINA THREE GORGES University

Patentee before: Hubei Jiugan Technology Co.,Ltd.

TR01 Transfer of patent right