CN110472527A - 一种轨道线检测方法及系统 - Google Patents
一种轨道线检测方法及系统 Download PDFInfo
- Publication number
- CN110472527A CN110472527A CN201910686605.3A CN201910686605A CN110472527A CN 110472527 A CN110472527 A CN 110472527A CN 201910686605 A CN201910686605 A CN 201910686605A CN 110472527 A CN110472527 A CN 110472527A
- Authority
- CN
- China
- Prior art keywords
- line
- railway line
- track
- image
- window
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种轨道线检测方法及系统。该检测方法包括:获取待检测轨道线的图像;根据所述图像,利用SSIM相似度算法确定待检测轨道线的起点位置;采用划窗检测方式,获取所述图像中每个窗口内的轨道线的边缘数据;对每个窗口内的轨道线的边缘数据进行霍夫变换,得到每个窗口对应的轨道线;对所有窗口对应的轨道线进行多项式拟合,得到完整的轨道线。本发明可以准确检测轨道线的起点位置,实现轨道线的检测,同时提高轨道线检测的准确度。
Description
技术领域
本发明涉及轨道检测领域,特别是涉及一种轨道线检测方法及系统。
背景技术
车道线检测主要是黑色沥青或灰色水泥路上检测出白/黄实线、双黄线等,而轨道线检测则主要是检测铁路的轨道线路。
传统的车道线起点确定一般方法如下:
现有的车道线检测方法多数是利用单个视觉线索来提取车道线特征,车道线的方向特征和车道线颜色相对于路面颜色呈现暗-亮-暗的颜色特征,有的直接基于白色和黄色的颜色过滤来确定车道线及车道线的起点。此方法要求色域变化明显,或者要求区别于背景的特定颜色的轨迹线。
基于改进的霍夫变换检测车道线的方法一般流程为:二值化车道线图片,二值化后进行边缘检测,对边缘霍夫变换后确定车道线及其起点。此方法要求起点位置轨迹线干净,干扰极少,否则霍夫后线条过多极容易干扰车道线判断。
基于均值漂移的目标跟踪算法,以meanshift跟踪算法为代表,进行车道线起点跟踪。此方法极容易受背景环境的干扰,而跟踪错误,不适合轨道线检测。
因此,由于轨道线背景比车道线更为复杂,通常轨道线周围枕木、石子、供电线和通信设备等干扰物较多,传统的车道线检测方法均不适用于轨道线的检测方式,采用传统的车道线处理方法无法准确的找到轨道线的起点。
发明内容
本发明的目的是提供一种轨道线检测方法及系统,以实现轨道线的检测,同时提高轨道线检测的准确度。
为实现上述目的,本发明提供了如下方案:
一种轨道线检测方法,包括:
获取待检测轨道线的图像;
根据所述图像,利用SSIM相似度算法确定待检测轨道线的起点位置;
采用划窗检测方式,获取所述图像中每个窗口内的轨道线的边缘数据;
对每个窗口内的轨道线的边缘数据进行霍夫变换,得到每个窗口对应的轨道线;
对所有窗口对应的轨道线进行多项式拟合,得到完整的轨道线。
可选的,所述根据所述图像,利用SSIM相似度算法确定待检测轨道线的起点位置,具体包括:
获取起点位置的参考图像;所述参考图像为在实际场景标定的轨道起点位置图像;
将所述待检测轨道线的图像和所述参考图像输入SSIM相似度计算模型中,计算所述待检测轨道线图像中每个区域与所述参考图像之间的SSIM相似度;
根据SSIM相似度最高值对应所述待检测轨道线图像的区域,确定待检测轨道线的起点位置。
可选的,所述采用划窗检测方式,获取所述图像中每个窗口内的轨道线的边缘数据,具体包括:
采用划窗检测方式,获取每个窗口内的轨道线图像;
对于每个窗口内的轨道线图像,采用二值化算法进行二值化图像处理,得到每个窗口内的二值化图像;
对所述二值化图像进行canny边缘检测,得到每个窗口内的轨道线的边缘数据。
可选的,所述采用二值化算法进行二值化图像处理,得到每个窗口内的二值化图像,具体包括:
获取分类阈值;所述分类阈值的取值范围为0-255;
根据所述分类阈值,将所述轨道线图像按照像素值划分为第一像素集合和第二像素集合;所述第一像素集合中的像素值均小于所述分类阈值,所述第二像素集合中的像素值均不小于所述分类阈值;
计算所述第一分类集合中所有元素的像素均值,得到第一均值;
计算所述第二分类集合中所有元素的像素均值,得到第二均值;
根据所述第一均值和所述第二均值,计算所述第一分类集合和所述第二分类集合之间的类间方差;
更新分类阈值,重新计算所述第一分类集合和所述第二分类集合之间的类间方差;
将类间方差最大值对应的分类阈值作为二值化的分割阈值,对所述轨道线图像进行二值化处理,得到对应的二值化图像。
可选的,所述采用划窗检测方式,获取所述图像中每个窗口内的轨道线的边缘数据,具体包括:
采用划窗检测方式,获取每个窗口内的轨道线图像;
对所述轨道线图像进行sobel边缘检测,得到每个窗口内的轨道线的边缘数据。
可选的,所述对所有窗口对应的轨道线进行多项式拟合,得到完整的轨道线,具体包括:
获取待检测轨道线的轨道类型;所述轨道类型包括直线类型、“反L”类型和弯道类型;
根据所述待检测轨道线的轨道类型,结合所有窗口对应的轨道线采用多个多项式分段拟合,得到多段轨道线拟合线;
将多段轨道线拟合线融合,得到完整的轨道线。
可选的,所述对所有窗口对应的轨道线进行多项式拟合,得到完整的轨道线,之后还包括:
根据所述完整的轨道线,利用双轨轨道平度确定双轨轨道的另一条完整的轨道线。
本发明还提供一种轨道线检测系统,包括:
图像获取模块,用于获取待检测轨道线的图像;
起点位置确定模块,用于根据所述图像,利用SSIM相似度算法确定待检测轨道线的起点位置;
边缘检测模块,用于采用划窗检测方式,获取所述图像中每个窗口内的轨道线的边缘数据;
霍夫变换模块,用于对每个窗口内的轨道线的边缘数据进行霍夫变换,得到每个窗口对应的轨道线;
拟合模块,用于对所有窗口对应的轨道线进行多项式拟合,得到完整的轨道线。
可选的,所述起点位置确定模块具体包括:
参考图像获取单元,用于获取起点位置的参考图像;所述参考图像为在实际场景标定的轨道起点位置图像;
SSIM相似度计算单元,用于将所述待检测轨道线的图像和所述参考图像输入SSIM相似度计算模型中,计算所述待检测轨道线图像中每个区域与所述参考图像之间的SSIM相似度;
起点位置确定单元,用于根据SSIM相似度最高值对应所述待检测轨道线图像的区域,确定待检测轨道线的起点位置。
可选的,所述拟合模块具体包括:
轨道类型获取单元,用于获取待检测轨道线的轨道类型;所述轨道类型包括直线类型、“反L”类型和弯道类型;
分段拟合单元,用于根据所述待检测轨道线的轨道类型,结合所有窗口对应的轨道线采用多个多项式分段拟合,得到多段轨道线拟合线;
融合单元,用于将多段轨道线拟合线融合,得到完整的轨道线。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明利用SSIM相似度算法可以准确确定待检测轨道线的起点位置,对于图像要求不高,并且准确度高。确定待检测轨道线的起点位置后,利用划窗检测方式依次获取每个窗口下的轨道线,进而根据起点位置进行拟合,得到完整的轨道线,整个检测过程对于原始图像的背景色要求不高,但是得到的检测结果准确度更高。
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为本发明轨道线检测方法的流程示意图;
图2为本发明轨道线检测方法中的划窗检测示意图;
图3为本发明轨道线检测方法中二值化算法对比图;
图4为本发明轨道线检测方法中“反L”类型轨道示意图;
图5为本发明轨道线检测方法中弯道类型轨道示意图;
图6为本发明轨道线检测方法中直线类型轨道示意图;
图7为本发明轨道线检测方法中实际轨道线转换到鸟瞰图轨道示意图;
图8为本发明轨道线检测系统的结构示意图;
图9为本发明具体实施案例的流程示意图。
具体实施方式
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,所描述的实施例仅仅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做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。
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。
图1为本发明轨道线检测方法的流程示意图。如图1所示,包括以下步骤:
步骤100:获取待检测轨道线的图像。待检测轨道的图像为采用相机在一定位置拍摄的轨道图像,图中包括轨道的轨道线。
步骤200:利用SSIM相似度算法确定待检测轨道线的起点位置。SSIM(structuralsimilarityindex)算法即结构相似性算法,是一种衡量两幅图像相似度的指标。在固定的视角和环境下,轨道双轨在起点位置基本相互平行且处于轨道图像底部,因此,每一帧轨道图像中轨道起点处结构特点基本类似。因此首先给定一个参考图像,该参考图像是在实际场景标定的轨道起点位置图像,然后计算每一帧采集的图像中在图像底部区域与参考图像的SSIM相似度,轨道图像中与参考图像SSIM相似度最高的位置即为待检测轨道线的起点位置。本发明中的参考图像根据光照、季节、线路等因素,可自动调整。
本步骤中SSIM相似度算法的输入为两张图像,其中一张是未经压缩的无失真参考图像,另一张是待检测的图像。设定输入的两张图像分别是x和y,那么SSIM相似度算法的数学模型为:SSIM(x,y)=[l(x,y)]α [c(x,y)]β [s(x,y)]γ;其中,为图像x和图像y之间的亮度比较函数,c(x,y)为图像x和图像y之间的对比度比较函数,s(x,y)为图像x和图像y之间的结构比较函数,这里α>0,β>0,λ>0,用来调整三个模块间的重要性,数值越大表示该模块越重要,如三个模块同等重要的话可设置参数α=1,β=1,γ=1。μx为图像x的像素平均值,μy为图像y的像素平均值,σx为图像x的像素标准差,σy为图像y的像素标准差,σxy为图像x与图像y的像素协方差,c1、c2和c3为避免分母为0导致系统误差而设置的常数,通常取c1=(K1*L)2,c2=(K2*L)2,一般地,可以取K1=0.01,K2=0.03,L=255。最终计算得到的SSIM相似度的取值范围为0-1,SSIM相似度越大表示输出图像和无失真图像的差距越小,即图像质量越好。
步骤300:采用划窗检测方式,获取所述图像中每个窗口内的轨道线的边缘数据。首先,采用划窗检测方式,获取每个窗口内的轨道线图像。图2为本发明轨道线检测方法中的划窗检测示意图,如图2所示,在轨道图像上用固定大小窗口沿着一定方向滑动,可以获得每个窗口对应的轨道线图像,然后对每个窗口内的轨道线图像进行轨道线边缘检测。对每个窗口内的轨道线图像进行边缘检测,可以采用如下两种方式:
第一种方式,基于二值化图像进行canny边缘检测。首先对窗口内图像做二值化处理,即将256个亮度等级的灰度图像通过适当的阈值获得仍然可以反映图像整体和局部特征的二值化图像,该技术主要用来分割该图像,然后对二值化的图像进行canny边缘检测。二值化作用是将图像分割,理想状态是让轨道(铁轨)部分与轨道背景部分分离开来。这样更有利于做边缘检测,利于查找到轨道边缘。由于真实轨道图中轨道部分灰度值相互靠近,背景部分的灰度值相互靠近,这种情况可以使用大津二值算法能很好把目标从背景当中区分开来,并且大津二值算法会自动找到最佳的阈值,能很好的适应不同的光照环境。大津二值算法采用最大类间方差法进行阈值判断,算法基本思想是根据初始阈值把要检测的窗口图像的数据分为两类,然后计算两类之间的方差,更新阈值重新计算类间方差,当满足类间方差最大时的阈值,即为所求最佳阈值。选取到最佳阈值的效果就是能将前景和背景更合理的分离。图3为本发明轨道线检测方法中二值化算法对比图,如图所示,将左侧部分图像中轨道和基石枕木分离,得到右边部分图像的分离结果,右侧部分图像中轨道为白色,背景为黑色。
图像二值化的具体过程如下:
1、初始化分类阈值Th,将轨道线图像f(x,y)分为A,B两类,A类中像素值均小于分类阈值,B类中像素值均不小于分类阈值;
2、分别计算A,B两类像素集合的像素均值μA和μB,公式如下:
其中,NA和NB分别表示集合A,B中的像素个数,f(i,j)表示图像中某点的像素值,在本算法中为某点灰度值。
3、计算A,B两类的类间方差,公式如下:
σ(Th)=NA(Th)NB(Th)[μA(Th)-μB(Th)]2
将Th从0到255循环,分别计算每个Th取值对应的A,B的类间方差,当类间方差最大时,对应的Th即为所求的最佳分割或二值化的分割阈值,将轨道线图像按照此分割阈值进行二值化处理,即可得到二值化图像。
第二种方式,基于原图进行sobel边缘检测。当canny边缘检测效果不佳即轨道线与背景分割不清晰时,可基于原图直接进行sobel边缘检测。
采用何种方式对每个窗口内的轨道线图像进行边缘检测,可以根据实际需求进行选择,canny边缘检测更为细致,但是对图像清晰度要求高,对较为模糊图像边缘处理差,sobel边缘检测参数可调,调整合适参数专门用来检测较为模糊或者光线较暗的图像边缘。
步骤400:对每个窗口内的轨道线的边缘数据进行霍夫变换,得到每个窗口对应的轨道线。检测到每个窗口内的边缘数据后进行霍夫(HOUGH)变换,然后根据轨道线特征进行筛选评分,便可获得每个窗口对应的合适的轨道线。轨道线特征包括:连续性(线段首尾相连),斜率渐变性,轨道线理论上不存在二次曲线拐点,轨道线不会平行或趋渐平行X轴(此处图像处理的传统坐标系,左上角为原点,水平方向为X轴,垂直方向为Y轴)。
步骤500:对所有窗口对应的轨道线进行多项式拟合,得到完整的轨道线。具体包括以下步骤:
(1)获取待检测轨道线的轨道类型;所述轨道类型包括直线类型、“反L”类型和弯道类型;本发明采用近焦相机采集150米(150米为视野最远点离相机距离)以内图像,远焦相机采集150-300米轨道图像(300米为视野最远点离相机距离,150米为视野最近点离相机距离),在这种距离范围内的轨道其整体线条基本是固定一般是直道模型或“反L”模型或者弯道模型,去除S弯模型。如图4-图6所示,图4为本发明轨道线检测方法中“反L”类型轨道示意图,图5为本发明轨道线检测方法中弯道类型轨道示意图,图6为本发明轨道线检测方法中直线类型轨道示意图。
(2)根据所述待检测轨道线的轨道类型,结合所有窗口对应的轨道线采用多个多项式分段拟合,得到多段轨道线拟合线。
(3)将多段轨道线拟合线融合,得到完整的轨道线。对多段轨道线进行多项式拟合(曲线和直线分开拟合),有些轨道线需要多个多项式分段表达。最终拟合出直线或曲线轨道,并根据轨道模型及轨道线特征多次融合,融合出更为光滑,逼近真实的轨道线。
最小二乘法多项式拟合方法是常见的曲线拟合方法。拟合过程为:输入离散坐标点,可以用曲线f(x)表示;根据坐标点求近似曲线,使得近似曲线在这些点的偏差平方和最小。
推导过程:
(1)设拟合多项式为:y=a0+a1x+…+akxk;
(2)各点到这条曲线的距离之和,即偏差平方和如下:
(3)为了求得符合条件的a值,对等式右边求ai偏导数,可以得到:
……
(4)将等式左边进行一下化简,然后可以得到下面等式:
……
(5)把这些等式表示成矩阵的形式,可以得到下面的矩阵:
(6)即X*A=Y。
只要解出这个线性方程,即可求得拟合曲线多项式的系数矩阵,完成轨道线的拟合。
在步骤500得到完整的轨道线之后,根据所述完整的轨道线,利用双轨轨道平度确定双轨轨道的另一条完整的轨道线。
具体的,利用检测双轨轨道平行度或者根据一条确信的轨道可以推算另一条轨道。传统的车道线检测利用透射变换将前方图像的路面通过仿射变换为俯视图,在俯视图中将车道线提取出来。此方法对于复杂环境的轨道线检测稳定性较差,透射变换时图像的损失比较大,在透射图中不一定能够检测到变形后的车道线,所以轨道线检测在原图中进行,透视变化用于检测出的轨道线的平行度判断。根据轨道特性及标定信息,确定实际图到鸟瞰图(俯视图)透射变换矩阵M,根据矩阵M,俯视图往实际图转换使用逆矩阵M’。通过透射变换可评判检测出双轨的的平行度,平行度高的轨道可作为实际结果输出。同时当出现一侧轨道未检测出,但是另一侧轨道检测出,并确定为可用轨道(多帧关联及轨道线模型确定),可信轨道在鸟瞰图上平移,平移后的推算轨道可通过逆矩阵M’逆透射变换到实际图上轨道线。
图7为本发明轨道线检测方法中实际轨道线转换到鸟瞰图轨道示意图,如图7所示,左侧为实际经过拟合后的轨道线,轨道线经过透射变换后转到右侧图形(鸟瞰图),理论上双轨是平行轨道,计算双轨的平行度可大致评判整个轨道线检测的状况。如果只能检测并拟合出一条轨道线,且该条轨道线和经验值判定为合理的轨道线,理论上可以通过这条轨道线推算出另一条轨道线。具体方法:通过这条轨道线在鸟瞰图上推平行线的方法,推算得到鸟瞰图上的另一条轨道线,然后再通过逆透射变换,将推算出的轨道线逆变换到在实际图中的位置。
轨道线平行度计算方法:首先需要用鸟瞰图上的轨道线做平行度计算,将两条轨道线(拟合后的多项式表达式)离散化,左侧轨道上的点与右侧轨道上的点逐点(一一对应)计算垂直距离,统计为垂直距离集合,计算数据集合的均数和标准差,计算出该集合的正态分布图。有双轨间距理论值X,计算正态分布图中X*0.85~X*1.15面积(概率),面积(概率)超过0.9表示两轨道线平行度高。
对应图1所示的轨道线检测方法,本发明还提供一种轨道线检测系统,图8为本发明轨道线检测系统的结构示意图,如图8所示,轨道线检测系统包括以下结构:
图像获取模块801,用于获取待检测轨道线的图像;
起点位置确定模块802,用于根据所述图像,利用SSIM相似度算法确定待检测轨道线的起点位置;
边缘检测模块803,用于采用划窗检测方式,获取所述图像中每个窗口内的轨道线的边缘数据;
霍夫变换模块804,用于对每个窗口内的轨道线的边缘数据进行霍夫变换,得到每个窗口对应的轨道线;
拟合模块805,用于对所有窗口对应的轨道线进行多项式拟合,得到完整的轨道线。
所述起点位置确定模块802具体包括:
参考图像获取单元,用于获取起点位置的参考图像;所述参考图像为在实际场景标定的轨道起点位置图像;
SSIM相似度计算单元,用于将所述待检测轨道线的图像和所述参考图像输入SSIM相似度计算模型中,计算所述待检测轨道线图像中每个区域与所述参考图像之间的SSIM相似度;
起点位置确定单元,用于根据SSIM相似度最高值对应所述待检测轨道线图像的区域,确定待检测轨道线的起点位置。
所述拟合模块805具体包括:
轨道类型获取单元,用于获取待检测轨道线的轨道类型;所述轨道类型包括直线类型、“反L”类型和弯道类型;
分段拟合单元,用于根据所述待检测轨道线的轨道类型,结合所有窗口对应的轨道线采用多个多项式分段拟合,得到多段轨道线拟合线;
融合单元,用于将多段轨道线拟合线融合,得到完整的轨道线。
下面提供一个具体实施案例进一步说明本发明的方案。
图9为本发明具体实施案例的流程示意图,如图9所示,本实施案例主要包括以下步骤:
(1)SSIM相似度算法精确确定轨道起点。基于SSIM相似度算法检测到轨道线起点,只是轨道线检测的第一步,后续检测是一个循环重复的过程。
(2)划窗检测,对划窗窗口内图像二值化处理并进行边缘检测,边缘检测后结果进行霍夫变换,对霍夫后的结果进行筛选,选取合理线段作为拟合的输入值。
(3)对线段组进行多项式拟合,拟合出近似曲线或直线。
(4)利用透射变换对左右轨道线进行平行度计算,或者根据检测出的轨道推算出另一条轨道。
本说明书中各个实施例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部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种轨道线检测方法,其特征在于,包括:
获取待检测轨道线的图像;
根据所述图像,利用SSIM相似度算法确定待检测轨道线的起点位置;
采用划窗检测方式,获取所述图像中每个窗口内的轨道线的边缘数据;
对每个窗口内的轨道线的边缘数据进行霍夫变换,得到每个窗口对应的轨道线;
对所有窗口对应的轨道线进行多项式拟合,得到完整的轨道线。
2.根据权利要求1所述的轨道线检测方法,其特征在于,所述根据所述图像,利用SSIM相似度算法确定待检测轨道线的起点位置,具体包括:
获取起点位置的参考图像;所述参考图像为在实际场景标定的轨道起点位置图像;
将所述待检测轨道线的图像和所述参考图像输入SSIM相似度计算模型中,计算所述待检测轨道线图像中每个区域与所述参考图像之间的SSIM相似度;
根据SSIM相似度最高值对应所述待检测轨道线图像的区域,确定待检测轨道线的起点位置。
3.根据权利要求1所述的轨道线检测方法,其特征在于,所述采用划窗检测方式,获取所述图像中每个窗口内的轨道线的边缘数据,具体包括:
采用划窗检测方式,获取每个窗口内的轨道线图像;
对于每个窗口内的轨道线图像,采用二值化算法进行二值化图像处理,得到每个窗口内的二值化图像;
对所述二值化图像进行canny边缘检测,得到每个窗口内的轨道线的边缘数据。
4.根据权利要求3所述的轨道线检测方法,其特征在于,所述采用二值化算法进行二值化图像处理,得到每个窗口内的二值化图像,具体包括:
获取分类阈值;所述分类阈值的取值范围为0-255;
根据所述分类阈值,将所述轨道线图像按照像素值划分为第一像素集合和第二像素集合;所述第一像素集合中的像素值均小于所述分类阈值,所述第二像素集合中的像素值均不小于所述分类阈值;
计算所述第一分类集合中所有元素的像素均值,得到第一均值;
计算所述第二分类集合中所有元素的像素均值,得到第二均值;
根据所述第一均值和所述第二均值,计算所述第一分类集合和所述第二分类集合之间的类间方差;
更新分类阈值,重新计算所述第一分类集合和所述第二分类集合之间的类间方差;
将类间方差最大值对应的分类阈值作为二值化的分割阈值,对所述轨道线图像进行二值化处理,得到对应的二值化图像。
5.根据权利要求1所述的轨道线检测方法,其特征在于,所述采用划窗检测方式,获取所述图像中每个窗口内的轨道线的边缘数据,具体包括:
采用划窗检测方式,获取每个窗口内的轨道线图像;
对所述轨道线图像进行sobel边缘检测,得到每个窗口内的轨道线的边缘数据。
6.根据权利要求1所述的轨道线检测方法,其特征在于,所述对所有窗口对应的轨道线进行多项式拟合,得到完整的轨道线,具体包括:
获取待检测轨道线的轨道类型;所述轨道类型包括直线类型、“反L”类型和弯道类型;
根据所述待检测轨道线的轨道类型,结合所有窗口对应的轨道线采用多个多项式分段拟合,得到多段轨道线拟合线;
将多段轨道线拟合线融合,得到完整的轨道线。
7.根据权利要求1所述的轨道线检测方法,其特征在于,所述对所有窗口对应的轨道线进行多项式拟合,得到完整的轨道线,之后还包括:
根据所述完整的轨道线,利用双轨轨道平度确定双轨轨道的另一条完整的轨道线。
8.一种轨道线检测系统,其特征在于,包括:
图像获取模块,用于获取待检测轨道线的图像;
起点位置确定模块,用于根据所述图像,利用SSIM相似度算法确定待检测轨道线的起点位置;
边缘检测模块,用于采用划窗检测方式,获取所述图像中每个窗口内的轨道线的边缘数据;
霍夫变换模块,用于对每个窗口内的轨道线的边缘数据进行霍夫变换,得到每个窗口对应的轨道线;
拟合模块,用于对所有窗口对应的轨道线进行多项式拟合,得到完整的轨道线。
9.根据权利要求8所述的轨道线检测系统,其特征在于,所述起点位置确定模块具体包括:
参考图像获取单元,用于获取起点位置的参考图像;所述参考图像为在实际场景标定的轨道起点位置图像;
SSIM相似度计算单元,用于将所述待检测轨道线的图像和所述参考图像输入SSIM相似度计算模型中,计算所述待检测轨道线图像中每个区域与所述参考图像之间的SSIM相似度;
起点位置确定单元,用于根据SSIM相似度最高值对应所述待检测轨道线图像的区域,确定待检测轨道线的起点位置。
10.根据权利要求8所述的轨道线检测系统,其特征在于,所述拟合模块具体包括:
轨道类型获取单元,用于获取待检测轨道线的轨道类型;所述轨道类型包括直线类型、“反L”类型和弯道类型;
分段拟合单元,用于根据所述待检测轨道线的轨道类型,结合所有窗口对应的轨道线采用多个多项式分段拟合,得到多段轨道线拟合线;
融合单元,用于将多段轨道线拟合线融合,得到完整的轨道线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910686605.3A CN110472527A (zh) | 2019-07-29 | 2019-07-29 | 一种轨道线检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910686605.3A CN110472527A (zh) | 2019-07-29 | 2019-07-29 | 一种轨道线检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110472527A true CN110472527A (zh) | 2019-11-19 |
Family
ID=68508431
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910686605.3A Pending CN110472527A (zh) | 2019-07-29 | 2019-07-29 | 一种轨道线检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110472527A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111611862A (zh) * | 2020-04-22 | 2020-09-01 | 浙江众合科技股份有限公司 | 一种基于曲线拟合的地铁轨道半自动标注方法 |
CN112733713A (zh) * | 2021-01-08 | 2021-04-30 | 北京全路通信信号研究设计院集团有限公司 | 一种基于图像梯度角的图像中轨道线提取方法 |
CN113762171A (zh) * | 2021-09-09 | 2021-12-07 | 赛思沃德(武汉)科技有限公司 | 铁路施工现场安全监测的方法及装置 |
CN117091539A (zh) * | 2022-05-11 | 2023-11-21 | 广州镭晨智能装备科技有限公司 | 一种aoi设备轨道的标定方法、标定设备和存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH1153698A (ja) * | 1997-08-07 | 1999-02-26 | Honda Motor Co Ltd | 走行レーン軌道認識装置 |
CN103177246A (zh) * | 2013-03-26 | 2013-06-26 | 北京理工大学 | 基于动态区域划分的双模型车道线识别方法 |
CN104091352A (zh) * | 2014-07-14 | 2014-10-08 | 江南大学 | 基于结构相似度的视觉跟踪方法 |
CN107341453A (zh) * | 2017-06-20 | 2017-11-10 | 北京建筑大学 | 一种车道线提取方法及装置 |
CN109359602A (zh) * | 2018-10-22 | 2019-02-19 | 长沙智能驾驶研究院有限公司 | 车道线检测方法和装置 |
CN109583418A (zh) * | 2018-12-13 | 2019-04-05 | 武汉光庭信息技术股份有限公司 | 一种基于平行关系的车道线偏离自校正方法和装置 |
CN109591850A (zh) * | 2018-12-24 | 2019-04-09 | 郑州畅想高科股份有限公司 | 一种轨道异物检测方法及装置 |
-
2019
- 2019-07-29 CN CN201910686605.3A patent/CN110472527A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH1153698A (ja) * | 1997-08-07 | 1999-02-26 | Honda Motor Co Ltd | 走行レーン軌道認識装置 |
CN103177246A (zh) * | 2013-03-26 | 2013-06-26 | 北京理工大学 | 基于动态区域划分的双模型车道线识别方法 |
CN104091352A (zh) * | 2014-07-14 | 2014-10-08 | 江南大学 | 基于结构相似度的视觉跟踪方法 |
CN107341453A (zh) * | 2017-06-20 | 2017-11-10 | 北京建筑大学 | 一种车道线提取方法及装置 |
CN109359602A (zh) * | 2018-10-22 | 2019-02-19 | 长沙智能驾驶研究院有限公司 | 车道线检测方法和装置 |
CN109583418A (zh) * | 2018-12-13 | 2019-04-05 | 武汉光庭信息技术股份有限公司 | 一种基于平行关系的车道线偏离自校正方法和装置 |
CN109591850A (zh) * | 2018-12-24 | 2019-04-09 | 郑州畅想高科股份有限公司 | 一种轨道异物检测方法及装置 |
Non-Patent Citations (2)
Title |
---|
孙刘杰等: "《光全息数字水印技术》", 30 November 2016 * |
王宝锋等: "基于动态区域规划的双模型车道线识别方法", 《北京理工大学学报》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111611862A (zh) * | 2020-04-22 | 2020-09-01 | 浙江众合科技股份有限公司 | 一种基于曲线拟合的地铁轨道半自动标注方法 |
CN111611862B (zh) * | 2020-04-22 | 2022-09-09 | 浙江众合科技股份有限公司 | 一种基于曲线拟合的地铁轨道半自动标注方法 |
CN112733713A (zh) * | 2021-01-08 | 2021-04-30 | 北京全路通信信号研究设计院集团有限公司 | 一种基于图像梯度角的图像中轨道线提取方法 |
CN112733713B (zh) * | 2021-01-08 | 2024-02-13 | 北京全路通信信号研究设计院集团有限公司 | 一种基于图像梯度角的图像中轨道线提取方法 |
CN113762171A (zh) * | 2021-09-09 | 2021-12-07 | 赛思沃德(武汉)科技有限公司 | 铁路施工现场安全监测的方法及装置 |
CN117091539A (zh) * | 2022-05-11 | 2023-11-21 | 广州镭晨智能装备科技有限公司 | 一种aoi设备轨道的标定方法、标定设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110472527A (zh) | 一种轨道线检测方法及系统 | |
CN105893949B (zh) | 一种复杂路况场景下的车道线检测方法 | |
Son et al. | Real-time illumination invariant lane detection for lane departure warning system | |
CN107154022B (zh) | 一种适用于拖车的动态全景拼接方法 | |
CN105488501B (zh) | 基于旋转投影的车牌倾斜矫正的方法 | |
CN104408701B (zh) | 一种大场景视频图像拼接方法 | |
CN105931220B (zh) | 基于暗通道先验与最小图像熵的交通雾霾能见度检测方法 | |
CN102682292B (zh) | 基于单目视觉的道路边缘检测及粗定位方法 | |
CN108280450A (zh) | 一种基于车道线的高速公路路面检测方法 | |
CN106897698B (zh) | 基于机器视觉与双目协同技术的教室人数检测方法及系统 | |
CN110569704A (zh) | 一种基于立体视觉的多策略自适应车道线检测方法 | |
Li et al. | Nighttime lane markings recognition based on Canny detection and Hough transform | |
CN110110682B (zh) | 遥感图像的语义立体重构方法 | |
CN103106659A (zh) | 基于双目视觉稀疏点匹配的空旷区域目标检测与跟踪方法 | |
CN108171695A (zh) | 一种基于图像处理的高速公路路面检测方法 | |
CN105730336B (zh) | 倒车辅助装置及车辆 | |
CN105741276B (zh) | 一种船舶水线提取方法 | |
CN104517095B (zh) | 一种基于深度图像的人头分割方法 | |
CN110766024B (zh) | 基于深度学习的视觉里程计特征点提取方法及视觉里程计 | |
CN104850847B (zh) | 具有自动瘦脸功能的图像优化系统和方法 | |
CN108416292A (zh) | 一种基于深度学习的无人机航拍图像道路提取方法 | |
CN107248174A (zh) | 一种基于tld算法的目标跟踪方法 | |
CN109544635B (zh) | 一种基于枚举试探的相机自动标定方法 | |
CN108596923A (zh) | 三维数据的获取方法、装置以及电子设备 | |
CN110414385A (zh) | 一种基于单应性变换和特征窗口的车道线检测方法及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191119 |
|
RJ01 | Rejection of invention patent application after publication |