CN111881834B - 一种基于改进大津算法的结构化道路车道线识别方法 - Google Patents

一种基于改进大津算法的结构化道路车道线识别方法 Download PDF

Info

Publication number
CN111881834B
CN111881834B CN202010742571.8A CN202010742571A CN111881834B CN 111881834 B CN111881834 B CN 111881834B CN 202010742571 A CN202010742571 A CN 202010742571A CN 111881834 B CN111881834 B CN 111881834B
Authority
CN
China
Prior art keywords
threshold
lane line
value
image
segmentation
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
CN202010742571.8A
Other languages
English (en)
Other versions
CN111881834A (zh
Inventor
蔡永华
周志勇
吴迪
赵永华
孙靖茗
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.)
Wuhan University of Technology WUT
Original Assignee
Wuhan University of Technology WUT
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 Wuhan University of Technology WUT filed Critical Wuhan University of Technology WUT
Priority to CN202010742571.8A priority Critical patent/CN111881834B/zh
Publication of CN111881834A publication Critical patent/CN111881834A/zh
Application granted granted Critical
Publication of CN111881834B publication Critical patent/CN111881834B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于改进大津算法的结构化道路车道线识别方法，该方法包括以下步骤：1)采集包括待识别车道线的道路图像；2)对采集的图像进行阈值分割；3)根据步骤2)的分割结果获得道路车道线。本发明方法通过改进大津算法的步骤解决了原大津算法分割识别车道线存在的分割不准确以及不满足要求问题，可以准确分割车道线和道路背景，可以提高识别结果的实时性，有广阔的应用前景。

Description

一种基于改进大津算法的结构化道路车道线识别方法
技术领域
本发明涉及智能驾驶辅助技术，尤其涉及一种基于改进大津算法的结构化道路车道线识别方法。
背景技术
为了提高汽车的行驶安全，降低驾驶员的工作强度，世界各国对驾驶辅助系统(Driver Assistance System，DAS)进行了多年的研究，并已扩展到自动驾驶汽车领域。在汽车实现自动驾驶之前，高级驾驶辅助系统(Advanced Driver Assistance System，ADAS))是研究的热点，ADAS在我国发展较晚，相关技术还不成熟，而我国高级驾驶辅助系统还有很大的空缺，具有较大发展潜力。车道线检测识别模块是ADAS系统中道路场景分析的核心模块，对ADAS的性能有着重要影响。因此，对车道线检测识别研究相当重要。
目前车道线识别在实际应用中仍存在检测速度慢、准确率低等问题。因此，研究一种更快更高准确率的车道线检测识别方法具有重要的现实意义。
发明内容
本发明要解决的技术问题在于针对现有技术中的缺陷，提供一种基于改进大津算法的结构化道路车道线识别方法。
本发明解决其技术问题所采用的技术方案是：一种基于改进大津算法的结构化道路车道线识别方法，包括以下步骤：
1)采集包括待识别车道线的道路图像；
2)对采集的图像进行阈值分割，具体如下：
2.1)采集的图像共有l个不同的强度值，对每帧图像的强度值范围在[0,l-1]，设阈值k的取值为[0,l-1]，令阈值k取范围中的每个强度值，计算每个阈值的类间方差；
2.2)获得使每帧图像类间方差达到最大的阈值k，如果有多个这样的阈值，则取它们的均值，作为全局最佳分割阈值T；
2.3)比较前一帧图片的全局最佳分割阈值T1与当前帧的全局最佳分割阈值T2的绝对值之差，若绝对值之差小于设定值n，则使用阈值T2分割当前帧；若绝对值之差大于等于设定值n，则阈值T1分割当前帧，然后看分割后的图片的高灰度级像素总占比是否在5％～20％之间，若是，则令T2＝T1，若不是，则使用阈值T2再次分割当前帧；
3)根据步骤2)的分割结果获得道路车道线。
按上述方案，所述步骤2.3)中设定值n为20。
本发明产生的有益效果是：本发明方法通过改进大津算法的步骤解决了原大津算法分割识别车道线存在的分割不准确以及不满足要求问题，可以准确分割车道线和道路背景，效果较好并且计算量小，可以提高识别结果的实时性，有广阔的应用前景。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1是本发明实施例的全局最优阈值的选取示意图；
图2是本发明实施例的不同场景的有效区域截取图；
图3是本发明实施例的不同场景图像的直方图；
图4是本发明实施例的otsu算法阈值处理结果示意图；
图5是本发明实施例的改进的大津算法流程；
图6是本发明实施例的改进算法对连续帧图像阈值处理结果；
图7是本发明实施例的方法流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
如图7所示，一种基于改进大津算法的结构化道路车道线识别方法，包括以下步骤：
1)采集包括待识别车道线的道路图像；
2)对采集的图像进行阈值分割，具体如下：
2.1)采集的图像共有l个不同的强度值，对每帧图像的强度值范围在[0,l-1]，设阈值k的取值为[0,l-1]，令阈值k取范围中的每个强度值，计算每个阈值的类间方差；
2.2)获得使每帧图像类间方差达到最大的阈值k，如果有多个这样的阈值，则取它们的均值，作为全局最佳分割阈值T；
2.3)比较前一帧图片的全局最佳分割阈值T1与当前帧的全局最佳分割阈值T2的绝对值之差，若绝对值之差小于设定值n，则使用阈值T2分割当前帧；若绝对值之差大于等于设定值n，则阈值T1分割当前帧，然后看分割后的图片的高灰度级像素总占比是否在5％～20％之间，若是，则令T2＝T1，若不是，则使用阈值T2再次分割当前帧；
3)根据步骤2)的分割结果获得道路车道线。
实施例一：
目标图像和背景图像的灰度级近似呈正态分布，整幅图像的直方图可以看作是几个灰度集合叠加。因此，当观察整幅图像的直方图时，可以发现该直方图的包络线有两个波峰，一个是目标图像部分的波峰，另外一个是背景部分图像的波峰，如图1所示，图中阈值T就是全局最优阈值，可以降低阈值分类处理的错误率。
最大类间方差法(Otsu)可以用来自动估计全局最优阈值。日本学者大津展之在1979年提出了大津算法(otsu),由大津算法得到的全局阈值对图像进行阈值分割。大津算法得到全局阈值使前景和背景像素的灰度值的类间方差最大，所以此算法也被称为最大类间方差算法
Otsu算法的原理：
假设一幅m×n的图像共有l个不同的强度值，分别为0,1,2,…,l-1，用ni表示像素点的强度值为li的数目。总像素点数目为mn＝n0+n1+…+nl-1。某像素点的强度值是li的概率为pi＝ni/mn，其中p0+p1+…+pl-1＝1现在有一个强度值k，其中0＜k＜l-1。使用该阈值来分割图像，它会把图像所有的像素点划分成C1和C2两个集合。集合C1是由强度在0,k范围内的所有像素点组成，集合C2由强度在k+1,l-1范围内的所有像素点组成。
使用阈值k，一个像素点属于C1的概率为P1(k)，如式(1-1)所示。则C1中所有像素点平均强度为g1(k)，如式(1-2)所示。
Figure BDA0002607238670000051
Figure BDA0002607238670000061
一个像素点属于C2的概率为P2(k)，如式(1-3)所示。则C2中所有像素点平均强度值为g2(k)，如式(1-4)所示。
P2(k)＝1-P1(k) (1-3)
Figure BDA0002607238670000062
整幅图像的平均强度为g，如式(1-5)所示。从灰度0级到k级的平均强度为g(k)，如式(1-6)所示。
Figure BDA0002607238670000063
Figure BDA0002607238670000064
整幅图像的加权均值与C1中所有像素点强度的加权均值和C2中所有像素点强度的加权均值的关系如式(1-7)所示。
g＝g1(k)P1(k)+g2(k)P2(k) (1-7)
g1和g2之间的方差
Figure BDA0002607238670000065
计算公式如式(1-8)所示。根据P1(k)和P2(k)之间的关系，把式(1-8)转化为式(1-9)所示形式。
Figure BDA0002607238670000066
Figure BDA0002607238670000067
类间方差σ2是两类之间的可分性测度。其值越大，则两类的差别越大，就越容易分割。因此，只要类g1和g2之间的方差
Figure BDA0002607238670000071
最大，阈值k就会更接近理想阈值。
大津算法的计算步骤如下：
1)某图像的强度值范围[0，l-1]，则阈值k的取值也在该范围之内，令阈值K取范围中的每个强度值。
2)计算每个阈值的类间方差。
3)全局最佳分割阈值，其等于使类间方差达到最大的阈值k。如果有多个这样的阈值，则取它们的均值。
其具体MATLAB代码为
I＝imread('.jpg')；
a＝rgb2gray(I)；
level＝graythresh(a)；
a＝im2bw(a,level)；
level
figure,
imshow(a,[])
因为在采集的行驶车辆前方道路图像中，车道线占的比例比较小，可以说是微乎其微，其它包含车道线部分的图像统称为非车道线部分，此部分图像组成比较复杂。因此，在灰度化的道路图像的灰度直方图中会有多处峰值。可以说直方图中有几个峰值在灰度化的道路图像中就可以把图像中的像素点分为几类。在图2中，展示了4张行驶车辆前方道路的图像。图3中(a)、(b)、(c)和(d)右边的图像为其图像的直方图。可以发现不同场景中，图像的直方图中峰值个数不同。otsu算法对单目标和背景的分割非常有效，即图像的直方图中只有两个峰值。但是如果图像的直方图中有多个峰值，otsu算法并不能很好的工作，如图4所示。图4中图像(a)、(b)、(c)和(d)分别是图2中图像(a)、(b)、(c)和(d)经otsu算法分割后的图像。可以发现阈值分割后的效果较差，完全没有分割出车道线。
本实施例根据现有大津算法的特性和实际情况，对其使用过程进行改变。在行驶车辆前方道路图像的底部目标比较单一，一般只有车道和车道线组成。所以在ROI底部选取一个局部区域。经多次实验得出，用Otsu算法对该局部区域进行处理，得到一个局部最佳阈值。用局部最佳阈值来分割整个ROI，最终分割效果较好。当为不连续的车道线时，部分图像底部可能并没有车道线，为了改变这种情况，利用帧间关联，视频中帧和帧之间的改变较小，可以关联起来统一考虑。通过实验发现两帧之间ROI区域的最佳阈值相差较小，如果上一帧图像区域的最佳阈值和当前帧图像的最佳阈值发生跃变时，则当前帧图像的阈值分割效果不好，采用前一帧图像的阈值来分割效果会比较好。经过多次对比，发现当前后两帧最佳阈值差超过20个灰度级，可以判断当前帧阈值分割效果较差，采用前一帧最佳阈值来分割当前帧，为了保证分割的结果，并引入了反馈机制。对1000张阈值分割效果好的图片进行分析发现，图片中灰度级高的像素(车道部分)在整个ROI区域中的占比在5％至20％之间，具体流程如图5所示。图6所示为采用改进算法阈值分割后的图像，图中第1列是连续帧图像中感兴趣区域的灰度图像，第2列是与第1列相对应的阈值分割结果图像。对比分析改进后与改进前的结果图像，显而易见改进后阈值分割更准确，而且算法更快。
应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (2)

1.一种基于改进大津算法的结构化道路车道线识别方法，其特征在于，包括以下步骤：
1)采集包括待识别车道线的道路图像；
2)对采集的图像进行阈值分割，具体如下：
2.1)采集的图像共有l个不同的强度值，对每帧图像的强度值范围在[0,l-1]，设阈值k的取值为[0,l-1]，令阈值k取范围中的每个强度值，计算每个阈值的类间方差；
2.2)获得使每帧图像类间方差达到最大的阈值k，如果有多个这样的阈值，则取它们的均值，作为全局最佳分割阈值T；
2.3)比较前一帧图片的全局最佳分割阈值T1与当前帧的全局最佳分割阈值T2的绝对值之差，若绝对值之差小于设定值n，则使用阈值T2分割当前帧；若绝对值之差大于等于设定值n，则使用阈值T1分割当前帧，然后看分割后的图片的高灰度级像素总占比是否在5％～20％之间，若是，则令T2＝T1，若不是，则使用阈值T2再次分割当前帧；
3)根据步骤2)的分割结果获得道路车道线。
2.根据权利要求1所述的基于改进大津算法的结构化道路车道线识别方法，其特征在于，所述步骤2.3)中设定值n为20。
CN202010742571.8A 2020-07-29 2020-07-29 一种基于改进大津算法的结构化道路车道线识别方法 Active CN111881834B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010742571.8A CN111881834B (zh) 2020-07-29 2020-07-29 一种基于改进大津算法的结构化道路车道线识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010742571.8A CN111881834B (zh) 2020-07-29 2020-07-29 一种基于改进大津算法的结构化道路车道线识别方法

Publications (2)

Publication Number Publication Date
CN111881834A CN111881834A (zh) 2020-11-03
CN111881834B true CN111881834B (zh) 2022-03-01

Family

ID=73201945

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010742571.8A Active CN111881834B (zh) 2020-07-29 2020-07-29 一种基于改进大津算法的结构化道路车道线识别方法

Country Status (1)

Country Link
CN (1) CN111881834B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113657194B (zh) * 2021-07-27 2023-09-22 武汉理工大学 基于改进的surf算法的车辆摄像头图像特征提取匹配方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104184957A (zh) * 2014-09-17 2014-12-03 中国科学院光电技术研究所 一种适用于空间探测成像的基于自适应预期图像平均亮度的自动曝光控制方法
WO2016160538A1 (en) * 2015-03-27 2016-10-06 The Johns Hopkins University Multi-level otsu for positron emission tomography (mo-pet)
WO2017172778A1 (en) * 2016-03-28 2017-10-05 Sri International Collaborative navigation and mapping
CN107729866A (zh) * 2017-10-31 2018-02-23 武汉理工大学 基于时序图像的船舶碰标自动检测装置及方法
CN107945199A (zh) * 2017-10-26 2018-04-20 国网山东省电力公司菏泽供电公司 基于蝙蝠算法和大津算法的红外图像分割方法及系统
US10108835B2 (en) * 2015-07-23 2018-10-23 Fujian Landi Commercial Equipment Co., Ltd. Method and system for decoding two-dimensional code using weighted average gray-scale algorithm

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7059701B2 (ja) * 2018-03-08 2022-04-26 富士通株式会社 推定装置、推定方法、及び推定プログラム

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104184957A (zh) * 2014-09-17 2014-12-03 中国科学院光电技术研究所 一种适用于空间探测成像的基于自适应预期图像平均亮度的自动曝光控制方法
WO2016160538A1 (en) * 2015-03-27 2016-10-06 The Johns Hopkins University Multi-level otsu for positron emission tomography (mo-pet)
US10108835B2 (en) * 2015-07-23 2018-10-23 Fujian Landi Commercial Equipment Co., Ltd. Method and system for decoding two-dimensional code using weighted average gray-scale algorithm
WO2017172778A1 (en) * 2016-03-28 2017-10-05 Sri International Collaborative navigation and mapping
CN107945199A (zh) * 2017-10-26 2018-04-20 国网山东省电力公司菏泽供电公司 基于蝙蝠算法和大津算法的红外图像分割方法及系统
CN107729866A (zh) * 2017-10-31 2018-02-23 武汉理工大学 基于时序图像的船舶碰标自动检测装置及方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
An Improved Otsu Multi-Threshold Image Segmentation Algorithm Based on Pigeon-Inspired Optimization;Wei Liu 等;《2018 11th International Congress on Image and Signal Processing, BioMedical Engineering and Informatics (CISP-BMEI)》;20190204;全文 *
基于车道线和多特征的前方车辆检测研究;吴迪;《电脑知识与技术》;20180430;第14卷(第12期);全文 *

Also Published As

Publication number Publication date
CN111881834A (zh) 2020-11-03

Similar Documents

Publication Publication Date Title
CN108596129B (zh) 一种基于智能视频分析技术的车辆越线检测方法
CN109447018B (zh) 一种基于改进Faster R-CNN的道路环境视觉感知方法
WO2019196131A1 (zh) 面向车载热成像行人检测的感兴趣区域过滤方法和装置
CN108038416B (zh) 车道线检测方法及系统
CN112036254B (zh) 基于视频图像的运动车辆前景检测方法
CN104036246B (zh) 一种基于多特征融合及多态均值的车道线定位方法
CN101996410A (zh) 动态背景下的运动目标检测方法及系统
CN111553214B (zh) 一种驾驶员吸烟行为检测方法及系统
CN114708567B (zh) 一种基于双目摄像头的路面坑洼检测和避让方法及系统
CN113011255B (zh) 基于rgb图像的路面检测方法、系统和智能终端
KR20190103508A (ko) 차선 검출 방법, 이를 수행하기 위한 장치 및 기록매체
CN107578048B (zh) 一种基于车型粗分类的远视场景车辆检测方法
CN107844772A (zh) 一种基于移动目标跟踪的机动车自动检测方法
CN112862845A (zh) 一种基于置信度评估的车道线重构方法及装置
CN111881834B (zh) 一种基于改进大津算法的结构化道路车道线识别方法
CN111723778B (zh) 基于MobileNet-SSD的车辆测距系统及方法
CN113077494A (zh) 一种基于车辆轨迹的路面障碍物智能识别设备
CN113034378A (zh) 一种区分电动汽车与燃油汽车的方法
CN113221739B (zh) 基于单目视觉的车距测量方法
CN115376108A (zh) 一种复杂天气下障碍物检测方法及装置
CN104866838A (zh) 一种基于视觉的前方车辆自动检测方法
Wang et al. Lane detection based on two-stage noise features filtering and clustering
CN104966064A (zh) 基于视觉的前方行人测距方法
CN116012949B (zh) 一种复杂场景下的人流量统计识别方法及系统
CN114882469A (zh) 一种基于dl-ssd模型的交通标志检测方法及系统

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
GR01 Patent grant
GR01 Patent grant