CN112149600A - 一种大数据汽车驾驶区域图像分析方法及系统 - Google Patents

Abstract

本发明涉及一种图像分析的技术领域，揭露了一种大数据汽车驾驶区域图像分析方法，包括：获取汽车驾驶视频流，并从中截取若干帧汽车驾驶图像，并将所截取的汽车驾驶图像转换为灰度图；利用局部最大类间方差法对所述灰度图进行二值化处理，得到二值化汽车驾驶图像；利用动态区域检测方法，根据上一帧汽车驾驶图像的车速数据检测到当前汽车的所处区域；利用基于动态区域的全局搜索算法对汽车所处区域进行搜索，得到汽车的当前驾驶区域，所述汽车的当前驾驶区域为汽车的驾驶路线；根据所述汽车驾驶区域，利用所述动态区域检测法，预测汽车的后续驾驶区域。本发明还提供了一种大数据汽车驾驶区域图像分析系统。本发明实现了图像的分析。

Description

一种大数据汽车驾驶区域图像分析方法及系统

技术领域

本发明涉及图像分析的技术领域，尤其涉及一种大数据汽车驾驶区域图像分析方法及系统。

背景技术

随着科技的发展，基于计算机视觉的车辆自主导航技术成为当前研究的热门话题。其中，车辆驾驶区域识别技术更是车辆自主导航系统的重要组成部分，然而，目前在乡村道路、盘山公路等无明显标线的非结构化道路的驾驶环境下加之阴影的存在，车辆驾驶区域识别技术仍然存在着准确率低、实时性差和易受光照影响的缺点。

鉴于此，如何有效降低车辆驾驶图像中阴影的影响，从而准确识别汽车驾驶区域，并进行车辆自主导航，成为本领域技术人员亟待解决的问题。

发明内容

本发明提供一种大数据汽车驾驶区域图像分析方法，通过提出一种动态区域检测方法，利用上一帧汽车驾驶图像的车速数据检测到当前车辆的所处区域，并利用基于动态区域的全局搜索算法，搜索得到当前车辆的驾驶区域。

为实现上述目的，本发明提供的一种大数据汽车驾驶区域图像分析方法，包括：

获取汽车驾驶视频流，并从中截取若干帧汽车驾驶图像，并将所截取的汽车驾驶图像转换为灰度图；

利用局部最大类间方差法对所述灰度图进行二值化处理，得到二值化汽车驾驶图像；

利用动态区域检测方法，根据上一帧汽车驾驶图像的车速数据检测到当前汽车的所处区域；

利用基于动态区域的全局搜索算法对汽车所处区域进行搜索，得到汽车的当前驾驶区域，所述汽车的当前驾驶区域为汽车的驾驶路线；

根据所述汽车驾驶区域，利用所述动态区域检测法，预测汽车的后续驾驶区域。

可选地，所述将所截取的汽车驾驶图像转换为灰度图，包括：

利用灰度图转换方法将所截取的汽车驾驶图像转换为灰度图，所述灰度图转换公式为：

Gray_(i，j)＝R_(i，j)×0.3+G_(i，j)×0.59+B_(i，j)×0.11

其中：

R_(i，j)，G_(i，j)，B_(i，j)为像素(i，j)在R，G，B三个颜色分量中的像素值；

Gray_(i，j)为像素(i，j)的灰度值。

可选地，所述利用局部最大类间方差法对所述灰度图进行二值化处理，包括：

1)计算灰度图的平均灰度：

其中：

M×N像素为灰度图的大小；

k表示灰度图的灰度级；

ρ(k)为灰度级为k的像素出现的概率；

n(k)为灰度级为k的像素出现的个数；

2)以灰度级m为分割阈值，小于此阈值为背景，大于等于此阈值为前景，从而将灰度图分成前景和背景，则背景灰度值为：

背景数比例为：

前景灰度值为：

前景数比例为：

3)计算前景和背景的方差：

σ＝w_b×(μ_b-μ)²+w_f×(μ_f-μ)²

通过对分割阈值m进行修改，使得前景和背景的方差达到最大，此时的分割阈值为最佳分割阈值，并以最佳分割阈值进行灰度图的二值化分割处理，得到二值化汽车驾驶图像。

可选地，所述利用动态区域检测方法检测到当前汽车的所处区域，包括：

1)利用仿射变换将汽车驾驶图像转换为鸟瞰图；

2)标定鸟瞰图中像素坐标系和大地坐标系的位移比例：

其中：

m为鸟瞰图中像素坐标系下的行坐标；

n为鸟瞰图中像素坐标系下的列坐标；

h为大地坐标系下的实际横向距离；

s为大地坐标系下的实际纵向距离；

ax,ay分别是鸟瞰图坐标系与大地坐标系的横纵向距离比；

3)对左右车道线点集进行大地坐标系转化：

x_l，y_l为左车道线的横向以及纵向坐标；

x_r，y_r为右车道线的横向以及纵向坐标；

并进行极坐标的转化：

4)计算车道线各点的切线斜率为：

5)对车辆的动态区域进行检测，所述车辆的动态区域范围为：

其中：

X为动态区域的横向距离；

Y为动态区域的纵向距离；

t为第t帧汽车驾驶图像；

v为汽车的行驶速度。

可选地，所述利用基于动态区域的全局搜索算法对汽车所处区域进行搜索，包括：

1)设置倾斜的直线为每行搜索的起始点，只要该直线的所有点都能满足将左右车道线分开，且在视野范围内不与车道线相交，则该线符合要求；

2)采用上一帧车道线的偏向作为起始线的倾斜方向，具体直线由上一帧左车道线的最低点和最高点确定，然后向右平移半个车道，根据两点以及函数方程图像平移规则，即可确定搜索起始线的轨迹；

3)从图像底部开始向上进行搜索，直到达到动态区域的边缘，则停止搜索；每一行只搜索一次，即搜索到车道线边缘后即转向下一行在搜索；所述汽车驾驶区域的判断函数为：

σ(x，y)＝f(x，y)×H(x，y)

其中：

f(x，y)为汽车驾驶图像；

H(x，y)为种子矩阵，该矩阵为三行三列，矩阵值同所在行的矩阵；

通过设置阈值λ，若判断函数σ(x，y)≥λ，则可认为该点处(x_i，y_i)为汽车驾驶区域上的点，如果不满足阈值要求，即继续搜索直到动态区域边界；

同时，在前一帧图像的搜索范围上设定下一帧图像的搜索范围，并设置动态局部搜索的开启条件，当汽车的横向速度较小时进行动态局部搜索，通过设置动态局部区域，并在动态局部区域内进行汽车驾驶区域的搜索，所述动态局部区域的范围远小于前一帧图像的搜索范围。

可选地，所述利用所述动态区域检测法，预测汽车的后续驾驶区域，包括：

所述汽车的后续驾驶区域为：

其中：

k为车道线各点的斜率；

v_t为当前时刻t的汽车的速度；

X_t+h为经历h时刻后，汽车所在区域的横向距离；

Y_t+h为经历h时刻后，汽车所在区域的纵向距离。

此外，为实现上述目的，本发明还提供一种大数据汽车驾驶区域图像分析系统，所述系统包括：

车辆图像获取装置，用于获取汽车驾驶视频流，并从中截取若干帧汽车驾驶图像；

图像处理器，用于将所截取的汽车驾驶图像转换为灰度图，利用局部最大类间方差法对所述灰度图进行二值化处理，得到二值化汽车驾驶图像；

驾驶区域分析装置，用于利用动态区域检测方法，根据上一帧汽车驾驶图像的车速数据检测到当前汽车的所处区域，同时利用基于动态区域的全局搜索算法进行汽车驾驶区域的识别。

此外，为实现上述目的，本发明还提供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有驾驶区域识别程序指令，所述驾驶区域识别程序指令可被一个或者多个处理器执行，以实现如上所述的大数据汽车驾驶区域图像分析的实现方法的步骤。

相对于现有技术，本发明提出一种大数据汽车驾驶区域图像分析方法，该技术具有以下优势：

首先，对于传统的局部最大类间方差法，对于驾驶区域，一些天空、树木、树影都会极大的影响阈值的选取，从而使新图像中依旧混有较多的噪声，影响后续特征点的检测，因此本发明采用局部自适应道路图像分割，分割区域仅是驾驶道路，不涉及道路之外的其他对象。

同时，由于在道路图像的横向，通常会出现路边的树木、相邻车道等图像；这些图像与汽车保持原车道行驶无关，同时还会干扰车道线检测，增加运算的时间。所以本发明提出一种动态区域检测方法，为了实现车道线几何特征的跟踪，本发明利用上一帧所采集的车道线方程，对其进行大地极坐标系下转化，所述转化公式为：

其中m为鸟瞰图中像素坐标系下的行坐标，n为鸟瞰图中像素坐标系下的列坐标，h为大地坐标系下的实际横向距离，s为大地坐标系下的实际纵向距离，ax,ay分别是鸟瞰图坐标系与大地坐标系的横纵向距离比，实现了基于实际长度单位的车道线数学模型，并通过设置了基于道路曲率的检测区域横向约束，如果道路曲率过大，将根据道路延伸方向设置左右横向边界，例如向左转弯，左边区域边界就大，右边区域保持基本范围，反之一样。若是汽车保持直线行驶，则左右区域边界保持基本安全范围，从而实现自适应检测当前汽车的所处区域。

最后，本发明提出一种基于动态区域的全局搜索算法，用来检测汽车驾驶区域，通过图像底部开始向上进行搜索，直到达到动态区域的边缘，则停止搜索；每一行只搜索一次，即搜索到车道线边缘后即转向下一行在搜索；所述汽车驾驶区域的判断函数为：

σ(x，y)＝f(x，y)×H(x，y)

其中f(x，y)为汽车驾驶图像，H(x，y)为种子矩阵，该矩阵为三行三列，矩阵值同所在行的矩阵，由于道路的像素矩阵同背景以及车辆的像素矩阵存在差异，通过对种子矩阵进行调整，并设置阈值λ，当道路的像素矩阵同种子矩阵的乘积满足阈值，即判断函数σ(x，y)≥λ，则该点(x_i，y_i)所处区域为汽车驾驶区域上的点，如果不满足阈值要求，即继续搜索直到动态区域边界；同时，为了提高检测驾驶区域的实时性，减少运算时间，本发明在前一帧图像的搜索范围上设定下一帧图像的搜索范围，并设置动态局部搜索的开启条件，当汽车的横向速度较小时进行动态局部搜索，通过设置动态局部区域，并在动态局部区域内进行汽车驾驶区域的搜索，所述动态局部区域的范围远小于前一帧图像的搜索范围，避免因为搜索范围的缩小，导致汽车驾驶区域的误检和缺检。

附图说明

图1为本发明一实施例提供的一种大数据汽车驾驶区域图像分析方法的流程示意图；

图2为本发明一实施例提供的一种大数据汽车驾驶区域图像分析系统的结构示意图；

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

通过提出一种动态区域检测方法，利用上一帧汽车驾驶图像的车速数据检测到当前车辆的所处区域，并利用基于动态区域的全局搜索算法，搜索得到当前车辆的驾驶区域。参照图1所示，为本发明一实施例提供的大数据汽车驾驶区域图像分析方法示意图。

在本实施例中，大数据汽车驾驶区域图像分析方法包括：

S1、获取汽车驾驶视频流，并从中截取若干帧汽车驾驶图像，并将所截取的汽车驾驶图像转换为灰度图。

首先，对于待分析汽车，本发明利用行车记录仪获取汽车驾驶视频流，并从中截取若干帧汽车驾驶图像；

根据所截取的图像，本发明利用灰度图转换方法将所截取的汽车驾驶图像转换为灰度图，所述灰度图转换公式为：

Gray_(i，j)＝R_(i，j)×0.3+G_(i，j)×0.59+B_(i，j)×0.11

其中：

R_(i，j)，G_(i，j)，B_(i，j)为像素(i，j)在R，G，B三个颜色分量中的像素值；

Gray_(i，j)为像素(i，j)的灰度值。

S2、利用局部最大类间方差法对所述灰度图进行二值化处理，得到二值化汽车驾驶图像。

进一步地，本发明利用局部最大类间方差法对所述灰度图进行二值化处理，所述灰度图的二值化处理流程为：

1)计算灰度图的平均灰度：

其中：

M×N像素为灰度图的大小；

k表示灰度图的灰度级；

ρ(k)为灰度级为k的像素出现的概率；

n(k)为灰度级为k的像素出现的个数；

2)以灰度级m为分割阈值，小于此阈值为背景，大于等于此阈值为前景，从而将灰度图分成前景和背景，则背景灰度值为：

背景数比例为：

前景灰度值为：

前景数比例为：

3)计算前景和背景的方差：

σ＝w_b×(μ_b-μ)²+w_f×(μ_f-μ)²

通过对分割阈值m进行修改，使得前景和背景的方差达到最大，此时的分割阈值为最佳分割阈值，并以最佳分割阈值进行灰度图的二值化分割处理，得到二值化汽车驾驶图像；

对于传统的局部最大类间方差法，对于驾驶区域，一些天空、树木、树影都会极大的影响阈值的选取，从而使新图像中依旧混有较多的噪声，影响后续特征点的检测，因此本发明采用局部自适应道路图像分割，分割区域仅是驾驶道路，不涉及道路之外的其他对象。

S3、利用动态区域检测方法，根据上一帧汽车驾驶图像的车速数据检测到当前汽车的所处区域。

进一步地，本发明利用动态区域检测方法，根据上一帧汽车驾驶图像的车速数据检测到当前汽车的所处区域，所述动态区域检测方法的流程为：

1)利用仿射变换将汽车驾驶图像转换为鸟瞰图；

2)标定鸟瞰图中像素坐标系和大地坐标系的位移比例：

其中：

m为鸟瞰图中像素坐标系下的行坐标；

n为鸟瞰图中像素坐标系下的列坐标；

h为大地坐标系下的实际横向距离；

s为大地坐标系下的实际纵向距离；

ax,ay分别是鸟瞰图坐标系与大地坐标系的横纵向距离比；

3)对左右车道线点集进行大地坐标系转化：

x_l，y_l为左车道线的横向以及纵向坐标；

x_r，y_r为右车道线的横向以及纵向坐标；

并进行极坐标的转化：

4)计算车道线各点的切线斜率为：

5)对车辆的动态区域进行检测，所述车辆的动态区域范围为：

其中：

X为动态区域的横向距离；

Y为动态区域的纵向距离；

t为第t帧汽车驾驶图像；

v为汽车的行驶速度。

S4、利用基于动态区域的全局搜索算法对汽车所处区域进行搜索，得到汽车的当前驾驶区域。

进一步地，本发明利用基于动态区域的全局搜索算法对汽车所处区域进行搜索，得到汽车的当前驾驶区域，所述汽车的当前驾驶区域为汽车的驾驶路线，所述基于动态区域的全局搜索算法流程为：

1)设置倾斜的直线为每行搜索的起始点，只要该直线的所有点都能满足将左右车道线分开，且在视野范围内不与车道线相交，则该线符合要求；

2)采用上一帧车道线的偏向作为起始线的倾斜方向，具体直线由上一帧左车道线的最低点和最高点确定，然后向右平移半个车道，根据两点以及函数方程图像平移规则，即可确定搜索起始线的轨迹；

3)从图像底部开始向上进行搜索，直到达到动态区域的边缘，则停止搜索；每一行只搜索一次，即搜索到车道线边缘后即转向下一行在搜索；所述汽车驾驶区域的判断函数为：

σ(x，y)＝f(x，y)×H(x，y)

其中：

f(x，y)为汽车驾驶图像；

H(x，y)为种子矩阵，该矩阵为三行三列，矩阵值同所在行的矩阵；

通过设置阈值λ，若判断函数σ(x，y)≥λ，则可认为该点处(x_i，y_i)为汽车驾驶区域上的点，如果不满足阈值要求，即继续搜索直到动态区域边界；

同时，为了提高检测驾驶区域的实时性，减少运算时间，本发明在前一帧图像的搜索范围上设定下一帧图像的搜索范围，并设置动态局部搜索的开启条件，当汽车的横向速度较小时进行动态局部搜索，通过设置动态局部区域，并在动态局部区域内进行汽车驾驶区域的搜索，所述动态局部区域的范围远小于前一帧图像的搜索范围，避免因为搜索范围的缩小，导致汽车驾驶区域的误检和缺检。

S5、根据所识别的汽车驾驶区域，利用所述动态区域检测法，预测汽车的后续驾驶区域。

进一步地，根据所识别的汽车驾驶区域，本发明利用动态区域检测法，预测得到汽车的后续驾驶区域，其中汽车的后续驾驶区域为：

其中：

k为车道线各点的斜率；

v_t为当前时刻t的汽车的速度；

X_t+h为经历h时刻后，汽车所在区域的横向距离；

Y_t+h为经历h时刻后，汽车所在区域的纵向距离。

下面通过一个算法实验来说明本发明的具体实施方式，并对发明的处理方法进行测试。本发明算法的硬件测试环境为：Inter(R)Core(TM)i7-6700K CPU，软件为Matlab2016a；对比方法为基于RANSAC的驾驶区域检测方法、霍夫变换检测方法以及基于消失点估计的驾驶区域检测方法。

在本发明所述算法实验中，数据集为Caltech车道线数据集，总共包括Cordova1，Cordova2，washington1，washington2等四段道路，不仅有结构化程度较高的路段，也有弯曲的车道与岔道等。本实验通过将图像数据输入到算法模型中，将驾驶区域识别的准确率作为方法可行性的评价指标。

根据实验结果，基于RANSAC的驾驶区域检测方法的驾驶区域识别准确率为85.39％，霍夫变换检测方法的驾驶区域识别准确率为88.21％，基于消失点估计的驾驶区域检测方法的驾驶区域识别准确率为86.24％，本发明所述方法的驾驶区域识别准确率为92.21％，相较于对比算法，本发明所提出的大数据汽车驾驶区域图像分析方法具有更高的驾驶区域识别准确率。

发明还提供一种大数据汽车驾驶区域图像分析系统。参照图2所示，为本发明一实施例提供的大数据汽车驾驶区域图像分析系统的内部结构示意图。

在本实施例中，所述大数据汽车驾驶区域图像分析系统1至少包括车辆图像获取装置11、图像处理器12、驾驶区域分析装置13，通信总线14，以及网络接口15。

其中，车辆图像获取装置11可以是PC(Personal Computer，个人电脑)，或者是智能手机、平板电脑、便携计算机等终端设备，也可以是一种服务器等。

图像处理器12至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、磁性存储器、磁盘、光盘等。图像处理器12在一些实施例中可以是大数据汽车驾驶区域图像分析系统1的内部存储单元，例如该大数据汽车驾驶区域图像分析系统1的硬盘。图像处理器12在另一些实施例中也可以是大数据汽车驾驶区域图像分析系统1的外部存储设备，例如大数据汽车驾驶区域图像分析系统1上配备的插接式硬盘，智能存储卡(SmartMedia Card,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(Flash Card)等。进一步地，图像处理器12还可以既包括大数据汽车驾驶区域图像分析系统1的内部存储单元也包括外部存储设备。图像处理器12不仅可以用于存储安装于驾驶区域图像分析系统1的应用软件及各类数据，还可以用于暂时地存储已经输出或者将要输出的数据。

驾驶区域分析装置13在一些实施例中可以是一中央处理器(CentralProcessingUnit,CPU)、控制器、微控制器、微处理器或其他数据处理芯片，用于运行图像处理器12中存储的程序代码或处理数据，例如汽车驾驶区域识别程序指令等。

通信总线14用于实现这些组件之间的连接通信。

网络接口15可选的可以包括标准的有线接口、无线接口(如WI-FI接口)，通常用于在该系统1与其他电子设备之间建立通信连接。

可选地，该系统1还可以包括用户接口，用户接口可以包括显示器(Display)、输入单元比如键盘(Keyboard)，可选的用户接口还可以包括标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在大数据汽车驾驶区域图像分析系统1中处理的信息以及用于显示可视化的用户界面。

图2仅示出了具有组件11-15以及大数据汽车驾驶区域图像分析系统1，本领域技术人员可以理解的是，图1示出的结构并不构成对大数据汽车驾驶区域图像分析系统1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。

在图2所示的装置1实施例中，图像处理器12中存储有汽车驾驶区域图像分析程序指令；驾驶区域分析装置13执行图像处理器12中存储的汽车驾驶区域图像分析程序指令的步骤，与大数据汽车驾驶区域图像分析方法的实现方法相同，在此不作类述。

此外，本发明实施例还提出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有汽车驾驶区域图像分析程序指令，所述汽车驾驶区域图像分析程序指令可被一个或多个处理器执行，以实现如下操作：

获取汽车驾驶视频流，并从中截取若干帧汽车驾驶图像，并将所截取的汽车驾驶图像转换为灰度图；

利用局部最大类间方差法对所述灰度图进行二值化处理，得到二值化汽车驾驶图像；

利用动态区域检测方法，根据上一帧汽车驾驶图像的车速数据检测到当前汽车的所处区域；

利用基于动态区域的全局搜索算法对汽车所处区域进行搜索，得到汽车的当前驾驶区域，所述汽车的当前驾驶区域为汽车的驾驶路线；

根据所述汽车驾驶区域，利用所述动态区域检测法，预测汽车的后续驾驶区域。

需要说明的是，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。并且本文中的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。

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上述实施例方法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，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的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，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，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的方法。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (8)

1.一种大数据汽车驾驶区域图像分析方法，其特征在于，所述方法包括：

获取汽车驾驶视频流，并从中截取若干帧汽车驾驶图像，并将所截取的汽车驾驶图像转换为灰度图；

利用局部最大类间方差法对所述灰度图进行二值化处理，得到二值化汽车驾驶图像；

利用动态区域检测方法，根据上一帧汽车驾驶图像的车速数据检测到当前汽车的所处区域；

利用基于动态区域的全局搜索算法对汽车所处区域进行搜索，得到汽车的当前驾驶区域，所述汽车的当前驾驶区域为汽车的驾驶路线；

根据所述汽车驾驶区域，利用所述动态区域检测法，预测汽车的后续驾驶区域。

2.如权利要求1所述的一种大数据汽车驾驶区域图像分析方法，其特征在于，所述将所截取的汽车驾驶图像转换为灰度图，包括：

利用灰度图转换方法将所截取的汽车驾驶图像转换为灰度图，所述灰度图转换公式为：

Gray_(i，j)＝R_(i，j)×0.3+G_(i，j)×0.59+B_(i，j)×0.11

其中：

R_(i，j)，G_(i，j)，B_(i，j)为像素(i，j)在R，G，B三个颜色分量中的像素值；

Gray_(i，j)为像素(i，j)的灰度值。

3.如权利要求2所述的一种大数据汽车驾驶区域图像分析方法，其特征在于，所述利用局部最大类间方差法对所述灰度图进行二值化处理，包括：

1)计算灰度图的平均灰度：

其中：

M×N像素为灰度图的大小；

k表示灰度图的灰度级；

ρ(k)为灰度级为k的像素出现的概率；

n(k)为灰度级为k的像素出现的个数；

2)以灰度级m为分割阈值，小于此阈值为背景，大于等于此阈值为前景，从而将灰度图分成前景和背景，则背景灰度值为：

背景数比例为：

前景灰度值为：

前景数比例为：

3)计算前景和背景的方差：

σ＝w_b×(μ_b-μ)²+w_f×(μ_f-μ)²

通过对分割阈值m进行修改，使得前景和背景的方差达到最大，此时的分割阈值为最佳分割阈值，并以最佳分割阈值进行灰度图的二值化分割处理，得到二值化汽车驾驶图像。

4.如权利要求3所述的一种大数据汽车驾驶区域图像分析方法，其特征在于，所述利用动态区域检测方法检测到当前汽车的所处区域，包括：

1)利用仿射变换将汽车驾驶图像转换为鸟瞰图；

2)标定鸟瞰图中像素坐标系和大地坐标系的位移比例：

其中：

m为鸟瞰图中像素坐标系下的行坐标；

n为鸟瞰图中像素坐标系下的列坐标；

h为大地坐标系下的实际横向距离；

s为大地坐标系下的实际纵向距离；

ax,ay分别是鸟瞰图坐标系与大地坐标系的横纵向距离比；

3)对左右车道线点集进行大地坐标系转化：

x_l，y_l为左车道线的横向以及纵向坐标；

x_r，y_r为右车道线的横向以及纵向坐标；

并进行极坐标的转化：

4)计算车道线各点的切线斜率为：

5)对车辆的动态区域进行检测，所述车辆的动态区域范围为：

其中：

X为动态区域的横向距离；

Y为动态区域的纵向距离；

t为第t帧汽车驾驶图像；

v为汽车的行驶速度。

5.如权利要求4所述的一种大数据汽车驾驶区域图像分析方法，其特征在于，所述利用基于动态区域的全局搜索算法对汽车所处区域进行搜索，包括：

1)设置倾斜的直线为每行搜索的起始点，只要该直线的所有点都能满足将左右车道线分开，且在视野范围内不与车道线相交，则该线符合要求；

2)采用上一帧车道线的偏向作为起始线的倾斜方向，具体直线由上一帧左车道线的最低点和最高点确定，然后向右平移半个车道，根据两点以及函数方程图像平移规则，即可确定搜索起始线的轨迹；

3)从图像底部开始向上进行搜索，直到达到动态区域的边缘，则停止搜索；每一行只搜索一次，即搜索到车道线边缘后即转向下一行再搜索；所述汽车驾驶区域的判断函数为：

σ(x，y)＝f(x，y)×H(x，y)

其中：

f(x，y)为汽车驾驶图像；

H(x，y)为种子矩阵，该矩阵为三行三列，矩阵值同所在行的矩阵；

通过设置阈值λ，若判断函数σ(x，y)≥λ，则可认为该点处(x_i，y_i)为汽车驾驶区域上的点，如果不满足阈值要求，即继续搜索直到动态区域边界；

同时，在前一帧图像的搜索范围上设定下一帧图像的搜索范围，并设置动态局部搜索的开启条件，当汽车的横向速度较小时进行动态局部搜索，通过设置动态局部区域，并在动态局部区域内进行汽车驾驶区域的搜索，所述动态局部区域的范围远小于前一帧图像的搜索范围。

6.如权利要求5所述的一种大数据汽车驾驶区域图像分析方法，其特征在于，所述利用所述动态区域检测法，预测汽车的后续驾驶区域，包括：

所述汽车的后续驾驶区域为：

其中：

k为车道线各点的斜率；

v_t为当前时刻t的汽车的速度；

X_t+h为经历h时刻后，汽车所在区域的横向距离；

Y_t+h为经历h时刻后，汽车所在区域的纵向距离。

7.一种大数据汽车驾驶区域图像分析系统，其特征在于，所述系统包括：

车辆图像获取装置，用于获取汽车驾驶视频流，并从中截取若干帧汽车驾驶图像；

图像处理器，用于将所截取的汽车驾驶图像转换为灰度图，利用局部最大类间方差法对所述灰度图进行二值化处理，得到二值化汽车驾驶图像；

驾驶区域分析装置，用于利用动态区域检测方法，根据上一帧汽车驾驶图像的车速数据检测到当前汽车的所处区域，同时利用基于动态区域的全局搜索算法进行汽车驾驶区域的识别。

8.一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有驾驶区域识别程序指令，所述驾驶区域识别程序指令可被一个或者多个处理器执行，以实现如权利要求1至6中任一项所述的一种大数据汽车驾驶区域图像分析的实现方法的步骤。

Images