CN112308801A - 基于大数据图像采集的道路交通追踪管理方法及系统 - Google Patents

基于大数据图像采集的道路交通追踪管理方法及系统 Download PDF

Info

Publication number
CN112308801A
CN112308801A CN202011314742.3A CN202011314742A CN112308801A CN 112308801 A CN112308801 A CN 112308801A CN 202011314742 A CN202011314742 A CN 202011314742A CN 112308801 A CN112308801 A CN 112308801A
Authority
CN
China
Prior art keywords
image
traffic
edge
gray
traffic road
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.)
Withdrawn
Application number
CN202011314742.3A
Other languages
English (en)
Inventor
汪秀英
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.)
Individual
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN202011314742.3A priority Critical patent/CN112308801A/zh
Publication of CN112308801A publication Critical patent/CN112308801A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/73—Deblurring; Sharpening
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G06T5/30—Erosion or dilatation, e.g. thinning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20004—Adaptive image processing
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20036—Morphological image processing
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20048—Transform domain processing
    • G06T2207/20061—Hough transform
    • 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
    • G06T2207/30181—Earth observation
    • G06T2207/30192—Weather; Meteorology
    • 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
    • G06T2207/30236—Traffic on road, railway or crossing

Landscapes

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

Abstract

本发明涉及一种图像识别的技术领域，揭露了一种基于大数据图像采集的道路交通追踪管理方法，包括：获取海量交通道路图像，并利用灰度图转换方法将交通道路图像转换为灰度图；利用局部最大类间方差法对所述灰度图进行二值化处理，得到二值化交通道路图像；利用一种基于形态学的去雾算法对二值化交通道路图像进行去雾处理，得到去雾后的交通道路图像；利用边缘滤波器对去雾后的交通道路图像进行边缘滤波处理，得到边缘图像；利用基于最佳梯度方向和插值算法的车道线识别算法对边缘图像中的车道线进行识别，实现交通道路的识别和追踪。本发明还提供了一种基于大数据图像采集的道路交通追踪管理系统。本发明实现了道路图像的追踪。

Description

基于大数据图像采集的道路交通追踪管理方法及系统
技术领域
本发明涉及图像识别的技术领域，尤其涉及一种基于大数据图像采集的道路交通追踪管理方法及系统。
背景技术
随着科学技术与经济的发展，我国高速公路网不断完善，为人民的生活出行带来了极大的便利。高速公路作为我国现代化建设的基础设施，对其进行有效的运营管理可以保证高速公路的行车安全，充分利用高速公路设施资源。目前利用大数据技术实现智能交通是高速公路运营管理的一项研究热点。
传统道路追踪方法通常需要利用道路的边缘特征，而道路边缘的检测和提取受环境干扰较大，尤其当采用全景相机场景较为复杂时往往因非车道标识线边缘在识别过程中产生噪声，利用基于车道线宽度的扫描线虽然可以避免环境噪声，但是降低了边缘检测的效率。
对于夜晚、雾霾、雨雪等天气状况不好的情况下，采集的图像整体模糊，车道线与道路的对比度低，会增加识别与追踪的困难，同时也会降低识别与追踪的准确率。对于这种情况，现有的识别算法不能同时满足道路追踪准确性和实时性的要求。
鉴于此，如何提高恶劣天气下道路图像的可识别度，从而进行道路的识别和追踪，成为本领域技术人员亟待解决的问题。
发明内容
本发明提供一种基于大数据图像采集的道路交通追踪管理方法，通过利用一种基于形态学的去雾算法对所采集的道路图像进行去雾处理，并利用一种基于边缘滤波的车道线识别算法识别出道路图像中的车道线，实现交通道路的识别和追踪。
为实现上述目的，本发明提供的一种基于大数据图像采集的道路交通追踪管理方法，包括：
获取海量交通道路图像，并利用灰度图转换方法将交通道路图像转换为灰度图；
利用局部最大类间方差法对所述灰度图进行二值化处理，得到二值化交通道路图像；
利用一种基于形态学的去雾算法对二值化交通道路图像进行去雾处理，得到去雾后的交通道路图像；
利用边缘滤波器对去雾后的交通道路图像进行边缘滤波处理，得到边缘图像；
利用基于最佳梯度方向和插值算法的车道线识别算法对边缘图像中的车道线进行识别，实现交通道路的识别和追踪。
可选地，所述利用灰度图转换方法将交通道路图像转换为灰度图，包括：
所述交通道路图像为交通道路中的摄像头所采集到的图像，其中10张连续的交通道路图像为一组，在本发明实施例中，本发明利用一组交通道路图像进行一次交通道路的追踪管理；
利用灰度图转换方法将所获取的海量交通道路图像转换为灰度图，所述灰度图转换公式为：
Gray(i，j)＝R(i，j)×0.314+G(i，j)×0.591+B(i，j)×0.113
其中：
R(i，j)，G(i，j)，B(i，j)为交通道路图像像素(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：
Figure BDA0002790998340000021
Figure BDA0002790998340000022
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：
Figure BDA0002790998340000031
背景数比例为：
Figure BDA0002790998340000032
前景灰度值为：
Figure BDA0002790998340000033
前景数比例为：
Figure BDA0002790998340000034
3)计算前景和背景的方差：
σ＝wb×(μb-μ)2+wf×(μf-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，得到二值化交通道路图像。
可选地，所述利用一种基于形态学的去雾算法对二值化交通道路图像进行去雾处理，包括：
1)采用自适应的局部滤波窗口对二值化交通道路图像下部2/3区域进行滤波处理，其大小为图像行与列的6％，即：
Ω＝round(m×6％)×(n×6％)
其中：
Ω表示滤波窗口；
m,n分别表示要处理图像的行与列；
2)根据雾天交通道路成像表达式，得到去雾图像的目标函数；所述雾天交通道路成像表达式为：
I(x)＝J(x)t(x)+A[1-t(x，y)]
其中：
I(x)为已知雾天交通道路图像下部2/3区域；
J(x)为去雾交通道路图像；
t(x，y)为透射率；
A为全球大气光成分；
所述去雾图像的目标函数即为雾天交通道路成像表达式的公式两边取最小值，即：
Figure BDA0002790998340000041
其中：
Ω(x)表示以像素x为中心的一个滤波窗口；
c表示暗通道最小值；
3)根据暗通道理论：
Figure BDA0002790998340000042
得到透射率：
Figure BDA0002790998340000043
其中：
ω为图像中所保留的雾的程度，本发明将其取值为0.95；
4)由于所得到的透射率虽包含交通道路信息，但同时存在块效应；因此本发明利用腐蚀运算对透射率进行细化，所述利用腐蚀运算对透射率进行细化的公式为：
t′(x，y)＝min{t(x+x′，y+y′)-s}
其中：
x′，y′为透射率t(x，y)的平移量；
s为腐蚀运算中的结构元素，本发明将其设置为长宽均为1个像素的圆形结构；
5)对于全局大气光成分A，首先在暗通道图中对所有像素点按灰度值的大小进行排序，并取前0.1％像素，然后在有雾交通道路图像中寻找对应像素点的灰度最大值，作为全球大气光成分A的值；
6)将全球大气光成分A和细化后的透射率带入如下公式，得到去雾交通道路图像：
Figure BDA0002790998340000044
其中：
t′(x，y)为细化后的透射率；
J(x)为去雾交通道路图像；
I(x)为已知雾天交通道路图像下部2/3区域；
A为全球大气光成分；
t0设置为0.15，防止t′(x，y)过小而引起J(x)值过大，造成去雾交通道路图像整体偏白。
可选地，所述利用边缘滤波器对去雾后的交通道路图像进行边缘滤波处理，包括：
1)建立如下边缘滤波器：
Figure BDA0002790998340000051
其中：
(x，y)为去雾交通道路图像的像素点；
λ为正弦函数的波长，其值为输入图像大小的五分之一；
θ为边缘滤波器的方向角，可以改变边缘滤波器并行条纹的方向；
Figure BDA0002790998340000052
表示正弦函数的相位偏移；
σ为高斯函数的标准差，其值为0.56λ；
γ表示边缘滤波器的空间纵横比，用来确定边缘滤波器的形状，本发明将其取值为0.5；
2)通过改变边缘滤波器的方向角θ，从而改变边缘滤波器并行条纹的方向，得到不同的边缘响应的边缘图像；在本发明一个具体实施例中，本发明采用[0，π]不同大小的方向角对去雾交通道路图像进行处理，得到不同的边缘图像。
可选地，所述利用基于最佳梯度方向和插值算法的车道线识别算法对边缘图像中的车道线进行识别，包括：
1)计算不同边缘图像内所有像素值不为零点的平均灰度值
Figure BDA0002790998340000053
选取最大的平均灰度值
Figure BDA0002790998340000054
对应的方向角，作为最佳梯度方向区间：
Figure BDA0002790998340000055
其中：
sum为像素值不为0的像素点总数；
mi为任意一个像素值不为0的灰度值；
由于平均灰度值
Figure BDA0002790998340000056
越大，表示车道线边缘的清晰度越高，在对应方向角的边缘滤波器下响应越好，因此在本发明一个具体实施例中，通过选取最大的平均灰度值
Figure BDA0002790998340000057
确定最佳梯度方向区间为[π/6，π/3]；
2)对于去雾交通图像中任意一边缘点，首先判断该点梯度方向α(x，y)是否处于最佳梯度方向区间，若处于该区间则继续进行邻域像素值的比较，寻找局部极大值，否则直接抑制该点；
3)对于任意边缘点周围两个亚边缘像素点，将两者的梯度幅度之比转化为梯度方向之比：
Figure BDA0002790998340000058
Figure BDA0002790998340000059
其中：
θ为边缘滤波器的方向角，θ∈[π/6，π/3]；
则有：
Figure BDA0002790998340000061
Figure BDA0002790998340000062
和
Figure BDA0002790998340000063
分别为任意边缘点周围的两个亚边缘像素点A1、A2的梯度幅度；
4)根据两个亚边缘像素点的梯度幅度之比，得到边缘点的插值像素值：
Figure BDA0002790998340000064
将边缘点的像素值与插值像素值进行比较，若插值像素值小于边缘点的像素值，则将该插值像素值置为0，否则保留所述插值像素点；
5)通过连接边缘点和保留的插值像素点，所连接的结果便为所识别到的交通道路图像中的车道线；根据大量交通图像中所识别到的车道线，通过进行车道线的汇总，实现交通道路的追踪。
此外，为实现上述目的，本发明还提供一种基于大数据图像采集的道路交通追踪管理系统，所述系统包括：
交通道路图像获取装置，用于获取大量交通道路图像；
图像处理器，用于利用灰度图转换方法将交通道路图像转换为灰度图，利用局部最大类间方差法对所述灰度图进行二值化处理，得到二值化交通道路图像，并利用一种基于形态学的去雾算法对二值化交通道路图像进行去雾处理，得到去雾后的交通道路图像；
道路识别和追踪装置，用于利用基于边缘滤波的车道线识别算法识别出去雾交通道路图像中的车道线，实现交通道路中车道线的识别和追踪。
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道路识别与追踪程序指令，所述道路识别与追踪程序指令可被一个或者多个处理器执行，以实现如上所述的基于大数据图像采集的道路交通追踪管理的实现方法的步骤。
相对于现有技术，本发明提出一种基于大数据图像采集的道路交通追踪管理方法，该技术具有以下优势：
首先，对于夜晚、雾霾、雨雪等天气状况不好的情况下，采集的图像整体模糊，车道线与道路的对比度低，会增加识别与追踪的困难，同时也会降低识别与追踪的准确率。因此本发明提出一种基于形态学的去雾算法对二值化交通道路图像进行去雾处理，首先本发明选取图像下部2/3作为待处理的感兴趣(ROI)区域，这样可以减小处理的面积，提高处理的效率，同时在传统滤波处理中，滤波窗口为固定值，对于不同的雾天图像，处理的效果存在很大差异，因此本发明改进为自适应滤波窗口，其大小为图像行与列的6％，提高了所求图像透射率的鲁棒性，得到如下去雾图像的目标函数：
Figure BDA0002790998340000071
其中：Ω(x)表示以像素x为中心的一个滤波窗口；c表示暗通道最小值；I(x)为已知雾天交通道路图像下部2/3区域；J(x)为去雾交通道路图像；t(x，y)为透射率；A为全球大气光成分；根据如上目标函数，根据暗通道理论得到透射率：
Figure BDA0002790998340000072
其中：ω为图像中所保留的雾的程度，本发明将其取值为0.95；由于所得到的透射率虽包含交通道路信息，但同时存在块效应；因此本发明利用腐蚀运算对透射率进行细化，从而改善了透射率图的边缘区域。同时对于全局大气光成分A，首先在暗通道图中对所有像素点按灰度值的大小进行排序，并取前0.1％像素，然后在有雾交通道路图像中寻找对应像素点的灰度最大值，作为全球大气光成分A的值；从而得到最终的去雾交通道路图像：
Figure BDA0002790998340000073
其中：t′(x，y)为细化后的透射率；t0设置为0.15，防止t′(x，y)过小而引起J(x)值过大，造成去雾交通道路图像整体偏白。相较于传统算法，本发明所述基于形态学的去雾算法对图像的亮度进行了调整，所以整体上亮度值得到提高，并通过基于自适应滤波的透射率对有雾图像进行处理，增强了图像中交通道路与环境的对比度，得到了去雾图像，增加了道路识别与追踪的准确率。
同时，传统的车道标识线检测方法通常在边缘检测后对梯度图像采用Hough变换检测直线，以获得车道标识线识别结果。但是这种检测方法仅适合于图像场景较为简单的情况，若所采集到的复杂场景梯度图像，包含无关车道，景物以及车辆等干扰，影响了车道线检测的准确率。因此本发明提出一种利用基于边缘滤波的车道线识别算法识别出去雾交通道路图像中的车道线，首先通过建立边缘滤波器，通过改变边缘滤波器的方向角θ，从而改变边缘滤波器并行条纹的方向，得到不同的边缘响应的边缘图像，由于滤波器方向角改变，导致边缘图像中体现较大的强边缘差异，因此本发明进而计算不同边缘图像内所有像素值不为零点的平均灰度值
Figure BDA0002790998340000081
选取最大的平均灰度值
Figure BDA0002790998340000082
对应的方向角，作为最佳梯度方向区间，其中平均灰度值
Figure BDA0002790998340000083
越大，表示车道线边缘的清晰度越高，在对应方向角的边缘滤波器下响应越好；对于去雾交通图像中任意一边缘点，首先判断该点梯度方向α(x，y)是否处于最佳梯度方向区间，若处于该区间则继续进行邻域像素值的比较，寻找局部极大值细化边缘，否则直接抑制该点，有效排除不感兴趣边缘，且有针对性地对感兴趣边缘进行了细化，可减小非极大值抑制算法的计算量，有效避免环境噪声干扰；由于传统Canny算子只对四个基本边缘方向进行非极大值抑制处理，对于其他边缘进行了近似处理，导致在细化边缘过程中计算得到的局部极大值边缘点可能不是实际边缘的中心点，即对边缘定位不够准确，为提高边缘点的定位性能，本发明对不属于基本边缘方向上的亚像素边缘点进行线性插值处理，从而实现对所有方向的边缘点进行定位处理，通过连接边缘点和保留的插值像素点，所连接的结果便为所识别到的交通道路图像中的车道线，进而实现交通道路的追踪。
附图说明
图1为本发明一实施例提供的一种基于大数据图像采集的道路交通追踪管理方法的流程示意图；
图2为本发明一实施例提供的一种基于大数据图像采集的道路交通追踪管理系统的结构示意图；
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。
通过利用一种基于形态学的去雾算法对所采集的道路图像进行去雾处理，并利用一种基于边缘滤波的车道线识别算法识别出道路图像中的车道线，实现交通道路的识别和追踪。参照图1所示，为本发明一实施例提供的基于大数据图像采集的道路交通追踪管理方法示意图。
在本实施例中，基于大数据图像采集的道路交通追踪管理方法包括：
S1、获取海量交通道路图像，并利用灰度图转换方法将交通道路图像转换为灰度图。
首先，本发明获取海量交通道路图像，并利用灰度图转换方法将所获取的海量交通道路图像转换为灰度图，所述交通道路图像为交通道路中的摄像头所采集到的图像，其中10张连续的交通道路图像为一组，在本发明实施例中，本发明利用一组交通道路图像进行一次交通道路的追踪管理；
所述灰度图转换公式为：
Gray(i，j)＝R(i，j)×0.314+G(i，j)×0.591+B(i，j)×0.113
其中：
R(i，j)，G(i，j)，B(i，j)为交通道路图像像素(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，得到二值化交通道路图像。
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：
Figure BDA0002790998340000091
Figure BDA0002790998340000092
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：
Figure BDA0002790998340000093
背景数比例为：
Figure BDA0002790998340000094
前景灰度值为：
Figure BDA0002790998340000095
前景数比例为：
Figure BDA0002790998340000101
3)计算前景和背景的方差：
σ＝wb×(μb-μ)2+wf×(μf-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，得到二值化交通道路图像。
S3、利用一种基于形态学的去雾算法对二值化交通道路图像进行去雾处理，得到去雾后的交通道路图像。
进一步地，本发明利用一种基于形态学的去雾算法对二值化交通道路图像进行去雾，所述对二值化交通道路图像进行去雾的流程为：
1)采用自适应的局部滤波窗口对二值化交通道路图像下部2/3区域进行滤波处理，其大小为图像行与列的6％，即：
Ω＝round*m×6％)×(n×6％)
其中：
Ω表示滤波窗口；
m,n分别表示要处理图像的行与列；
2)根据雾天交通道路成像表达式，得到去雾图像的目标函数；所述雾天交通道路成像表达式为：
I(x)＝J(x)t(x)+A[1-t(x，y)]
其中：
I(x)为已知雾天交通道路图像下部2/3区域；
J(x)为去雾交通道路图像；
t(x，y)为透射率；
A为全球大气光成分；
所述去雾图像的目标函数即为雾天交通道路成像表达式的公式两边取最小值，即：
Figure BDA0002790998340000102
其中：
Ω(x)表示以像素x为中心的一个滤波窗口；
c表示暗通道最小值；
3)根据暗通道理论：
Figure BDA0002790998340000103
得到透射率：
Figure BDA0002790998340000104
其中：
ω为图像中所保留的雾的程度，本发明将其取值为0.95；
4)由于所得到的透射率虽包含交通道路信息，但同时存在块效应；因此本发明利用腐蚀运算对透射率进行细化，所述利用腐蚀运算对透射率进行细化的公式为：
t′(x，y)＝min{t(x+x′，y+y′)-s}
其中：
x′，y′为透射率t(x，y)的平移量；
s为腐蚀运算中的结构元素，本发明将其设置为长宽均为1个像素的圆形结构；
5)对于全局大气光成分A，首先在暗通道图中对所有像素点按灰度值的大小进行排序，并取前0.1％像素，然后在有雾交通道路图像中寻找对应像素点的灰度最大值，作为全球大气光成分A的值；
6)将全球大气光成分A和细化后的透射率带入如下公式，得到去雾交通道路图像：
Figure BDA0002790998340000111
其中：
t′(x，y)为细化后的透射率；
J(x)为去雾交通道路图像；
I(x)为已知雾天交通道路图像下部2/3区域；
A为全球大气光成分；
t0设置为0.15，防止t′(x，y)过小而引起J(x)值过大，造成去雾交通道路图像整体偏白。
S4、利用基于边缘滤波的车道线识别算法识别出去雾交通道路图像中的车道线，实现交通道路中车道线的识别和追踪。
进一步地，本发明利用基于边缘滤波的车道线识别算法识别出去雾交通道路图像中的车道线，所述基于边缘滤波的车道线识别算法的算法流程为：
1)建立如下边缘滤波器：
Figure BDA0002790998340000112
其中：
(x，y)为去雾交通道路图像的像素点；
λ为正弦函数的波长，其值为输入图像大小的五分之一；
θ为边缘滤波器的方向角，可以改变边缘滤波器并行条纹的方向；
Figure BDA0002790998340000113
表示正弦函数的相位偏移；
σ为高斯函数的标准差，其值为0.56λ；
γ表示边缘滤波器的空间纵横比，用来确定边缘滤波器的形状，本发明将其取值为0.5；
2)通过改变边缘滤波器的方向角θ，从而改变边缘滤波器并行条纹的方向，得到不同的边缘响应的边缘图像，在本发明一个具体实施例中，采用[0，π]不同大小的方向角对去雾交通道路图像进行处理，得到不同的边缘图像；
3)计算不同边缘图像内所有像素值不为零点的平均灰度值
Figure BDA0002790998340000121
选取最大的平均灰度值
Figure BDA0002790998340000122
对应的方向角，作为最佳梯度方向区间：
Figure BDA0002790998340000123
其中：
sum为像素值不为0的像素点总数；
mi为任意一个像素值不为0的灰度值；
由于平均灰度值
Figure BDA0002790998340000124
越大，表示车道线边缘的清晰度越高，在对应方向角的边缘滤波器下响应越好，因此在本发明一个具体实施例中，通过选取最大的平均灰度值
Figure BDA0002790998340000125
确定最佳梯度方向区间为[π/6，π/3]；
4)对于去雾交通图像中任意一边缘点，首先判断该点梯度方向α(x，y)是否处于最佳梯度方向区间，若处于该区间则继续进行邻域像素值的比较，寻找局部极大值，否则直接抑制该点；
5)对于任意边缘点周围两个亚边缘像素点，将两者的梯度幅度之比转化为梯度方向之比：
Figure BDA0002790998340000126
Figure BDA0002790998340000127
其中：
θ为边缘滤波器的方向角，θ∈[π/6，π/3]；
则有：
Figure BDA0002790998340000128
Figure BDA0002790998340000129
和
Figure BDA00027909983400001210
分别为任意边缘点周围的两个亚边缘像素点A1、A2的梯度幅度；
6)根据两个亚边缘像素点的梯度幅度之比，得到边缘点的插值像素值：
Figure BDA00027909983400001211
将边缘点的像素值与插值像素值进行比较，若插值像素值小于边缘点的像素值，则将该插值像素值置为0，否则保留所述插值像素点；
通过连接边缘点和保留的插值像素点，所连接的结果便为所识别到的交通道路图像中的车道线；根据大量交通图像中所识别到的车道线，通过进行车道线的汇总，实现交通道路的追踪。
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Matlab2018a；对比方法为基于RANSAC的道路检测方法、霍夫变换道路检测方法以及基于消失点估计的道路检测方法。
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，将交通道路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的道路检测方法的道路识别准确率为86.31％，霍夫变换道路检测方法的道路识别准确率为88.32％，基于消失点估计的道路检测方法的道路识别准确率为89.99％，本发明所述方法的道路识别准确率为91.22％，相较于对比算法，本发明所提出的基于大数据图像采集的道路交通追踪管理方法具有更高的交通道路识别准确率。
发明还提供一种基于大数据图像采集的道路交通追踪管理系统。参照图2所示，为本发明一实施例提供的基于大数据图像采集的道路交通追踪管理系统的内部结构示意图。
在本实施例中，所述基于大数据图像采集的道路交通追踪管理系统1至少包括交通道路图像获取装置11、图像处理器12、道路识别和追踪装置13，通信总线14，以及网络接口15。
其中，交通道路图像获取装置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基于大数据图像采集的道路交通追踪管理系统1的内部存储单元，例如该基于大数据图像采集的道路交通追踪管理系统1的硬盘。图像处理器12在另一些实施例中也可以是基于大数据图像采集的道路交通追踪管理系统1的外部存储设备，例如基于大数据图像采集的道路交通追踪管理系统1上配备的插接式硬盘，智能存储卡(SmartMedia Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，图像处理器12还可以既包括基于大数据图像采集的道路交通追踪管理系统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道路交通追踪管理系统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。
道路识别和追踪装置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，例如道路识别与追踪程序指令等。
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，用于显示在基于大数据图像采集的道路交通追踪管理系统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以及基于大数据图像采集的道路交通追踪管理系统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基于大数据图像采集的道路交通追踪管理系统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中存储有道路识别与追踪程序指令；道路识别和追踪装置13执行图像处理器12中存储的道路识别与追踪程序指令的步骤，与基于大数据图像采集的道路交通追踪管理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道路识别与追踪程序指令，所述道路识别与追踪程序指令可被一个或多个处理器执行，以实现如下操作：
获取海量交通道路图像，并利用灰度图转换方法将交通道路图像转换为灰度图；
利用局部最大类间方差法对所述灰度图进行二值化处理，得到二值化交通道路图像；
利用一种基于形态学的去雾算法对二值化交通道路图像进行去雾处理，得到去雾后的交通道路图像；
利用边缘滤波器对去雾后的交通道路图像进行边缘滤波处理，得到边缘图像；
利用基于最佳梯度方向和插值算法的车道线识别算法对边缘图像中的车道线进行识别，实现交通道路的识别和追踪。
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)

1.一种基于大数据图像采集的道路交通追踪管理方法，其特征在于，所述方法包括：
获取海量交通道路图像，并利用灰度图转换方法将交通道路图像转换为灰度图；
利用局部最大类间方差法对所述灰度图进行二值化处理，得到二值化交通道路图像；
利用一种基于形态学的去雾算法对二值化交通道路图像进行去雾处理，得到去雾后的交通道路图像；
利用边缘滤波器对去雾后的交通道路图像进行边缘滤波处理，得到边缘图像；
利用基于最佳梯度方向和插值算法的车道线识别算法对边缘图像中的车道线进行识别，实现交通道路的识别和追踪。
2.如权利要求1所述的一种基于大数据图像采集的道路交通追踪管理方法，其特征在于，所述利用灰度图转换方法将交通道路图像转换为灰度图，包括：
利用灰度图转换方法将所获取的海量交通道路图像转换为灰度图，所述灰度图转换公式为：
Gray(i，j)＝R(i，j)×0.314+G(i，j)×0.591+B(i，j)×0.113
其中：
R(i，j)，G(i，j)，B(i，j)为交通道路图像像素(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所述的一种基于大数据图像采集的道路交通追踪管理方法，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：
Figure FDA0002790998330000011
Figure FDA0002790998330000021
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：
Figure FDA0002790998330000022
背景数比例为：
Figure FDA0002790998330000023
前景灰度值为：
Figure FDA0002790998330000024
前景数比例为：
Figure FDA0002790998330000025
3)计算前景和背景的方差：
σ＝wb×(μb-μ)2+wf×(μf-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，得到二值化交通道路图像。
4.如权利要求3所述的一种基于大数据图像采集的道路交通追踪管理方法，其特征在于，所述利用一种基于形态学的去雾算法对二值化交通道路图像进行去雾处理，包括：
1)采用自适应的局部滤波窗口对二值化交通道路图像下部2/3区域进行滤波处理，其大小为图像行与列的6％，即：
Ω＝round(m×6％)×(n×6％)
其中：
Ω表示滤波窗口；
m，n分别表示要处理图像的行与列；
2)根据雾天交通道路成像表达式，得到去雾图像的目标函数；所述雾天交通道路成像表达式为：
I(x)＝J(x)t(x)+A[1-t(x，y)]
其中：
I(x)为已知雾天交通道路图像下部2/3区域；
J(x)为去雾交通道路图像；
t(x，y)为透射率；
A为全球大气光成分；
所述去雾图像的目标函数即为雾天交通道路成像表达式的公式两边取最小值，即：
Figure FDA0002790998330000031
其中：
Ω(x)表示以像素x为中心的一个滤波窗口；
c表示暗通道最小值；
3)根据暗通道理论：
Figure FDA0002790998330000032
得到透射率：
Figure FDA0002790998330000033
其中：
ω为图像中所保留的雾的程度，本发明将其取值为0.95；
4)利用腐蚀运算对透射率进行细化，所述利用腐蚀运算对透射率进行细化的公式为：
t′(x，y)＝min{t(x+x′，y+y′)-s}
其中：
x′，y′为透射率t(x，y)的平移量；
s为腐蚀运算中的结构元素，本发明将其设置为长宽均为1个像素的圆形结构；
5)对于全局大气光成分A，首先在暗通道图中对所有像素点按灰度值的大小进行排序，并取前0.1％像素，然后在有雾交通道路图像中寻找对应像素点的灰度最大值，作为全球大气光成分A的值；
6)将全球大气光成分A和细化后的透射率带入如下公式，得到去雾交通道路图像：
Figure FDA0002790998330000034
其中：
t′(x，y)为细化后的透射率；
J(x)为去雾交通道路图像；
I(x)为已知雾天交通道路图像下部2/3区域；
A为全球大气光成分；
t0设置为0.15。
5.如权利要求4所述的一种基于大数据图像采集的道路交通追踪管理方法，其特征在于，所述利用边缘滤波器对去雾后的交通道路图像进行边缘滤波处理，包括：
1)建立如下边缘滤波器：
Figure FDA0002790998330000041
其中：
(x，y)为去雾交通道路图像的像素点；
λ为正弦函数的波长，其值为输入图像大小的五分之一；
θ为边缘滤波器的方向角；
Figure FDA0002790998330000045
表示正弦函数的相位偏移；
σ为高斯函数的标准差，其值为0.56λ；
γ表示边缘滤波器的空间纵横比，本发明将其取值为0.5；
2)通过改变边缘滤波器的方向角θ，从而改变边缘滤波器并行条纹的方向，得到不同的边缘响应的边缘图像。
6.如权利要求5所述的一种基于大数据图像采集的道路交通追踪管理方法，其特征在于，所述利用基于最佳梯度方向和插值算法的车道线识别算法对边缘图像中的车道线进行识别，包括：
1)计算不同边缘图像内所有像素值不为零点的平均灰度值
Figure FDA0002790998330000042
选取最大的平均灰度值
Figure FDA0002790998330000043
对应的方向角，作为最佳梯度方向区间：
Figure FDA0002790998330000044
其中：
sum为像素值不为0的像素点总数；
mi为任意一个像素值不为0的灰度值；
2)对于去雾交通图像中任意一边缘点，首先判断该点梯度方向α(x，y)是否处于最佳梯度方向区间，若处于该区间则继续进行邻域像素值的比较，寻找局部极大值，否则直接抑制该点；
3)对于任意边缘点周围两个亚边缘像素点，将两者的梯度幅度之比转化为梯度方向之比：
Figure FDA0002790998330000051
其中：
θ为边缘滤波器的方向角，θ∈[π/6，π/3]；
则有：
Figure FDA0002790998330000052
Figure FDA0002790998330000053
和
Figure FDA0002790998330000054
分别为任意边缘点周围的两个亚边缘像素点A1、A2的梯度幅度；
4)根据两个亚边缘像素点的梯度幅度之比，得到边缘点的插值像素值：
Figure FDA0002790998330000055
将边缘点的像素值与插值像素值进行比较，若插值像素值小于边缘点的像素值，则将该插值像素值置为0，否则保留所述插值像素点；
5)通过连接边缘点和保留的插值像素点，所连接的结果便为所识别到的交通道路图像中的车道线；根据大量交通图像中所识别到的车道线，通过进行车道线的汇总，实现交通道路的追踪。
7.一种基于大数据图像采集的道路交通追踪管理系统，其特征在于，所述系统包括：
交通道路图像获取装置，用于获取大量交通道路图像；
图像处理器，用于利用灰度图转换方法将交通道路图像转换为灰度图，利用局部最大类间方差法对所述灰度图进行二值化处理，得到二值化交通道路图像，并利用一种基于形态学的去雾算法对二值化交通道路图像进行去雾处理，得到去雾后的交通道路图像；
道路识别和追踪装置，用于利用基于边缘滤波的车道线识别算法识别出去雾交通道路图像中的车道线，实现交通道路中车道线的识别和追踪。
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道路识别与追踪程序指令，所述道路识别与追踪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基于大数据图像采集的道路交通追踪管理的实现方法的步骤。
CN202011314742.3A 2020-11-20 2020-11-20 基于大数据图像采集的道路交通追踪管理方法及系统 Withdrawn CN112308801A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011314742.3A CN112308801A (zh) 2020-11-20 2020-11-20 基于大数据图像采集的道路交通追踪管理方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011314742.3A CN112308801A (zh) 2020-11-20 2020-11-20 基于大数据图像采集的道路交通追踪管理方法及系统

Publications (1)

Publication Number Publication Date
CN112308801A true CN112308801A (zh) 2021-02-02

Family

ID=74336143

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011314742.3A Withdrawn CN112308801A (zh) 2020-11-20 2020-11-20 基于大数据图像采集的道路交通追踪管理方法及系统

Country Status (1)

Country Link
CN (1) CN112308801A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112581411A (zh) * 2021-02-26 2021-03-30 深圳金三立视频科技股份有限公司 一种图像去雾的方法及终端
CN117094914A (zh) * 2023-10-18 2023-11-21 广东申创光电科技有限公司 基于计算机视觉的智慧城市道路监控系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112581411A (zh) * 2021-02-26 2021-03-30 深圳金三立视频科技股份有限公司 一种图像去雾的方法及终端
CN117094914A (zh) * 2023-10-18 2023-11-21 广东申创光电科技有限公司 基于计算机视觉的智慧城市道路监控系统
CN117094914B (zh) * 2023-10-18 2023-12-12 广东申创光电科技有限公司 基于计算机视觉的智慧城市道路监控系统

Similar Documents

Publication Publication Date Title
Son et al. Real-time illumination invariant lane detection for lane departure warning system
Marzougui et al. A lane tracking method based on progressive probabilistic Hough transform
Wu et al. Lane-mark extraction for automobiles under complex conditions
CN108280450B (zh) 一种基于车道线的高速公路路面检测方法
Lee et al. Stereo vision–based vehicle detection using a road feature and disparity histogram
US9269001B2 (en) Illumination invariant and robust apparatus and method for detecting and recognizing various traffic signs
Yan et al. A method of lane edge detection based on Canny algorithm
Mu et al. Lane detection based on object segmentation and piecewise fitting
CN109583345B (zh) 道路识别方法、装置、计算机装置及计算机可读存储介质
CN107993488B (zh) 一种基于鱼眼相机的车位识别方法、系统及介质
WO2020000253A1 (zh) 一种雨雪天气中的道路交通标志识别方法
Ying et al. Robust lane marking detection using boundary-based inverse perspective mapping
Ding et al. Fast lane detection based on bird’s eye view and improved random sample consensus algorithm
Küçükmanisa et al. Real-time illumination and shadow invariant lane detection on mobile platform
CN109886168B (zh) 一种基于层阶的地面交通标志识别方法
Li et al. A lane marking detection and tracking algorithm based on sub-regions
CN112308801A (zh) 基于大数据图像采集的道路交通追踪管理方法及系统
Parvin et al. Vehicle number plate detection and recognition techniques: a review
Sultana et al. Vision-based robust lane detection and tracking in challenging conditions
FAN et al. Robust lane detection and tracking based on machine vision
Ghahremannezhad et al. Automatic road detection in traffic videos
Xuan et al. Robust lane-mark extraction for autonomous driving under complex real conditions
CN111860084B (zh) 图像特征的匹配、定位方法及装置、定位系统
JP7264428B2 (ja) 道路標識認識装置及びそのプログラム
Khoshki et al. Improved Automatic License Plate Recognition (ALPR) system based on single pass Connected Component Labeling (CCL) and reign property function

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20210202

WW01 Invention patent application withdrawn after publication