CN112528868A - 一种基于改进Canny边缘检测算法的违章压线判别方法 - Google Patents

Abstract

一种基于改进Canny边缘检测算法的违章压线判别方法，适用于交通违章自动识别。首先通过电子眼进行路况的实时采集，改进的Canny边缘检测算法对采集的路况信息进行边缘检测处理，识别出的边缘轮廓作为是否压线的标准。一旦发现当前图片不符合标准即可判断出图像中车辆是否压线。实现了高精度、低成本的车辆违章判别。本方法测精度高，检测时间短，自动化程度高，能够有效降低交通事故的发生率。

Description

一种基于改进Canny边缘检测算法的违章压线判别方法

技术领域

本发明涉及一种违章压线判别方法，尤其适用于交通违章自动识别的一种基于改进Canny边缘检测算法的违章压线判别方法

背景技术

近年来，经济的快速发展，人口数量的不断增长，人工智能相关域的深入研究等一系列因素均一定程度的使得代步工具汽车的生产量与使用量达到历史新高，这也将不可避免的提高了交通事故的发生率，给个人生命财产安全和社会交通治安带来了一定的威胁。其中车辆违章压线是引起车祸的第一大诱因，发生率很高，因此违章压线判别系统具有很高的研究价值。但针对于交通线种类的多样性以及驾驶环境的复杂性，目前市场上绝大多数的前沿交通线判别系统虽然检测效果很好但价格普遍偏高，不利于大规模推广，特别是针对于电量供应不足的地区更难以实施应用。而基于传统一阶、二阶梯度算子的边缘检测算法虽依托的硬件环境简单，却因其边缘检测精度不高的缺陷被摒弃，这也导致了现有的交通线判别系统性价比与定位精度两者难以兼顾。现有的Canny算子因遵循信噪比、单边缘响应、定位精度三个准则，其程序简洁度高，抑制噪声与边缘定位精度效果也较好。又因其具有依托的硬件平台简单，投入成本低等优点可被用于大规模的交通线识别的应用场景中。但传统的Canny边缘检测算法具有1)高斯滤波无自适性，易平滑过度丢失边缘；2)水平和垂直方向Sobel模板定位精度不高；3)高低阈值难确定，增加实验训练量等不足之处。

发明内容

针对上述技术的不足之处，提供一种步骤简单，实现成本低，判别速度快，且精度高的基于改进Canny边缘检测算法的违章压线判别方法。

为实现上述技术目的，本发明的基于改进Canny边缘检测算法的违章压线判别方法，其步骤如下：

步骤一：使用交通摄像装置拍摄路况原图，对含有交通信号线和车辆的原图进行灰度处理从而获得包含交通信号线和车辆的灰度图像，降低违章压线判别方法的运行内存，缩短系统得出结果的速度；

步骤二:对灰度图像进行自适应高斯滤波器处理去除整个灰度图像的高斯噪声和椒盐噪声，获得带有交通信号线和车辆的平滑灰度图像，最优化交通信号线和车辆的灰度图像部分的平滑度与保留细节，同时模糊处理背景部分，减少噪声带来的交通信号线和车辆轮廓的误判，排除噪声干扰，提高违章压线判别的准确率；

步骤三：对带有交通信号线和车辆的平滑灰度图像进行全局梯度的划分，弱化背景像素值的同时加强交通信号线和汽车的轮廓，以获取平滑图像的边缘强度；具体的，根据图像邻域对称原则采用归一化的方法对平滑图像的边缘强度进行sobel算子梯度角度再细致划分，减少边缘像素点的丢失，强化平滑图像中的交通信号线和车辆轮廓边缘，得到包含交通信号线和汽车轮廓的平滑图像梯度方向和幅值双图像；

步骤四：对步骤三获取的包含交通信号线和汽车轮廓的平滑图像梯度方向和幅值双图像进行非极大值抑制处理，获得包含交通信号线和汽车轮廓的非极大值抑制图像，以达到交通信号线和汽车的轮廓初步锐化的目的，也使得违章压线判别定位更准确；

步骤五：使用黄金分割迭代法处理非极大值抑制图像，在非极大值抑制图像的基础上计算出需要进行边缘提取的轮廓图像的高阈值和低阈值，利用高低双阈值敲定最终交通信号线和汽车轮廓的门限值，是违章判别方法中的关键一步；

步骤六：利用高阀值作为门限值提取目标轮廓，从而将交通信号线和汽车轮廓与背景分开；利用低阈值作为门限值平滑交通信号线和汽车轮廓轮廓，将交通信号线和汽车轮廓轮廓断续的地方连接起来；

具体的，将大于高阈值部分作为强边缘从而将交通信号线和汽车的轮廓边缘，将介于高阈值与低阈值之间的部分为弱边缘，舍弃小于低阈值的部分；由于强边缘所获得的边缘图像断续并不完整，所以利用弱边缘补充强边缘不完整的图像从而使交通信号线和汽车的轮廓边缘完整连续，获得的轮廓图将作为违章压线判别方法的判别依据。

步骤七：对步骤六中获得的交通信号线和车辆的边缘轮廓图进行判别处理，将实时获得的交通信号线和车辆的边缘轮廓数据与没有车辆的交通信号线轮廓的初始阈值相比对，若交通信号线阈值未改变则判定为未压线；若阈值范围缩小到原来的十分之一则判断为违章压线。

自适应高斯滤波器处理去除灰度图像中噪声的具体步骤为:

选用3×3高斯模板，将自适应高斯标准差σ的最优值代入

中处理并获取自适应初始核，而

则是将上述初始核归一化形成最终的自适应滤波核；选取最佳高斯标准差σ最大程度的去除灰度图像的噪声，同时灰度图像的平滑度与细节保留度也达到最优解,在实现目标边缘信息保留度较好的情况下无过多冗余信息，提高了信噪比，获得最佳平滑图像。

处理平滑图像梯度方向、幅值双图像具体步骤为：

(1)根据图像邻域对称原则采用归一化思想，仅将图像看成是由像素点组成的，把图中每一个像素点都看成坐标上的一个点，因此仅考虑平滑图像-90°到90°正半圆范围内像素点的值，包括0°±45°90°四个方向，由于只有四个方向因此梯度划分不够细致，易导致部分边缘信息的丢失，因此对圆周模板顺时针旋转22.5°，从而对-67.5°到112.5°范围进行非极大值抑制，小于该角度范围内的值则采用对称折叠法，将另外的半个圆内的像素值给翻转至-67.5°到112.5内处理；

(2)将步骤三中获得的图像等角度划分为4个区域，利用区域索引的方法进行像素点的大致区域选取，即以像素点与4个区域的圆划分线的差值来选取最小偏移量从而定位各像素点具体属于哪一区域，区域中的像素点会被划分到-67.5°到112.5°具体方向上如步骤四中所述首先将圆分为了半圆中的四个区域，定位到具体区域后然后再将各区域中的点划分到-67.5°到112.5°的具体方向上的像素点与同方向上相邻像素点进行幅值对比保留最大值；解决全局梯度划分下目标边缘定位不准确的问题，有效细化Sobel算子梯度划分只能粗略定位目标，而非极大值抑制可以保留局部最大值即去除非边缘点，去除冗余信息这里求出的图像较梯度划分中的图像边缘线更细，定位也更准确些边缘，实现精准边缘精准定位，该步骤处理完将获得非极大值抑制图像。

利用黄金分割迭代法处理非极大值抑制图像计算高低阈值的具体方法：

低阈值；使用黄金比例分割法通过自适应性进行迭代计算求取，迭代计算速度快且边缘细化效果更佳，稳定性也更好；根据灰度值对非极大值抑制图像进行分析，计算出交通信号线和车辆与背景所占图像的百分比，若两部分比值均在50％邻域内则使用公式：T₀＝mid(M_min,M_max)，而mid＝left+0.618(right-left)；否则

其中T0为系统匹配的初始阈值可以将图片划分为两部分，大于等于T0划分到P0区，否则在P1区。然后利用公式：

计算出P0区与P1区的梯度值C0与C1，此刻根据

求出新的阈值T1，将T1与T0作比较，若结果趋于一个近似零的值则迭代完成，输出值即为图像的低阈值，否则用T1替换掉初始的T0继续迭代运算；

高阈值；当低阈值取到高阈值的0.3倍时效果最佳，所以高阈值为低阈值的三倍数值。

有益效果：

本方法基于改进Canny边缘检测算法，实现边缘检测的性价比更高，对于硬件要求低，可直接以现有的交通检测设备为基础进行升级；自适应获取高斯标准差和高低阈值代替原有的固定值，提高了图像的信噪比，边缘检测效果更好，检测精度高；归一化思想贯穿于自适应高斯滤波器、梯度划分以及非极大值抑制等步骤，缩短了检测时间，加快边缘提取速度，本发明的步骤简洁，对硬件资源的占用少；利用黄金分割迭代法替代原有的二分法，当要处理的图像像素点集越多迭代运算会速度越快、稳定性与鲁棒性也越高；同时利用自适应高斯滤波器修正值求取的最佳高斯标准差和非极大值抑制；交通线判别系统一定程度的减少了交管局的工作量，也弥补了人工监测的不全面性，为违章判据和无人驾驶汽车的推行提供了参考；本方法测精度高，检测时间短，自动化程度高，能够有效降低交通事故的发生率。

附图说明：

图1为本发明基于改进Canny边缘检测算法的违章压线判别方法的流程框图；

图2为本发明各步骤的结果图；

图3为本发明自适应高斯滤波器获取平滑图像；

图4为本发明归一化非极大值抑制图；

图5为本发明与其他图像处理效果对比图。

具体实施方式：

下面结合附图对本发明的实施例做进一步说明：

本发明的基于改进Canny边缘检测算法的违章压线判别方法，首先通过电子眼进行路况的实时采集，改进的Canny边缘检测算法对采集的路况信息进行边缘检测处理，识别出的边缘轮廓作为是否压线的标准。一旦发现异常系统会将异常数据传送至驾驶员导航系统和交管局PC端，实现了高精度、低成本的车辆违章判别。

如图1所示，本发明的一种基于改进Canny边缘检测算法的违章压线判别方法，其骤如下：

步骤一：使用交通摄像装置拍摄路况原图，对含有交通信号线和车辆的原图进行灰度处理从而获得包含交通信号线和车辆的灰度图像，降低违章压线判别方法的运行内存，缩短系统得出结果的速度；

步骤二:对灰度图像进行自适应高斯滤波器处理去除整个灰度图像的高斯噪声和椒盐噪声，获得带有交通信号线和车辆的平滑灰度图像，最优化交通信号线和车辆的灰度图像部分的平滑度与保留细节，同时模糊处理背景部分，减少噪声带来的交通信号线和车辆轮廓的误判，排除噪声干扰，提高违章压线判别的准确率；

如图3所示，自适应高斯滤波器处理去除灰度图像中噪声的具体步骤为:

选用3×3高斯模板，将自适应高斯标准差σ的最优值代入

中处理并获取自适应初始核，而

则是将上述初始核归一化形成最终的自适应滤波核；选取最佳高斯标准差σ最大程度的去除灰度图像的噪声，同时灰度图像的平滑度与细节保留度也达到最优解,在实现目标边缘信息保留度较好的情况下无过多冗余信息，提高了信噪比，获得最佳平滑图像；

通过自适应高斯滤波器获取平滑图像图不同ε的抑制而智能获取最佳σ,1、为了满足

能量函数的要求，该公式中的σ应尽量大，公式：ε＝F₀-Q_NF中表明灰度图像与平滑图像的差值ε应尽量小，此刻σ的值也就越小；最终求取的σ通过δ的修正便为最优值，即为图中的自适应σ；3阶3高斯模板通过公式：

处理得到自适应初始核；公式：

将初始核归一化可以得到最终的自适应滤波核；灰度图像经自适应滤波核扫描滤波获得

的平滑图像点集Q(x,y)，最终的最佳平滑图像由平滑图像点集组成；

步骤三：对带有交通信号线和车辆的平滑灰度图像进行全局梯度的划分，弱化背景像素值的同时加强交通信号线和汽车的轮廓，以获取平滑图像的边缘强度；具体的，根据图像邻域对称原则采用归一化的方法对平滑图像的边缘强度进行sobel算子梯度角度再细致划分，减少边缘像素点的丢失，强化平滑图像中的交通信号线和车辆轮廓边缘，得到包含交通信号线和汽车轮廓的平滑图像梯度方向和幅值双图像；

步骤四：对步骤三获取的包含交通信号线和汽车轮廓的平滑图像梯度方向和幅值双图像进行非极大值抑制处理，获得包含交通信号线和汽车轮廓的非极大值抑制图像，以达到交通信号线和汽车的轮廓初步锐化的目的，也使得违章压线判别定位更准确；

平滑图像梯度方向、幅值双图像具体步骤为：

(1)根据图像邻域对称原则采用归一化思想，仅将图像看成是由像素点组成的，把图中每一个像素点都看成坐标上的一个点，因此仅考虑平滑图像-90°到90°正半圆范围内像素点的值，包括0°±45°90°四个方向，由于只有四个方向因此梯度划分不够细致，易导致部分边缘信息的丢失，因此对圆周模板顺时针旋转22.5°，从而对-67.5°到112.5°范围进行非极大值抑制，小于该角度范围内的值则采用对称折叠法，将另外的半个圆内的像素值给翻转至-67.5°到112.5内处理；

(2)将步骤三中获得的图像等角度划分为4个区域，利用区域索引的方法进行像素点的大致区域选取，即以像素点与4个区域的圆划分线的差值来选取最小偏移量从而定位各像素点具体属于哪一区域，区域中的像素点会被划分到-67.5°到112.5°具体方向上如步骤四中所述首先将圆分为了半圆中的四个区域，定位到具体区域后然后再将各区域中的点划分到-67.5°到112.5°的具体方向上的像素点与同方向上相邻像素点进行幅值对比保留最大值；解决全局梯度划分下目标边缘定位不准确的问题，有效细化Sobel算子梯度划分只能粗略定位目标，而非极大值抑制可以保留局部最大值即去除非边缘点，去除冗余信息这里求出的图像较梯度划分中的图像边缘线更细，定位也更准确些边缘，实现精准边缘精准定位，该步骤处理完将获得非极大值抑制图像。

步骤五：使用黄金分割迭代法处理非极大值抑制图像，在非极大值抑制图像的基础上计算出需要进行边缘提取的轮廓图像的高阈值和低阈值，利用高低双阈值敲定最终交通信号线和汽车轮廓的门限值，是违章判别方法中的关键一步；

利用黄金分割迭代法处理非极大值抑制图像计算高低阈值的具体方法：

低阈值；使用黄金比例分割法通过自适应性进行迭代计算求取，迭代计算速度快且边缘细化效果更佳，稳定性也更好；根据灰度值对非极大值抑制图像进行分析，计算出交通信号线和车辆与背景所占图像的百分比，若两部分比值均在50％邻域内则使用公式：T₀＝mid(M_min,M_max)，而mid＝left+0.618(right-left)；否则

其中T0为系统匹配的初始阈值可以将图片划分为两部分，大于等于T0划分到P0区，否则在P1区。然后利用公式：

计算出P0区与P1区的梯度值C0与C1，此刻根据

求出新的阈值T1，将T1与T0作比较，若结果趋于一个近似零的值则迭代完成，输出值即为图像的低阈值，否则用T1替换掉初始的T0继续迭代运算；

高阈值；当低阈值取到高阈值的0.3倍时效果最佳，所以高阈值为低阈值的三倍数值。

步骤六：利用高阀值作为门限值提取目标轮廓，从而将交通信号线和汽车轮廓与背景分开；利用低阈值作为门限值平滑交通信号线和汽车轮廓轮廓，将交通信号线和汽车轮廓轮廓断续的地方连接起来；

具体的，将大于高阈值部分作为强边缘从而将交通信号线和汽车的轮廓边缘，将介于高阈值与低阈值之间的部分为弱边缘，舍弃小于低阈值的部分；由于强边缘所获得的边缘图像断续并不完整，所以利用弱边缘补充强边缘不完整的图像从而使交通信号线和汽车的轮廓边缘完整连续，获得的轮廓图将作为违章压线判别方法的判别依据。

步骤七：对步骤六中获得的交通信号线和车辆的边缘轮廓图进行判别处理，将实时获得的交通信号线和车辆的边缘轮廓数据与没有车辆的交通信号线轮廓的初始阈值相比对，若交通信号线阈值未改变则判定为未压线；若阈值范围缩小到原来的十分之一则判断为违章压线。

实施例一、

具体实现步骤如下：

步骤一：图像预处理，将获得的实验原图进行灰度处理，可以提高系统的边缘提取速度，减少硬件资源占用，该步处理获得灰度图像。

步骤二:自适应高斯滤波器处理灰度图像

(1)过不同差值ε的抑制智能获取最佳高斯标准差σ,为满足能量函数

的要求，其中高斯标准差σ应尽量大，而ε＝F₀-Q_NF所表示的灰度图像与平滑图像的差值ε应尽量小，此刻高斯标准差σ的值也就越小。通过上述两个条件的限制最终求取的高斯标准差σ为最佳值。但因为图像像素点具有离散性，故应通过修正值δ的修正调节高斯标准差σ以获得最优值；

(2)选用3阶3高斯模板，将求取的自适应高斯标准差σ的最优值代入

中处理并获取自适应初始核，而

则是将上述初始核归一化形成最终的自适应滤波核。

该步骤在可以自动选取最佳高斯标准差实现较好自适应性的基础上，最大程度的去除灰度图像噪声、灰度图像的平滑度与细节保留度也达到最优解。在实现目标边缘信息保留度较好的情况下无过多冗余信息，提高了信噪比，最终获得最佳平滑图像。

步骤三：步骤二获得的平滑图像需要进行全局梯度的划分获取边缘强度，根据图像邻域对称原则本文采用归一化思想，梯度角度划分再细致，可以很好的保护边缘信息，该步骤可获取梯度方向和幅值双图像。

步骤四：非极大值抑制处理步骤三中梯度方向、幅值双图像

(1)根据图像邻域对称原则采用归一化思想，仅考虑-90°到90°正半圆内的值。其中0°±45°90°四个方向，梯度划分不够细致，易导致部分边缘信息的丢失，因此还需将圆周模板顺时针旋转22.5°即仅对-67.5°到112.5°范围进行非极大值抑制，小于该角度范围内的值采用对称折叠的思想翻转至该范围内进行处理；具体如图4所示；

(2)采用1234区域索引的方法进行角度像素的选取，即以像素点与各模板方向的差值来选取最小偏移量从而定位到图中具体的模板方向上，划分到具体方向上的像素点与同方向上相邻像素点进行幅值对比保留最大值；

该步骤可以进一步解决全局梯度划分下目标边缘定位不准确的问题，一定程度的细化了边缘，实现精准边缘精准定位，该步骤处理完将获得非极大值抑制图像。

步骤五：黄金分割迭代法处理非极大值抑制图像计算出高低阈值

(1)低阈值；本文借助黄金比例分割法可以提高迭代速度的思想，用黄金比例法替换了原有的二分法即用0.618替换原有的0.5。根据灰度值对非极大值抑制图像进行分析，计算出目标与背景所占图像的百分比，若两部分比值均在50％邻域内则T₀＝mid(M_min,M_max)，而mid＝left+0.618(right-left)；否则

其中T0为系统匹配的初始阈值可以将图片划分为两部分，大于等于T0划分到P0区，否则在P1区。然后计算出P0与P1的梯度值C0与C1，此刻根据

求出新的阈值T1，将T1与T0作比较，若结果趋于一个极小值则迭代完成求出图像的低阈值，否则用T1替换掉初始的T0继续迭代运算。

(2)高阈值；当低阈值取到高阈值的0.3倍时效果最佳，故这里的高阈值将设置为三倍的低阈值。

处理的图像像素点集越多时黄金分割法的迭代速度越快、稳定性越高。所求的高低阈值具有很强的自适应性与鲁棒性。该步骤处理完将获得高低阈值双图像。

步骤六：边缘连接高低双阈值图像形成连续的边缘图像，该步骤处理完将获得边缘连接图像即最终图像；最终效果相比如图5中从左到右分别表示灰度图、传统canny算法图、sobel加强算法后的图片、自适应canny算法图、文本算法的轮廓图。

步骤七：对步骤六中获得的交通信号线和车辆的边缘轮廓图进行判别处理，将实时获得的交通信号线和车辆的边缘轮廓数据与没有车辆的交通信号线轮廓的初始阈值相比对，若交通信号线阈值未改变则判定为未压线。若阈值范围缩小到原来的十分之一则判断为违章压线。

步骤八：系统结果输出，若有异常系统将进行违章取证以及车牌识别，异常数据将传送至驾驶员导航系统和交管局PC端，若无异常则车辆违章判别系统继续监控运作直至异常警报出现。

Claims (4)

1.一种基于改进Canny边缘检测算法的违章压线判别方法，其特征在于步骤如下：

步骤一：使用交通摄像装置拍摄路况原图，对含有交通信号线和车辆的原图进行灰度处理从而获得包含交通信号线和车辆的灰度图像，降低违章压线判别方法的运行内存，缩短系统得出结果的速度；

步骤二:对灰度图像进行自适应高斯滤波器处理去除整个灰度图像的高斯噪声和椒盐噪声，获得带有交通信号线和车辆的平滑灰度图像，最优化交通信号线和车辆的灰度图像部分的平滑度与保留细节，同时模糊处理背景部分，减少噪声带来的交通信号线和车辆轮廓的误判，排除噪声干扰，提高违章压线判别的准确率；

步骤三：对带有交通信号线和车辆的平滑灰度图像进行全局梯度的划分，弱化背景像素值的同时加强交通信号线和汽车的轮廓，以获取平滑图像的边缘强度；具体的，根据图像邻域对称原则采用归一化的方法对平滑图像的边缘强度进行sobel算子梯度角度再细致划分，减少边缘像素点的丢失，强化平滑图像中的交通信号线和车辆轮廓边缘，得到包含交通信号线和汽车轮廓的平滑图像梯度方向和幅值双图像；

步骤四：对步骤三获取的包含交通信号线和汽车轮廓的平滑图像梯度方向和幅值双图像进行非极大值抑制处理，获得包含交通信号线和汽车轮廓的非极大值抑制图像，以达到交通信号线和汽车的轮廓初步锐化的目的，也使得违章压线判别定位更准确；

步骤五：使用黄金分割迭代法处理非极大值抑制图像，在非极大值抑制图像的基础上计算出需要进行边缘提取的轮廓图像的高阈值和低阈值，利用高低双阈值敲定最终交通信号线和汽车轮廓的门限值，是违章判别方法中的关键一步；

步骤六：利用高阀值作为门限值提取目标轮廓，从而将交通信号线和汽车轮廓与背景分开；利用低阈值作为门限值平滑交通信号线和汽车轮廓轮廓，将交通信号线和汽车轮廓轮廓断续的地方连接起来；

具体的，将大于高阈值部分作为强边缘从而将交通信号线和汽车的轮廓边缘，将介于高阈值与低阈值之间的部分为弱边缘，舍弃小于低阈值的部分；由于强边缘所获得的边缘图像断续并不完整，所以利用弱边缘补充强边缘不完整的图像从而使交通信号线和汽车的轮廓边缘完整连续，获得的轮廓图将作为违章压线判别方法的判别依据。

步骤七：对步骤六中获得的交通信号线和车辆的边缘轮廓图进行判别处理，将实时获得的交通信号线和车辆的边缘轮廓数据与没有车辆的交通信号线轮廓的初始阈值相比对，若交通信号线阈值未改变则判定为未压线；若阈值范围缩小到原来的十分之一则判断为违章压线。

2.根据权利要求1所述的基于改进Canny边缘检测算法的违章压线判别方法，其特征在于自适应高斯滤波器处理去除灰度图像中噪声的具体步骤为:

选用3×3高斯模板，将自适应高斯标准差σ的最优值代入公式：

中处理并获取自适应初始核，而式：

则将上述初始核归一化形成最终的自适应滤波核；选取最佳高斯标准差σ最大程度的去除灰度图像的噪声，同时灰度图像的平滑度与细节保留度也达到最优解,在实现目标边缘信息保留度较好的情况下无过多冗余信息，提高了信噪比，获得最佳平滑图像。

3.根据权利要求1所述的基于改进Canny边缘检测算法的违章压线判别方法，其特征在于处理平滑图像梯度方向、幅值双图像具体步骤为：

(1)根据图像邻域对称原则采用归一化思想，仅将图像看成是由像素点组成的，把图中每一个像素点都看成坐标上的一个点，因此仅考虑平滑图像-90°到90°正半圆范围内像素点的值，包括0°±45°90°四个方向，由于只有四个方向因此梯度划分不够细致，易导致部分边缘信息的丢失，因此对圆周模板顺时针旋转22.5°，从而对-67.5°到112.5°范围进行非极大值抑制，小于该角度范围内的值则采用对称折叠法，将另外的半个圆内的像素值给翻转至-67.5°到112.5内处理；

(2)将步骤三中获得的图像等角度划分为4个区域，利用区域索引的方法进行像素点的大致区域选取，即以像素点与4个区域的圆划分线的差值来选取最小偏移量从而定位各像素点具体属于哪一区域，区域中的像素点会被划分到-67.5°到112.5°具体方向上如步骤四中所述首先将圆分为了半圆中的四个区域，定位到具体区域后然后再将各区域中的点划分到-67.5°到112.5°的具体方向上的像素点与同方向上相邻像素点进行幅值对比保留最大值；解决全局梯度划分下目标边缘定位不准确的问题，有效细化Sobel算子梯度划分只能粗略定位目标，而非极大值抑制可以保留局部最大值即去除非边缘点，去除冗余信息这里求出的图像较梯度划分中的图像边缘线更细，定位也更准确些边缘，实现精准边缘精准定位，该步骤处理完将获得非极大值抑制图像。

4.根据权利要求1所述的基于改进Canny边缘检测算法的违章压线判别方法，其特征在于利用黄金分割迭代法处理非极大值抑制图像计算高低阈值的具体方法：

低阈值；使用黄金比例分割法通过自适应性进行迭代计算求取，迭代计算速度快且边缘细化效果更佳，稳定性也更好；根据灰度值对非极大值抑制图像进行分析，计算出交通信号线和车辆与背景所占图像的百分比，若两部分比值均在50％邻域内则使用公式：T₀＝mid(M_min,M_max)，而mid＝left+0.618(right-left)；否则

其中T0为系统匹配的初始阈值可以将图片划分为两部分，大于等于T0划分到P0区，否则在P1区。然后利用公式：

计算出P0区与P1区的梯度值C0与C1，此刻根据

求出新的阈值T1，将T1与T0作比较，若结果趋于一个近似零的值则迭代完成，输出值即为图像的低阈值，否则用T1替换掉初始的T0继续迭代运算；

高阈值；当低阈值取到高阈值的0.3倍时效果最佳，所以高阈值为低阈值的三倍数值。

Images