CN112861768A - 一种hsv空间上的非结构化道路识别方法 - Google Patents

一种hsv空间上的非结构化道路识别方法 Download PDF

Info

Publication number
CN112861768A
CN112861768A CN202110227588.4A CN202110227588A CN112861768A CN 112861768 A CN112861768 A CN 112861768A CN 202110227588 A CN202110227588 A CN 202110227588A CN 112861768 A CN112861768 A CN 112861768A
Authority
CN
China
Prior art keywords
road
pixel
point
image
value
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
Application number
CN202110227588.4A
Other languages
English (en)
Inventor
付兴建
王军茹
侯明
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.)
Beijing Information Science and Technology University
Original Assignee
Beijing Information Science and Technology University
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 Beijing Information Science and Technology University filed Critical Beijing Information Science and Technology University
Priority to CN202110227588.4A priority Critical patent/CN112861768A/zh
Publication of CN112861768A publication Critical patent/CN112861768A/zh
Pending legal-status Critical Current

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • 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
    • G06T2207/30248—Vehicle exterior or interior
    • G06T2207/30252—Vehicle exterior; Vicinity of vehicle
    • 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
    • G06T2207/30248—Vehicle exterior or interior
    • G06T2207/30252—Vehicle exterior; Vicinity of vehicle
    • G06T2207/30256—Lane; Road marking

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种HSV空间上的非结构化道路识别方法，属于智能汽车辅助驾驶技术领域。本发明对非结构化道路彩色图像，首先计算S分量矩阵，通过OSTU法计算阈值，初步识别道路区域，得到黑白识别结果图。然后，将黑白图像划分成多个方格，计算每个方格内黑白像素比例并转化为一个像素，得到一个较小的二值图像。在小的二值图像上采用搜寻道路左右轮廓的方法确定道路粗略区域。最后对应到S分量上，据边缘到边缘法精确识别道路边缘及道路区域。本发明能较好识别非结构化道路，抗干扰能力强，对道路形状不敏感，且计算量较小，符合无人驾驶系统实时性要求。

Description

一种HSV空间上的非结构化道路识别方法
技术领域
本发明涉及一种HSV空间上的非结构化道路识别方法，属于智能汽车辅助驾驶技术领域。
背景技术
车辆的自动驾驶系统是计算机视觉的一个重要应用领域，道路识别算法是该领域的关键技术之一。道路图像识别为安全驾驶与车辆路线自动规划提供了重要依据。
实际的道路可分为结构化道路和非结构化道路两类。结构化道路一般有明显的车道线和道路边界，检测方法比较成熟。非结构化道路一般指结构化程度较低的道路，这类道路没有车道线和清晰的道路边界，再加上阴影和水迹等干扰物的影响，检测难度相对较大。
目前，非结构化道路的检测算法主要分为基于特征的方法、基于模型的方法、基于卷积神经网络的方法和基于支持向量机的方法。基于特征的道路检测算法，主要是根据道路在颜色、纹理、梯度等特征上的不同，与非道路进行区分。其优点是对道路形状不敏感，需要的先验知识少，但是对阴影和水迹较为敏感，处理计算量较大。基于模型的方法，首先需要找到最匹配的道路模型，该方法检测出的道路区域较为完整，但是对于复杂的路面形状，无法建立有效的模型。基于卷积神经网络的方法和基于支持向量机的方法，需要对大量样本进行训练。
鉴于此，开发一种能有效精确识别非结构化道路区域的方法尤为重要。
发明内容
本发明的目的在于非结构化道路边界难以精确界定，且易受阴影、道路中干扰物的影响，提出了一种HSV模型非结构化道路识别方法，旨在解决现有对道路阴影、障碍物等干扰，精确识别非结构化道路区域，且计算量符合无人驾驶系统实时性要求。
本发明是一种HSV模型非结构化道路识别方法，具体通过以下步骤实现：
步骤1、通过车载单镜头CCD摄像机获取非结构化道路彩色图像。由道路彩色图像RGB 模型计算S分量，用OSTU方法计算阈值，初步识别道路区域和非道路区域，得到黑白识别图像。
步骤1-1、对大小为M×N的道路彩色图像，由RGB模型计算S分量。这里，R(Red) 表示红色，G(Green)表示绿色，B(Blue)表示蓝色；S分量是HSV模型中的S。H(Hue) 表示色调，S(Saturation)表示饱和度，V(Value)表示明度。
设C max(i，j)＝max(R(i，j)，G(i，j)，B(i，j))，C min(i，j)＝min(R(i，j)，G(i，j)，B(i，j))，则有
Figure BSA0000234855080000021
式中，i＝0，...，M-1，j＝0，...，N-1；R(i，j)∈[0，255]，G(i，j)∈[0，255]，B(i，j)∈[0，255]， S(i，j)∈[0，255]。
Figure BSA0000234855080000022
表示取整运算。
步骤1-2、对矩阵S，用OSTU方法计算阈值Thre。
OSTU算法也称为最大类间差法，按图像的灰度特性将图像分成两个类，当类间方差与类内方差的分离度最大时即为最佳阈值。将道路和非道路的识别阈值记为Thre，道路像素个数占整个矩阵S像素个数的比例记为p1，平均像素值为μ1；非道路像素个数占整个矩阵S像素个数的比例记为p2，平均像素值为μ2；矩阵S总平均像素值为μ，类间方差为σ；矩阵 S大小为M×N，其中像素值小于阈值Thre的像素个数记为N1，像素值小于阈值Thre的像素个数记为N2，则有：
μ1＝N1/(M×N)
μ2＝N2/(M×N)
N1+N2＝M×N
μ1+μ2＝1
μ＝μ1×p1+μ2×p2
σ＝p1×(μ-μ1)2+p2×(μ-μ2)2
＝p1×p2×(μ1-μ2)2
采用遍历法得到使类间方差σ最大的阈值，即为所求阈值Thre。
步骤1-3、矩阵S中，初步识别为两类0(表示道路像素)、255(表示非道路像素)，得到大小为M×N的黑白二值图像WB，其像素值为ω(i，j)。
Figure BSA0000234855080000023
其中，S(i，j)为矩阵S中的值。
步骤2、将所得的初步识别结果黑白二值图像WB，划分成多个方格；计算方格内黑白像素比例，转换成更小的二值图像。该步骤旨在减少道路识别时间，提高识别效率。
步骤2-1、对步骤1-3所得到的大小为M×N黑白二值图像WB，设定初始值r(一般可设为r＝8)，将图像分成s×t个方格，其中每个方格大小为r×r，如图2(a)所示：
Figure BSA0000234855080000031
式中，
Figure BSA0000234855080000032
表示取整运算。
这里(M/r，N/r)不一定是整数，可把图像顶部，和左右截取一部分，使得s，t是整数。该处理方式合理，计算量小。
步骤2-2、计算每个方格黑白像素比例：
pi(i，j)＝NW(i，j)/Nz(i，j)
式中，i＝1，...，s，j＝1，...，t，NW(i，j)和Nz(i，j)分别表示第i行，j列个方格中白色像素个数和总的像素个数。
pi(i，j)取值在[0，1]之间，pi是一个维数为s×t的矩阵，乘以255取整，可以图像的形式显示结果。
步骤2-3、将pi转换成二值图像。设定转换阈值，将图像转换成二值图像：
Figure BSA0000234855080000033
考虑到道路区域白点很少，故系数kcoef的选取比较小，通常设定为[0.01 0.05]之间。一般可取为0.01。显然，二值图像wp大小为s×t。
步骤3、对步骤2所得的二值图像，由每行连续黑色像素个数最大的黑色像素串，确定道路搜索起点和道路消失点。
步骤3-1、从底部向上搜索大小为s×t二值图像wp，对每行连续黑色像素个数最大的黑色像素串，将其最左边、最右边黑色像素列位置大小，及最大黑色像素串个数记入向量yA中。设置道路消失点像素个数阈值rTh，当黑色像素串个数不小于rTh时，结束搜索。
Figure BSA0000234855080000034
式中，向量yA第一列
Figure BSA0000234855080000035
是每行最大黑色像素串最左边像素的列位置大小；第二列
Figure BSA0000234855080000038
是每行最大黑色像素串最右边像素的列位置大小；第三列
Figure BSA0000234855080000036
是每行最大黑色像素串像素个数大小。s是二值图像wp总行数；从底部向上搜索二值图像wp，当最大黑色像素串个数小于rTh，即
Figure BSA0000234855080000037
时，停止搜索，此时对应的二值图像wp的行大小即为m。
步骤3-2、向量yA，第三列
Figure BSA0000234855080000041
值最小时，对应的二值图像wp行值的最大值，记为道路消失点re；从道路图像底部(第s行)到道路图像四分之三(第s×3/4行)，向量yA第三列
Figure BSA0000234855080000042
值最大时，对应的二值图像wp行值的最小值，记为道路搜索起点rs。
步骤4、大小为s×t二值图像wp中，搜索从起点rs开始到消失点re结束，采用左右搜索法，搜寻道路左右轮廓。
步骤4-1、搜索起点为rs，对应的左右边缘像素点为
Figure BSA0000234855080000043
道路宽度一半的初始值为
Figure BSA0000234855080000044
设置道路消失点像素个数阈值rTh，设置向左右搜索像素个数阈值npixelTh。取npixel＝min(npixelTh，rHalfWidth)。
步骤4-2、首先搜索道路左边缘，如图2(b)所示。在二值图像wp中，左边缘的起点为(rs，
Figure BSA0000234855080000045
)。以此为起点，向上一行取像素点Lp(rs-1，
Figure BSA0000234855080000046
)，即行数减1，列数不变。(1)若像素点Lp像素值等于255，则在该行向右搜索，直到像素点像素值为0，停止搜索，对应的像素点即为该行左边缘像素点Lp(rs-1，
Figure BSA0000234855080000047
)。(2)若像素点Lp像素值等于0，分为以下两种情况处理：(a)在该行向右搜索，最多不超过npixel个像素点。若遇到像素点像素值等于255，继续向右搜索，直到像素点像素值等于0，停止搜索，对应的像素点即为该行左边缘像素点 Lp(rs-1，
Figure BSA0000234855080000048
)；若没有遇到像素点像素值等于255，则转(b)。(b)以像素点Lp为起点，向左搜索，直到遇到像素值为255的像素点，或搜索到图像边缘，停止搜索，对应的像素点即为该行左边缘像素点Lp(rs-1，
Figure BSA0000234855080000049
)。
步骤4-3、其次搜索道路右边缘。与步骤4-2类似。右边缘像素点记为Rp(rs-1，
Figure BSA00002348550800000410
)。
步骤4-4、道路宽度的一半重新计算为
Figure BSA00002348550800000411
取npixel＝min(npixelTh，rHalfWidth)。循环运行步骤4-2、4-3，直到2*rHalfWidlh＜rTh，或搜索图像行数小于步骤3所得道路消失点re，停止计算。将停止搜索行重新记录为道路消失点re值。
步骤4-5、对大于搜索起点rs的图像部分，与步骤4-1至4-4类似，搜索得到左右边缘像素点。
步骤5、由步骤2可知，步骤4中的每个像素点，对应步骤1的S矩阵中一个方格，包含r×r个像素。根据步骤4搜索到的左右轮廓像素点，结合步骤2，找到步骤1中S矩阵所对应的像素方块；在方块中由边缘到边缘方法，确定最终的道路边缘像素点。
步骤5-1、以左边缘像素点Lp(i，
Figure BSA00002348550800000412
)为例，如图2(c)所示。对应S矩阵中一个方格SL，包含r×r个像素。(1)若
Figure BSA00002348550800000413
即左边缘像素点Lp在二值图像wp的第一列上，则在对应到道路原图的方格中，搜索的左边缘点也在S矩阵的第一列上，即对应的r个左边缘值也取值为0。(2)若
Figure BSA0000234855080000051
则向左移动取一个像素点，即取像素点Ln(i，
Figure BSA0000234855080000052
)，对应S矩阵中一个方格SA，包含r×r个像素，转步骤5-2。(3)若
Figure BSA0000234855080000053
则向左移动取两个像素点，即取像素点Ln(i，
Figure BSA0000234855080000054
)和Lm(i，
Figure BSA0000234855080000055
)，对应S矩阵中两个方格，分别包含r×r个像素，合并为一个方格SA，即包含r×2r个像素，转步骤5-2。
步骤5-2、在S矩阵中的方格SA上，以SS上最右边像素点为搜索起点，向左搜索，若遇到像素点为255或超过方格SA左边界，停止搜索，该像素点为该行的左边缘点。
步骤5-3、原道路右边缘点搜索与左边缘点类似，即与步骤5-1、5-2类似。不同点在于，步骤5-2(2)中，向右移动一个或两个像素点。
有益效果
本发明是一种HSV空间上的非结构化道路识别方法。对非结构化道路彩色图像，首先计算S分量矩阵，通过OSTU法计算阈值，并初步识别道路区域，得到黑白识别结果图。然后，将黑白图像划分成多个方格，得到一个较小的二值图像。在小的二值图像上采用搜寻道路左右轮廓的方法确定道路粗略区域。最后再对应到S分量上，据边缘到边缘法精确识别道路边缘及道路区域。本发明能较好识别非结构化道路，抗干扰能力强，对道路形状不敏感，且计算量较小，符合无人驾驶系统实时性要求。
附图说明
图1是本发明一种HSV空间上的非结构化道路识别方法的构思流程图。
图2是道路搜索示意图。
图2(a)是S分量方格分割图。
图2(b)是方格二值图像上道路边缘搜索图。
图2(c)是S分量上道路边缘搜索图。
图3是郊外道路识别图。
图3(a)是采集到的原图。
图3(b)是S分量图。
图3(c)是S分量中，由OSTU阈值，初步识别道路黑白图像。
图3(d)是S分量中，分割的方格二值图像。
图3(e)是方格二值图像中，道路边缘曲线图。
图3(f)是方格二值图像中道路识别图。
图3(g)是道路识别结果图。
图4郊外道路识别图，其中(a)是采集的原图，(b)是道路识别图。
图5郊外道路识别图，其中(a)是采集的原图，(b)是道路识别图。
图6郊外道路识别图，其中(a)是采集的原图，(b)是道路识别图。
图7校园道路识别图，其中(a)是采集的原图，(b)是道路识别图。
图8校园道路识别图，其中(a)是采集的原图，(b)是道路识别图。
图9小区道路识别图，其中(a)是采集的原图，(b)是道路识别图。
具体实施方式
下面结合附图和实施例对本发明做进一步说明和详细描述：
实施例：
为了验证道路识别方法的有效性，在不同类型的非结构化道路场景下做了道路识别实验。具体实施方法为：
一、以大小为425×606单幅道路彩色图像为例，详细说明实施方法。
(一)对道路图像，先进行预处理，再进行S分量变换，计算阈值，初步识别道路。
对大小为425×606道路原图像，为方便以下步骤，先做截取预处理。取r＝8，据步骤2 可得到大小为53×75的二值图像。故对原图像，截取第1行，左右各截取3列，得到大小为 424×600(53×8，75×8)道路彩色图像，如图3(a)所示。
对截取后的大小为424×600的道路彩色图像，进行S分量变换，所得到的S分量图像，如图3(b)所示。由OSTU法，计算得到阈值Thre＝70。初步识别道路结果，如图3(c)所示。黑色区域像素值小于阈值Thre，为道路区域；白色区域像素值大于等于阈值Thre，为非道路区域。图(a)、(b)、(c)大小相同，均为424×600。
(二)取r＝8，由步骤2，将大小为424×600道路S分量图像，分割为多个8×8小方格；计算每个方格黑白像素比例；取kcoef＝0.01，将图像转化为53×75的二值图像，如图3(d)所示。显然，图3(d)大小是图3(c)大小的八分之一，但这里为了更清晰观察图3(d)，将其适当放大显示。
(三)由步骤3，可设置rTh＝2，得到向量yA，如图3(e)所示。图中虚线曲线“--”是yA的第一列，即道路左边缘曲线；虚点曲线“..”是yA的第二列，即道路右边缘曲线；实线曲线是yA的第三列，即道路宽度曲线。横坐标对应于方格二值图像的行取值，纵坐标对应于方格二值图像的列取值。曲线显示的起始点为m×对应于步骤3-1中的m，这里m＝27；道路底部行值大小为s×t二值图像的行值s，这里s＝53。结合图3(e)，由步骤3-2可得，道路搜索道路消失点re＝27，道路搜索起点rs＝47。
(四)由步骤4，设置npixelTh＝6，在步骤2所得大小为53×75二值图像上搜索，得到道路左右边缘像素点位置。取左右边缘及之间的像素取值为0，其它取值为255，结果图像如图3(f)所示。黑色区域为道路区域，白色区域为非道路区域。
(五)由步骤5结合步骤4所得道路左右边缘，在图3(c)上搜索道路左右边缘。为方便对比，将左右边缘及之间的像素取值为255，其它区域像素值与原图相等，所得结果图如图 3(g)所示。图中，白色区域是道路，其它区域为原图像信息。很显然，道路识别方法有效。
二、以多幅道路彩色图像为例，验证道路识别方法的有效性。
多幅道路图像识别结果，如图4至图9。图4至图6为郊外道路图；图7和图8是校园道路图；图9是小区道路图。其中，图(a)是道路原图，图(b)是道路识别图。图(b)中识别的道路用白色表示。可见，道路识别方法有效。
以上所述为本发明的较佳实施例而已，本发明不应该局限于该实施例和附图所公开的内容。凡是不脱离本发明所公开的精神下完成的等效或修改，都落入本发明保护的范围。

Claims (6)

1.一种HSV空间上的非结构化道路识别方法，其特征在于，包括下列步骤：
步骤1、采集道路彩色图像。计算S分量，用OSTU法计算阈值，初步识别道路区域，得到黑白识别图像。
步骤2、对所得的初步识别结果黑白图像，划分成多个方格，计算方格内黑白像素比例，转换成一个较小的二值图像。
步骤3、对所得的较小二值图像，由每行连续黑色像素个数最大的黑色像素串，确定道路搜索起点和道路消失点。
步骤4、对所得的较小二值图像中，采用轮廓左右跟踪法搜索道路左右边缘，并最终确定道路消失点。
步骤5、结合步骤4的结果，在步骤1的黑白识别图像中，按边缘到边缘方法，精确搜索道路左右边缘线，实现精准识别道路区域。
2.根据权利要求1所述方法，其特征在于，所述步骤1进一步包括以下步骤：
步骤1-1、对大小为M×N的道路彩色图像，由RGB模型计算S分量。
设C max(i，j)＝max(R(i，j)，G(i，j)，B(i，j))，C min(i，j)＝min(R(i，j)，G(i，j)，B(i，j))，则有
Figure FSA0000234855070000011
式中，i＝0，…，M-1，j＝0，…，N-1；R(i，j)∈[0，255]，G(i，j)∈[0，255]，B(i，j)∈[0，255]，S(i，j)∈[0，255]。
Figure FSA0000234855070000012
表示取整运算。
步骤1-2、对矩阵S，用OSTU方法计算阈值Thre。
将道路和非道路的识别阈值记为Thre，道路像素个数占整个矩阵S像素个数的比例记为p1，平均像素值为μ1；非道路像素个数占整个矩阵S像素个数的比例记为p2，平均像素值为μ2；矩阵S总平均像素值为μ，类间方差为σ；矩阵S大小为M×N，其中像素值小于阈值Thre的像素个数记为N1，像素值小于阈值Thre的像素个数记为N2，则有：
μ1＝N1/(M×N)
μ2＝N2/(M×N)
N1+N2＝M×N
μ1+μ2＝1
μ＝μ1×p1+μ2×p2
σ＝p1×(μ-μ1)2+p2×(μ-μ2)2
＝p1×p2×(μ1-μ2)2
采用遍历法得到使类间方差σ最大的阈值，即为所求阈值Thre。
步骤1-3、矩阵S中，初步识别为两类0(表示道路像素)、255(表示非道路像素)，得到大小为M×N的黑白二值图像WB，其像素值为ω(i，j)。
Figure FSA0000234855070000021
其中，S(i，j)为矩阵S中的值。
3.根据权利要求1所述方法，其特征在于，所述步骤2进一步包括以下步骤：
步骤2-1、对步骤1-3所得到的大小为M×N黑白二值图像WB，设定初始值r(一般可设为r＝8)，将图像分成s×t个方格，其中每个方格大小为r×r。
Figure FSA0000234855070000022
式中，
Figure FSA0000234855070000023
表示取整运算。
这里(M/r，N/r)不一定是整数，可把图像顶部，和左右截取一部分，使得s，t是整数。该处理方式合理，计算量小。
步骤2-2、计算每个方格黑白像素比例：
pi(i，j)＝NW(i，j)/Nt(i，j)
式中，i＝1，…，s，j＝1，…，t，NW(i，j)和Nz(i，j)分别表示第i行，j列个方格中白色像素和总的像素个数。
pi(i，j)取值在[0，1]之间，pi是一个维数为s×t的矩阵，乘以255，可以图像的形式显示结果。
步骤2-3、将pi转换成二值图像。设定转换阈值，将图像转换成二值图像：
Figure FSA0000234855070000024
考虑到道路区域白点很少，故系数kcoef的选取比较小，通常设定为[0.01 0.05]之间。一般可取为0.01。显然，二值图像wp大小为s×t。
4.根据权利要求1所述方法，其特征在于，所述步骤3进一步包括以下步骤：
步骤3-1、步骤3-1、从底部向上搜索大小为s×t二值图像wp，对每行连续黑色像素个数最大的黑色像素串，将其最左边、最右边黑色像素列位置大小，及最大黑色像素串个数记入向量yA中。设置道路消失点像素个数阈值rTh，当黑色像素串个数不小于rTh时，结束搜索。
Figure FSA0000234855070000031
式中，向量yA第一列
Figure FSA0000234855070000032
是每行最大黑色像素串最左边像素的列位置大小；第二列
Figure FSA0000234855070000033
是每行最大黑色像素串最右边像素的列位置大小；第三列
Figure FSA0000234855070000034
是每行最大黑色像素串像素个数大小。s是二值图像wp总行数；从底部向上搜索二值图像wp，当最大黑色像素串个数小于rTh，即
Figure FSA0000234855070000035
时，停止搜索，此时对应的二值图像wp的行大小即为m。
步骤3-2、向量yA，第三列
Figure FSA0000234855070000036
值最小时，对应的二值图像wp行值的最大值，记为道路消失点re；从道路图像底部(第s行)到道路图像四分之三(第s×3/4行)，向量yA第三列
Figure FSA0000234855070000037
值最大时，对应的二值图像wp行值的最小值，记为道路搜索起点rs。
5.根据权利要求1所述方法，其特征在于，所述步骤4进一步包括以下步骤：
步骤4-1、搜索起点为rs，对应的左右边缘像素点为
Figure FSA0000234855070000038
道路宽度一半的初始值为
Figure FSA0000234855070000039
设置道路消失点像素个数阈值rTh，设置向左右搜索像素个数阈值npixelTh。取npixel＝min(npixelTh，rHalfWidth)。
步骤4-2、首先搜索道路左边缘。在二值图像wp中，左边缘的起点为
Figure FSA00002348550700000310
以此为起点，向上一行取像素点
Figure FSA00002348550700000311
即行数减1，列数不变。(1)若像素点Lp像素值等于255，则在该行向右搜索，直到像素点像素值为0，停止搜索，对应的像素点即为该行左边缘像素点
Figure FSA00002348550700000312
(2)若像素点Lp像素值等于0，分为以下两种情况处理：(a)在该行向右搜索，最多不超过npixel个像素点。若遇到像素点像素值等于255，继续向右搜索，直到像素点像素值等于0，停止搜索，对应的像素点即为该行左边缘像素点
Figure FSA00002348550700000313
若没有遇到像素点像素值等于255，则转(b)。(b)以像素点Lp为起点，向左搜索，直到遇到像素值为255的像素点，或搜索到图像边缘，停止搜索，对应的像素点即为该行左边缘像素点
Figure FSA00002348550700000314
步骤4-3、其次搜索道路右边缘。与步骤4-2类似。右边缘像素点记为
Figure FSA00002348550700000315
步骤4-4、道路宽度的一半重新计算为
Figure FSA00002348550700000316
取npixel＝min(npixelTh，rHalfWidth)。循环运行步骤4-2、4-3，直到2*rHalfWidth＜rTh，或搜索图像行数小于步骤3所得道路消失点re，停止计算。将停止搜索行重新记录为道路消失点re值。
步骤4-5、对大于搜索起点rs的图像部分，与步骤4-1至4-4类似，搜索得到左右边缘像素点。
6.根据权利要求1所述方法，其特征在于，所述步骤5进一步包括以下步骤：
步骤5-1、以左边缘像素点
Figure FSA0000234855070000041
为例。对应S矩阵中一个方格SL，包含r×r个像素。(1)若
Figure FSA0000234855070000048
即左边缘像素点Lp在二值图像wp的第一列上，则在对应到道路原图的方格中，搜索的左边缘点也在S矩阵的第一列上，即对应的r个左边缘值也取值为0。(2)若
Figure FSA0000234855070000042
则向左移动取一个像素点，即取像素点
Figure FSA0000234855070000043
对应S矩阵中一个方格SA，包含r×r个像素，转步骤5-2。(3)若
Figure FSA0000234855070000044
则向左移动取两个像素点，即取像素点
Figure FSA0000234855070000045
Figure FSA0000234855070000046
和
Figure FSA0000234855070000047
对应S矩阵中两个方格，分别包含r×r个像素，合并为一个方格SA，即包含r×2r个像素，转步骤5-2。
步骤5-2、在S矩阵中的方格SA上，以SA上最右边像素点为搜索起点，向左搜索，若遇到像素点为255或超过方格SA左边界，停止搜索，该像素点为该行的左边缘点。
步骤5-3、原道路右边缘点搜索与左边缘点类似，即与步骤5-1、5-2类似。不同点在于，步骤5-2(2)中，向右移动一个或两个像素点。
CN202110227588.4A 2021-03-02 2021-03-02 一种hsv空间上的非结构化道路识别方法 Pending CN112861768A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110227588.4A CN112861768A (zh) 2021-03-02 2021-03-02 一种hsv空间上的非结构化道路识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110227588.4A CN112861768A (zh) 2021-03-02 2021-03-02 一种hsv空间上的非结构化道路识别方法

Publications (1)

Publication Number Publication Date
CN112861768A true CN112861768A (zh) 2021-05-28

Family

ID=75990833

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110227588.4A Pending CN112861768A (zh) 2021-03-02 2021-03-02 一种hsv空间上的非结构化道路识别方法

Country Status (1)

Country Link
CN (1) CN112861768A (zh)

Similar Documents

Publication Publication Date Title
Corke et al. Dealing with shadows: Capturing intrinsic scene appearance for image-based outdoor localisation
Zhang et al. Object-oriented shadow detection and removal from urban high-resolution remote sensing images
US10325152B1 (en) Method of extracting warehouse in port from hierarchically screened remote sensing image
CN111415363B (zh) 一种图像边缘识别方法
EP1043688A2 (en) Image recognition method and apparatus utilizing edge detection based on magnitudes of color vectors expressing color attributes of respective pixels of color image
CN106778551B (zh) 一种高速路段及城市道路车道线识别方法
US8503777B2 (en) Geometric feature based image description and fast image retrieval
US20130342694A1 (en) Method and system for use of intrinsic images in an automotive driver-vehicle-assistance device
CN107992856B (zh) 城市场景下的高分遥感建筑物阴影检测方法
CN111382658B (zh) 一种基于图像灰度梯度一致性的自然环境下道路交通标志检测方法
CN108647664B (zh) 一种基于环视图像的车道线检测方法
CN112766291A (zh) 一种场景图像中特定目标对象的匹配方法
CN113255452A (zh) 一种目标水体的提取方法及提取系统
CN109064490B (zh) 一种基于MeanShift的运动目标跟踪方法
CN114445442A (zh) 基于非对称交叉融合的多光谱图像语义分割方法
CN108520252B (zh) 基于广义霍夫变换和小波变换的路标识别方法
CN113053164A (zh) 一种利用环视图像的车位识别方法
CN109800693B (zh) 一种基于颜色通道混合特征的夜间车辆检测方法
CN114842512B (zh) 基于多特征协同和语义感知的遮挡行人重识别和检索方法
CN111612797A (zh) 一种水稻图像信息处理系统
CN112861768A (zh) 一种hsv空间上的非结构化道路识别方法
CN111476233A (zh) 一种车牌号码的定位方法和装置
CN111062384A (zh) 一种基于深度学习的车窗精确定位方法
Han et al. Accurate and robust vanishing point detection method in unstructured road scenes
CN113420633B (zh) 一种基于um增强和sift特征提取的交通标志识别方法

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