CN113449629A - 基于行车视频的车道线虚实识别装置、方法、设备及介质 - Google Patents
基于行车视频的车道线虚实识别装置、方法、设备及介质 Download PDFInfo
- Publication number
- CN113449629A CN113449629A CN202110708538.8A CN202110708538A CN113449629A CN 113449629 A CN113449629 A CN 113449629A CN 202110708538 A CN202110708538 A CN 202110708538A CN 113449629 A CN113449629 A CN 113449629A
- Authority
- CN
- China
- Prior art keywords
- lane line
- image
- lane
- coordinates
- skeleton
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000001514 detection method Methods 0.000 claims abstract description 37
- 238000012545 processing Methods 0.000 claims abstract description 24
- 238000004364 calculation method Methods 0.000 claims abstract description 15
- 238000006243 chemical reaction Methods 0.000 claims description 41
- 230000006870 function Effects 0.000 claims description 20
- 230000001186 cumulative effect Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 14
- 230000011218 segmentation Effects 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 8
- 230000000877 morphologic effect Effects 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 210000000746 body region Anatomy 0.000 claims description 6
- 230000009191 jumping Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000007797 corrosion Effects 0.000 description 3
- 238000005260 corrosion Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及智能网联汽车技术领域,公开了一种基于行车视频的车道线虚实识别装置,包括视频采集单元、车道线检测单元、车道线图片处理单元以及二值化列表判定单元;其中,所述车道线图片处理单元包括完整车道线骨架转换单元、主体区域图转换单元、二值化图片转换单元和信息列表转换单元,本发明还公开了一种基于行车视频的车道线虚实识别方法、设备及介质。本发明车道线虚实检测步骤较少,能够实现快速计算,减少识别的累加误差。
Description
技术领域
本发明涉及智能网联汽车技术领域,特别是涉及基于行车视频的车道线虚实识别装置、方法、设备及介质。
背景技术
随着当今智能网联汽车的发展,车道信息已经成为汽车辅助驾驶和无人驾驶很重要的行车依据。目前主流的车道线检测方法有基于形状的车道线检测,基于模型匹配的车道线检测,基于图像特征的车道线检测。基于形状的车道线检测对路面要求比较高,主要针对结构化的道路,且易受到噪声干扰比较大,会检出大量与车道线像是形状的边缘。基于模型匹配的方法也主要正对结构化道路较强的几何特征,利用二维或多维曲线进行建模匹配,分析车道线的车道信息以此确定车道线模型参数,当模型较复杂时,运算开销也较大,以上两种检测方法仅仅只能检测车道线,均不能对车道线的颜色进行识别。基于图像特征的方法主要是通过车道线与周围环境在颜色、纹理、灰度等方面的不同,以此检测出车道线以及所属类型,但除颜色特征外的其他特征也仅仅只能检测出车道线的线条数,并不能识别出车道线颜色,且容易受到光线变化、背景等因素的影响,造成无法对车道线正确检测与识别。
专利号为:CN201811595051.8、专利名称为“一种车道线检测识别方法”(称为“前案”)通过预训练车道模型,得到行车道的感兴趣区域,但是,其方案无法规避感兴趣区域存在其他车辆、行人等遮挡物影响,通过利用车道的颜色特征以及车道线所固有的特征对其进行检测识别,同时对车道的颜色、曲直、线数和虚实进行检测识别。其中数字图像处理较最终效果依赖上一步骤的处理效果,识别精度和时效性无法保证,现有的车道线虚实的检测与识别大部分基于数字图像处理或者深度学习,其中数字图像处理鲁棒性较差,在复杂场景下存在误判,单纯的深度学习识别车道线类型则在时间维度上与空间维度上复杂度都相对较高,而且现在大多数技术只能做到车道线的拟合,不能做车道线的虚实识别,前端依赖的电子设备成本高。
发明内容
针对上述现有技术的不足,本申请提供一种基于行车视频的车道线虚实识别装置、方法、设备及介质,以解决上述问题。
为了解决上述技术问题,本发明采用了如下的技术方案:
一种基于行车视频的车道线虚实识别装置,包括视频采集单元、车道线检测单元、车道线图片处理单元以及二值化列表判定单元;其中,所述车道线图片处理单元包括完整车道线骨架转换单元、主体区域图转换单元、二值化图片转换单元和信息列表转换单元;
所述视频采集单元用于在行车过程中实时采集图像;
所述车道线检测单元用于将所述视频采集单元采集到的图像转换成固定长间隔离散车道线骨架坐标;
所述完整车道线骨架转换单元用于将所述固定长间隔离散车道线骨架坐标转换成完整连续车道线骨架坐标;
所述主体区域图转换单元用于对所述完整连续车道线骨架坐标进行转换得到车道线主体区域图;
所述二值化图片转换单元用于将所述车道线主体区域图转换成车道线二值化图片;
所述信息列表转换单元用于将车道线二值化图片闭运算和膨胀处理,然后转换成车道线二值化图片信息列表;
所述二值化列表判定单元用于对所述车道线二值化图片信息列表进行分析并判断出车道线类别,得到车道线虚实分类结果。
作为优化,所述视频采集单元包括但不限于行车记录仪、手机摄像头、安防摄像头,所述视频采集单元实时采集的图像为RGB图像。
一种基于行车视频的车道线虚实识别方法,包括如下步骤:
步骤1、将视频采集单元采集的待识别的图像输入至车道线检测单元中,得到固定长间隔离散车道线骨架坐标;
步骤2、通过所述完整车道线骨架转换单元对所述固定长间隔离散车道线骨架坐标进行拉格朗日插值,得到完整连续车道线骨架坐标;
步骤3、通过所述主体区域图转换单元对所述完整连续车道线骨架坐标进行转换得到车道线主体区域图;
步骤4、通过所述二值化图片转换单元对所述车道线主体区域图进行彩色空间变换,提取变换后的车道线主体区域图的颜色通道,然后计算得到车道线二值化图片;
步骤5、通过所述信息列表转换单元将所述车道线二值化图片转换成车道线二值化图片信息列表;
步骤6、通过二值化列表判定单元对所述车道线二值化图片信息列表进行分析并判断出车道线类别,得到车道线虚实分类结果。
作为优化,步骤1中,在将所述视频采集单元采集的待识别的图像输入至车道线检测单元之前还包括如下步骤:
步骤1.1、对所述视频采集单元获取的RGB图片以描绘点的形式给虚实车道线进行标注,得到车道线数据集;
步骤1.2、利用所述车道线数据集对所述车道线检测模型进行训练,得到训练权重。
作为优化,步骤2中,通过所述完整车道线骨架转换单元对所述固定长间隔离散车道线骨架坐标进行拉格朗日插值,得到完整连续车道线骨架坐标的具体步骤为:
采用拉格朗日插值多项式构造插值函数,根据所述插值函数对所述固定长间隔离散车道线骨架坐标的取值状况,估算出所述插值函数在所述固定长间隔离散车道线骨架坐标以外的地方的近似值,得到完整连续车道线骨架坐标,其中,所述固定长间隔离散车道线骨架坐标的表达式如下:
X0、Y0代表固定长间隔离散车道线原始骨架坐标的x轴和y轴上的点的集合,x0m为所述固定长间隔离散车道线原始骨架坐标的x轴上的其中一个点,y0m为所述固定长间隔离散车道线原始骨架坐标的y轴上的其中一个点;
估算所述插值函数在所述固定长间隔离散车道线骨架坐标以外的地方的近似值的方法如下:
设集合Dm是点(X0,Y0)的角标集合,m为固定长间隔离散车道线原始骨架坐标上的点的数量;
Xn、Yn代表完整连续车道线骨架坐标的x轴和y轴上的点的集合,n为完整连续车道线骨架坐标上的点的数量,yj代表固定长间隔离散车道线原始骨架坐标的y轴上的其中一个点。
作为优化,步骤3中,通过所述主体区域图转换单元对所述完整连续车道线骨架坐标进行转换得到车道线主体区域图的具体步骤为:根据所述完整连续车道线骨架坐标将车道线轨迹范围外的背景像素值赋为0,由车道线首尾坐标点从原图中裁剪,得到所述车道线主体区域图。
作为优化,步骤4中,通过所述二值化图片转换单元对所述车道线主体区域图进行彩色空间变换,提取变换后的车道线主体区域图的颜色通道,然后计算得到车道线二值化图片的具体步骤包括:
步骤4.1、将所述车道线主体区域图从RGB色彩空间转化为YCrCb色彩空间;
步骤4.2、将所述车道线主体区域图从YCrCb色彩空间中分离得到Y分量灰度图片;
步骤4.3、对Y分量灰度图片的像数点进行直方图统计,然后再做累积直方图统计,由累积直方图统计计算得到所述车道线二值化图片;
其中,RGB彩色空间转换到YCrCb彩色空间公式为:
作为优化,通过所述累积直方图统计计算得到所述车道线二值化图片的具体步骤包括:
S1、将累积直方图统计中大于分割阈值的像素点定义为属于车道线的像素点,并赋值为255,小于所述分割阈值的像素点为背景点,赋值为0,由此得到未处理的车道线二值化图片;
其中I(x,y)是Y分量灰度图像,By(x,y)是二值化图像,Histy(i)和Hy(k)分别是Y分量灰度图像的直方图和累积直方图,Ty是分割阈值,k为Y分量灰度图像的像素点的数量;
S2、使用形态学闭运算的方法通过计算得到运算结果,以弥补未处理的车道线二值化图片中的像素点缺漏;
S3、使用形态学膨胀运算,将所述运算结果先膨胀再经过距离变换函数,通过设定阈值,分离极短的车道线区域,最后得到经处理的所述车道线二值化图片,记为Bny(x,y},其中,x、y表示处理后的所述车道线二值化图片上的像素点的坐标。
作为优化,步骤5中,通过所述信息列表转换单元将所述车道线二值化图片转换成车道线二值化图片信息列表的具体步骤为:
遍历并提取所述车道线二值化图片上完整连续车道线骨架坐标点对应的像素值,由于图像是二值化的,提取出来的像素点为0或者1,完成构建车道线二值化图片信息列表Cn,
作为优化,步骤6中,通过二值化列表判定单元对所述车道线二值化图片信息列表进行分析并判断出车道线类别,得到车道线虚实分类结果的具体步骤为:
步骤6.1、根据所述完整连续车道线骨架坐标和车道线二值化图片信息列表,判断Cn是否均为1,如果Cn均为1,则判定车道线为实线,跳到步骤6.5,否则到步骤6.2;
步骤6.2、找到完整连续车道线骨架坐标的Y轴的最大点Ynmax,并判断最大点Ynmax对应的二值化图片信息列表的点Cn是否为0,如果是0,则判定车道线为虚线,若不为0,则到步骤6.3;
步骤6.3、降序遍历Yn,找到第一个Cn为0的位置index1;
步骤6.4、继续降序遍历Yn,如果找不到Cn为1的点,则判定车道线为实线,否则判定车道线为虚线;
步骤6.5、判定结束。
作为优化,本发明还提供一种电子设备,所述电子设备包括:
存储器,用于存储计算机程序;
至少一个处理器;用于执行所述计算机程序时实现上述所述的一种基于行车视频的车道线虚实识别方法。
作为优化,本发明还提供一种计算机可读存储介质,包括存储数据区和存储程序区,所述存储数据区存储创建的数据,所述存储程序区存储有计算机程序;其中,所述计算机程序被处理器执行时实现上述所述的一种基于行车视频的车道线虚实识别方法。
本发明的有益效果是:
首先将行车记录仪获取的待识别的RGB图像输入车道线检测模型,车道线检测模型能够快速实时响应,得到固定长间隔离散车道线骨架坐标,然后对固定长间隔离散车道线骨架坐标进行拉格朗日插值,得到完整连续车道线骨架坐标,根据完整的连续车道线骨架坐标裁剪得到车道线主体的区域图,将车道线主体的区域图(RGB)经过彩色空间变换为YCrCb,提取YCrCb彩色空间的Y颜色通道计算得到车道线二值化图片,其中车道线像素点在YCrCb彩色空间中的Y分量中是一个不变属性,能很完整的表达车道线信息,并将车道线从原始背景中分离出来,由车道线二值化图片构建车道线二值化图片信号列表,最后对二值化图片信息处理分析判断出车道线类别,得到虚实线分类结果,仅在车道线的检测上用到了深度学习算法,不但做到了能有效的判断车道线的虚实类别,而且所需设备要求不高,时间与空间复杂度较小,识别速度快,对行车记录仪上传的视频能做到实时车道线识别,同时车道线虚实检测步骤较少,能够实现快速计算,减少识别的累加误差。
附图说明
图1为本发明实施例提供的基于行车记录仪的车道线虚实识别方法流程图;
图2为行车记录仪采集的道路图;
图3为车道线模型检测的车道线骨架图;
图4为完整车道线骨架图;
图5为提取的车道线区域图;
图6为车道线YCrCb彩色空间Y分量图;
图7为提取的车道线二值化图片;
图8为提取的车道线闭运算图片;
图9为提取的车道线距离变换处理过程图片;
图10为虚实线判定图;
图11为RGB彩色模型的模型结构图;
图12为YCrCb彩色模型的模型结构图;
图13为本发明实施例提供的基于行车视频的车道线虚实识别装置的模块示意图;
图14为本发明实施例提供的基于行车视频的车道线虚实识别设备的内部结构示意图。
具体实施方式
下面结合附图对本发明作进一步的详细说明。在本发明的描述中,需要理解的是,方位词如“上、下”和“顶、底”等所指示的方位或位置关系通常是基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,在未作相反说明的情况下,这些方位词并不指示和暗示所指的装置或元件必须具有特定的方位或者以特定的方位构造和操作,因此不能理解为对本发明保护范围的限制;方位词“内、外”是指相对于各部件本身的轮廓的内外。
一种基于行车视频的车道线虚实识别装置,如图13所示,包括视频采集单元、车道线检测单元、车道线图片处理单元以及二值化列表判定单元;其中,所述车道线图片处理单元包括完整车道线骨架转换单元、主体区域图转换单元、二值化图片转换单元和信息列表转换单元;
所述视频采集单元用于在行车过程中实时采集图像;所述视频采集单元包括但不限于行车记录仪、交警摄像头,所需设备要求不高,时间与空间复杂度较小,识别速度快,所述视频采集单元实时采集的图像为RGB图像,如图2所示。
所述车道线检测单元用于将所述视频采集单元采集到的图像转换成固定长间隔离散车道线骨架坐标;
所述完整车道线骨架转换单元用于将所述固定长间隔离散车道线骨架坐标转换成完整连续车道线骨架坐标;
所述主体区域图转换单元用于对所述完整连续车道线骨架坐标进行转换得到车道线主体区域图;
所述二值化图片转换单元用于将所述车道线主体区域图转换成车道线二值化图片;
所述信息列表转换单元用于将车道线二值化图片进行闭运算和膨胀处理后转换成车道线二值化图片信息列表;
所述二值化列表判定单元用于对所述车道线二值化图片信息列表进行分析并判断出车道线类别,得到车道线虚实分类结果。
如图1所示,一种基于行车视频的车道线虚实识别方法,包括如下步骤:
步骤1、将视频采集单元采集的待识别的图像输入至车道线检测单元中,得到固定长间隔离散车道线骨架坐标,如图3所示;
步骤2、通过所述完整车道线骨架转换单元对所述固定长间隔离散车道线骨架坐标进行拉格朗日插值,得到完整连续车道线骨架坐标,如图4所示;
步骤3、通过所述主体区域图转换单元对所述完整连续车道线骨架坐标进行转换得到车道线主体区域图,如图5所示;
步骤4、通过所述二值化图片转换单元对所述车道线主体区域图进行彩色空间变换,提取变换后的车道线主体区域图的颜色通道,然后计算得到车道线二值化图片,如图7所示;
步骤5、通过所述信息列表转换单元将所述车道线二值化图片进行闭运算和膨胀处理后转换成车道线二值化图片信息列表;
步骤6、通过二值化列表判定单元对所述车道线二值化图片信息列表进行分析并判断出车道线类别,得到车道线虚实分类结果。
本实施例中,步骤1中,在将所述视频采集单元采集的待识别的图像输入至车道线检测模型之前还包括如下步骤:
步骤1.1、对所述视频采集单元获取的RGB图片以描绘点的形式给虚实车道线进行标注,得到车道线数据集;
步骤1.2、利用所述车道线数据集对所述车道线检测单元进行训练,得到训练权重。图片通过车道线检测单元得到固定长间隔离散车道线骨架坐标为现有技术,车道线检测单元采用最新开源的算法:一种超快速的车道线检测算法(Ultra Fast Structure-aware Deep Lane Detection),该算法将车道线检测定义为在某些行上位置的选择、分类,该算法轻量级的版本可以在接近SOTA的性能情况下达到300+FPS的检测速度。
本实施例中,步骤2中,通过所述完整车道线骨架转换单元对所述固定长间隔离散车道线骨架坐标进行拉格朗日插值,得到完整连续车道线骨架坐标的具体步骤为:
采用拉格朗日插值多项式构造插值函数,根据所述插值函数对所述固定长间隔离散车道线骨架坐标的取值状况,估算出所述插值函数在所述固定长间隔离散车道线骨架坐标以外的地方的近似值,得到完整连续车道线骨架坐标,其中,所述固定长间隔离散车道线骨架坐标的表达式如下:
X0、Y0代表固定长间隔离散车道线原始骨架坐标的x轴和y轴上的点的集合,x0m为所述固定长间隔离散车道线原始骨架坐标的x轴上的其中一个点,y0m为所述固定长间隔离散车道线原始骨架坐标的y轴上的其中一个点;需要注意的是:本发明提到的图片坐标均以图片左下角为原点,从左到右为x轴方向,从下往上为Y轴方向。
估算所述插值函数在所述固定长间隔离散车道线骨架坐标以外的地方的近似值的方法如下:
设集合Dm是点(X0,Y0)的角标集合,m为固定长间隔离散车道线原始骨架坐标上的点的数量;
Xn、Yn代表完整连续车道线骨架坐标的x轴和y轴上的点的集合,n为完整连续车道线骨架坐标上的点的数量,yj代表固定长间隔离散车道线原始骨架坐标的y轴上的其中一个点。
这里需要说明的是,由于x01,x02,······,x0m是代表固定长间隔离散车道线原始骨架坐标的x轴上的其中一个点,因此,完整连续车道线骨架坐标可以理解为,在x01,x02之间,有多个连续的点,即,x01,x01+1,x01+2······x02。
本实施例中,步骤3中,通过所述主体区域图转换单元对所述完整连续车道线骨架坐标进行转换得到车道线主体区域图的具体步骤为:根据所述完整连续车道线骨架坐标将车道线轨迹范围外的背景像素值赋为0,由车道线首尾坐标点从原图中裁剪,得到所述车道线主体区域图。这里的车道线首尾坐标点是指,完整连续车道线骨架坐标的x轴上的点从小到大排列的,首坐标点就是x轴的(x(0),y(0)),尾坐标点是(x(end),y(end)),也就是离(x(0),y(0))最远的点。
本实施例中,步骤4中,通过所述二值化图片转换单元对所述车道线主体区域图进行彩色空间变换,提取变换后的车道线主体区域图的颜色通道,然后计算得到车道线二值化图片的具体步骤包括:
步骤4.1、将所述车道线主体区域图从RGB色彩空间转化为YCrCb色彩空间,如图11、图12所示;
步骤4.2、将所述车道线主体区域图从YCrCb色彩空间中分离得到Y分量灰度图片,如图6所示;
步骤4.3、对Y分量灰度图片的像数点进行直方图统计,然后再做累积直方图统计,由累积直方图统计计算得到所述车道线二值化图片;
其中,RGB彩色空间转换到YCrCb彩色空间公式为:
本实施例中,通过所述累积直方图统计计算得到所述车道线二值化图片的具体步骤包括:
S1、将累积直方图统计中大于分割阈值的像素点定义为属于车道线的像素点,并赋值为255,小于所述分割阈值的像素点为背景点,赋值为0,由此得到未处理的车道线二值化图片;
其中I(x,y)是Y分量灰度图像,By(x,y)是二值化图像,Histy(i)和Hy(k)分别是Y分量灰度图像的直方图和累积直方图,Ty是分割阈值,k为Y分量灰度图像的像素点的数量。本实施例中,所述Ty设定为0.95。
S2、使用形态学闭运算的方法通过计算得到运算结果,以弥补未处理的车道线二值化图片中的像素点缺漏;
形态学闭运算为先膨胀再腐蚀,其运算结构的数学表达式为:
其中A表示未处理的车道线二值化图片(称为“原图”),B表示用于处理原图的结构元素,为3*3的数组,数值为1;
具体的,
膨胀表达式为:
表示用结构元素B膨胀A,即对原图A中的每一个像素a做如下处理:像素a置于结构元素的中心,根据结构元素的大小,遍历所有被结构元素覆盖的其他像素,修改像素a的值为所有像素中最大的值;
腐蚀表达式为:
表示用结构元素B腐蚀膨胀后的图片即对图片中的每一个像素b做如下处理:像素b置于结构元素的中心,根据结构元素的大小,遍历所有被结构元素覆盖的其他像素,修改像素b的值为所有像素中最小的值,最终得到闭运算的运算结果,即闭运算处理后的二值化图片。
S3、使用形态学膨胀运算,将所述运算结果先膨胀再经过距离变换函数,通过设定阈值,分离极短的车道线区域,最后得到经处理的所述车道线二值化图片,记为Bny(x,y),其中,x、y表示处理后的所述车道线二值化图片上的像素点的坐标。
具体的,对闭运算处理后的二值化图片(即闭运算的运算结果)首先与结构元素B进行膨胀运算得到膨胀结果,然后使用欧式距离函数,计算该二值化图片中所有像素点距离与其最近的值为0的像素点的距离,通过设定阈值,将错误连接的虚线分割开,最后得到经处理的所述车道线二值化图片,记为Bny(x,y),(如图9所示),其中阈值设置为最大距离的10%,小于阈值的像素点值为0,大于阈值的像素点值为255。这里的最大距离即为二值化图片中像素点距离与其最近的值为0的像素点的距离的最大值。
其中(x1,y1),(x2,y2)分别为进行了膨胀后的闭运算处理后的二值化图片任意2点的坐标。
本实施例中,步骤5中,通过所述信息列表转换单元将所述车道线二值化图片转换成车道线二值化图片信息列表的具体步骤为:
遍历并提取所述车道线二值化图片上完整连续车道线骨架坐标点对应的像素值,由于图像是二值化的,提取出来的像素点为0或者255,完成构建车道线二值化图片信息列表Cn,
本实施例中,步骤6中,通过二值化列表判定单元对所述车道线二值化图片信息列表进行分析并判断出车道线类别,得到车道线虚实分类结果的具体步骤为:
步骤6.1、根据所述完整连续车道线骨架坐标和车道线二值化图片信息列表,判断Cn是否均为255,如果Cn均为255,则判定车道线为实线,跳到步骤6.5,否则到步骤6.2;
步骤6.2、找到完整连续车道线骨架坐标的Y轴的最大点Ynmax,并判断最大点Ynmax对应的二值化图片信息列表的点Cn是否为0,如果是0,则判定车道线为虚线,若不为0,则到步骤6.3;
步骤6.3、降序遍历Yn,找到第一个Cn为0的位置index1;
步骤6.4、继续降序遍历Yn,如果找不到Cn为255的点,则判定车道线为实线,否则判定车道线为虚线;
步骤6.5、判定结束。
本发明还提供一种基于行车视频的车道线虚实识别设备,包括:存储器,用于存储计算机程序;
至少一个处理器;用于执行所述计算机程序时实现如上述一种基于行车视频的车道线虚实识别方法的步骤。
本发明所提供一种基于行车视频的车道线虚实识别设备,该电子设备可以包括处理器、存储器和总线,还可以包括存储在所述存储器中并可在所述处理器上运行的计算机程序,如一种基于行车视频的车道线虚实识别程序。
其中,所述存储器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、移动硬盘、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。所述存储器在一些实施例中可以是电子设备的内部存储单元,例如该电子设备的移动硬盘。所述存储器在另一些实施例中也可以是电子设备的外部存储设备,例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(SecureDigital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器不仅可以用于存储安装于电子设备的应用软件及各类数据,例如一种基于行车视频的车道线虚实识别程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器是所述电子设备的控制核心(Control Unit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器内的程序或者模块(例如执行基于行车视频的车辆违法检测程序等),以及调用存储在所述存储器内的数据,以执行电子设备的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect,简称PCI)总线或扩展工业标准结构(extended industry standard architecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器以及至少一个处理器等之间的连接通信。
所述电子设备还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
所述电子设备还可以包括网络接口,可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备1与其他电子设备之间建立通信连接。
电子设备还可以包括用户接口,用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、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(OrganicLight-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,用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
本发明所提供一种基于行车视频的车道线虚实识别设备,首先将行车记录仪获取的待识别的RGB图像输入车道线检测模型,车道线检测模型能够快速实时响应,得到固定长间隔离散车道线骨架坐标,然后对固定长间隔离散车道线骨架坐标进行拉格朗日插值,得到完整连续车道线骨架坐标,根据完整的连续车道线骨架坐标裁剪得到车道线主体的区域图,将车道线主体的区域图(RGB)经过彩色空间变换为YCrCb,提取YCrCb彩色空间的Y颜色通道计算得到车道线二值化图片,其中车道线像素点在YCrCb彩色空间中的Y分量中是一个不变属性,能很完整的表达车道线信息,并将车道线从原始背景中分离出来,由车道线二值化图片构建车道线二值化图片信号列表,最后对二值化图片信息处理分析判断出车道线类别,得到虚实线分类结果,仅在车道线的检测上用到了深度学习算法,不但做到了能有效的判断车道线的虚实类别,而且所需设备要求不高,时间与空间复杂度较小,识别速度快,对行车记录仪上传的视频能做到实时车道线识别,同时车道线虚实检测步骤较少,能够实现快速计算,减少识别的累加误差。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
进一步地,所述电子设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。因此,本发明还提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现如上述的一种基于行车视频的车道线虚实识别方法的步骤。
本发明所提供计算机可读存储介质,首先将行车记录仪获取的待识别的RGB图像输入车道线检测模型,车道线检测模型能够快速实时响应,得到固定长间隔离散车道线骨架坐标,然后对固定长间隔离散车道线骨架坐标进行拉格朗日插值,得到完整连续车道线骨架坐标,根据完整的连续车道线骨架坐标裁剪得到车道线主体的区域图,将车道线主体的区域图(RGB)经过彩色空间变换为YCrCb,提取YCrCb彩色空间的Y颜色通道计算得到车道线二值化图片,其中车道线像素点在YCrCb彩色空间中的Y分量中是一个不变属性,能很完整的表达车道线信息,并将车道线从原始背景中分离出来,由车道线二值化图片构建车道线二值化图片信号列表,最后对二值化图片信息处理分析判断出车道线类别,得到虚实线分类结果,仅在车道线的检测上用到了深度学习算法,不但做到了能有效的判断车道线的虚实类别,而且所需设备要求不高,时间与空间复杂度较小,识别速度快,对行车记录仪上传的视频能做到实时车道线识别,同时车道线虚实检测步骤较少,能够实现快速计算,减少识别的累加误差。
以上对本发明所提供的一种基于行车视频的车道线虚实识别方法的装置、方法、设备及介质进行了详细介绍。说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
最后应说明的是:本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等统计数的范围之内,则本发明也意图包含这些改动和变型。
Claims (12)
1.一种基于行车视频的车道线虚实识别装置,其特征在于,包括视频采集单元、车道线检测单元、车道线图片处理单元以及二值化列表判定单元;其中,所述车道线图片处理单元包括完整车道线骨架转换单元、主体区域图转换单元、二值化图片转换单元和信息列表转换单元;
所述视频采集单元用于在行车过程中实时采集图像;
所述车道线检测单元用于将所述视频采集单元采集到的图像转换成固定长间隔离散车道线骨架坐标;
所述完整车道线骨架转换单元用于将所述固定长间隔离散车道线骨架坐标转换成完整连续车道线骨架坐标;
所述主体区域图转换单元用于对所述完整连续车道线骨架坐标进行转换得到车道线主体区域图;
所述二值化图片转换单元用于将所述车道线主体区域图转换成车道线二值化图片;
所述信息列表转换单元用于将车道线二值化图片闭运算和膨胀处理,然后转换成车道线二值化图片信息列表;
所述二值化列表判定单元用于对所述车道线二值化图片信息列表进行分析并判断出车道线类别,得到车道线虚实分类结果。
2.根据权利要求1所述的一种基于行车视频的车道线虚实识别装置,其特征在于,所述视频采集单元包括但不限于行车记录仪、手机摄像头、安防摄像头,所述视频采集单元实时采集的图像为RGB图像。
3.根据权利要求1-2任一所述的一种基于行车视频的车道线虚实识别方法,其特征在于,包括如下步骤:
步骤1、将视频采集单元采集的待识别的图像输入至车道线检测单元中,得到固定长间隔离散车道线骨架坐标;
步骤2、通过所述完整车道线骨架转换单元对所述固定长间隔离散车道线骨架坐标进行拉格朗日插值,得到完整连续车道线骨架坐标;
步骤3、通过所述主体区域图转换单元对所述完整连续车道线骨架坐标进行转换得到车道线主体区域图;
步骤4、通过所述二值化图片转换单元对所述车道线主体区域图进行彩色空间变换,提取变换后的车道线主体区域图的颜色通道,然后计算得到车道线二值化图片;
步骤5、通过所述信息列表转换单元将所述车道线二值化图片进行闭运算和膨胀处理后转换成车道线二值化图片信息列表;
步骤6、通过二值化列表判定单元对所述车道线二值化图片信息列表进行分析并判断出车道线类别,得到车道线虚实分类结果。
4.根据权利要求3所述的一种基于行车视频的车道线虚实识别方法,其特征在于,步骤1中,在将所述视频采集单元采集的待识别的图像输入至车道线检测单元之前还包括如下步骤:
步骤1.1、对所述视频采集单元获取的RGB图片以描绘点的形式给车道线进行标注,得到车道线数据集;
步骤1.2、利用所述车道线数据集对所述车道线检测单元进行训练,得到训练权重。
5.根据权利要求3所述的一种基于行车视频的车道线虚实识别方法,其特征在于,步骤2中,通过所述完整车道线骨架转换单元对所述固定长间隔离散车道线骨架坐标进行拉格朗日插值,得到完整连续车道线骨架坐标的具体步骤为:
采用拉格朗日插值多项式构造插值函数,根据所述插值函数对所述固定长间隔离散车道线骨架坐标的取值状况,估算出所述插值函数在所述固定长间隔离散车道线骨架坐标以外的地方的近似值,得到完整连续车道线骨架坐标,其中,所述固定长间隔离散车道线骨架坐标的表达式如下:
X0、Y0代表固定长间隔离散车道线原始骨架坐标的x轴和y轴上的点的集合,x0m为所述固定长间隔离散车道线原始骨架坐标的x轴上的其中一个点,y0m为所述固定长间隔离散车道线原始骨架坐标的y轴上的其中一个点;
估算所述插值函数在所述固定长间隔离散车道线骨架坐标以外的地方的近似值的方法如下:
设集合Dm是点(X0,Y0)的角标集合,m为固定长间隔离散车道线原始骨架坐标上的点的数量;
Xn、Yn代表完整连续车道线骨架坐标的x轴和y轴上的点的集合,n为完整连续车道线骨架坐标上的点的数量,yj代表固定长间隔离散车道线原始骨架坐标的y轴上的其中一个点。
6.根据权利要求3所述的一种基于行车视频的车道线虚实识别方法,其特征在于,步骤3中,对所述完整连续车道线骨架坐标进行转换得到车道线主体区域图的具体步骤为:根据所述完整连续车道线骨架坐标将车道线轨迹范围外的背景像素值赋为0,由车道线首尾坐标点从原图中裁剪,得到所述车道线主体区域图。
8.根据权利要求7所述的一种基于行车视频的车道线虚实识别方法,其特征在于,通过所述累积直方图统计计算得到所述车道线二值化图片的具体步骤包括:
S1、将累积直方图统计中大于分割阈值的像素点定义为属于车道线的像素点,并赋值为255,小于所述分割阈值的像素点为背景点,赋值为0,由此得到未处理的车道线二值化图片;
其中I(x,y)是Y分量灰度图像,By(x,y)是二值化图像,Histy(i)和Hy(k)分别是Y分量灰度图像的直方图和累积直方图,Ty是分割阈值,k为Y分量灰度图像的像素点的数量;
S2、使用形态学闭运算的方法通过计算得到运算结果,以弥补未处理的车道线二值化图片中的像素点缺漏;
S3、使用形态学膨胀运算,将所述运算结果先膨胀再经过距离变换函数,通过设定阈值,分离极短的车道线区域,最后得到经处理的所述车道线二值化图片,记为Bny(x,y),其中,x、y表示处理后的所述车道线二值化图片上的像素点的坐标。
10.根据权利要求9所述的一种基于行车视频的车道线虚实识别方法,其特征在于,步骤6中,对所述车道线二值化图片信息列表进行分析并判断出车道线类别,得到车道线虚实分类结果的具体步骤为:
步骤6.1、根据所述完整连续车道线骨架坐标和车道线二值化图片信息列表,判断Cn是否均为255,如果Cn均为255,则判定车道线为实线,跳到步骤6.5,否则到步骤6.2;
步骤6.2、找到完整连续车道线骨架坐标的Y轴的最大点Yn,并判断最大点Yn对应的二值化图片信息列表的点Cn是否为0,如果是0,则判定车道线为虚线,若不为0,则到步骤6.3;
步骤6.3、降序遍历Yn,找到第一个Cn为0的位置index1;
步骤6.4、继续降序遍历Yn,如果找不到Cn为255的点,则判定车道线为实线,否则判定车道线为虚线;
步骤6.5、判定结束。
11.一种电子设备,其特征在于,所述电子设备包括:
存储器,用于存储计算机程序;
至少一个处理器;用于执行所述计算机程序时实现如权利要求3至10中任一项所述的一种基于行车视频的车道线虚实识别方法。
12.一种计算机可读存储介质,包括存储数据区和存储程序区,其特征在于,所述存储数据区存储创建的数据,所述存储程序区存储有计算机程序;其中,所述计算机程序被处理器执行时实现如权利要求3至10中任一项所述的一种基于行车视频的车道线虚实识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110708538.8A CN113449629B (zh) | 2021-06-25 | 2021-06-25 | 基于行车视频的车道线虚实识别装置、方法、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110708538.8A CN113449629B (zh) | 2021-06-25 | 2021-06-25 | 基于行车视频的车道线虚实识别装置、方法、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113449629A true CN113449629A (zh) | 2021-09-28 |
CN113449629B CN113449629B (zh) | 2022-10-28 |
Family
ID=77812632
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110708538.8A Active CN113449629B (zh) | 2021-06-25 | 2021-06-25 | 基于行车视频的车道线虚实识别装置、方法、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113449629B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114332108A (zh) * | 2021-12-09 | 2022-04-12 | 拓尔思信息技术股份有限公司 | 一种图片中的虚实线局部区域的提取方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1945596A (zh) * | 2006-11-02 | 2007-04-11 | 东南大学 | 用于车道偏离报警的车道线鲁棒识别方法 |
CN107330380A (zh) * | 2017-06-14 | 2017-11-07 | 千寻位置网络有限公司 | 基于无人机航拍影像的车道线自动提取和识别方法 |
US20170330043A1 (en) * | 2016-05-11 | 2017-11-16 | Icatch Technology, Inc. | Method and System for Synthesizing a Lane Image |
CN108292428A (zh) * | 2015-12-11 | 2018-07-17 | 上海联影医疗科技有限公司 | 图像重建的系统和方法 |
CN108303103A (zh) * | 2017-02-07 | 2018-07-20 | 腾讯科技(深圳)有限公司 | 目标车道的确定方法和装置 |
CN109657632A (zh) * | 2018-12-25 | 2019-04-19 | 重庆邮电大学 | 一种车道线检测识别方法 |
CN111433780A (zh) * | 2018-11-29 | 2020-07-17 | 深圳市大疆创新科技有限公司 | 车道线检测方法、设备、计算机可读存储介质 |
US20200394422A1 (en) * | 2019-06-14 | 2020-12-17 | Fujitsu Limited | Lane detection apparatus and method and electronic device |
CN112733703A (zh) * | 2021-01-07 | 2021-04-30 | 深圳市捷顺科技实业股份有限公司 | 一种车辆停放状态检测方法及系统 |
CN112949398A (zh) * | 2021-01-29 | 2021-06-11 | 成都安智杰科技有限公司 | 车道线检测方法、测距方法及对应装置 |
-
2021
- 2021-06-25 CN CN202110708538.8A patent/CN113449629B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1945596A (zh) * | 2006-11-02 | 2007-04-11 | 东南大学 | 用于车道偏离报警的车道线鲁棒识别方法 |
CN108292428A (zh) * | 2015-12-11 | 2018-07-17 | 上海联影医疗科技有限公司 | 图像重建的系统和方法 |
US20170330043A1 (en) * | 2016-05-11 | 2017-11-16 | Icatch Technology, Inc. | Method and System for Synthesizing a Lane Image |
CN108303103A (zh) * | 2017-02-07 | 2018-07-20 | 腾讯科技(深圳)有限公司 | 目标车道的确定方法和装置 |
CN107330380A (zh) * | 2017-06-14 | 2017-11-07 | 千寻位置网络有限公司 | 基于无人机航拍影像的车道线自动提取和识别方法 |
CN111433780A (zh) * | 2018-11-29 | 2020-07-17 | 深圳市大疆创新科技有限公司 | 车道线检测方法、设备、计算机可读存储介质 |
CN109657632A (zh) * | 2018-12-25 | 2019-04-19 | 重庆邮电大学 | 一种车道线检测识别方法 |
US20200394422A1 (en) * | 2019-06-14 | 2020-12-17 | Fujitsu Limited | Lane detection apparatus and method and electronic device |
CN112733703A (zh) * | 2021-01-07 | 2021-04-30 | 深圳市捷顺科技实业股份有限公司 | 一种车辆停放状态检测方法及系统 |
CN112949398A (zh) * | 2021-01-29 | 2021-06-11 | 成都安智杰科技有限公司 | 车道线检测方法、测距方法及对应装置 |
Non-Patent Citations (2)
Title |
---|
XIANWEN WEI: "Research on Lane Detection and Tracking Algorithm Based on Improved Hough Transform", 《2018 IEEE INTERNATIONAL CONFERENCE OF INTELLIGENT ROBOTIC AND CONTROL ENGINEERING (IRCE)》 * |
张前: "无人驾驶车辆道路场景环境建模", 《中国优秀硕士论文电子期刊网》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114332108A (zh) * | 2021-12-09 | 2022-04-12 | 拓尔思信息技术股份有限公司 | 一种图片中的虚实线局部区域的提取方法 |
CN114332108B (zh) * | 2021-12-09 | 2024-06-04 | 拓尔思信息技术股份有限公司 | 一种图片中的虚实线局部区域的提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113449629B (zh) | 2022-10-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6709283B2 (ja) | 低解像度リモートセンシング画像を用いた移動車両の検出及び分析 | |
Wu et al. | Lane-mark extraction for automobiles under complex conditions | |
Mi et al. | Research on regional clustering and two-stage SVM method for container truck recognition | |
Yuan et al. | Robust lane detection for complicated road environment based on normal map | |
JP2016062610A (ja) | 特徴モデル生成方法及び特徴モデル生成装置 | |
Ye et al. | A two-stage real-time YOLOv2-based road marking detector with lightweight spatial transformation-invariant classification | |
Ji et al. | Integrating visual selective attention model with HOG features for traffic light detection and recognition | |
CN112200186B (zh) | 基于改进yolo_v3模型的车标识别方法 | |
CN111915583A (zh) | 复杂场景中基于车载红外热像仪的车辆和行人检测方法 | |
CN111881832A (zh) | 车道目标检测方法、装置、设备及计算机可读存储介质 | |
Yao et al. | Coupled multivehicle detection and classification with prior objectness measure | |
AG | Development of portable automatic number plate recognition (ANPR) system on Raspberry Pi | |
CN111860509A (zh) | 一种由粗到精的两阶段非约束车牌区域精准提取方法 | |
Ghahremannezhad et al. | Automatic road detection in traffic videos | |
Ghahremannezhad et al. | Robust road region extraction in video under various illumination and weather conditions | |
Gu et al. | Embedded and real-time vehicle detection system for challenging on-road scenes | |
CN115661522A (zh) | 一种基于视觉语义矢量的车辆导引方法、系统、设备和介质 | |
Harianto et al. | Data augmentation and faster rcnn improve vehicle detection and recognition | |
Huu et al. | Proposing Lane and Obstacle Detection Algorithm Using YOLO to Control Self‐Driving Cars on Advanced Networks | |
CN113449629B (zh) | 基于行车视频的车道线虚实识别装置、方法、设备及介质 | |
Liu et al. | Real-time traffic light recognition based on smartphone platforms | |
Arthi et al. | Object detection of autonomous vehicles under adverse weather conditions | |
Ali et al. | IRUVD: a new still-image based dataset for automatic vehicle detection | |
CN111062311B (zh) | 一种基于深度级可分离卷积网络的行人手势识别与交互方法 | |
Lashkov et al. | Edge-computing-facilitated nighttime vehicle detection investigations with CLAHE-enhanced images |
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 |