CN115019280B - 融合梯度与平均相对差的车道线检测方法、系统及应用 - Google Patents
融合梯度与平均相对差的车道线检测方法、系统及应用 Download PDFInfo
- Publication number
- CN115019280B CN115019280B CN202210405522.4A CN202210405522A CN115019280B CN 115019280 B CN115019280 B CN 115019280B CN 202210405522 A CN202210405522 A CN 202210405522A CN 115019280 B CN115019280 B CN 115019280B
- Authority
- CN
- China
- Prior art keywords
- pixel
- value
- average
- gradient
- relative difference
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 44
- 230000004927 fusion Effects 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 claims abstract description 37
- 230000033001 locomotion Effects 0.000 claims abstract description 16
- 238000004364 calculation method Methods 0.000 claims abstract description 7
- 239000003016 pheromone Substances 0.000 claims description 33
- 238000000605 extraction Methods 0.000 claims description 17
- 241000257303 Hymenoptera Species 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000001704 evaporation Methods 0.000 claims description 6
- 230000008020 evaporation Effects 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 230000035945 sensitivity Effects 0.000 abstract description 3
- 238000003708 edge detection Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 12
- 238000012545 processing Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 8
- 230000009471 action Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000036039 immunity Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种融合梯度与平均相对差的车道线检测方法、系统及应用，方法包括：获取待检测的目标图像信息；获取目标图像中各像素的灰度值，计算各像素的梯度值，并得到该图像中的最大梯度值；以每个像素为中心划分相邻的第一区域和第二区域，分别对第一区域和第二区域统计灰度值均值，以确定对应像素的平均值相对差；根据预设的权重系数，融合梯度与平均相对差以计算各像素的特征价值；蚁群算法模块根据目标图像中各像素的特征价值决定蚁群运动规则，以搜索出符合规则的边缘，作为车道线检测结果。本发明将平均相对差与梯度融合作为为蚁群算法中蚁群移动概率的计算提供输入，降低对噪声的敏感度，有效抑制图像噪声，提高车道线检测的精度。
Description
技术领域
本发明涉及图像识别领域，尤其涉及一种融合梯度与平均相对差的车道线检测方法、系统及应用。
背景技术
图像边缘是图像最简单也是最重要的特征之一，在图像识别、分割、增强与压缩等领域有着广泛的应用。图像的边缘检测目的不单是从图像中提取感兴趣对象的边缘，而且还为图像融合、形状提取、图像分割、图像匹配和图像跟踪等后续操作奠定基础。因此，精准有效的图像边缘提取是绝大多数图像后处理的必经步骤，其提取结果的好坏决定着最终图像处理效果，尤其是车道线的边缘检测对于无人驾驶智能技术的发展起着决定性因素。
现有技术中公开了利用蚁群算法作图像边缘检测的技术，比如专利公开号为CN102184556A的专利申请，公开了一种基于蚁群算法的图像边缘检测，提出了一种利用图像灰度梯度作为蚁群启发信息来完成图像边缘检测，但该方法中灰度值的利用仅是提到基于灰度图像进行操作，仅是将灰度梯度较大的点作为“食物源”，而并未详细说明如何对灰度值进行处理来指引蚁群的搜索；也并未结合图像灰度详细说明如何通过算法得到最优初始解，并且对于蚁群的优化是根据孤立的遗传算法进行的，没有结合图像本身的特点。
发明内容
本发明的目的是提供一种车道线检测方法、系统及应用，融合梯度与平均相对差的结合为蚁群算法中蚁群移动概率的计算提供输入，有效抑制图像中的噪声，提高车道线检测的精度。
为达到上述目的，本发明采用的技术方案如下：
一种融合梯度与平均相对差的蚁群车道线检测方法，包括以下步骤：
获取待检测的目标图像信息，所述目标图像中包含车道线信息；
获取所述目标图像中各个像素的灰度值，计算各个像素的梯度值，并得到该图像中的最大梯度值；
以每个像素为中心划分相邻的第一区域和第二区域，分别对第一区域和第二区域统计灰度值均值，以确定对应像素的平均值相对差；
根据预设的权重系数，通过以下公式计算各个像素的特征价值： 其中，i为像素在图像中的行序号，j为像素在图像中的列序号，Fij为像素(i,j)的特征价值，△I(i,j)为像素(i,j)的梯度值，Imax为目标图像中像素的最大梯度值，a为梯度权重系数，b为平均值权重系数，△Eij为像素(i,j)的平均值相对差；
蚁群算法模块根据所述目标图像中各个像素的所述特征价值决定蚁群运动规则，以搜索出符合规则的边缘，作为车道线的检测结果。
进一步地，所述权重系数通过以下方式进行设定或动态调整：
将所述目标图像划分为若干个面积相等的子区块，并计算各个子区块的像素灰度值标准差，得到最大像素灰度值标准差和最小像素灰度值标准差；
在所述最大像素灰度值标准差与最小像素灰度值标准差之间建立多个等间隔的区间；
遍历所述等间隔的区间，确定其中包含最多子区块的像素灰度值标准差的目标区间，进而确定整个目标图像的最佳噪声估计；
若所述最佳噪声估计小于预设的噪声阈值，则将梯度权重系数a设定为大于预设的权重阈值。
进一步地，通过以下方式计算各个子区块的像素灰度值标准差：
其中，ρ为待计算的区块的像素灰度值标准差，n为待计算的区块内像素总数，Si为待计算的区块内第i个像素的灰度值，/>为待计算的区块内全部像素的平均灰度值；和/或，
通过以下方式确定整个目标图像的最佳噪声估计：
确定所述目标区间所包含的多个子区块，计算该多个子区块的像素灰度值标准差的平均值，得到所述最佳噪声估计。
进一步地，通过以下公式对第一区域和第二区域统计灰度值均值：
其中，E1为第一区域的灰度值均值，为第一区域内的像素数量，f(x,y)为第一区域内像素(x,y)的灰度值；
其中，E2为第二区域的灰度值均值，为第二区域内的像素数量，f(x,y)为第二区域内像素(x,y)的灰度值；
通过以下公式计算所述对应像素的平均值相对差：
其中，△E为平均值相对差。
进一步地，所述第一区域和第二区域分别为以相应像素为圆心的圆形所划分得到的两个半圆；或者，所述第一区域和第二区域分别为以相应像素为中心的正多边形所划分得到的两个等面积区域；
以两个以上不同的方向角度进行划分以得到不同的第一区域和第二区域。
进一步地，通过以下公式对第一区域和第二区域统计灰度值均值：
其中，为以θn为方向角度划分得到的第一区域的灰度值均值，n为划分方向角度的数量，/>为以θn为方向角度划分得到的第一区域内的像素数量，f(x,y)为该第一区域内像素(x,y)的灰度值；
其中，为以θn为方向角度划分得到的第二区域的灰度值均值，/>为以θn为方向角度划分得到的第二区域内的像素数量，f(x,y)为该第二区域内像素(x,y)的灰度值；
通过以下公式计算所述对应像素的平均值相对差：
其中，/>为以θn为划分方向角度下的平均值相对差；
或/>或/>或/>其中，△E为像素的平均值相对差，/>为不同划分角度下的平均值相对差的最大值，/>为不同划分角度下的平均值相对差的最小值，/>为不同划分角度下的平均值相对差的中位值，/>为不同划分角度下的平均值相对差的平均值。
进一步地，所述蚁群算法模块在所述目标图像的每个像素上至多放置一个蚂蚁，蚂蚁从像素(i,j)移动至邻域像素(k,l)的概率Pij的计算公式为：
其中，i,j∈Ω表示像素(i,j)的8邻域中的所有像素，τ为信息素值，η为启发性值，ηij＝Fij，α为信息启发式因子，β为期望启发式因子，w(△)为加权函数，△为每一步方向变化的角度，△由所述邻域像素(k,l)与像素(i,j)确定；
位于像素(i,j)处的蚂蚁根据所述概率Pij的分布选择下一个待访问像素。
进一步地，在蚂蚁从当前像素(i,j)移动至邻域像素(k,l)后，对移动路径的信息素矩阵进行更新，包括：
τ′ij＝(1-ρ)·τij+ρ·△τij，其中，τ′为更新后的信息素值，ρ为信息素蒸发率，0<ρ<1，△τij＝ηij；和/或
在每个周期后，对所有路径进行全局更新，包括：
τ′ij＝(1-ξ)·τij+ξ·τ0，其中，τ′为更新后的信息素值，ξ为信息素蒸发率，0<ξ<1，τ0为信息素初始值。
根据本发明的另一方面，提供了一种融合梯度与平均相对差的蚁群车道线检测系统，包括特征提取模块和蚁群算法模块，其中，所述特征提取模块被配置为从待检测车道线的目标图像信息中提取各个像素的特征价值，所述蚁群算法模块被配置为根据所述特征提取模块所提取得到的目标图像中各个像素的所述特征价值决定蚁群运动规则，以搜索出符合规则的边缘，作为车道线的检测结果；
其中，所述特征提取模块被配置为通过以下步骤提取目标像素的特征价值：
获取所述目标图像中各个像素的灰度值，计算各个像素的梯度值，并得到该图像中的最大梯度值；
以目标像素为中心划分相邻的第一区域和第二区域，分别对第一区域和第二区域统计灰度值均值，以确定目标像素的平均值相对差；
根据预设的权重系数，通过以下公式计算目标像素的特征价值： 其中，i为目标像素在图像中的行序号，j为目标像素在图像中的列序号，Fij为目标像素(i,j)的特征价值，△I(i,j)为目标像素(i,j)的梯度值，Imax为目标图像中像素的最大梯度值，a为梯度权重系数，b为平均值权重系数，△Eij为目标像素(i,j)的平均值相对差。
本发明提供的技术方案带来的有益效果如下：将平均相对差与梯度融合作为为蚁群算法中蚁群移动概率的计算提供输入，降低对噪声的敏感度，有效抑制图像噪声，提高车道线检测的精度。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的一个示例性实施例提供的融合梯度与平均相对差的蚁群车道线检测方法的流程示意图；
图2为本发明的一个示例性实施例提供的融合梯度与平均相对差的蚁群车道线检测系统的数据流示意图；
图3为本发明的一个示例性实施例提供的试验结果对比示意图，其中，子图(a)为原始图像，子图(b)、(c)、(d)均为采用本发明的融合梯度与平均相对差的蚁群车道线检测方法在不同权重系数下处理原始图像所得到的结果示意图，子图(e)为采用经典Canny算法对子图(a)的原始图像进行处理得到的结果示意图，子图(f)为采用经典Prewitt算法对子图(a)的原始图像进行处理得到的结果示意图，子图(g)为采用经典Roberts算法对子图(a)的原始图像进行处理得到的结果示意图，子图(h)为采用经典Sobel算法对子图(a)的原始图像进行处理得到的结果示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、装置、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其他步骤或单元。
本发明公开了一种结合梯度和统计平均相对差的蚁群算法用于车道线检测，首先在传统蚁群算法的基础上进行图像梯度值的提取并统计平均值的相对差，然后将梯度值与梯度平均值的相对差两者综合考虑作为蚁群搜索的判断依据，最后利用蚁群的不断迭代搜索找到期望边缘，从而完成车道线边缘的检测。本发明设计的改进蚁群算法中采用梯度和统计平均相对差相结合的办法为蚁群提供运动引导，从而利用该蚁群算法提取车道线边缘信息。与传统边缘检测算法对比，该方法能够显著提升边缘检测的精准性，完整性与抗噪性，能够得到更清晰的检测结果，并且再此基础上进行了提升蚁群的搜寻效率，从而提升车道线检测的实时性，使其能够应用于车道线检测中。
梯度特征简单，提取容易，但对噪声和纹理敏感。而统计平均值的相对差异对噪声有很强的抑制能力，但也可能造成边缘信息的丢失。本发明结合两者的优点，将此两种特征结合起来作为边缘特征。
在本发明的一个实施例中，提供了一种融合梯度与平均相对差的蚁群车道线检测方法，参见图1，所述车道线检测方法包括以下步骤：
S1、获取待检测的目标图像信息。
具体地，所述目标图像中包含车道线信息，本实施例的目的在于从所述目标图像中识别出所述车道线。
S2、获取所述目标图像中各个像素的灰度值，计算各个像素的梯度值，并得到该图像中的最大梯度值。
具体的计算某个像素(i,j)的梯度值的方法为利用图像强度的最大灰度变化来确定像素的灰度梯度值，基于灰度的边缘可以定义为曲线两侧灰度不同的曲线，像素(i,j)的梯度值的定义如下：
其中，△I(i,j)为像素(i,j)的梯度值，I(i,j-1)为像素(i,j-1)的灰度值，I(i,j+1)为像素(i,j+1)的灰度值，I(i-1,j)为像素(i-1,j)的灰度值，I(i+1,j)为像素(i+1,j)的灰度值，I(i-1,j+1)为像素(i-1,j+1)的灰度值，I(i+1,j-1)为像素(i+1,j-1)的灰度值，I(i-1,j-1)为像素(i-1,j-1)的灰度值，I(i+1,j+1)为像素(i+1,j+1)的灰度值，其中，像素(i,j-1)、(i,j+1)、(i-1,j)、(i+1,j)、(i-1,j+1)、(i+1,j-1)、(i-1,j-1)、(i+1,j+1)为像素(i,j)的邻域8像素。
S3、以每个像素为中心划分相邻的第一区域和第二区域，分别对第一区域和第二区域统计灰度值均值，以确定对应像素的平均值相对差。
边缘检测算法的核心是像素的分类，在统计估计理论的基础上，用统计平均来描述像素的类别对分类进行了分析：如果中心像素(i，j)位于边缘，则D1和D2的分类属性差异较大。具体地，所述第一区域和第二区域分别为以相应像素为圆心的圆形所划分得到的两个半圆，比如圆形半径R＝0.1；或者，所述第一区域和第二区域分别为以相应像素为中心的正多边形所划分得到的两个等面积区域；下面以半圆形为例对第一区域和第二区域进行说明：
第一区域和第二区域的分界线经过圆心，使得第一区域和第二区域面积相等。
通过以下公式对第一区域统计灰度值均值：
其中，E1为第一区域的灰度值均值，为第一区域内的像素数量，f(x,y)为第一区域内像素(x,y)的灰度值；
通过以下公式对第二区域统计灰度值均值：
其中，E2为第二区域的灰度值均值，为第二区域内的像素数量，f(x,y)为第二区域内像素(x,y)的灰度值；
通过以下公式计算所述对应像素的平均值相对差：
其中，△E为平均值相对差。
S4、根据预设的权重系数，计算各个像素的特征价值。
具体地，像素(i,j)的特征价值Fij的计算方式如：其中，i为像素在图像中的行序号，j为像素在图像中的列序号，△I(i,j)为像素(i,j)的梯度值(由步骤S2获得)，Imax为目标图像中像素的最大梯度值(由步骤S2获得)，a为梯度权重系数，b为平均值权重系数，△Eij为像素(i,j)的平均值相对差(由步骤S3获得)。
在本发明实施例中，所述权重系数a和b通过以下方式进行设定或动态调整：
将所述目标图像划分为若干个面积相等的子区块，并通过公式计算各个子区块的像素灰度值标准差，得到最大像素灰度值标准差和最小像素灰度值标准差；其中，σ为待计算的区块的像素灰度值标准差，n为待计算的区块内像素总数，Si为待计算的区块内第i个像素的灰度值，/>为待计算的区块内全部像素的平均灰度值；
在所述最大像素灰度值标准差与最小像素灰度值标准差之间建立多个等间隔的区间；
遍历所述等间隔的区间，确定其中包含最多子区块的像素灰度值标准差的目标区间，进而确定整个目标图像的最佳噪声估计，比如确定所述目标区间所包含的多个子区块，计算该多个子区块的像素灰度值标准差的平均值，得到所述最佳噪声估计；
若所述最佳噪声估计小于预设的噪声阈值，则将梯度权重系数a设定为大于预设的权重阈值。即若噪声较少，则可分配较大的梯度权重系数a，使梯度因素作为主要判断因素，反之则分配较大的平均值权重系数b。但是本发明不限定上述对梯度权重系数a、平均值权重系数b的分配方法，还可以根据实际情况标定其他方法，比如PID、模糊控制等。
S5、蚁群算法模块根据所述目标图像中各个像素的所述特征价值决定蚁群运动规则，以搜索出符合规则的边缘，作为车道线的检测结果。
蚁群算法模块将输入图像看作一个以图像像素为节点的二维图形。蚂蚁在图上从一个像素移动到另一个像素来构造一个信息素矩阵，每个信息素矩阵的条目表示图像每个像素位置的边缘信息。蚂蚁的运动是由启发式信息控制的。本发明中启发信息由特征提取模块决定。蚂蚁会根据变换规则改变自己在图像中的位置，并在被访问的节点上留下一定量的信息素。蚂蚁走的路越多，得到的信息素就越多，该路线对其他蚂蚁就越有吸引力。最后，通过分析信息素在图像中的分布，得到边缘检测结果。
具体地，计算目标图像中各个像素的特征价值，将计算结果输入至蚁群算法模块以计算蚁群移动概率，根据所述概率Pij的分布选择下一个待访问像素。
计算目标图像中各个像素的特征价值的过程中，考虑到除了边缘上像素的梯度值会很高以外，噪声点像素的梯度值也会很高，因此引入统计估计方法，即将平均相对差与梯度融合，降低对噪声的敏感度，有效抑制图像中的噪声，提高车道线检测的精度。
初始化蚂蚁分发的通常蚂蚁的数量设置为：K＝M×N(M表示输入图像的长度，N表示输入图像的宽度)，随机放置K个蚂蚁，每个像素上最多有一个蚂蚁。所述蚁群算法模块在所述目标图像的每个像素上至多放置一个蚂蚁，蚂蚁从像素(i,j)移动至邻域像素(k,l)的概率Pij的计算公式为：
其中，i,j∈Ω表示像素(i,j)的8邻域中的所有像素，τ为信息素值，η为启发性值，ηij＝Fij，α为信息启发式因子(比如α＝1，反映蚂蚁在运动过程中所积累的信息素的相对重要性，其值越大，则该蚂蚁越倾向于选择其他蚂蚁经过的路径，蚂蚁之间协作性越强)，β为期望启发式因子(比如β＝0.1，反映启发信息在路径选择中的相对重要性，即启发信息在蚂蚁选择路径中的受重视程度，其值越大，则该状态转移概率越接近于贪心规则)，在设置α与β时适中即可，使后者稍大于前者。
△为每一步方向变化的角度，△由所述邻域像素(k,l)与像素(i,j)确定；Δ测量每一步方向变化的幅度，可以取离散值：0，π/4，π/2，3π/4，π；w(△)为加权函数，该函数确保非常急转弯的可能性远小于通过较小角度转弯的可能性，因此蚁群中的每个蚂蚁在前进方向上都有概率偏差。该方法定义了w的值(Δ)as:w(0)＝1，w(π/4)＝1/2，w(π/2)＝1/4，w(3π/4)＝1/12,w(π)＝1/20。
在ACO过程中，信息素矩阵需要更新两次。首先，蚂蚁从当前像素(i，j)移动到下一个像素(k，l)后，路径的信息素轨迹更新如下：
τ′ij＝(1-ρ)·τij+ρ·△τij，其中，τ′为更新后的信息素值，ρ为信息素蒸发率，0<ρ<1，比如ρ＝0.05，△τij＝ηij；
第二个更新是对所有路径的全局更新，不管路径是否通过。信息素在每个周期后更新，信息素矩阵更新为：
τ′ij＝(1-ξ)·τij+ξ·τ0，其中，τ′为更新后的信息素值，ξ为信息素蒸发率，0<ξ<1，比如ξ＝0.05，τ0为信息素初始值，可以为0.00001或1。
算法的结束是根据预定义的循环数设置的，循环数与步长随图像大小不同而适当调整，每个循环包含固定数量的步骤。最后，通过对最终的信息素矩阵施加一个阈值T，在每个像素位置进行二值化判决，以确定其是否在边缘。
在本发明的一个实施例中，与上述实施例不同的是，在步骤S3中以两个以上不同的方向角度进行划分以得到不同的第一区域和第二区域。比如，θn＝n△θ，其中n＝0,1,2,3。
相应地，通过以下公式对第一区域统计灰度值均值：
其中，n为大于或等于2的整数，为以θn为方向角度划分得到的第一区域的灰度值均值，n为划分方向角度的数量，/>为以θn为方向角度划分得到的第一区域内的像素数量，f(x,y)为该第一区域内像素(x,y)的灰度值；
通过以下公式对第二区域统计灰度值均值：
其中，为以θn为方向角度划分得到的第二区域的灰度值均值，/>为以θn为方向角度划分得到的第二区域内的像素数量，f(x,y)为该第二区域内像素(x,y)的灰度值。
接着通过以下公式计算所述对应像素的平均值相对差：
其中，/>为以θn为划分方向角度下的平均值相对差；/>值越高时，则D1和D2的类别差异概率越大，边缘像素的概率越大。
最后从n个方向角度划分下的△Eθ中确定△E，比如或或/>或/>其中，△E为像素的平均值相对差，/>为不同划分角度下的平均值相对差的最大值，/>为不同划分角度下的平均值相对差的最小值，/>为不同划分角度下的平均值相对差的中位值，/>为不同划分角度下的平均值相对差的平均值。
参见图3，子图(a)为原始图像(大小为250×350)，子图(b)、(c)、(d)为采用本发明的融合梯度与平均相对差的蚁群车道线检测方法得到的结果示意图，其中，子图(b)为设定梯度权重系数a为0，平均值权重系数b为1时提取的边缘图像，子图(c)为设定梯度权重系数a为1，平均值权重系数b为0时提取的边缘图像，子图(d)为设定梯度权重系数a为1，平均值权重系数b为0.5时提取的边缘图像；从子图(b)中可以看出，伪边消失了，但一些真边也消失了；子图(c)中提取了大部分边缘，但某些边缘信息不完整；在子图(d)中，不仅提取了更为完整的边缘信息，而且抑制了许多噪声和纹理细节。因此，将统计均值的梯度和相对差分结合起来作为边缘特征是有效的，能够获得更加理想的提取效果。
继续参见图3，子图(e)为采用经典Canny算法对子图(a)的原始图像进行处理得到的结果示意图，子图(f)为采用经典Prewitt算法对子图(a)的原始图像进行处理得到的结果示意图，子图(g)为采用经典Roberts算法对子图(a)的原始图像进行处理得到的结果示意图，子图(h)为采用经典Sobel算法对子图(a)的原始图像进行处理得到的结果示意图，对比可以确定，本发明中的融合梯度与平均相对差的蚁群车道线检测方法得到的结果图噪声更小，能够精确作出对车道线的边缘检测。
本发明的一个实施例还提供了一种融合梯度与平均相对差的蚁群车道线检测系统，如图2所示，首先参照输入图像大小放置不同数量的蚂蚁，每个像素最多一个蚂蚁；之后蚂蚁开始按照概率决策进行运动，概率由8邻域内所由像素的边缘特征(梯度值与平均相对差的结合)与信息素值综合决定；信息素值由每只蚂蚁在所经过路径释放，但会随不断迭代而蒸发；最终在达到一定迭代次数或终止条件时结束，通过对信息素按阈值进行筛选得到车道线边缘。所述车道线检测系统包括特征提取模块和蚁群算法模块，其中，所述特征提取模块被配置为从待检测车道线的目标图像信息中提取各个像素的特征价值，所述蚁群算法模块被配置为根据所述特征提取模块所提取得到的目标图像中各个像素的所述特征价值决定蚁群运动规则，以搜索出符合规则的边缘，作为车道线的检测结果；
其中，所述特征提取模块被配置为通过以下步骤提取目标像素的特征价值：
获取所述目标图像中各个像素的灰度值，计算各个像素的梯度值，并得到该图像中的最大梯度值；
以目标像素为中心划分相邻的第一区域和第二区域，分别对第一区域和第二区域统计灰度值均值，以确定目标像素的平均值相对差；
根据预设的权重系数，通过以下公式计算目标像素的特征价值： 其中，i为目标像素在图像中的行序号，j为目标像素在图像中的列序号，Fij为目标像素(i,j)的特征价值，△I(i,j)为目标像素(i,j)的梯度值，Imax为目标图像中像素的最大梯度值，a为梯度权重系数，b为平均值权重系数，△Eij为目标像素(i,j)的平均值相对差。
本实施例提供的车道线检测系统与上述实施例提供的车道线检测方法属于同一发明构思，在此通过引用的方式将方法实施例的全部内容并入本系统实施例。
本发明的一个实施例还提供了一种融合梯度与平均相对差的车道线检测方法在无人驾驶中的应用。具体地，无人驾驶系统包括安装在车辆上的摄像头，其被配置为拍摄车辆前方的路面照片，并采用如上的融合梯度与平均相对差的车道线检测方法，融合梯度与平均相对差作为像素的特征价值决定蚁群运动规则，以搜索出符合规则的边缘，提取车道线，进而引导无人驾驶系统巡车道线行驶。
本发明将梯度和统计平均相对差相结合起来作为蚁群移动的依据，与传统边缘检测算法相比能够显著提升边缘检测的精准性，完整性与抗噪性，得到更清晰的检测结果，该算法能够应用于车道线检测之中。在未来的研究中，蚁群算法和更多的特征结合起来有望在边缘检测方面有更优异的性能，并有望在更广泛的图像处理领域得到应用。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、方法、物品或者设备不仅包括那些要素，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、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本申请的具体实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。
Claims (10)
1.一种融合梯度与平均相对差的蚁群车道线检测方法，其特征在于，包括以下步骤：
获取待检测的目标图像信息，所述目标图像中包含车道线信息；
获取所述目标图像中各个像素的灰度值，计算各个像素的梯度值，并得到该图像中的最大梯度值；
以每个像素为中心划分相邻的第一区域和第二区域，分别对第一区域和第二区域统计灰度值均值，以确定对应像素的平均值相对差；
根据预设的权重系数，通过以下公式计算各个像素的特征价值：Eij，其中，i为像素在图像中的行序号，j为像素在图像中的列序号，Fij为像素(i,j)的特征价值，△I(i,j)为像素(i,j)的梯度值，Imax为目标图像中像素的最大梯度值，a为梯度权重系数，b为平均值权重系数，△Eij为像素(i,j)的平均值相对差；
蚁群算法模块根据所述目标图像中各个像素的所述特征价值决定蚁群运动规则，以搜索出符合规则的边缘，作为车道线的检测结果。
2.根据权利要求1所述的融合梯度与平均相对差的蚁群车道线检测方法，其特征在于，所述权重系数通过以下方式进行设定或动态调整：
将所述目标图像划分为若干个面积相等的子区块，并计算各个子区块的像素灰度值标准差，得到最大像素灰度值标准差和最小像素灰度值标准差；
在所述最大像素灰度值标准差与最小像素灰度值标准差之间建立多个等间隔的区间；
遍历所述等间隔的区间，确定其中包含最多子区块的像素灰度值标准差的目标区间，进而确定整个目标图像的最佳噪声估计；
若所述最佳噪声估计小于预设的噪声阈值，则将梯度权重系数a设定为大于预设的权重阈值。
3.根据权利要求2所述的融合梯度与平均相对差的蚁群车道线检测方法，其特征在于，通过以下方式计算各个子区块的像素灰度值标准差：
其中，σ为待计算的区块的像素灰度值标准差，n为待计算的区块内像素总数，Si为待计算的区块内第i个像素的灰度值，/>为待计算的区块内全部像素的平均灰度值；和/或，
通过以下方式确定整个目标图像的最佳噪声估计：
确定所述目标区间所包含的多个子区块，计算该多个子区块的像素灰度值标准差的平均值，得到所述最佳噪声估计。
4.根据权利要求1所述的融合梯度与平均相对差的蚁群车道线检测方法，其特征在于，通过以下公式对第一区域和第二区域统计灰度值均值：
其中，E1为第一区域的灰度值均值，为第一区域内的像素数量，f(x,y)为第一区域内像素(x,y)的灰度值；
其中，E2为第二区域的灰度值均值，为第二区域内的像素数量，f(x,y)为第二区域内像素(x,y)的灰度值；
通过以下公式计算所述对应像素的平均值相对差：
其中，△E为平均值相对差。
5.根据权利要求1或4所述的融合梯度与平均相对差的蚁群车道线检测方法，其特征在于，所述第一区域和第二区域分别为以相应像素为圆心的圆形所划分得到的两个半圆；或者，所述第一区域和第二区域分别为以相应像素为中心的正多边形所划分得到的两个等面积区域；
以两个以上不同的方向角度进行划分以得到不同的第一区域和第二区域。
6.根据权利要求5所述的融合梯度与平均相对差的蚁群车道线检测方法，其特征在于，通过以下公式对第一区域和第二区域统计灰度值均值：
其中，为以θn为方向角度划分得到的第一区域的灰度值均值，n为划分方向角度的数量，/>为以θn为方向角度划分得到的第一区域内的像素数量，f(x,y)为该第一区域内像素(x,y)的灰度值；
其中，为以θn为方向角度划分得到的第二区域的灰度值均值，/>为以θn为方向角度划分得到的第二区域内的像素数量，f(x,y)为该第二区域内像素(x,y)的灰度值；
通过以下公式计算所述对应像素的平均值相对差：
其中，/>为以θn为划分方向角度下的平均值相对差；
或/>或/>或其中，△E为像素的平均值相对差，/>为不同划分角度下的平均值相对差的最大值，/>为不同划分角度下的平均值相对差的最小值，为不同划分角度下的平均值相对差的中位值，/>为不同划分角度下的平均值相对差的平均值。
7.根据权利要求1所述的融合梯度与平均相对差的蚁群车道线检测方法，其特征在于，所述蚁群算法模块在所述目标图像的每个像素上至多放置一个蚂蚁，蚂蚁从像素(i,j)移动至邻域像素(k,l)的概率Pij的计算公式为：
其中，i,j∈Ω表示像素(i,j)的8邻域中的所有像素，τ为信息素值，η为启发性值，ηij＝Fij，α为信息启发式因子，β为期望启发式因子，w(△)为加权函数，△为每一步方向变化的角度，△由所述邻域像素(k,l)与像素(i,j)确定；
位于像素(i,j)处的蚂蚁根据所述概率Pij的分布选择下一个待访问像素。
8.根据权利要求7所述的融合梯度与平均相对差的蚁群车道线检测方法，其特征在于，在蚂蚁从当前像素(i,j)移动至邻域像素(k,l)后，对移动路径的信息素矩阵进行更新，包括：
τ′ij＝(1-ρ)·τij+ρ·△τij，其中，τ′为更新后的信息素值，ρ为信息素蒸发率，0<ρ<1，△τij＝ηij；和/或
在每个周期后，对所有路径进行全局更新，包括：
τ′ij＝(1-ξ)·τij+ξ·τ0，其中，τ′为更新后的信息素值，ξ为信息素蒸发率，0<ξ<1，τ0为信息素初始值。
9.一种融合梯度与平均相对差的蚁群车道线检测系统，其特征在于，包括特征提取模块和蚁群算法模块，其中，所述特征提取模块被配置为从待检测车道线的目标图像信息中提取各个像素的特征价值，所述蚁群算法模块被配置为根据所述特征提取模块所提取得到的目标图像中各个像素的所述特征价值决定蚁群运动规则，以搜索出符合规则的边缘，作为车道线的检测结果；
其中，所述特征提取模块被配置为通过以下步骤提取目标像素的特征价值：
获取所述目标图像中各个像素的灰度值，计算各个像素的梯度值，并得到该图像中的最大梯度值；
以目标像素为中心划分相邻的第一区域和第二区域，分别对第一区域和第二区域统计灰度值均值，以确定目标像素的平均值相对差；
根据预设的权重系数，通过以下公式计算目标像素的特征价值： 其中，i为目标像素在图像中的行序号，j为目标像素在图像中的列序号，Fij为目标像素(i,j)的特征价值，△I(i,j)为目标像素(i,j)的梯度值，Imax为目标图像中像素的最大梯度值，a为梯度权重系数，b为平均值权重系数，△Eij为目标像素(i,j)的平均值相对差。
10.一种如权利要求1至8中任一项所述的融合梯度与平均相对差的蚁群车道线检测方法在无人驾驶系统中的应用，所述无人驾驶系统包括安装在车辆上的摄像头，其被配置为拍摄车辆前方的路面照片，并采用如权利要求1至8中任一项所述的融合梯度与平均相对差的车道线检测方法，融合梯度与平均相对差作为像素的特征价值决定蚁群运动规则，以搜索出符合规则的边缘，提取车道线，进而引导无人驾驶系统巡车道线行驶。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210405522.4A CN115019280B (zh) | 2022-04-18 | 2022-04-18 | 融合梯度与平均相对差的车道线检测方法、系统及应用 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210405522.4A CN115019280B (zh) | 2022-04-18 | 2022-04-18 | 融合梯度与平均相对差的车道线检测方法、系统及应用 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115019280A CN115019280A (zh) | 2022-09-06 |
| CN115019280B true CN115019280B (zh) | 2024-05-14 |
Family
ID=83067753
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210405522.4A Active CN115019280B (zh) | 2022-04-18 | 2022-04-18 | 融合梯度与平均相对差的车道线检测方法、系统及应用 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115019280B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116152261B (zh) * | 2023-04-24 | 2023-06-27 | 济南奥盛包装科技有限公司 | 一种印刷制品质量的视觉检测系统 |
| CN116363390B (zh) * | 2023-05-25 | 2023-09-19 | 之江实验室 | 一种红外弱小目标检测方法、装置、存储介质及电子设备 |
| CN118096754B (zh) * | 2024-04-26 | 2024-07-30 | 广州拓威天海国际物流有限公司 | 一种国际货运服务标准价格监测方法及系统 |
| CN118518552A (zh) * | 2024-07-25 | 2024-08-20 | 天津美腾科技股份有限公司 | 一种煤泥水沉降状态监测方法、装置、设备及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20010059117A (ko) * | 1999-12-30 | 2001-07-06 | 이계안 | 누적 분포 함수를 이용한 차선 검출 방법 |
| CN109993721A (zh) * | 2019-04-04 | 2019-07-09 | 电子科技大学成都学院 | 一种基于聚类算法和蚁群算法的图像增强方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109034047B (zh) * | 2018-07-20 | 2021-01-22 | 京东方科技集团股份有限公司 | 一种车道线检测方法及装置 |
-
2022
- 2022-04-18 CN CN202210405522.4A patent/CN115019280B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20010059117A (ko) * | 1999-12-30 | 2001-07-06 | 이계안 | 누적 분포 함수를 이용한 차선 검출 방법 |
| CN109993721A (zh) * | 2019-04-04 | 2019-07-09 | 电子科技大学成都学院 | 一种基于聚类算法和蚁群算法的图像增强方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于二维Rosin阈值方法的道路裂纹边缘检测;刘悦;李一兵;谢红;;中国公路学报;20130515(第03期);全文 * |
| 基于多蚁群优化的粮食物流配送路径问题研究;李周芳;杨桦;;中国农机化学报;20130725(第04期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115019280A (zh) | 2022-09-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115019280B (zh) | 融合梯度与平均相对差的车道线检测方法、系统及应用 | |
| CN107967451B (zh) | 一种对静止图像进行人群计数的方法 | |
| CN110288627B (zh) | 一种基于深度学习和数据关联的在线多目标跟踪方法 | |
| CN110059581A (zh) | 基于场景深度信息的人群计数方法 | |
| Fukui et al. | Pedestrian detection based on deep convolutional neural network with ensemble inference network | |
| CN104239867B (zh) | 车牌定位方法及系统 | |
| CN107633226B (zh) | 一种人体动作跟踪特征处理方法 | |
| CN108830171B (zh) | 一种基于深度学习的智能物流仓库引导线视觉检测方法 | |
| CN110415277A (zh) | 基于光流和卡尔曼滤波的多目标追踪方法、系统、装置 | |
| CN102867349B (zh) | 一种基于椭圆环模板匹配的人数统计方法 | |
| CN112489081B (zh) | 一种视觉目标跟踪方法及装置 | |
| CN110555870B (zh) | 基于神经网络的dcf跟踪置信度评价与分类器更新方法 | |
| CN115049700A (zh) | 一种目标检测方法及装置 | |
| CN113129336A (zh) | 一种端到端多车辆跟踪方法、系统及计算机可读介质 | |
| Ji et al. | RGB-D SLAM using vanishing point and door plate information in corridor environment | |
| CN101739687A (zh) | 基于协方差矩阵的快速机动目标跟踪方法 | |
| Gomaa et al. | Real-time algorithm for simultaneous vehicle detection and tracking in aerial view videos | |
| CN102750522A (zh) | 一种目标跟踪的方法 | |
| CN116188943A (zh) | 太阳射电频谱爆发信息检测方法及装置 | |
| CN117593548A (zh) | 基于加权注意力机制去除动态特征点的视觉slam方法 | |
| CN112700469A (zh) | 一种基于eco算法和目标检测的视觉目标跟踪方法及装置 | |
| Zou et al. | Traffic flow video image recognition and analysis based on multi-target tracking algorithm and deep learning | |
| CN109063543B (zh) | 一种考虑局部形变的视频车辆重识别方法、系统及装置 | |
| CN112906663B (zh) | 利用车载行车记录仪动态监测路边停车位的方法 | |
| CN112884831B (zh) | 一种基于概率掩膜提取室内停车场长期静态特征的方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |