专利名称：基于视频的汽车车道自动识别方法
技术领域：
本发明涉及交通智能系统领域，尤其是用于对道路的交通流、路况信息等实时进行监视的车道识别方法，具体地说是一种基于视频的汽车车道自动识别方法，该方法能及时提取交通流信息(车流量、车道占有率、车速等)，在交通拥挤未发生时，及时采取措施、 疏导交通、防止交通拥挤发生。在交通拥挤发生时，可以及时发布信息，通知后续车辆及时调整行驶路线，使已拥挤的交通尽早缓解。
背景技术：
交通信息的实时采集和处理是智能交通系统ITS的关键技术之一。先进的交通信息采集系统不仅可以把握当前交通运行状况和预测未来的交通状况，而且可以大大提高交通效率，实现交通运输的集约式发展。传统的交通数据采集方法是在路面下埋设感应线圈进行数据采集，检测范围小，施工维护麻烦，故障率高，尤其对高等级路面的破坏性大。而随着计算机软硬件技术的发展，采用交通流的视频信息车流量数据的视频检测方法，具有无比的优越性和高性价比。目前道路识别的主要方法是使用边缘检测技术在图像中检测道路的各条标志线，但是由于各种干扰(如通过的车辆，道路两旁的建筑，树木， 以及建筑，树木在光照下留于道路上的阴影等)的影响，使得检测效果不够理想。例如，由于下雨路面积水，造成反光严重，反光处标志线难于分辨，同时由于车辆遮挡，道路边界线也难于有效提取。
发明内容
本发明的目的是针对目前道路识别中所存在的检测效果不理想、道路边界线也难于有效提取的问题，提出一种基于视频的汽车车道自动识别方法，该方法能及时提取交通流信息(车流量、车道占有率、车速等)，在交通拥挤未发生时，及时采取措施、疏导交通、防止交通拥挤发生。在交通拥挤发生时，可以及时发布信息，通知后续车辆及时调整行驶路线，使已拥挤的交通尽早缓解。本发明的技术方案是一种基于视频的汽车车道自动识别方法，它包括以下步骤(a).输入用于识别道路的视频序列，采用帧差法对视频序列中的每两个相邻帧图像之间进行处理获得相邻帧的帧差图像，对该帧差图像进行平滑处理和阈值分割得到相邻帧差图像的二值化图像，其中白色像素区域表示车辆区域，黑色像素区域表示背景区域；(b).对二值化图像通过从左向右和从右向左扫描定位左右旋转点，再分别以左右旋转点为中心通过旋转扫描获得道路左右边界线，同时在左右边界线的交叉位置标定起始点用于接下来的旋转扫描；(c).以起始点为旋转点，道路左右边界线为开始和终止位置，以每次旋转一定度数为步长，扫描整个道路区域，根据该道路的车道数把扫描线区域平分成对应的N个区段， 在各区段内从视场由远到近的方向即图像距离摄像头位置由远到近的方向把扫描线平分成M个区域，根据各区域的大小设定相应的连续性阈值，统计每个区域连续度大于阈值的白线段数，统计的数据作为BP神经网络的学习样本时，各区段内M个区域的连续度大于阈值的白线段数均作为网络输入值，人工判定当前扫描位置是否为车道作为网络目标输出值；(d).建立BP神经网络并用学习样本数据进行训练，网络收敛之后可以作为判定当前位置是否为车道的分类器；(e).实际识别道路时，输入统计当前扫描位置的白色像素点数和连续的白色像素点段数归一化后的数据，网络输出值就是当前扫描位置是否为车道的判决结果。本发明的步骤(b)之后，对于得到的二值化图像，根据图像距离摄像头位置的远近设定相应的阈值，进行去孤立点的操作。本发明的步骤(C)中以起始点为旋转点，道路左右边界线分别绕起始点旋转外扩 0-5度为开始和终止位置。一种基于视频的汽车车道自动识别方法，它包括以下步骤(a).输入用于识别车道的视频序列，采用帧差法对视频序列中的每两个相邻帧图像之间进行处理获得相邻帧的帧差图像，对该帧差图像进行平滑处理和阈值分割得到相邻帧差图像的二值化图像，其中白色像素区域表示车辆区域，黑色像素区域表示背景区域；(b).对二值化图像定位左右旋转点首先，采用扫描线从左向右扫描碰到第一个白色像素点为左旋转点；同样，采用扫描线从右向左扫描碰到第一个白色像素点为右旋转
点分别以左右旋转点为中心，两扫描线进行旋转扫描，直至左右扫描线相交于一点即起始点；起始点与左旋转点的连接线为道路左边界线，起始点与右旋转点的连接线为道路右边界线；(c).根据待识别道路的车道数把扫描线区域横向平分成对应的N个区段，在各区段内从视场由远到近的方向把各区段的分界线平分成M个区域，以起始点为旋转点，道路左、右边界线为开始和终止位置，以每次旋转一定度数为步长，扫描整个二值化图像的道路区域；在MXN个区域中，根据视场由远到近的方向设定相应的连续性阈值，统计每个区域连续度大于阈值的白线段数即连续的白色像素点大于阈值的白线段数，统计的数据作为 BP神经网络的学习样本时，将各区段内M个区域的连续度大于阈值的白线段数均作为网络输入值，人工判定当前扫描位置是否为车道作为网络目标输出值；(d).建立BP神经网络并用学习样本数据进行训练，网络收敛之后作为判定当前位置是否为车道的分类器；(e).实际识别道路时，将统计的当前扫描位置的白色像素点数和连续的白色像素点线段数或者将归一化后的数据输入分类器，分类器的网络输出值就是当前扫描位置是否为车道的判决结果。本发明在步骤(b)之后，对于得到的二值化图像，根据图像距离摄像头位置的远近设定相应的阈值，进行去孤立点的操作。本发明在步骤(C)中以起始点为旋转点，道路左右边界线分别绕起始点旋转外扩 0-5度为开始和终止位置。
本发明在步骤(C)中以起始点为旋转点，道路左右边界线分别绕起始点旋转外扩 3度为开始和终止位置。本发明在步骤(c)中N个区段的区段数为10_16。.本发明在步骤(c)中M个区域的区域数按照车道长度进行相应划分，为5-6个。本发明的有益效果本发明在理论方面，从计算机视觉的角度研究运动物体的检测、道路识别的方法， 对基于视频的智能交通研究具有理论意义。另一方面，方法通过研究中介数学理论、图像处理、模式识别等，为其在智能交通中的推广提供了理论基础。在实际应用方面，对于智能交通系统，计算机视觉检测技术实现信息实时采集，正得到广泛的应用。本项目所研究的基于视频的道路识别和运动车辆检测具有很好的效果，有效去除帧差图像中的干扰，识别准确率高，不需要大量的输入图像，具有较好的实时性。在保证实时性条件下会提高检测出目标信息的完备性，为实际交通系统中车流量、车速等参数的获得奠定了基础。本发明还具有以下优点第一，传统方法首先需要获得整幅画面都没有车辆的图像，新方法则不需要；第二，传统方法会受到建筑物和树木的边缘，以及建筑和树木在光照下留于道路上的阴影的边缘的影响，而新方法只检测运动物体，因此不会受到这些静态因素的影响；第三，新方法采用了累积帧差技术，可以去除掉图像中大部分偶然出现的干扰点的影响。
图1是本发明的流程图。图2是本发明的步骤(b)的扫描道路区域示意图。图3是本发明的实验过程及结果图。其中，图3_a是识别道路的视频图像；图3-b是帧差二值化图像，图3-c是神经网络识别后的车道线图；图3-d是相邻右车道线和左车道线取中值。
具体实施例方式下面结合附图和实施例对本发明作进一步的说明。本发明考虑到在一个较长的时期内，道路的每一条车道都会有足够多的车辆通过，而有车辆通过的地方也必为道路，据此，提出通过识别运动物体达到识别静态物体的思想，并设计出应用累积帧差技术的道路识别方法。在此基础之上，通过引入神经网络作为分类器，利用神经网络的特性排除帧差图像中的干扰，提出一种基于神经网络和帧差技术识别道路位置方法。实验结果表明方法效果比较理想，可以满足实际应用的需要。采用神经网络和帧差的方法，具体方法步骤如下(1)设置变量和参量设输入的用于识别道路的视频序列每帧图像的大小为WXH(W和H分别为每帧图像的宽度和高度)，第η帧图像的像素点(X，y)的灰度值为&(x，y)。当η彡2时，第η 中贞图像与第η-1帧图像的帧差图像《的像素点(x,y)的灰度值为dn(x，y)。dtn(x,y)为帧差图像dn(x，y)处理过程中使用的临时变量。分割车辆和背景的阈值为Tl。整张图像从上到下分为R段，设定去孤立点阈值TG[R]，并根据图像距离摄像头位置的由远到近的方向设定由小到大的阈值。当前扫描线长度为DL，扫描线平分M个区段，数组LC[M]用于记录每个区段符合条件的连续白线段数。设扫描线线起始点位置处表示车辆的白线段占有长度约yi个像素，白线段中点到起始点距离为X1，扫描线终止点位置处表示车辆的白线段占有长度约y2个像素，白线段中点到起始点距离为&。由此可以计算中心点到起始点距离为χ的车辆占有长度y为
权利要求
1.一种基于视频的汽车车道自动识别方法，其特征是它包括以下步骤(a).输入用于识别道路的视频序列，采用帧差法对视频序列中的每两个相邻帧图像之间进行处理获得相邻帧的帧差图像，对该帧差图像进行平滑处理和阈值分割得到相邻帧差图像的二值化图像，其中白色像素区域表示车辆区域，黑色像素区域表示背景区域；(b).对二值化图像通过从左向右和从右向左扫描定位左右旋转点，再分别以左右旋转点为中心通过旋转扫描获得道路左右边界线，同时在左右边界线的交叉位置标定起始点用于接下来的旋转扫描；(c).以起始点为旋转点，道路左右边界线为开始和终止位置，以每次旋转一定度数为步长，扫描整个道路区域，根据该道路的车道数把扫描线区域平分成对应的N个区段，在各区段内从视场由远到近的方向即图像距离摄像头位置由远到近的方向把扫描线平分成M 个区域，根据各区域的大小设定相应的连续性阈值，统计每个区域连续度大于阈值的白线段数，统计的数据作为BP神经网络的学习样本时，各区段内M个区域的连续度大于阈值的白线段数均作为网络输入值，人工判定当前扫描位置是否为车道作为网络目标输出值；(d).建立BP神经网络并用学习样本数据进行训练，网络收敛之后可以作为判定当前位置是否为车道的分类器；(e).实际识别道路时，输入统计当前扫描位置的白色像素点数和连续的白色像素点段数归一化后的数据，网络输出值就是当前扫描位置是否为车道的判决结果。
2.根据权利要求1所述的基于视频的汽车车道自动识别方法，其特征是在步骤(b)之后，对于得到的二值化图像，根据图像距离摄像头位置的远近设定相应的阈值，进行去孤立点的操作。
3.根据权利要求1所述的基于视频的汽车车道自动识别方法，其特征是在步骤(c)中以起始点为旋转点，道路左右边界线分别绕起始点旋转外扩0-5度为开始和终止位置。
4.一种基于视频的汽车车道自动识别方法，其特征是它包括以下步骤(a).输入用于识别车道的视频序列，采用帧差法对视频序列中的每两个相邻帧图像之间进行处理获得相邻帧的帧差图像，对该帧差图像进行平滑处理和阈值分割得到相邻帧差图像的二值化图像，其中白色像素区域表示车辆区域，黑色像素区域表示背景区域；(b).对二值化图像定位左右旋转点首先，采用扫描线从左向右扫描碰到第一个白色像素点为左旋转点；同样，采用扫描线从右向左扫描碰到第一个白色像素点为右旋转点；分别以左右旋转点为中心，两扫描线进行旋转扫描，直至左右扫描线相交于一点即起始点；起始点与左旋转点的连接线为道路左边界线，起始点与右旋转点的连接线为道路右边界线；(c).根据待识别道路的车道数把扫描线区域横向平分成对应的N个区段，在各区段内从视场由远到近的方向把各区段的分界线平分成M个区域，以起始点为旋转点，道路左、 右边界线为开始和终止位置，以每次旋转一定度数为步长，扫描整个二值化图像的道路区域；在MXN个区域中，根据视场由远到近的方向设定相应的连续性阈值，统计每个区域连续度大于阈值的白线段数即连续的白色像素点大于阈值的白线段数，统计的数据作为BP 神经网络的学习样本时，将各区段内M个区域的连续度大于阈值的白线段数均作为网络输入值，人工判定当前扫描位置是否为车道作为网络目标输出值；(d).建立BP神经网络并用学习样本数据进行训练，网络收敛之后作为判定当前位置是否为车道的分类器；(e).实际识别道路时，将统计的当前扫描位置的白色像素点数和连续的白色像素点线段数或者将归一化后的数据输入分类器，分类器的网络输出值就是当前扫描位置是否为车道的判决结果。
5.根据权利要求4所述的基于视频的汽车车道自动识别方法，其特征是在步骤(b)之后，对于得到的二值化图像，根据图像距离摄像头位置的远近设定相应的阈值，进行去孤立点的操作。
6.根据权利要求4所述的基于视频的汽车车道自动识别方法，其特征是在步骤(c)中以起始点为旋转点，道路左右边界线分别绕起始点旋转外扩0-5度为开始和终止位置。
7.根据权利要求4所述的基于视频的汽车车道自动识别方法，其特征是在步骤(c)中以起始点为旋转点，道路左右边界线分别绕起始点旋转外扩3度为开始和终止位置。
8.根据权利要求4所述的基于视频的汽车车道自动识别方法，其特征是在步骤(c)中 N个区段的区段数为10-16。
9.根据权利要求4所述的基于视频的汽车车道自动识别方法，其特征是在步骤(c)中 M个区域的区域数按照车道长度进行相应划分，为5-6个。
全文摘要
一种基于视频的汽车车道自动识别方法，涉及一种累积帧差技术的道路识别方法，主要引入神经网络作为分类器，利用神经网络和帧差技术相结合进行车道位置识别和车辆检测。相比于传统的道路识别方法存在过程复杂，易受干扰，识别效果不够理想等问题，利用神经网络的学习、联想和容错性排除帧差图像中的干扰，提高了车道位置识别的准确率，为接下来的车辆检测自动标记检测线位置提供了基础。
文档编号G06K9/00GK102201167SQ201110086309
公开日2011年9月28日 申请日期2011年4月7日 优先权日2010年4月7日
发明者宫宁生 申请人:宫宁生