基于交通路口视频的车道检测和分割方法
【专利摘要】本发明涉及计算机图像处理领域，公开了一种基于交通路口视频的车道检测和分割方法，包括利用Hough变换对交通路口的视频图像进行检测的步骤，提取多维特征向量的步骤，利用K-means算法实现聚类的步骤。本发明的优点在于，具有较好的适应性，实时性和稳定性，抗干扰能力好，不仅简化了操作步骤和计算步骤，减少了计算资源的消耗，还可以得到较为稳定的检测结果，适应于各种智能交通系统中的车道分析应用，具有较高的应用价值。
【专利说明】基于交通路口视频的车道检测和分割方法
【技术领域】
[0001]本发明涉及计算机图像处理领域，特别涉及一种基于交通路口视频的车道检测和分割方法。
【背景技术】
[0002]随着计算机技术和交通事业的不断发展，基于视频技术的智能交通系统已成为计算机视觉技术应用的重要研究领域。智能交通系统将各种先进的信息处理技术、全球定位导航、数据通信、传感技术、自动控制原理、数字图像处理、计算机网络技术、人工智能、运筹管理等学科的知识融合到当前的交通规划、运输、管理体系，使得交通系统成为一个高效运行的整体。智能交通系统创建了一个多管理层次、全方位、网络通信、精确、高速的综合交通运行系统，为处理交通问题提供了可靠的技术平台支撑以及有力保障。
[0003]交通信息采集是智能交通系统的重要组成部分，使用传统的方式对采集交通信息已经无法满足当前的发展现状，基于视频的交通信息采集在这种日益增长的需求之下得到了迅速的发展。该系统能够从相关的交通视频中提取有用的信息，在安装维护视频监控设备时，不用破坏路面，更不用关闭车道，不会影响正常的交通秩序。最为关键的是利用该系统不仅能够方便的获取各个路段在各个时刻的交通信息，方便交通监管，而且它还能够采集更多有价值的交通信息。
[0004]基于视频的交通信息采集，首先要解决的就是车道的检测。因为通常在交通监控范围内，多车道共存的现象是非常普遍的，车道的分割通常是人工手动的进行设置，标定不同车道的所属区域。这种人工标定的方法虽然解决了车道分割，但是降低了交通拥堵检测的适用性，因此自动的车道检测对于交通拥堵状态的检测是非常重要的。车道的自动检测主要有三种主流的方法。第一种方法是利用摄像头的标定技术，在已知摄像头参数的情况下，对路面进行估计。第二种方法是使用车辆的轨迹进行自动的车道分割，对车辆的轨迹进行分析不能对较为复杂的车道进行分割。第三种方法是利用车道的视觉特征，因为车道在视觉特性上是不同于自然物体的，其颜色和边缘都具有明显的特点，该方法在交通视频监控领域被普遍的应用。
[0005]在利用车道的视觉特征方法中，由于缺少一种稳定的系统的方法，面对复杂的各种环境，很难单独取得很好的识别，所以往往结合一些模型和假设，利用道路的先验知识，结合图像特征估计出车道，常见的有道路图像消失点的数学模型、道路形状假设、路面特征假设等等。这些假设和模型，不仅限制了交通视频中对场景的适应性，也加大了操作的难度和实现的复杂度。至今国内外尚未提出一种稳定的基于交通路口视频中的车道检测和分割方法。
【发明内容】
[0006]本发明针对现有技术中缺乏稳定的视频车道检测和分割方法的缺点，提供了一种新型的基于交通路口视频的车道检测和分割方法。[0007]为实现上述目的，本发明可采取下述技术方案:
[0008]基于交通路口视频的车道检测和分割方法，包括以下具体的步骤:
[0009]I)利用Hough变换对交通路口视频图像进行检测，提取视频图像中的直线；在进行Hough变换时，加入直线长度的约束条件，所述约束条件为图片长度的1/5，排除不符合该约束条件的直线；在进行Hough变换时，每当将图像空间中的像素点映射到参数空间后，检测每个累加器的计数是否超过累加阈值从而确认是否存在直线，并获得直线上的点的集合；
[0010]2)提取步骤I)所得直线的多维特征向量，所述多维特征向量包括直线的斜率、位置、长度以及与边缘检测图片的匹配度；
[0011]3)利用K-means算法实现聚类，将聚类所得直线簇采用半机械学习方法进行分析，利用聚类的中心的直线簇作为边界，划分出车道；所述半机械学习方法包括以下步骤:提取视频图像所摄取的路口车道的岔口数量，将直线簇与上述路口车道的岔口数量进行比较，确定直线簇与上述路口车道的岔口数量的匹配度；所述K-means算法包括以下步骤:采用多中心聚类比较的方法确定中心的数目，采用K-means算法实现对步骤2)所得多维特征向量进行分析并提取初始聚类中心。
[0012]作为优选，还包括以下步骤:
[0013]预处理步骤:采用快速中值滤波对交通路口视频图像进行预处理，在视频图像上移动邻域窗口，当新进入邻域窗口的像素的灰度值与新移出窗口的像素的灰度值不同时，对邻域窗口求中值，同时采用插入排序，排序过程中，对已有的序列固定不变，从而获得较快的滤波效果；
[0014]边缘检测步骤:使用Canny算子或者Sobel算子对视频图像进行边缘检测得到边缘检测图片，其中，对强光照条件下所摄取的视频图像进行边缘增强，对正常关照和弱光照条件下所摄取的视频图像利用Sobel算子计算相邻像素点的灰度差异值。
[0015]作为优选，其特征在于，还包括以下步骤:对每条直线还提取其延长线与边界交点坐标、视频图像的颜色值以及视频图像的梯度空间值作为直线的高位特征向量；将斜率用斜率所在直线与水平线的夹角进行替换；对所述多维特征向量和高维特征向量进行那个归一化；在计算多维特征向量和高位特征向量的权重时，保持斜率和位置的权重值大于其他多为特征向量或者高位特征向量的权重值；采用统计方法，自适应地选择聚类的数目，并与
聚类所得直线簇进行比较，通过以下算法得到最优解:arg minnEp=i||Vp - Cnf，其
中，n为聚类的中心数量，Vp为每条直线的特征向量，Cn为对应聚类中心的特征向量。
[0016]作为优选，其特征在于，对于步骤3)所得车道，根据得到的车道数量，在视频图像中提取与车道数量相同的等分点作为种子点，在Hough变换所得直线图中进行扩散，进一步地划分出不同的车道。
[0017]本发明由于采用了以上技术方案，具有显著的技术效果:
[0018]本发明是基于交通路口拍摄的视频图像，可以根据检测结果分析得到路口的车道线，并可以自适应地分割出有效的车道。本方法在智能交通系统中进行应用时，具有较好的适应性，可以避免采用模型或者假设对路口的限制，可以适用于各种不同类型的路口，同时也简化了操作步骤，节省了计算资源，提高了智能交通系统的处理速度。本发明具有较好的实时性，节省了现有技术中对路口进行建模等操作环节，尤其适应于对于实时性有较高要求的智能交通系统。此外，本发明的计算结果更为稳定，检测和分割所得到的车道信息可以直接输入下一步应用环节，可以与智能交通系统的其他环节有机地融为一体。
【具体实施方式】
[0019]下面结合实施例对本发明作进一步的详细描述。
[0020]实施例1
[0021]在实施基于交通路口视频图像的车道检测和分割技术时，利用视频图像作为处理的入口，可以采用高斯混合模型等成熟的图片处理技术对交通路口的视频图像进行处理。
[0022]基于交通路口视频的车道检测和分割方法，其具体过程如下:
[0023]第一步，采用改进快速中值滤波对视频图像进行预处理。其中，由于车道线的图像数据在视频图像中的灰度变化不大，可以认为车道线所在区域具有相同的灰度值，因此，邻域窗口在整幅图像上移动时没有必要每次都计算其中值，只有当新进入邻域窗口像素的灰度值与移出窗口像素的灰度值不等时，才对邻域窗口求中值。并且在灰度值不等时采用插入排序，保持已有的序列固定不变，从而获得更快的滤波效果。
[0024]第二步，边缘检测提取车道信息。Sobel算子反映相邻像素点的灰度差异特征，计算量小、算法简单，在边缘增强效果、抑制噪声能力方面都较好，但提取的边缘较粗；Canny算子的目标是找到一个最优的边缘检测算法，该算子提取的边缘完整，检出的车道线为单像素宽，但算法复杂，计算量较大。综合考虑实时性和边缘检测效果，用Canny算法进行强光照图像的边缘增强，而对于正常光照和弱光照图像，采用Sobel算法。
[0025]第三步，利用改进的Hough变换检测直线。传统的Hough变换是在图像空间到参数空间的映射全部完成之后统计各个累加器的计数是否大于累加阈值从而确定是否存在直线，并获得相应直线上的点的集合，改进的Hough变换采用:每次将图像空间中的点映射到参数空间后都会检查各个累加器的计数是否超过了累加阈值，这样最长直线被最早检测到的概率最大，从而减少了检测直线的运算量。
[0026]第四步，提取直线的多维特征向量聚类。通过上面的操作，我们得到的是许多车道线边缘分布长短、斜率不同的直线，如何将这些直线有效归类从而分析出车道线一直是限制单独基于视频交通信息采集系统的广泛应用的一个难题，本发明采用以下的多维特征向量聚类方法，分析出不同车道信息:
[0027]I)对每条直线提取出斜率、位置、长度、延长线与边界的交点、原图颜色值、原图梯度空间值，作为每条直线的高维特征向量。
[0028]2)由于斜率变化极不均匀，我们将其转化为与水平线的角度来计算。每个维度进行归一化，并保证斜率、位置等重要维度权重较大。
[0029]3)对于不同路口车道线的数目不同，我们采用统计的方法，可以预先进行人工统计，根据动态范围选择聚类的数目，再结合聚类结果(指不同聚类数目的结果。目前为数据训练阶段，尚处于前期准备工作阶段)分析比较，从而找到最优解(聚类的动态偏差，选出最
优数目，最优中心):arg minn Sp=i||Vp - Cnf，这里n为聚类的中心数量，Vp为每个直
线的特征向量，Cn为对应聚类中心的特征向量。[0030]4)结合上面的结果采用改进的K-means算法对所得直线进行聚类，对与初始的聚类中心点的选取，采用K-means算法对多维特征向量进行分析，提取初始聚类中心，避免算法陷入局部最优。
[0031]第五步，利用聚类的中心的直线作为边界，划分出最终的车道。按照原图的坐标系，来划分区域，由于车道线多种多样，很难直接找到统一的车道关系，我们通过上面分析的车道数量，在图片地步取车道数量相同的等分点为种子点，并在直线图片中扩散，这里的扩散过程采用区域生长算法，采用通过选取一个种子点，并向外扩散的方式，从而最终划分出不同的车道。
[0032]总之，以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所作的均等变化与修饰，皆应属本发明专利的涵盖范围。
【权利要求】
1.一种基于交通路口视频的车道检测和分割方法，其特征在于，包括以下具体的步骤: 1)利用Hough变换对交通路口视频图像进行检测，提取视频图像中的直线；在进行Hough变换时，加入直线长度的约束条件，所述约束条件为图片长度的1/5，排除不符合该约束条件的直线；在进行Hough变换时，每当将图像空间中的像素点映射到参数空间后，检测每个累加器的计数是否超过累加阈值从而确认是否存在直线，并获得直线上的点的集合； 2)提取步骤I)所得直线的多维特征向量，所述多维特征向量包括直线的斜率、位置、长度以及与边缘检测图片的匹配度； 3)利用K-means算法实现聚类，将聚类所得直线簇采用半机械学习方法进行分析，利用聚类的中心的直线簇作为边界，划分出车道；所述半机械学习方法包括以下步骤:提取视频图像所摄取的路口车道的岔口数量，将直线簇与上述路口车道的岔口数量进行比较，确定直线簇与上述路口车道的岔口数量的匹配度；所述K-means算法包括以下步骤:采用多中心聚类比较的方法确定中心的数目，采用K-means算法实现对步骤2)所得多维特征向量进行分析并提取初始聚类中心。
2.根据权利要求1所述的基于交通路口视频的车道检测和分割方法，其特征在于，还包括以下步骤: 预处理步骤:采用快速中值滤波对交通路口视频图像进行预处理，在视频图像上移动邻域窗口，当新进入邻域窗口的像素的灰度值与新移出窗口的像素的灰度值不同时，对邻域窗口求中值，同时采用插入排序，排序过程中，对已有的序列固定不变，从而获得较快的滤波效果； 边缘检测步骤:使用Canny`算子或者Sobel算子对视频图像进行边缘检测得到边缘检测图片，其中，对强光照条件下所摄取的视频图像进行边缘增强，对正常关照和弱光照条件下所摄取的视频图像利用Sobel算子计算相邻像素点的灰度差异值。
3.根据权利要求1所述的基于交通路口视频的车道检测和分割方法，其特征在于，其特征在于，还包括以下步骤:对每条直线还提取其延长线与边界交点坐标、视频图像的颜色值以及视频图像的梯度空间值作为直线的高位特征向量；将斜率用斜率所在直线与水平线的夹角进行替换；对所述多维特征向量和高维特征向量进行那个归一化；在计算多维特征向量和高位特征向量的权重时，保持斜率和位置的权重值大于其他多为特征向量或者高位特征向量的权重值；采用统计方法，自适应地选择苇类的数目，并与聚类所得直线簇进行比较，通过以下算法得到最优解.arg minnI:p=i||Vp - Cnf，其中，n为聚类的中心数量，Vp为每条直线的特征向量，Cn为对应聚类中心的特征向量。
4.根据权利要求1所述的基于交通路口视频的车道检测和分割方法，其特征在于，其特征在于，对于步骤3)所得车道，根据得到的车道数量，在视频图像中提取与车道数量相同的等分点作为种子点，在Hough变换所得直线图中进行扩散，进一步地划分出不同的车道。
【文档编号】G06T7/00GK103489189SQ201310439438
【公开日】2014年1月1日 申请日期:2013年9月24日 优先权日:2013年9月24日
【发明者】刘东升, 许翀寰 申请人:浙江工商大学