基于霍夫变换的车道线识别方法及系统与流程

1.本发明涉及图像处理技术领域，具体涉及基于霍夫变换的车道线识别方法及系统。


背景技术：

2.随着城市机动车数量的增加，城市交通压力不断增加，随之而来的智慧交通系统迅速发展，其中车道线识别技术广泛应用于无人驾驶领域，用户利用车道线识别技术来使车辆一直在道路区域中运行。
3.传统的识别车道线的方法为霍夫变换，但是对图像中车道线的识别时，由于道路中干扰量较多，直接使用霍夫变换往往需要大量的计算，然后再进行车道线的筛选，对车道线识别的速度较慢，耗费很多时间做无用计算，浪费资源。


技术实现要素：

4.为了解决上述技术问题，本发明的目的在于提供一种基于霍夫变换的车道线识别方法及系统，所采用的技术方案具体如下：
5.第一方面，本发明一个实施例提供了一种基于霍夫变换的车道线识别方法，该方法包括以下步骤：
6.采集路面图像，对所述路面图像进行边缘检测，得到边缘图像以及该边缘图像内的多条边缘线；
7.根据每条所述边缘线上白色像素点的数量获取所述边缘线的颜色特征指标；
8.选取最长的两条边缘线，根据其中心点坐标获取对称中心点，根据所有所述边缘线的中心点到所述对称中心点的距离获取多对对称边缘，基于每对对称边缘上的像素点到所述对称中心点的距离获取每条所述边缘线的对称性指标；
9.根据所述颜色特征指标和所述对称性指标获取每条边缘线为车道线的概率，进而获取该边缘线进行霍夫变换的必要性；对所述必要性大于预设阈值的边缘线进行霍夫变换，得到车道线直线。
10.优选的，所述边缘线的获取过程为：
11.获取所述边缘图像中的多个连通域，在每个所述连通域中，选取连通域边缘上任意一个边缘像素点作为起点，根据所述起点的邻域像素点的像素值与所述起点的像素值的差异搜索其他边缘像素点，得到每个所述连通域中的所述边缘线。
12.优选的，所述颜色特征指标的获取过程为：
13.将所述边缘线上每个像素点的像素值与颜色阈值相比较，大于所述颜色阈值的像素点为白色像素点，获取每条所述边缘线上的白色像素点的数量，以其在所述边缘线上的数量占比作为所述颜色特征指标。
14.优选的，所述对称中心点的获取过程为：将最长的两条边缘线的中心点相连，以连接线的中点作为所述对称中心点。
15.优选的，所述对称边缘的获取过程为：
16.获取每条所述边缘线中心点到所述对称中心点的距离，将每两条边缘线对应的距离做差，将差值小于距离阈值的两条边缘线组成一对对称边缘。
17.优选的，所述对称性指标的获取过程为：
18.对于每对所述对称边缘，计算该对称边缘中每条边缘线上每个像素点到所述对称中心点的距离并求和得到两个边缘距离，根据两个边缘距离之和与最大的边缘距离获取所述对称性指标。
19.优选的，所述概率的获取过程为：以所述颜色特征指标和所述对称性指标的乘积作为该边缘线为车道线的所述概率。
20.优选的，所述必要性的获取过程为：获取必要性系数，利用所述必要性系数对所述概率进行差异扩大，获取所述必要性。
21.优选的，所述车道线直线的获取过程为：
22.筛选出所述必要性大于预设阈值的边缘线，利用向量表示这些边缘线来进行直线的霍夫变换再逆映射至图像空间，得到所述车道线直线。
23.第二方面，本发明另一个实施例提供了一种基于霍夫变换的车道线识别系统，包括存储器、处理器以及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，所述处理器执行所述计算机程序时实现上述基于霍夫变换的车道线识别方法的步骤。
24.本发明实施例至少具有如下有益效果：
25.本发明实施例对路面灰度图像进行边缘检测，根据每条边缘的白色像素点的数量占比获取颜色特征指标，根据各边缘像素点到对称中心点的距离获取对称性指标，利用颜色特征指标和对称性指标计算每条边缘为车道线的概率，选取概率大于阈值的边缘进行霍夫变换，得到车道线，能够在进行霍夫变换之前判断边缘线为车道线的概率，减少无关边缘的干扰，降低霍夫变换的计算量，减少计算的空间复杂度和时间复杂度，使识别效果更加准确及快速。
附图说明
26.为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，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的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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它附图。
27.图1为本发明一个实施例提供的基于霍夫变换的车道线识别方法的步骤流程图；
28.图2为采集的路面图像；
29.图3为对图2进行边缘检测后得到的边缘图像。
具体实施方式
30.为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的基于霍夫变换的车道线识别方法及系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或
特点可由任何合适形式组合。
31.除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
32.下面结合附图具体的说明本发明所提供的基于霍夫变换的车道线识别方法及系统的具体方案。
33.请参阅图1，其示出了本发明一个实施例提供的基于霍夫变换的车道线识别方法的步骤流程图，该方法包括以下步骤：
34.步骤s001，采集路面图像，对路面图像进行边缘检测，得到边缘图像以及该边缘图像内的多条边缘线。
35.具体的步骤包括：
36.1.采集路面图像，并将其转换为灰度图像。
37.通过相机采集需要识别车道线的路面图像，如图2所示，利用车辆或者无人机以及其他可以采集到路面图像的手段均可，采集到的路面图下为rgb图像。
38.将采集到的rgb图像进行灰度化，得到灰度图像。灰度图像(gray)通常指8位灰度图，其具有256个灰度级，像素值的范围是[0,255]。当图像从rgb色彩空间转换为gray色彩空间时，一般有三种处理方式，作为一个示例，本发明实施例采用的方式为：
[0039]
gray＝0.299*r+0.587*g+0.114*b
[0040]
根据每个像素点处三通道的值计算处该点的灰度值，组成灰度图像。
[0041]
2.对灰度图像进行边缘检测，得到边缘图像及其包含的多条边缘线。
[0042]
本发明实施例中利用canny算子对灰度图像进行边缘检测：
[0043]
对图像进行去噪，因为噪声会影响边缘检测的准确性，因此首先要将噪声过滤掉；计算梯度的幅度与方向；沿着梯度方向对幅值进行非极大值抑制，适当地让边缘“变瘦”；最后使用双阈值算法确定最终的边缘信息。得到边缘图像，如图3所示。从图3可以看出，图像边缘有很多干扰量，对车道线的识别毫无用处，如果全部进行计算，计算量会特别大，所以我们需要计算出图像中各区域的计算必要性，根据计算必要性减少不必要的计算。
[0044]
获取边缘图像中的多个连通域，在每个连通域中，选取连通域边缘上任意一个边缘像素点作为起点，根据起点的邻域像素点的像素值与起点的像素值的差异搜索其他边缘像素点，得到每个连通域中的边缘线。
[0045]
边缘图像中有多个连通域，在每个连通域中，选取连通域边缘上任意一个边缘像素点作为起点，记录起点的坐标，获取起点的像素值a，同时获取起点的8邻域像素，并对8邻域进行编号。获取各个邻域像素点的像素值bi，计算起点像素值与其邻域内各个像素点的像素值的差：x＝a-bi，其中，i表示邻域像素点的编号。获取差值x最小的邻域像素点作为下一个起点，以同样的方法继续搜索，得到边缘图像中各个连续的链码，即为边缘线。
[0046]
需要说明的是，当最小的差值x不止一个时，需要指定搜索的方向，作为一个示例，本发明实施例中的搜索方向为顺时针方向。
[0047]
步骤s002，根据每条边缘线上白色像素点的数量获取边缘线的颜色特征指标。
[0048]
具体的步骤包括：
[0049]
将边缘线上每个像素点的像素值与颜色阈值相比较，大于颜色阈值的像素点为白色像素点，获取每条边缘线上的白色像素点的数量，以其在边缘线上的数量占比作为颜色
特征指标。
[0050]
由步骤s001获得各条边缘线上边缘像素点的灰度值，根据先验知识，可知车道线是白色的，故各条边缘线上边缘像素点的灰度值越大，则说明该条边缘线越有可能是车道线。
[0051]
对获取的各条边缘线进行编号为1,2,3,4
…
m。对于每条边缘线，获取其含有的像素点数量n，将每个像素点的像素值z与颜色阈值t进行比较，记录像素值大于t的像素点数量n。
[0052]
具体的，令初始的n＝0，当z大于颜色阈值t时，该像素点为白色像素点，此时令n＝n+1，遍历整条边缘线，进行n次比较运算，得到整条边缘线中像素点为白色的数量n。
[0053]
作为一个示例，本发明实施例中颜色阈值t＝200。
[0054]
根据每条边缘线上白色像素点的数量获取边缘线的颜色特征指标y1：
[0055][0056]
其中，n表示白色像素点的数量，n表示边缘线上像素点的数量。
[0057]
步骤s003，选取最长的两条边缘线，根据其中心点坐标获取对称中心点，根据所有边缘线的中心点到对称中心点的距离获取多对对称边缘，基于每对对称边缘上的像素点到对称中心点的距离获取每条边缘线的对称性指标。
[0058]
根据先验知识可知，道路上的车道线往往是对称的。因此引入对称性指标，越对称，越有可能是车道线。
[0059]
具体的步骤包括：
[0060]
1.获取对称中心点。
[0061]
将最长的两条边缘线的中心点相连，以连接线的中点作为对称中心点，即为点m。
[0062]
2.获取边缘图像中的对称边缘。
[0063]
获取每条边缘线中心点到对称中心点的距离，将每两条边缘线对应的距离做差，将差值小于距离阈值的两条边缘线组成一对对称边缘。
[0064]
根据每条边缘线的坐标确定其中心点，共有m条边缘线，得到m个中心点，计算每个中心点到对称中心点的距离lj，将每两条边缘线对应的距离lj做差，得到距离差l，当距离差l等于0或者接近0的时候，对应的两条边缘线以对称中心点为中心对称，因此，当距离差l小于距离阈值时，该距离差对应的两条边缘线为一对对称边缘。
[0065]
作为一个示例，本发明实施例中距离阈值为1。
[0066]
3.获取每条边缘线的对称性指标。
[0067]
对于每对对称边缘，计算该对称边缘中每条边缘线上每个像素点到对称中心点的距离并求和得到两个边缘距离，根据两个边缘距离之和与最大的边缘距离获取对称性指标。
[0068]
任选一组对称边缘，该对称边缘中的两条边缘线的中心点分别为点q和点w，获取以点q为中心点的边缘线的像素点数量q，和以点w为中心点的边缘线的像素点数量w。
[0069]
计算每条边缘线上每个像素点到对称中心点m的距离l
zqu
和l
zwv
，进而计算对称边缘中每条边缘线的对称性指标y2：
[0070][0071]
两条边缘线的对称性指标均为y2，y2越接近于1，该对对称边缘的对称性越强，两条边缘线越对称，越有可能是车道线。
[0072]
步骤s004，根据颜色特征指标和对称性指标获取每条边缘线为车道线的概率，进而获取该边缘线进行霍夫变换的必要性；对必要性大于预设阈值的边缘线进行霍夫变换，得到车道线直线。
[0073]
具体的步骤包括：
[0074]
1.根据颜色特征指标和对称性指标的乘积作为该边缘线为车道线的概率。
[0075]
计算每条边缘线为车道线的概率y：
[0076]
y＝y1*y2[0077]
其中，y1表示边缘线的颜色特征指标，y2表示边缘线的对称性指标。
[0078]
颜色特征指标y1越大，该条边缘线越可能为车道线；对称性指标y2越大，该条边缘线越可能为车道线。因此y越大，该条边缘线是车道线的概率越大。其中y1∈[0,1]，y2∈[0,1]，则可得y∈[0,1]。
[0079]
2.获取车道线直线。
[0080]
如果能够只对车道线进行霍夫变换，其余的边缘不进行霍夫变换，能够减少计算量。
[0081]
获取必要性系数，利用必要性系数对概率进行差异扩大，获取必要性。筛选出必要性大于预设阈值的边缘线，利用向量表示这些边缘线来进行直线的霍夫变换再逆映射至图像空间，得到车道线直线。
[0082]
每条车道线进行霍夫变换的必要性为：
[0083]
by＝α*y
[0084]
其中，α表示必要性系数。
[0085]
作为一个示例，本发明实施例中必要性系数α取100。
[0086]
通过必要性系数将概率进行差异扩大，能够更直观地显示出各边缘线需要进行霍夫变换的必要性。
[0087]
利用预设阈值对每条边缘线的必要性进行判断，当必要性by大于预设阈值y时，对该条边缘线进行霍夫转换，检测直线，当必要性不大于预设阈值时不对边缘线进行霍夫变换。
[0088]
作为一个示例，本发明实施例中预设阈值y的取值为70。
[0089]
在坐标系中，将一条直线用向量方程来表示：r＝x cosθ+ysinθ。其中r是原点到直线上的距离，θ是原点到直线的垂线与x轴之间的夹角。因此，可以将图像的每一条直线与一对参数(r,θ)相关联。这个参数(r,θ)平面有时被称为霍夫空间，用于二维直线的集合。
[0090]
具体的，将(r,θ)空间量化，得到二维矩阵m(r,θ)，m(r,θ)是一个累加器，初始值为0，m(r,θ)＝0；对边界上的每一个点(x,y)，将θ的所有量化值带入式r＝xcosθ+ysinθ中，计算出相应的r，并将对应累加器加1，即m(r,θ)＝m(r,θ)+1；由(x,y)和(r,θ)共同确定图像中的线段，并将断裂部分连接起来，对于大于阈值的点,有其霍夫空间的参数对(r,θ)通过逆映射可以得到图像空间中的直线：
[0091][0092]
通过上述步骤完成霍夫变换，得到车道线直线。
[0093]
综上所述，本发明实施例采集路面图像，对路面图像进行边缘检测，得到边缘图像以及该边缘图像内的多条边缘线；根据每条边缘线上白色像素点的数量获取边缘线的颜色特征指标；选取最长的两条边缘线，根据其中心点坐标获取对称中心点，根据所有边缘线的中心点到对称中心点的距离获取多对对称边缘，基于每对对称边缘上的像素点到对称中心点的距离获取每条边缘线的对称性指标；根据颜色特征指标和对称性指标获取每条边缘线为车道线的概率，进而获取该边缘线进行霍夫变换的必要性；对必要性大于预设阈值的边缘线进行霍夫变换，得到车道线直线。本发明实施例能够在进行霍夫变换之前判断边缘线为车道线的概率，减少无关边缘的干扰，降低霍夫变换的计算量。
[0094]
本发明实施例还提出了一种基于霍夫变换的车道线识别系统，包括存储器、处理器以及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，所述处理器执行所述计算机程序时实现上述方法的步骤。由于基于霍夫变换的车道线识别方法在上述给出了详细描述，不再赘述。
[0095]
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
[0096]
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
[0097]
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。