一种基于光流点轨迹统计的车道线实线的检测方法
【技术领域】
[0001] 本发明属于智能交通监控技术领域，涉及一种基于光流点轨迹统计的车道线实线 的检测方法。
【背景技术】
[0002] 城市交通道路的交通堵塞和交通事故频发已经严重地影响着经济的快速健康发 展和人民的生命安全，导致事故发生的原因中就包括压实线及压实线变道行驶的问题，而 基于计算机视觉的行驶车辆压实线及压实线变道行驶的交通违规行为的检测，必须首先检 测出车道线实线。
[0003] 常用的基于计算机视觉的车道线检测方法可分为两类，即基于特征的方法和基于 模板的方法。前者主要是提取图像中道路的特征，利用图像中道路的边缘信息来检测车道 线，这种方法要求车道上没有车辆且车道线清晰，因此易受到光照、天气、车辆和路面情况 的影响，而且在夜间不能进行检测；而后者是对车道进行模型匹配，该方法对规则车道的车 道线检测效果良好，但是对于非规则车道的车道线不能进行有效的检测。
【发明内容】
[0004] 本发明的目的是提供一种基于光流点轨迹统计的车道线实线的检测方法，解决了 现有基于计算机视觉的车道线检测方法易受路面、天气和光照的影响，因而车道线检测精 度不高以及鲁棒性不强的问题。
[0005] 本发明的技术方案是，一种基于光流点轨迹统计的车道线实线的检测方法，步骤 包括：
[0006] 步骤1 :在单向道路中间上方安装摄像头；
[0007] 步骤2 :对视频帧图像预处理；
[0008] 步骤3 :获取运动车辆的光流点集合；
[0009] 步骤4 :利用DBSCAN聚类算法分割每辆运动车辆的光流点集合，并对分割出的光 流点集合用固定大小的矩形区域表示；
[0010] 步骤5 :对每辆运动车辆的分割区域进行统计叠加，并对结果进行二值化处理；
[0011] 步骤6:对二值图像中符合条件的白色像素区域的轮廓点的中点集合进行直线拟 合；
[0012] 步骤7 :由中点集合拟合的直线确定出车道线实线。
[0013] 本发明的有益效果是，从所拍摄的单向道路的视频帧图像的光流矢量中，提取运 动车辆的光流点集合，分割出每辆运动车辆的光流点集合并以固定大小的矩形区域表示， 对每辆运动车辆的矩形区域进行统计叠加，确定出车道内运动车辆的行驶轨迹区域，利用 最小二乘法对行驶轨迹区域轮廓的中点集合进行直线拟合，根据中点集合所拟合的直线确 定相邻车道间的车道线以及道路边缘的车道线，该方法不受光照、天气、车辆和路面情况的 影响，车道线实线的检测精度高，鲁棒性强。
【附图说明】
[0014] 图1是本发明方法的运动车辆光流矢量的角度范围以及驶离摄像头车辆的光流 矢量集合检测示意图；
[0015] 图2是本发明方法统计叠加后的运动车辆的行驶轨迹区域及其轮廓中点集合的 拟合直线示意图；
[0016] 图3是本发明方法根据中点集合所拟合的直线确定相邻车道间车道线以及道路 边缘车道线示意图。
【具体实施方式】
[0017] 下面结合附图和【具体实施方式】对本发明进行详细说明。
[0018] 本发明基于光流点轨迹统计的车道线实线的检测方法，步骤主要包括：
[0019] 步骤1 :在单向道路中间上方安装摄像头；
[0020] 步骤2 :对视频帧图像预处理；
[0021] 步骤3 :获取运动车辆的光流点集合；
[0022] 步骤4 :利用DBSCAN聚类算法分割每辆运动车辆的光流点集合，并对分割出的光 流点集合用固定大小的矩形区域表示；
[0023] 步骤5 :对每辆运动车辆的分割区域进行统计叠加，并对结果进行二值化处理；
[0024] 步骤6 :对二值图像中符合条件的白色像素区域的轮廓点的中点集合进行直线拟 合；
[0025] 步骤7 :由中点集合拟合的直线确定出车道线实线。
[0026] 本发明基于光流点轨迹统计的车道线实线的检测方法，按照以下步骤具体实施：
[0027] 步骤1 :在单向道路中间上方安装摄像头
[0028] 在交通道路中的实线道路区域，即需要检测车辆是否违规行驶的路段，如高架桥、 交通路口以及隧道等路段，在单向道路中间上方安装高清摄像头（因为步骤3. 2)中的光流 矢量角度范围是根据摄像头安装在中间上方所确定出来的），单个摄像头对应单向道路，摄 像头所拍摄的视频帧图像在横向宽度上包含该方向上所有的车道，在纵向长度上所拍摄的 最远端到摄像头的距离不大于100米，最近端到摄像头的距离不小于5米，且最远端与最近 端间的间隔不小于70米；
[0029] 步骤2 :对视频帧图像预处理
[0030] 将摄像头拍摄的视频帧图像转换为灰度图并进行中值滤波，对滤波后的图像进行 直方图均衡化，得到视频帧图像Ι η，η = 1，2, ...，N，N为视频帧图像帧数，N > 18000,视频 帧图像In的宽度为W、高度为H ;
[0031] 步骤3 :获取运动车辆的光流点集合
[0032] 3. 1)获取视频帧图像的光流矢量集合
[0033] 利用金字塔迭代Lucas-Kanade光流算法检测步骤2中的视频帧图像1"和I n+1间 的光流矢量集合Fm, m = 1，2, ...，N-I，金字塔迭代Lucas-Kanade光流算法中的强角点个数 设置为1000个，可接受角点的最小质量因子设置为〇. 〇〇1，得到的角点最小距离设置为5， 单位为像素，每个金字塔层的搜索窗口尺寸为10 X 10,单位为像素，最大金字塔层数设置为 4,最大迭代次数设置为64,迭代精度设为0.0 l ;
[0034] 3. 2)提取运动车辆的光流矢量集合
[0035] 设运动车辆驶离摄像头时的光流矢量方向的角度范围为，车辆驶近 4 4 摄像头时的光流矢量方向的角度范围为视频帧图像的横轴X所指方向角度为零 4 4 度，并设光流矢量的长度范围为[2, 35]，单位为像素，
[0036] 判断步骤3.1)中的矢量集合Fni中的光流矢量的角度是否在区间 或范围内，并且长度是否在区间[2, 35]范围内，所有同时满足角度在区间 4 4
范围内，并且长度在区间[2, 35]范围内的光流矢量即为运动车辆 的光流矢量，记为运动车辆的光流矢量集合FVm，如图1所示；
[0037] 3. 3)获取运动车辆的光流点集合
[0038] 对步骤3. 2)中提取的运动车辆的光流矢量集合FVni，记集合中光流矢量的起点 坐标为（.<,<)，终点坐标为（<，<)，则光流矢量的中点坐标（ <,< )的计算见公式 (1)：
[0039]
[0040] 其中 is = 1，2, · · ·，NVni, ie = 1，2, · · ·，NVni, im = 1，2, · · ·，NVni, NVniS 1000， 0<< <灰，0《<: <灰，0<< ，（)<<<//，0<< <//J 合即为运动车辆的光流点集合FVPni;
[0041] 步骤4 :利用DBSCAN聚类算法分割每辆运动车辆的光流点集合，并对分割出的光 流点集合采用固定大小的矩形区域进行表示
[0042] 利用DBSCAN聚类算法对步骤3. 3)中获取的运动车辆的光流点集合FVPni进行聚 类，分割出每辆运动车辆的光流点集合，设DBSCAN聚类空间中簇的半径为22个像素，簇中 所包含光流点的数目不小于25个，记每辆运动车辆光流点集合的外接矩形的左上角坐标 为（々，W )，右下角的坐标为（X;巧），外接矩形的几何中心点坐标（）的计算见 公式⑵：
[0043]
[0044] 根据外接矩形的几何中心点坐标，构建尺寸为10像素 XlO像素的 矩形区域校，矩形区域％左上角的坐标为（.C,-5, ι?-5 λ矩形区域$右下角的坐标为 "；+5，j;+5)，
[0045] 其中 jL = 1，2, · · ·，CVni, jR = 1，2, · · ·，CVni, jm = 1，2, · · ·，CVni, jv = 1，2,. . .，CVn，CVn为分割出的运动车辆的个数，矩形区域$的中点的横纵坐标范围为 0 <《< C <汉，矩形区域％表示分割出的每辆运动车辆的分割区域；
[0046] 步骤5 :对每辆运动车辆的分割区域进行统计叠加，并对结果进行二值化处理
[0047] 创建二维数组S，S的列数为W，行数为H(步骤2中已经设置视频帧图像In的宽度 为W、高度为H，此处S的列数即为步骤2中视频帧图像的宽度W，S的行数即为步骤2中视 频帧图像的高度H)，置二维数组S中所有元素的初值为0,在二维数组S中找到步骤4中获 取的矩形区域^的左上角坐标（4 -1戒！）和右下角坐标（4 +瓦蟓+5 )，把左上角 坐标（-5, -5 )和右下角坐标（、《+5,>? +5 )在二维数组S中构成的矩形区域内 所包含的所有元素的值加1，
[0048] 构建二维图像数组SImg，高度为Η，宽度为W (同样，即SImg的高度为步骤2中视 频帧图像的高度H，SImg的宽度为步骤2中视频帧图像的宽度W，），在统计叠加完成后的二 维数组S中寻找所有元素 S(i，