基于点聚类的车道线检测方法
【专利摘要】本发明提供一种基于点聚类的车道线检测方法，把Hough检测直线的用到的坐标变换思想应用到我们的车道线检测中，把车道线检测转化为对点的聚类；把直线从x?y坐标系映射到k?b坐标系以后，k?b坐标系中聚类点的中心位置至关重要，它包含了车道线位置和斜率信息，通过分析这些信息，可以有效提取车道线。本发明不在过分依赖于图像的灰度信息，充分利用canny边缘检测到的边缘信息，通过把直线从x?y坐标系映射到k?b坐标系对离散点进行聚类来提取车道线，实现对车道线的检测。
【专利说明】
基于点聚类的车道线检测方法
技术领域
[0001]本发明属于图像处理和模式识别领域，主要涉及车道线检测技术。
【背景技术】
[0002]车道线检测是通过合适的算法，从车道图片中准确快速地找出车道线在图片中的位置。从而车辆可以通过摄像头的标定数据，计算出本车与车道线的相对位置，达到车道预警的目的。车道线检测的算法好坏，直接影响车道偏离系统的性能。在实际中，现有的车道线检测算法对于虚车道线容易穿线判断的不稳定性。检测出的车道反复在实车道线和虚车道线之间跳变，而且在错误检测到实车道线时跟踪会一直错下去。
[0003]在数字图像领域中，霍夫变换Hough是一种重要的形状物体提取技术，尤其是对于直线、椭圆等具有良好的提取效果。该变换利用变换空间中的投票原则，得到特定形状下的最佳图像的相关参数值。霍夫变换的中心思想为:将一定形状物体从一种空间转换到另一种空间，从某一空间中特定的形状特性转变为另一空间内另一种更为方便计算的特性，然后利用投票原则，检测出任意形状的物体的相关参数值。
[0004]在一般χ-y坐标空间中，利用公式y = k*x+bS卩可表示任何一条直线，其中x、y为变量，表示直线中对应的X轴与y轴坐标，而k、b为标量，分别表示此直线的斜率与截距。
[0005]Hough变换的思想是转换一种坐标系空间到另一坐标系空间，找到更能简便计算直线的特性。将直线从x-y坐标系转为k-b坐标系，即将直线从公式y = k*x+b变为公式b = -x*k+y。在此公式中，k、b为变量，分别表示k轴与b轴对应值，而x、y则为标量。如图1所示，图1(a)中x-y坐标空间中三点对应到图1 (b)中k_b坐标系为3条线。同样的，χ-y坐标空间中3条直线会对应k-b坐标系的3点。
【发明内容】
[0006]本发明所要解决的技术问题是，提供一种鲁棒性更高的，利用霍夫变换来识别直线而从实现车道线检测的方法。
[0007]本发明为解决上述技术问题所采用的技术方案是，基于点聚类的车道线检测方法，包括以下步骤:
[0008]I)边缘检测步骤:截取行车图像下半部分进行canny边缘检测，得到边缘检测后的图像；
[0009]2)Hough直线检测步骤:
[0010]对边缘检测后的图像进行霍夫变换Hough直线检测，通过设置最大直线间隙maxLineGap使得断开的在同一条直线上的车道线连接起来；
[0011]3)图像分割步骤:
[0012]将Hough直线检测后的图像水平等间隔均匀分割，在每个间隔中搜索直线，并且把搜索到的一段直线映射到k-b坐标系的一点上；
[0013]4)聚类步骤:对k-b坐标系上的点进行模糊c均值聚类;类的个数及为预设候选车道线的条数，每类的中心点位置便是候选车道线所对应的直线；
[0014]5)车道确定步骤:
[0015]在候选车道线中选择离图像竖直中心线最近的斜率大于零的左侧车道线为正确的左侧车道线，在候选车道线中选择离图像竖直中心线最近的斜率小于零的右侧车道线为正确的右侧车道线。
[0016]本发明把Hough检测直线的用到的坐标变换思想应用到我们的车道线检测中，把车道线检测转化为对点的聚类;把直线从x-y坐标系映射到k-b坐标系以后，k-b坐标系中聚类点的中心位置至关重要，它包含了车道线位置和角度(斜率)信息，通过分析这些信息，可以有效提取车道线。
[0017]本发明的有益效果是，提出了一种新的车道线检测算法，不在过分依赖于图像的灰度信息，充分利用canny边缘检测到的边缘信息，通过把直线从X-y坐标系映射到k-b坐标系对离散点进行聚类来提取车道线，实现对车道线的检测。
【附图说明】
[0018]图1为Hough变换示意图。
[0019]图2为车载摄像头获得的图片。
[0020]图3为canny边缘检测图。
[0021]图4为Hough直线检测图。
[0022]图5为直线扩展图。
[0023]图6为分割图像不意图。
[0024]图7为检测结果图。
【具体实施方式】
[0025]待检测车道线的图像如图2所示，检测方法在VS2010平台C++编程实现，步骤如下:
[0026]1、canny 边缘检测
[0027]为了排除大量干扰信息，保留当前车道线信息，实施例选取图像底端3/10部分进行canny边缘检测，从图3中可以看到保留了车道线边缘信息，但是仍有一些非车道线信息，并且还要确定在多车道情况下当前车辆所在车道。
[0028]2、Hough 直线检测
[0029]对canny边缘检测处理后的图像进行Hough直线检测。通过设置Hough检测直线中的最大直线间隙maxLineGap，使得断开的在同一条直线上的车道线连接起来，结果如图5，这对正确检测虚车道线至关重要，因为这样扩展了虚车道线的长度。
[0030]最大直线间隙用于判断同样斜率与截距的相互有间隙的两条线段是否视为一条直线，如果这个间隙大于该值，则被认为是两条线段，否则是一条maxLineGap设置的具体值本领域技术人员可以根据实际的虚车道线测试数据进行调整。本实施例这里设置为50。
[0031]3、分割图像
[0032]将Hough直线检测后的图像水平均匀分割，如图6所示。在每个小间隔中搜索直线，并且把搜索到的一段直线映射到k-b坐标系中的一个点，这样k-b坐标系将得到一张散点图。
[0033]4、聚类
[0034]对k-b坐标系得到一张散点图，进行模糊c均值聚类。类的个数及为候选车道线的条数，中心点位置便是候选车道线所对应的直线，本实施例设置类的个数为4。
[0035]5、聚类问题转化为在垂直方向上投影的求取
[0036]聚类是要把一堆离得很紧的点聚为一类，这相当于求取在垂直方向具有最大投影的直线，即为我们要检测的车道线。但是考虑到干扰信息及虚车道线时有时无的特性，通过设置类的个数为4后，左右车道都可以保留两条长度前两名的车道候选线，选择离图像竖直中心线最近的左右两条车道线，分别做运算(y2-yl)/(X2-Xl)，左侧结果大于零，右侧结果小于零，即判为正确的车道线。如果当前两条车道线不满足一正一负的运算结果，再从未选择的车道线中选择一条与之前运算结果符号相反的车道线作为一条正确的车道线，另一条正确车道线为之前两条符号相同且离中心线最近的车道线为当前车道线，如图7所示。
【主权项】
1.基于点聚类的车道线检测方法，其特征在于，包括以下步骤: I)边缘检测步骤:截取行车图像下半部分进行canny边缘检测，得到边缘检测后的图像； 2 )Hough直线检测步骤: 对边缘检测后的图像进行霍夫变换Hough直线检测，通过设置最大直线间隙maxLineGap使得断开的在同一条直线上的车道线连接起来； 3)图像分割步骤: 将Hough直线检测后的图像水平等间隔均匀分割，在每个间隔中搜索直线，并且把搜索到的一段直线映射到k-b坐标系的一点上； 4)聚类步骤:对k-b坐标系上的点进行模糊c均值聚类;类的个数及为预设候选车道线的条数，每类的中心点位置便是候选车道线所对应的直线； 5)车道确定步骤: 在候选车道线中选择离图像竖直中心线最近的斜率大于零的左侧车道线为正确的左侧车道线，在候选车道线中选择离图像竖直中心线最近的斜率小于零的右侧车道线为正确的右侧车道线。2.如权利要求1所述基于点聚类的车道线检测方法，其特征在于，截取行车图像下半部分具体为截取行车图像3/10部分。3.如权利要求1所述基于点聚类的车道线检测方法，其特征在于，最大直线间隙maxLineGap 设置为50。4.如权利要求1所述基于点聚类的车道线检测方法，其特征在于，聚类步骤中设置类的个数为4。
【文档编号】G06K9/00GK105912977SQ201610195295
【公开日】2016年8月31日
【申请日】2016年3月31日
【发明人】解梅, 刘伸展, 张锦宇, 王博
【申请人】电子科技大学