专利名称:公路车道标志线精确检测方法
技术领域:
本发明涉及一种智能交通技术领域,具体是一种利用图像处理精确检测公路车道标志线 的方法。
背景技术:
智能交通系统的目标是获得更有效、更安全的道路交通,目前已经发展了智能交通信号 控制、车辆诱导、自动驾驶、道路导航、事故源探测和预防等系统。在智能交通系统中,视 频检测由于其具有的检测交通场景面积大,投资少,费用低,且对路面设施不会产生破坏等 优势,已经逐渐成为主要的检测手段。精确的车道定位是进行视频交通检测的先决条件。
交通道路的结构化使机器视觉系统成为检测车道标志线的主要手段,目前,有关车道定 位的研究已有文献报道,但多是针对车辆导航系统等简单路面背景的情况。在交通拥挤、背 景复杂的交叉路口等场所,直线状车道的定位存在检测出虚假直线以及对称地额外画出直线 等问题,不能适应各种实际公路车道标志线的精确检测。
发明内容
为了解决现有公路车道标志线检测技术的缺点,本发明提供一种基于模糊集理论的车道 标志线精确检测方法。该方法把模糊集和动态聚类分析的思想引入到直线的精确定位中,提 取的直线点冗余度较小,提高了系统的智能化程度,应用效果良好。
本发明的技术方案是建立直线型车道模型,采用经典Hough变换粗略检测出车道标志线, 按照聚类准则,将标志线上的样本点聚类至不同的样本集,提取出各个样本的特征参数,精 确绘出具有该特征的车道标志线。
1车道标志线的特征集
(1) 直线特征选择
对不同的识别对象应该使用不同的特征抽取方法,例如可以抽取目标的物理属性或结构 特性作为特征,也可以通过某种变换抽取特征,还可用不同谱段的光波来突出目标的特征。 公路交通图像屮,目标直线(即车道标志线)的特征有颜色特征、方向特征、位置特征等。 本算法抽取直线的斜率a和截距6作为特征,即通过直线的方向特征和位置特征来精确定位 图像中的车道标志线。
(2) 样本选择
图像中待分类的对象为经Hough变换粗略提取出的位于各车道直线及其附近的所有亮点 像素,目的在于将车道以单像素点直线精确定位出来。建立待分类对象的样本集 <7 = ,(72,…,R),其中把每个像素点的位置t/,,",…,t/ 称为样本。(3)样本特征集
在图像空间AT里
过点(xp刃)禾P U2,》)的直线满足方程:
^iz2k a—,
其中 x—i和 分别是斜率和截距,我们这里把它们称为一组特征参 数,记为(a, 6)。
选择一个样本点作为聚类中心点C/,记录下它与第/个样本f/,的连线的特征参数(a,, 6,),组成样本特征集
其中"为样本总数。
显然,在同一条直线或近似在同一条直线上的样本则具有相等或相近的特征参数(",, 两个特征参数(",,与(a户~)之间的欧几里德距离定义为
(1) 采集道路交通图像,检测环境的光照强度。以路面灰度值作为阈值基础,根据光照 强度做出适当修正,对图像进行分割,得到相应的二值图像,对其进行腐蚀处理后,再进行 Hough变换,粗略提取位于各车道标志线及其附近的所有亮点像素作为待分类的像素点,构 成样本集f/。
(2) 在样本集t/中选择一个样本点作为聚类中心点C,, C7为样本集C/的单元素子集。
(3) 分别求取各个样本点"与聚类中心点C/的连线的特征参数(化,6,)作为样本点特 征参数,组成样本特征集。
(4) 根据样本特征集中特征参数间的距离对样本集进行分类,欧几里德距离满足上式的 样本点认为具有相近的特征参数,归入同一类。
(5) 按照上述模糊聚类分析准则判断与C/在同一条直线上的样本点,作为一个模糊聚
其中(5为接近于0的正数。
2步骤类。对该类样本的所有特征参数(",,6,)求算术平均或几何平均,得到该直线的斜率a和截
距/>,就检测出了相应的这条车道标志线。
(6) 在剩余的样本中选择一个样本点作为聚类中心点C2,重复步骤(3)、 (4)、 (5), 直到所有的车道标志线都检测到为止。
(7) 在图像坐标系中,车辆左边车道线的斜率是负值,右边车道线的斜率是正值,且离 开图像中心线越远斜率绝对值越小,按照这一特点将求得的斜率值排序,就可以得到由左向 右每一条车道线的对应特征参数。
图1为本发明提出的公路车道标志线精确检测方法的流程框图。
图2为摄像机采集的一帧公路交通图像。
图3为本发明的模糊聚类算法流程框图。
图4为采用本方案获取的公路车道标志线检测结果。
具体实施例方式
下面结合附图对本发明的实施例作详细说明本实施例在以本发明技术方案为前提下进 行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施 例。
参见图l,本实施例公路车道标志线精确检测方案,具体实施歩骤如下
1、 采集交通图像,检测光照强度。利用安装的摄像机采集检测路面的交通图像,同时利 用光照度检测系统获取周围环境的光照强度。图2所示为本实施例所采用的江苏省常州市朝 阳桥交叉路口交通图像。
2、 确定阈值。图像二值化所用阈值由固定部分和可变部分组成,其中固定部分N是以图 像的灰度直方图为基础,把峰值灰度作为其值,因为通常路面灰度在一幅交通图像中占的比 例最大;可变部分N1则根据采集当前环境光照条件对路面灰度值的影响进行适当调整。
3、 图像二值化。本实施例采用双阈值法对交通图像进行二值化处理,其中阈值1为N-N1, 阈值2为N+N1。
4、 Hough变换检测直线。启动Hough变换检测直线,得到含有干扰信息的标志线,其中 干扰信息包括检测出的虚假直线以及对称地额外画出直线等问题。
5、 模糊聚类算法定位标志线(如图3所示)。
(1) 提取位于各车道标志线及其附近的所有亮点像素作为待分类的像素点,构成样本集 仏本实施例中样本点个数为230*330个。
(2) 在样本集f/中选择一个样本点作为聚类中心点C/, C/为样本集/7的单元素子集。(3) 分别求取各个样本"与聚类中心点C/的连线的特征参数",,6,)作为样本点特征参数,组成样本特征集。
(4) 根据样本特征集中特征参数间的距离对样本集进行分类,欧几里德距离满足上式的样本点认为具有相近的特征参数,归入同一类。
(5) 按照上述模糊聚类分析准则判断与C;在同一条直线上的样本点,作为一个模糊聚类。对该类样本的所有特征参数ZO求算术平均,得到该直线的斜率"和截距6,就检测出了相应的这条车道标志线。
(6) 在剩余的样本中选择一个样本点作为聚类中心点C2,重复歩骤(3)、 (4)、 (5),
直到所有的车道标志线都检测到为止。本实施例中四条车道标志线特征参数的平均值分别为(-1,26, 212.91)、 (-3. 06, 585.48)、 (11.43, -2454.50)和(2.00, -477.70),如图4所示。
(7) 在图像坐标系中,车辆左边车道线的斜率是负值,右边车道线的斜率是正值,且离丌图像中心线越远斜率绝对值越小,按照这一特点将求得的斜率值排序,就可以得到由左向右每一条车道线的对应特征参数。
权利要求
1、一种公路车道标志线精确检测方法,其特征在于该检测方法为1)首先采集道路交通图像,对其进行阈值处理,得到相应的二值图像;再对其进行腐蚀处理后,通过Hough变换,粗略提取位于各车道标志线及其附近的所有亮点像素作为待分类的像素点,构成样本集。2)在样本集中选择一个样本点作为聚类中心点。3)分别求取各个样本与聚类中心点连线的斜率和截距作为样本点特征参数,组成样本特征集。4)按照模糊聚类分析准则,根据特征参数间的欧几里德距离对样本集进行分类,具有相近特征参数的样本点,归入同一个模糊聚类。5)对该模糊聚类样本的所有特征参数求算术平均或几何平均,得到该直线的斜率和截距,就检测出了相应的这条车道标志线。6)在剩余的样本中选择一个样本点作为另一个聚类中心点,重复上述步骤,直到所有的车道标志线都检测到为止。7)在图像坐标系中,车辆左边车道线的斜率是负值,右边车道线的斜率是正值,且离开图像中心线越远斜率绝对值越小,按照这一特点将求得的斜率值排序,就可以得到由左向右每一条车道线的对应特征参数。
2、 根据权利要求1所述的公路车道标志线精确检测方法,其特征在于以路面灰度值作为 阈值基础,该阈值还和环境光照强度有关。
3、 根据权利要求1所述的公路车道标志线精确检测方法,其特征在于以标志线在图像坐 标系中的斜率和截距作为特征参数,以一个模糊聚类中的所有特征参数的算术平均或几何平 均值作为该标志线的斜率和截距。
全文摘要
一种公路车道标志线精确检测方法,属于智能交通技术领域。本发明包括首先采集道路交通图像,检测环境的光照强度;以路面灰度值作为阈值基础,根据光照强度做出适当修正,对图像进行分割,得到相应的二值图像;对其进行腐蚀处理后,再进行Hough变换,粗略提取位于各车道标志线及其附近的所有亮点像素作为待分类的像素点,构成样本集;选择聚类中心点,分别求取各个样本点与聚类中心点连线的斜率和截距作为样本点特征参数,组成样本特征集;按照聚类准则,将样本点聚类至不同的样本集,提取出各个样本的特征参数,并求算术平均,得到该直线的斜率和截距,就检测出了相应的车道标志线。本发明具有计算简便、检测精度高等优点。
文档编号G06K9/46GK101470807SQ20071019238
公开日2009年7月1日 申请日期2007年12月26日 优先权日2007年12月26日
发明者凡 孟, 徐立中, 李庆武, 王慧斌, 丹 石 申请人:河海大学常州校区