本发明涉及交通信息技术领域，具体涉及一种基于无人机航拍影像的车道线自动提取和识别方法。
背景技术：
地图导航是人们出行的必备的服务之一。adas(高级驾驶辅助系统)和无人驾驶的核心技术之一就是高精度地图。近年来无人机行业得到了快速发展，无人机也被广泛地应用到低空摄影测量和三维重建的技术领域当中。与卫星遥感和高空航空摄影相比，无人机航拍具有机动灵活、成像分辨率和地面采样率高、相对低成本、周期短、效率高以及操作简单等优势，因此无人机航拍在国内外已被广泛地应用到电力巡线、植保等各个领域当中。尤其是基于航拍影像合成的数字正射影像，已成为高精度地图生产制作的一个重要的数据来源。然而如何从航拍的影像当中，自动的提取和识别感兴趣的目标，仍是一个有待攻克的课题。
车道线的位置及其属性信息(颜色、线型和方向)是高精度地图的重要主成部分，因此如何快速、准确和自动提取车道线的位置及其属性一直是高精度地图生产制作的热点问题。无人机航拍得到的正射影像具有较高的分辨率，路面上的印刷物(车道线、方向箭头等)可以较清晰的呈现。但目前基于航拍影像的车道线提取，最为有效的手段还是人工提取。人工的方法，虽然在一定程度上可以保证提取结果的准确性并且具有较强的鲁棒性，但同时也引入了人为带来的误差，更重要的是此方法耗能耗时效率较低。随着对地图精度要求的提高，对地图的现势性的要求也越来越高，手工提取的方式很难满足大规模、批量化以及高更新频率的要求。因此车道线的自动化提取和识别越来越受到行业的重视，针对其的研发也一直在进行当中。
基于计算机视觉的方法大致可分为特征提取、形态学处理和模板匹配三大类，但是相互之间融合较少。不同类别的方法各有优缺点，但是面对复杂的路面环境(光照、阴影、污痕、补丁以及地物投影(树木、路灯等))以及地面印刷物的多样性(停止线，自行车道线、人行横到线，分流带等)，目前每一类别的方法都具有在特定条件下局部解决问题的能力，然而都无法单独的解决上述提到所有甚至大部分的问题，因此技术的鲁棒性一直难以达到要求，目前还没有行之有效的解决方案。
技术实现要素：
针对现有技术的上述缺陷，本发明提供一种基于无人机航拍影像的车道线自动提取和识别方法，根据车道线的特征，融合特征提取、形态学处理和模板匹配三种方法，解决了错综复杂路面、局部线特征缺失、干扰目标众多等环境下提取车道信息的技术问题。
本发明采用的技术方案是：
一种基于无人机航拍影像的车道线自动提取和识别方法，包括以下步骤：
步骤s1，输入图像，并对输入图像进行预处理；
步骤s2，基于颜色空间和灰度空间对预处理后的输入图像进行图像二值化处理，融合生成二值化图像；
步骤s3，对二值化图像进行车道线连通区域提取，生成车道线连通区域；
步骤s4，对车道线连通区域进行骨架提取，得到车道线提取的初步结果；
步骤s5，对车道线提取的初步结果进行简化、剪枝和平滑，生成最终的车道线。
进一步地，所述步骤s1中对输入图像进行预处理包括对输入图像进行直方图均衡化和对比度增强。
进一步地，所述步骤s3中车道线连通区域包括实线车道线连通区域和虚线车道线连通区域。
进一步地，所述步骤s3具体包括：
步骤s31，基于形态学的连通性，对二值化图像进行进一步提取；
步骤s32，基于车道线几何特征进行滤波，进行实线车道线连通区域提取，生成长实车道线连通区域；
步骤s33，基于模板和形状匹配进行虚线车道线连通区域提取，生成虚线车道线连通区域。
进一步地，所述步骤s32中几何特征包括实线车道线连通区域的面积和包围盒的长边长度。
进一步地，所述步骤s33中形状匹配包括旋转、平移和放缩不变性。
进一步地，步骤s4中基于形态学thinning的方法对车道线连通区域进行骨架提取。
进一步地，步骤s5中通过骨架简化算法对车道线提取的初步结果进行简化。
进一步地，步骤s5中的剪枝具体包括：
基于拓扑的节点和连通的概念，搜索简化后骨架上的节点；
通过角点检测技术对角点进行提取；
生成破坏车道线单向连通性的关键点，即节点和角点的集合，通过统计每个关键点向各个方向延展的长度，将分支去除完成剪枝。
进一步地，步骤s5中的平滑具体包括：
基于几何图形学库对剪枝后提取的车道线进行平滑操作；
对断开的车道线进行连接，生成最终平滑、完整的车道线。
本发明的有益效果在于，以连通区域为基本的处理单元来提取车道线所在区域，避免了因多样的路面环境引起的复杂的线特征提取与识别操作，提高了车道线提取的有效性和鲁棒性。
附图说明
图1是本发明基于无人机航拍影像的车道线自动提取和识别方法流程图。
具体实施方式
现实场景中的车道线是带有宽度的条状区域，但在地图应用中车道线更多是作为几何线型存在来提供服务，这就要求不仅要将车道线的区域提取出来，还要将其抽象为线型。本发明以连通区域为基本处理单元，采取多种特征融合，融合颜色、形状、尺寸等多种因素，搜索图像中符合预定条件的连通区域，分级去除干扰。对得到的连通区域进行骨架提取，得到的骨架作为线型车道线的初步结果。最后对初步结果进行简化、剪枝和平滑生成最终的车道线结果。下文中，结合附图和实施例对本发明作进一步阐述。
图1为本发明基于无人机航拍影像的车道线自动提取和识别方法流程图，具体实施方式如下：
步骤s1，输入图像，并对输入图像进行预处理。
为了减弱光照带来的影响，对输入图像进行预处理包括对输入图像进行直方图均衡化以及对比度增强以突显地面印刷物的特征。
步骤s2，基于颜色空间和灰度空间对预处理后的输入图像进行图像二值化处理，融合生成二值化图像。
基于道路面上包括车道线在内的地面印刷物多为黄白两色，并且相较其周边环境，地面印刷物具有较高亮度的特征，将输入图像分别转换到颜色空间(hsv)和灰度空间分别对颜色和亮度进行滤波，融合生成二值化图像。在得到的二值化图像中，大部分在颜色和亮度不符合区域已被去除。
步骤s3，对二值化图像进行车道线连通区域提取，生成车道线连通区域。基于地面印刷物具有单连通的特性，每一个地面印刷物都会被分离开来。下一步就是如何在众多的连通区域中检索车道线。车道线的线型有两种：实线和虚线。针对这两种线型不同的特性，采取不同的策略，具体实施方式如下：
步骤s31，基于形态学的连通性操作，可将路面上的印刷物进一步提取出来。
步骤s32，基于车道线几何特征进行滤波，进行实线车道线连通区域提取，生成长实车道线连通区域。
长实车道线的连通区域面积较大且矩形包围盒的边长较长。在生成的连通区域候选中，以连通区域的面积(像素的个数)和包围盒的长边长度为线索进行滤波，可将长实车道线提取出来。
步骤s33，基于模板和形状匹配进行虚线车道线连通区域提取，生成虚线车道线连通区域。
虚线区域具有较强的形状特性即为矩形区域，因此基于矩的形状匹配(具有旋转、平移和放缩不变性)可以较好的解决此问题。然而地面其它具有相似特征的印刷物比如人行横道线、方向箭头(根部)等也会被提取出来并造成干扰。针对每一种方向箭头，预先生成模板基于同样的形状匹配技术可将其提取出来。这里特别说明的是，因生成的模板类别已知，提取的过程即为识别的过程，基于识别的结果可以得到车道线的方向属性。针对人行横道线，因其具有特殊的分布模式，可基于区域的间距，快速的将其提取出来。在排除掉方向箭头和人行横道线的干扰后，剩下的区域基本为虚车道线。
步骤s4，对车道线连通区域进行骨架提取，得到车道线提取的初步结果。
在得到的车道线连通区域的基础上，如何得到简化的(单像素连通)、干净的(无分支干扰)及连续光滑的线型车道线是本方法的另一关键。基于形态学thinning(细化)的方法，可以对连通区域进行骨架(线型)提取，从而得到车道线提取的初步结果。
步骤s5，对车道线提取的初步结果进行简化、剪枝和平滑，生成最终的车道线。
然而thinning得到的骨架不是单像素连通(单方向上会存在多个像素)，第一会造成大量冗余，第二给基于拓扑节点及连通性的判断造成影响。针对此提出了骨架简化算法，既在保证不破坏各个方向连通性的基础上去除冗余的像素。
由于地面上一些其它地物(路灯等延展到路面上方的地物在地面上的投影)的影响，会造成原来不连通的车道线连通起来或生成一些横向的分支。为解决此问题，首先基于拓扑的节点和连通的概念，搜索简化后骨架上的节点(有2个以上的邻域点的点定义为节点，即最少向三个方向连通的点)位置。再结合图像处理中角点检测的技术对角点进行提取。最终生成破坏车道线单向连通性的关键点(节点和角点的集合)，通过统计每个关键点向各个方向延展的长度，可以将分支去除从而完成剪枝操作。
剪枝结束后基本提取到了车道线的信息，再基于一些几何图形学库(shapely等)对提取的每一条车道线进行平滑操作，对一些因车道线褪色、模糊造成的断开的车道线进行连接，最终生成完整、平滑的车道线。
opencv是计算机视觉最为重要的开源工具库，优选c++和python语言。
本发明虽然已以较佳实施例公开如上，但其并不是用来限定本发明，任何本领域技术人员在不脱离本发明的精神和范围内，都可以利用上述揭示的方法和技术内容对本发明技术方案做出可能的变动和修改，因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化及修饰，均属于本发明技术方案的保护范围。