道路中心检测方法、机载设备及存储介质与流程

本发明涉及图像处理技术领域，尤其涉及一种道路中心检测方法、机载设备及存储介质。

背景技术：

目前，随着无人机技术的发展，基于无人机的航拍已经逐渐在人们的生活中扮演者越来越重要的角色。

但是，当采用无人机对道路进行航拍，或者对车辆在道路上的行驶状况进行跟拍时，很难保证道路位于机载摄像头拍摄到的画面的中心，例如，可能会出现道路在画面中偏斜或者道路未出现在画面中的情况。

现有技术中，通常采用深度学习的方法进行道路检测，并根据道路检测的结果调整无人机的拍摄角度，但是这种机器学习的方法实时性较差。

技术实现要素：

本发明提供一种道路中心检测方法、机载设备及存储介质，用于提升机载摄像头进行道路检测的实时性。

本发明提供一种道路中心检测方法，包括：根据已知的道路色调特征和道路饱和度特征，对获取的待检测道路的场景图像进行二值化处理，以得到二值化的场景图像；从所述二值化的场景图像中去除非道路区域，以得到包含道路区域的二值化场景图像；对所述包含道路区域的二值化场景图像进行图像分块，以得到多个图像子块；根据所述多个图像子块包含的道路子区域的质心特征进行线条拟合，得到所述待检测道路的中心线条。

进一步可选地，根据已知的道路色调特征和道路饱和度特征，对所述场景图像进行二值化处理，以得到二值化的场景图像，包括：从所述场景图像中提取色调分量图像和饱和度分量图像；根据所述道路色调特征，对所述色调分量图像上的像素灰度进行二值化处理，得到二值化的色调图像；以及，根据所述道路饱和度特征，对所述饱和度分量图像上的像素灰度进行二值化处理，得到二值化的饱和度图像；对所述二值化的色调图像和所述二值化的饱和度图像进行按位逻辑与运算，得到所述二值化的场景图像。

进一步可选地所述从所述二值化的场景图像中去除非道路区域，包括：绘制所述二值化的场景图像中至少一个连通区域的包围框；根据所述至少一个连通区域的包围框的形状特征和面积特征，从所述至少一个连通区域中，筛选出不符合道路特征的连通区域；将所述不符合道路特征的连通区域的像素灰度值，设置为非道路区域对应的像素灰度值。

进一步可选地，根据所述至少一个连通区域的包围框的形状特征和面积特征，从所述至少一个连通区域中，筛选出不符合道路特征的连通区域，包括：针对所述至少一个连通区域中的任一连通区域，执行以下至少一种判断操作：判断所述连通区域的包围框的顶部与所述二值化的场景图像顶部的距离，以及所述连通区域的包围框的底部与所述二值化的场景图像底部的距离是否均大于设定的尺寸阈值；判断所述连通区域的包围框与所述连通区域的面积之比是否未在设定的面积比值范围内；判断所述连通区域的包围框的长宽比是否小于设定的长宽比阈值；若所述至少一种判断操作的结果均为是，确定所述连通区域是不符合道路特征的连通区域。

进一步可选地，还包括：对所述二值化的场景图像进行去噪处理：将所述二值化的场景图像中面积小于设定的面积阈值的连通区域去除；和/或，对所述二值化的场景图像进行孔洞填充。

进一步可选地，根据所述多个图像子块包含的道路子区域的质心特征进行线条拟合，得到所述待检测道路的中心线条，包括：根据所述多个图像子块包含的道路子区域的像素分布，分别计算所述多个图像子块包含的道路子区域的质心；从所述多个图像子块包含的道路子区域的质心中，筛选出质心处的像素灰度大于设定灰度阈值的质心作为有效质心；若所述有效质心的数量大于设定的数量阈值，则根据所述有效质心进行线条拟合，得到所述待检测道路的中心线条。

进一步可选地，根据所述多个图像子块包含的道路子区域的像素分布，分别计算所述多个图像子块包含的道路子区域的质心，包括：针对所述多个图像子块中的任一图像子块，若所述图像子块包含多个道路子区域，则分别根据所述多个道路子区域的像素分布,分别计算所述多个道路子区域的质心；计算所述多个道路子区域的质心的平均值，作为所述图像子块的质心。

进一步可选地，根据所述有效质心进行线条拟合，得到所述待检测道路的中心线条，包括：根据所述有效质心的纵坐标，识别出纵坐标位于相同范围内的有效质心；根据所述纵坐标位于相同范围内的有效质心的平均位置，进行线条拟合，得到所述待检测道路的中心线条。

本发明还提供一种机载设备，包括：存储器和处理器；其中，所述存储器用于存储一条或多条计算机指令；所述处理器与所述存储器耦合，用于执行所述一条或多条计算机指令以用于本发明提供的道路中心检测方法。

本发明还提供一种存储有计算机程序的计算机可读存储介质，所述计算机程序被执行时能够实现本发明提供的道路中心检测方法中的各步骤。

本发明实施例中，根据已知的道路色调特征和道路饱和度特征，可对待检测道路的场景图像进行二值化处理，得到二值化的场景图像；接着，可从二值化的场景图像中去除非道路区域，得到包含道路区域的二值化场景图像，并对包含道路区域的二值化场景图像进行图像分块，得到多个图像子块；基于多个图像子块包含的道路子区域的质心特征，可进行线条拟合以得到待检测道路的中心线条。基于上述实施方式，可在获取到待检测道路的场景图像之后，从待检测道路的场景图像中提取到待检测道路的中心线条，实时性较高。

附图说明

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，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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他的附图。

图1为本发明一示例性实施例提供的道路中心检测方法的流程示意图；

图2a为本发明另一示例性实施例提供的道路中心检测方法的流程示意图；

图2b为本发明一示例性实施例提供的二值化的场景图像的一种示意；

图2c为本发明另一示例性实施例提供的二值化的场景图像的一种示意；

图2d为本发明一示例性实施例提供的多个图像子块的示意图；

图2e为本发明另一示例性实施例提供的多个图像子块的示意图；

图2f为本发明一示例性实施例提供的质心计算结果的示意图；

图2g为本发明一示例性实施例提供的线条拟合结果的示意图；

图3为本发明一示例性实施例提供的车载设备的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。以下将结合附图进行详细说明。

现有技术中，在无人机航拍领域，通常采用深度学习的方法进行道路检测，并根据道路检测的结果调整无人机的拍摄角度，但是这种机器学习的方法实时性较差。针对这一技术问题，本发明的一些示例性实施例提供了一种解决方案，以下将结合附图进行说明。

图1为本发明一示例性实施例提供的道路中心检测方法的流程示意图，如图1所示，该方法包括：

步骤s101、根据已知的道路色调特征和道路饱和度特征，对获取的待检测道路的场景图像进行二值化处理，以得到二值化的场景图像。

步骤s102、从二值化的场景图像中去除非道路区域，以得到包含道路区域的二值化场景图像。

步骤s103、对包含道路区域的二值化场景图像进行图像分块，以得到多个图像子块。

步骤s104、根据多个图像子块包含的道路子区域的质心特征进行线条拟合，得到待检测道路的中心线条。

在本实施例中，对获取的待检测道路的场景图像进行二值化处理的过程，可结合hsv(hue、saturation、value，色调、饱和度、明度)颜色模型实现。

其中，道路色调特征，指的是道路图像对应的hsv颜色模型中，h分量表示的颜色特征，该道路色调特征表征了道路图像的色彩信息。其中，道路图像指的是对道路进行拍摄得到的图像。通常，道路色调特征用角度量来表示。道路饱和度特征，指的是道路图像对应的hsv颜色模型中，s分量表示的颜色特征。该道路饱和度特征表示了道路图像的颜色接近光谱色的程度。颜色接近光谱色的程度就愈高，颜色的饱和度也就愈高。

通常，待检测道路的场景图像为rgb(red、green、blue，红绿蓝)色彩模式的图像。在本实施例中，并不直接基于待检测道路的场景图像的r、g、b颜色特征进行二值化处理，而是基于色调和饱和度特征对待检测道路的场景图像进行二值化处理，其优势在于：相对于rgb特征而言，色调和饱和度特征更具有视觉直观性，进而在二值化处理的过程中，可基于道路色调特征和饱和度特征对道路区域和非道路区域进行较为准确地划分操作，以使得道路区域和非道路区域的划分结果更加接近真实情况。

在本实施例中，道路色调特征和道路饱和度特征，可预先通过对大量的道路图像进行分析得到。在一些情况下，道路色调特征和道路饱和度特征与拍摄道路图像时的光照条件关联。基于此，可预先通过对不同光照条件下拍摄得到的道路图像进行分析，建立光照条件对道路色调特征和道路饱和度特征的影响模型。基于此，在获取到待检测道路的场景图像时，可根据拍摄待检测道路的场景图像的光照条件，结合预先建立的光照条件对道路色调特征和道路饱和度特征的影响模型，实时调整该道路色调特征和道路饱和度特征，以优化对该场景图像进行二值化处理的效果，不再赘述。

在得到二值化的场景图像后，可从二值化的场景图像中去除非道路区域，得到包含道路区域的二值化场景图像，并对包含道路区域的二值化场景图像进行图像分块。其中，图像分块时，可将包含道路区域的二值化场景图像划分为等尺寸的多个图像子块，也可根据实际需求，划分为尺寸不等的多个图像子块，本实施例不做限制。

应当理解，包含道路区域的二值化场景图像被划分为多个图像子块后，道路区域将分散分布在不同的图像子块中，本实施例为描述方便，将道路区域落在图像子块中的部分称为道路子区域。接着，可获取多个图像子块包含的道路子区域的质心特征。其中，质心特征，可包括但不限于质心的位置特征以及质心处的像素灰度值特征等。接着，可基于多个图像子块包含的道路子区域的质心特征进行线条拟合，并将拟合得到的线条作为待检测道路的中心线条。这种对二值化的场景图像进行分块处理，再根据每个图像子块的质心特征进行线条拟合的方式，能够使得拟合得到的线条与待检测道路的真实的中心线条较为接近，且能在保证检测结果准确的情况下，降低计算量，提高计算速度。

本实施例中，根据已知的道路色调特征和道路饱和度特征，可对待检测道路的场景图像进行二值化处理，得到二值化的场景图像；接着，可从二值化的场景图像中去除非道路区域，得到包含道路区域的二值化场景图像，并对包含道路区域的二值化场景图像进行图像分块，得到多个图像子块；基于多个图像子块包含的道路子区域的质心特征，可进行线条拟合以得到待检测道路的中心线条。基于上述实施方式，可在获取到待检测道路的场景图像之后，从待检测道路的场景图像中提取到待检测道路的中心线条，实时性较高。

在上述以及下述各实施例中，待检测道路的场景图像，可以由机载设备拍摄得到，该机载设备包括摄像头。例如，该机载设备可实现为安装在无人机上的航拍装置，该航拍装置包括一个用于拍摄待检测道路的高速摄像头。

为描述方便，以下部分将待检测道路的场景图像简称为场景图像，后续涉及到场景图像之处，应理解为待检测道路的场景图像。

需要说明的是，在本发明的上述或下述实施例中，得到二值化的场景图像之后，还可进一步对二值化的场景图像进行去噪处理，以提升道路中心检测的精确程度。

例如，在一些场景下，可对场景图像进行高斯平滑处理，以减少场景图像的高斯噪声。

例如，在一些场景下，可采用形态学腐蚀算法和膨胀算法，从二值化的场景图像上去除细微的噪声，例如细小的噪声点和短线段。

又例如，在一些场景下，可计算二值化的场景图像上每个连通区域的面积，并将面积小于设定的面积阈值的连通区域去除。其中，将面积小于设定的面积阈值的连通区域去除，指的是将面积小于设定面积阈值的连通区域的像素灰度值设置为非道路区域的像素灰度值。

再例如，在一些场景下，可对二值化的场景图像进行孔洞填充。可选地，孔洞填充时，可采用漫水填充法，先在二值化的场景图像中，选择一个种子点，接着将与种子点相连的区域的像素灰度值设置为孔洞外围的像素点的像素灰度值，不再赘述。

可选地，本实施例可对二值化的场景图像单独执行上述各个去噪操作，也对二值化的场景图像执行上述所有去噪操作，以进一步提升道路中心检测的准确性。

可选地，在一些实施例中，根据已知的道路色调特征和道路饱和度特征，对获取的待检测道路的场景图像进行二值化处理时，可直接基于场景图像中的像素点在rgb色彩模式下的颜色特征进行二值化处理，以下将具体说明。

针对场景图像中任一像素点而言，可提取该像素点的rgb特征，将该像点的rgb特征映射为hsv色彩模型中的色调(h)特征和饱和度(s)特征。接着，结合映射得到的色调(h)特征和饱和度(s)特征，以及已知的道路色调特征和道路饱和度特征，确定将该像素点划分为道路区域或者非道路区域。待针对场景图像中的每个像素点执行上述操作后，即完成了对场景图像进行二值化处理的操作。

可选地，在另一些实施例中，可在对场景图像进行二值化处理之前，将rgb色彩模式的场景图像转化为hsv色彩模式的场景图像，并基于hsv色彩模式的场景图像中，每个像素点的色调(h)特征和饱和度(s)特征，以及已知的道路色调特征和道路饱和度特征，对场景图像进行二值化处理。

上述两种二值化处理的实施方式均为本发明的可选实施方式，以下将以预先将rgb色彩模式的场景图像转化为hsv色彩模式的场景图像为例，结合图2a，对本发明提供的道路中心检测方法进行具体阐述。

图2a为本发明一示例性实施例提供的道路中心检测方法的流程示意图，如图2a所示，该方法包括：

步骤s201、获取待检测道路的场景图像，并从场景图像中提取色调分量图像和饱和度分量图像。

步骤s202、根据已知的道路色调特征，对色调分量图像上的像素灰度进行二值化处理，得到二值化的色调图像，并根据已知的道路饱和度特征，对饱和度分量图像上的像素灰度进行二值化处理，得到二值化的饱和度图像。

步骤s203、对二值化的色调图像和二值化的饱和度图像进行按位逻辑与运算，得到二值化的场景图像。

步骤s204、绘制二值化的场景图像中至少一个连通区域的包围框，并根据该至少一个连通区域的包围框的形状特征和面积特征，从该至少一个连通区域中，筛选出不符合道路特征的连通区域。

步骤s205、将不符合道路特征的连通区域的像素灰度值，设置为非道路区域对应的像素灰度值。

步骤s206、对包含道路区域的二值化场景图像进行图像分块，以得到多个图像子块。

步骤s207、根据多个图像子块包含的道路子区域的像素分布，分别计算多个图像子块包含的道路子区域的质心，并从多个图像子块包含的道路子区域的质心中，筛选出质心处的像素灰度大于设定灰度阈值的质心作为有效质心。

步骤s208、在有效质心的数量大于设定的数量阈值时，根据有效质心进行线条拟合，得到待检测道路的中心线条。

在步骤s201，可选地，在一种情况下，机载设备可对待检测道路进行逐帧拍摄，得到多帧待检测道路的场景图像，以用于检测道路中心。在另一种情况下，机载设备可对待检测道路进行视频拍摄，得到视频数据，并从视频数据中读取多帧待检测道路的场景图像，以用于检测道路中心。

可选地，在一些实施例中，可在进行道路中心检测之前，可对场景图像进行压缩处理，缩小场景图像的数据量，以提升后续道路中心检测的速度。

在本实施例中，可预先将rgb色彩模式的场景图像转化为hsv色彩模式的场景图像。接着，从hsv色彩模式的场景图像中，提取色调(h)分量图像和饱和度分量(s)图像。

在获取色调(h)分量图像和饱和度分量(s)图像之后，在步骤202中，可分别对色调(h)分量图像和饱和度分量(s)图像进行处理。

可选地，针对色调分量图像而言，可判断色调分量图像上每一个像素点的色调值是否与已知的道路色调特征相匹配，并根据匹配结果将像素点划分至道路区域或者非道路区域。可选地，道路区域的色调特征，可表现为道路区域的像素点的色调值大于设定的色调阈值。

基于此，可判断色调分量图像上每一个像素点的色调值是否大于设定的色调阈值，若大于，则将该像素点划分至道路区域；若小于或者等于，则将该像素点划分至非道路区域。在一些实施例中，可将道路区域的像素灰度值设为1，将非道路区域的像素灰度值设为0。也就是说，可将色调分量图像中，色调值大于设定的色调阈值的像素点的像素灰度设为1，将色调值小于等于设定的色调阈值的像素点的像素灰度设为0，如公式1所示：

其中，h(x,y)表示坐标为(x,y)的像素点的色调值，dh(x,y)表示坐标为(x,y)的像素点的像素灰度值，h0表示色调阈值。

可选地，针对饱和度分量图像而言，可判断饱和度分量图像上每一个像素点的饱和度是否与已知的道路饱和度特征相匹配，并根据匹配结果将像素点划分至道路区域和非道路区域。可选地，道路区域的饱和度特征，可表现为道路区域的像素点的饱和度大于设定的饱和度阈值。

基于此，可判断饱和度分量图像上每一个像素点的饱和度是否大于设定的饱和度阈值，若大于，则将该像素点划分至道路区域；若小于或者等于，则将该像素点划分至非道路区域。在一些实施例中，可将道路区域的像素灰度设为1，将非道路区域的像素灰度设为0。基于此，可将饱和度分量图像上饱和度大于设定的饱和度阈值的像素点的像素灰度设为1，将饱和度值小于等于设定的饱和度阈值的像素点的像素灰度设为0，如公式2所示：

其中，s(x,y)表示坐标为(x,y)的像素点的饱和度值，dh(x,y)表示坐标为(x,y)的像素点的像素灰度值，s0表示饱和度阈值。

基于上述处理，可得到二值化的色调图像和二值化的饱和度图像，接下来，可执行步骤s203，对二值化的色调图像和二值化的饱和度图像进行按位逻辑与运算，得到二值化的场景图像。该按位逻辑与运算的方式可如公式3所示：

dsh(x,y)＝ds(x,y)&dh(x,y)公式3

其中，&表示“与”逻辑运算，dsh(x,y)表示“与”逻辑运算后坐标为(x,y)的像素点的像素灰度值。基于这种按位与运算，可结合两种不同的图像特征对场景图像进行二值化，有利于提升二值化结果与真实情况的接近程度。

接下来，在步骤s204中，可绘制二值化的场景图像中至少一个连通区域的包围框。其中，包围框指的是包围连通区域的边框，通常，该包围框能够体现连通区域的轮廓特征。可选地，本实施例中可绘制连通区域的最小矩形包围框或者最小圆形包围框，作为连通区域的包围框。

接着，获取该至少一个连通区域的包围框的形状特征和面积特征，并基于该至少一个连通区域的包围框的形状特征和面积特征，从该至少一个连通区域中，筛选出不符合道路特征的连通区域。

在一些场景下，例如对道路上的车辆进行跟踪拍摄场景下，机载设备通常沿着道路的延伸方向对待检测道路进行拍摄。那么，拍摄到的场景图像中，符合道路特征的连通区域应当表现出道路具有的形状特征，以及道路具有延伸性、连续性和规则性特征。基于此，逐个判断每个连通区域是否满足上述道路特征，即可从至少一个连通区域中确定哪些连通区域位于道路区域内。

可选地，在本实施例中，针对该至少一个连通区域中的任一连通区域，判断该连通区域是否满足道路特征时，可执行以下至少一种判断操作：

其一：计算连通区域的包围框的顶部与二值化的场景图像顶部的距离h1，以及连通区域的包围框的底部与二值化的场景图像底部的距离h2，如图2b和图2c所示。接着，判断h1和h2是否均大于设定的尺寸阈值ht。

当机载设备沿着道路延伸方向进行拍摄时，在一情形下，道路不出现转弯。在这种情形下，由于道路具有一定的连续性，机载设备拍摄到的场景图像中，道路区域的顶部通常与场景图像的顶部平齐，道路区域的底部通常与场景图像的底部平齐。因此，针对符合道路特征的连通区域而言，其包围框的顶部与二值化的场景图像顶部的距离小于或等于设定的尺寸阈值，且其包围框的底部与二值化的场景图像底部的距离也小于或等于设定的尺寸阈值。可选地，本实施例中所述的距离，指的是最小距离。

一种典型的不转弯的道路区域如图2b所示，在图2b中，道路区域的包围框的顶部与二值化的场景图像顶部有交叉，也就是说包围框的顶部与二值化的场景图像顶部的最小距离为0；道路区域的包围框的底部与二值化的场景图像底部有交叉，也就是说包围框的底部与二值化的场景图像底部的最小距离为0。

在另一种情况下，当道路出现转弯的情况时，机载设备拍摄到的场景图像中，可能出现如下的情况：道路区域顶部与场景图像的顶部平齐，但是道路区域的底部与场景图像的底部相隔较远的距离；或者，道路区域的顶部与场景图像的顶部相隔较远的距离，但是道路区域的底部与场景图像的底部平齐。在这种情形下，针对符合道路特征的连通区域而言，其包围框的顶部与二值化的场景图像顶部的距离小于或等于设定的尺寸阈值，或者其包围框的底部与二值化的场景图像底部的距离也小于或等于设定的尺寸阈值，二者满足其一即可。

一种典型的存在转弯的道路区域如图2c所示，在图2c中，道路区域的包围框的顶部与二值化的场景图像顶部存在一定的距离，道路区域的包围框的底部与二值化的场景图像底部有交叉，也就是说包围框的底部与二值化的场景图像底部的最小距离为0。

基于上述可知，当连通区域的包围框的顶部与二值化的场景图像顶部的距离h1，以及连通区域的包围框的底部与二值化的场景图像底部的距离h2均大于设定的尺寸阈值ht时，可确定该连通区域不满足道路的连续性要求。

其二：判断连通区域的包围框与连通区域的面积之比是否未在设定的面积比值范围内。

应当理解，通常道路具有较为规则的形状，绘制得到的道路区域的包围框的面积应当较为接近道路区域的面积，如图2b和2c所示。基于此，可计算该连通区域的面积s1，并在绘制该连通区域的包围框之后，计算包围框的面积s2。接着，并计算s2和s1的比值，并判断s2和s1的比值是否未在设定的面积比值范围内，如公式4所示：

其中，s2可根据包围框的长度和宽度进行计算，vmin和vmax指的是设定的面积比值范围的下限和上限值。在本实施例中，长度指的是包围框的长边的尺寸，宽度指的是包围框的短边的尺寸，后续不再赘述。

若s2和s1的比值不在设定的面积比值范围内，则可确定该连通区域不符合道路具有的形状特征和道路的规则性特征。

其三：判断连通区域的包围框的长宽比是否小于设定的长宽比阈值。

通常，道路具有延伸性和连续性，机载设备沿着道路延伸方向拍摄道路时，由于机载设备的拍摄位置较高，则拍摄到的场景图像中，道路区域的长度应当大于道路区域的宽度，如图2a和2b所示。基于此，本步骤中，可在绘制连通区域的包围框后，计算包围框的长宽比，并判断包围框的长宽比是否小于设定的长宽比阈值，若小于，则可认为该连通区域不具有延伸性和连续性。

当然，上述三种判断操作仅用于示例性说明，实际上，还可通过其他的特征来判断连通区域是否符合道路特征，不再赘述。需要说明的是，在本发明实施例中，可在上述至少一种判断为是的情况下，确定该连通区域不符合道路特征。优选地，在一些实施例中，可在上述三种判断操作的结果均为是的情况下，确定该连通区域不符合道路特征，以避免最终拟合得到的线条与真实道路中心线条存在较大偏差。

在筛选出不符合道路特征的连通区域之后，可执行步骤s205，将不符合道路特征的连通区域的像素灰度值，设置为非道路区域对应的像素灰度值。

接着，执行步骤s206，对包含道路区域的二值化场景图像进行图像分块，以得到多个图像子块，如图2d所示。

在本实施例中，可根据经验值选择图像子块的行数ncol和列数nrow。其中，图像子块的行数ncol的选择要求可以为：使得拟合得到的线条较为平滑的同时，耗费较少的时间成本。图像子块的列数nrow的选择要求可以为：使得拟合得到的线条较接近待检测道路的中心线条的同时，耗费较少的时间成本。

在得到多个图像子块之后，可执行步骤s207，根据多个图像子块包含的道路子区域的像素分布，分别计算多个图像子块包含的道路子区域的质心，并从多个图像子块包含的道路子区域的质心中，筛选出质心处的像素灰度大于设定灰度阈值的质心作为有效质心。

在本实施例中，针对多个图像子块中的任一图像子块而言，计算该图像子块包含的道路子区域的质心时，可预先获取道路子区域的像素灰度值矩阵，以获取该图像子块中道路子区域的像素分布，再基于该像素灰度值矩阵计算该道路子区域的质心。

可选地，判断某一图像子块包含的道路子区域的质心是否为有效质心的一种方式为：判断该道路子区域的质心处的像素灰度是否大于设定灰度阈值，若为是，则确定该道路子区域的质心为有效质心。其中，该设定的灰度阈值为经验值，本实施例不做限制。

在一种情况下，如图2e所示，多个图像子块中，可能存在某些图像子块包含多个道路子区域的情况。在这种情况下，可选地，可根据该图像子块中包含的多个道路子区域的像素分布,分别计算该多个道路子区域的质心；接着，计算该多个道路子区域的质心的平均值，作为该图像子块的质心。如图2e所示，当图像子块a0中包含两个道路子区域a01和a02，可分别计算道路子区域a01和a02的质心a01(x1,y1)和a02(x2,y2)，并将[(x1+x2)/2,(y1+y2)/2]作为图像子块a0的质心。

可选地，在步骤s208中，在确定有效质心后，可判断有效质心的数量是否大于设定的数量阈值，若大于，则可根据有效质心进行线条拟合，得到待检测道路的中心线条。

其中，设定的数量阈值为经验值，该值可根据图像子块的数量进行设置。可选地，在一些实施例中，可设置该数量阈值为[ncol*nrow/3],其中，ncol*nrow为图像子块的数量，[]表示取整数操作。例如，当图像子块的数量为10个时，可设置该数量阈值为3，当图像子块的数量为20个时，可设置该数量阈值为6。当然，在实际中，也可设置该数量阈值为[ncol*nrow/4]或者[ncol*nrow/5]，本实施例不做限制。

可选地，在根据有效质心进行直线拟合时，可根据有效质心的纵坐标，识别出纵坐标位于相同范围内的有效质心。其中，纵坐标位于相同范围内的有效质心，指的是有效质心对应的图像子块位于同一行。如图2f所示，有效质心a01、b01、c01为纵坐标位于相同范围内的有效质心，有效质心a11、b11、c11为纵坐标位于相同范围内的有效质心、有效质心a21、b21、c21、d21为纵坐标位于相同范围内的有效质心。接着，计算纵坐标位于相同范围内的有效质心的平均位置，得到纵坐标位于不同范围内的多个平均位置。承接上述例子，本步骤可得到有效质心a01、b01、c01的平均位置p0、有效质心a11、b11、c11的平均位置p1、以及有效质心a21、b21、c21、d21的平均位置p2，如图2g所示。接着，可基于平均位置p0、p1、p2进行线条拟合，得到待检测道路的中心线条。

本实施例中，根据已知的道路色调特征和道路饱和度特征，可对待检测道路的场景图像进行二值化处理，得到二值化的场景图像；接着，可从二值化的场景图像中去除非道路区域，得到包含道路区域的二值化场景图像，并对包含道路区域的二值化场景图像进行图像分块，得到多个图像子块；基于多个图像子块包含的道路子区域的质心特征，可进行线条拟合以得到待检测道路的中心线条。基于上述实施方式，可在获取到待检测道路的场景图像之后，从待检测道路的场景图像中提取到待检测道路的中心线条，实时性较高。除此之外，基于多个图像子块包含的道路子区域的质心特征进行线条拟合的方式，能够在降低计算量的同时，有效提升道路中心检测的准确性。

需要说明的是，上述实施例所提供方法的各步骤的执行主体均可以是同一设备，或者，该方法也由不同设备作为执行主体。比如，步骤201至步骤204的执行主体可以为设备a；又比如，步骤201和202的执行主体可以为设备a，步骤203的执行主体可以为设备b；等等。

另外，在上述实施例及附图中的描述的一些流程中，包含了按照特定顺序出现的多个操作，但是应该清楚了解，这些操作可以不按照其在本文中出现的顺序来执行或并行执行，操作的序号如201、202等，仅仅是用于区分开各个不同的操作，序号本身不代表任何的执行顺序。另外，这些流程可以包括更多或更少的操作，并且这些操作可以按顺序执行或并行执行。

以上实施例记载了本发明提供的道路中心检测方法的可选实施方式，该方法可由图3所示的机载设备实现，可选的，该机载设备包括：存储器301和处理器302。

存储器301用于存储一条或多条计算机指令，并可被配置为存储其它各种数据以支持在机载设备上的操作。这些数据的示例包括用于在机载设备上操作的任何应用程序或方法的指令。

存储器301可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(sram)，电可擦除可编程只读存储器(eeprom)，可擦除可编程只读存储器(eprom)，可编程只读存储器(prom)，只读存储器(rom)，磁存储器，快闪存储器，磁盘或光盘。

在一些实施例中，存储器301可选包括相对于处理器302远程设置的存储器，这些远程存储器可以通过网络连接至机载设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

处理器302，与存储器301耦合，用于执行该一条或多条计算机指令以用于：根据已知的道路色调特征和道路饱和度特征，对获取的待检测道路的场景图像进行二值化处理，以得到二值化的场景图像；从该二值化的场景图像中去除非道路区域，以得到包含道路区域的二值化场景图像；对该包含道路区域的二值化场景图像进行图像分块，以得到多个图像子块；根据该多个图像子块包含的道路子区域的质心特征进行线条拟合，得到该待检测道路的中心线条。

进一步可选地，处理器302在根据已知的道路色调特征和道路饱和度特征，对该场景图像进行二值化处理，以得到二值化的场景图像时，具体用于：从该场景图像中提取色调分量图像和饱和度分量图像；根据该道路色调特征，对该色调分量图像上的像素灰度进行二值化处理，得到二值化的色调图像；以及，根据该道路饱和度特征，对该饱和度分量图像上的像素灰度进行二值化处理，得到二值化的饱和度图像；对该二值化的色调图像和该二值化的饱和度图像进行按位逻辑与运算，得到该二值化的场景图像。

进一步可选地，处理器302在从该二值化的场景图像中去除非道路区域时，具体用于：绘制该二值化的场景图像中至少一个连通区域的包围框；根据该至少一个连通区域的包围框的形状特征和面积特征，从该至少一个连通区域中，筛选出不符合道路特征的连通区域；将该不符合道路特征的连通区域的像素灰度值，设置为非道路区域对应的像素灰度值。

进一步可选地，处理器302在根据该至少一个连通区域的包围框的形状特征和面积特征，从该至少一个连通区域中，筛选出不符合道路特征的连通区域时，具体用于：针对该至少一个连通区域中的任一连通区域，执行以下至少一种判断操作：判断该连通区域的包围框的顶部与该二值化的场景图像顶部的距离，以及该连通区域的包围框的底部与该二值化的场景图像底部的距离是否均大于设定的尺寸阈值；

判断该连通区域的包围框与该连通区域的面积之比是否未在设定的面积比值范围内；判断该连通区域的包围框的长宽比是否小于设定的长宽比阈值；若该至少一种判断操作的结果均为是，确定该连通区域是不符合道路特征的连通区域。

进一步可选地，处理器302还用于：对该二值化的场景图像进行去噪处理：将该二值化的场景图像中面积小于设定的面积阈值的连通区域去除；和/或，对该二值化的场景图像进行孔洞填充。

进一步可选地，处理器302在根据该多个图像子块包含的道路子区域的质心特征进行线条拟合，得到该待检测道路的中心线条时，具体用于：根据该多个图像子块包含的道路子区域的像素分布，分别计算该多个图像子块包含的道路子区域的质心；从该多个图像子块包含的道路子区域的质心中，筛选出质心处的像素灰度大于设定灰度阈值的质心作为有效质心；若该有效质心的数量大于设定的数量阈值，则根据该有效质心进行线条拟合，得到该待检测道路的中心线条。

进一步可选地，处理器302在根据该多个图像子块包含的道路子区域的像素分布，分别计算该多个图像子块包含的道路子区域的质心时，具体用于：针对该多个图像子块中的任一图像子块，若该图像子块包含多个道路子区域，则分别根据该多个道路子区域的像素分布,分别计算该多个道路子区域的质心；计算该多个道路子区域的质心的平均值，作为该图像子块的质心。

进一步可选地，处理器302在根据该有效质心进行线条拟合，得到该待检测道路的中心线条时，具体用于：根据该有效质心的纵坐标，识别出纵坐标位于相同范围内的有效质心；根据该纵坐标位于相同范围内的有效质心的平均位置，进行线条拟合，得到该待检测道路的中心线条。

进一步可选地，如图3所示，该机载设备还包括：输入装置303以及输出装置304。其中，输入装置303可接收输入的数字或字符信息，以及产生与机载设备的用户设置以及功能控制有关的键信号输入，例如输入装置303可包括用于采集待检测道路图像的摄像头。输出装置304可包括显示屏等显示设备。

进一步，如图3所示，该机载设备还包括：电源组件305。电源组件305，为电源组件所在设备的各种组件提供电力。电源组件可以包括电源管理系统，一个或多个电源，及其他与为电源组件所在设备生成、管理和分配电力相关联的组件。

如图3所示，存储器301、处理器302、输入装置303、输出装置304以及电源组件305可以通过总线或其他方式连接，图中以总线连接为例。在其他未进行图示的连接方式中，存储器301可直接与处理器302耦合连接，输入装置303以及输出装置304可通过数据线和数据接口与处理器302直接或者间接连接。当然，上述连接方式仅用于示例性说明，对本发明实施例的保护范围不构成任何限制。

上述机载设备可执行本申请实施例所提供的道路中心检测方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本申请实施例所提供的方法，不再赘述。

本发明还提供一种存储有计算机程序的计算机可读存储介质，该计算机程序被执行时能够实现上述机载设备能够执行的方法中的步骤。

以上所描述的设备实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。