一種車(chē)道線(xiàn)邊緣提取的動(dòng)態(tài)閾值方法
【專(zhuān)利摘要】本發(fā)明公開(kāi)了一種車(chē)道線(xiàn)邊緣提取的動(dòng)態(tài)閾值方法,屬于視覺(jué)導(dǎo)航和車(chē)輛安全輔助駕駛領(lǐng)域。其特征在于,將一幀行車(chē)圖像分成左右兩部分,左側(cè)圖像的每一行具有自己的動(dòng)態(tài)閾值集合,右側(cè)圖像的每一行也具有自己的動(dòng)態(tài)閾值集合。動(dòng)態(tài)閾值集合由每行每側(cè)圖像銳化矩陣的幾個(gè)較大值構(gòu)成,即可細(xì)致體現(xiàn)圖像的局部特征,又能兼顧圖像的全局特性。自左右分界處進(jìn)行自?xún)?nèi)向外、自下向上的逐行掃描,將第一次遇到閾值集合中元素的位置記為左側(cè)或右側(cè)惟一的邊緣位置。本發(fā)明適于檢測(cè)車(chē)輛行進(jìn)所在車(chē)道,所輸出的車(chē)道線(xiàn)邊緣只有單像素寬、目的性強(qiáng)、干擾點(diǎn)少,大大簡(jiǎn)化了后續(xù)的車(chē)道線(xiàn)檢測(cè)處理。與現(xiàn)有固定或自適應(yīng)閾值方法相比,車(chē)道線(xiàn)檢測(cè)正確率和速度都得到提高。
【專(zhuān)利說(shuō)明】一種車(chē)道線(xiàn)邊緣提取的動(dòng)態(tài)閾值方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及視覺(jué)導(dǎo)航和車(chē)輛安全輔助駕駛領(lǐng)域,特別是涉及一種基于視覺(jué)的車(chē)道 線(xiàn)邊緣提取方法。
【背景技術(shù)】
[0002] 基于視覺(jué)的車(chē)道線(xiàn)檢測(cè)在智能車(chē)控制、車(chē)輛安全輔助駕駛(如車(chē)道偏離告警)等 系統(tǒng)中不可或缺。目前,大部分車(chē)道線(xiàn)檢測(cè)方法可歸納為兩類(lèi),基于特征的方法和基于模型 的方法。其中,基于特征的方法居多,主要提取和利用了車(chē)道線(xiàn)邊緣、結(jié)構(gòu)、顏色等特征?;?于模型的方法則主要通過(guò)嵌入車(chē)道邊界的平行性、道路的平坦性等約束建立車(chē)道線(xiàn)的數(shù)學(xué) 模型,如拋物線(xiàn)模型、樣條模型等。此外,也有基于機(jī)器學(xué)習(xí)(如人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī) 等)對(duì)車(chē)道線(xiàn)圖像進(jìn)行分類(lèi)的檢測(cè)方法。
[0003] 在基于特征的車(chē)道線(xiàn)檢測(cè)方法中,應(yīng)用較普遍的特征是邊緣。一般而言,這些算法 先采用如Canny或Sobel等算子進(jìn)行邊緣提取,獲取車(chē)道線(xiàn)邊緣點(diǎn)集;然后,基于邊緣點(diǎn)集, 通過(guò)感興趣區(qū)域(region of interest, R0I)劃分、Hough變換等方法檢測(cè)出車(chē)道線(xiàn)。而且, 后續(xù)常伴有車(chē)道線(xiàn)跟蹤、車(chē)道線(xiàn)偏離告警等處理。由此可見(jiàn),邊緣提取方法對(duì)車(chē)道線(xiàn)檢測(cè)及 其它后續(xù)處理的正確率和速度都有著重要的影響。
[0004] 然而,邊緣提取方法的閾值設(shè)置對(duì)車(chē)道線(xiàn)檢測(cè)性能有著較大影響。因?yàn)槠毡榈淖?法是,大于等于閾值的被視為邊緣點(diǎn),而小于閾值的被視為非邊緣點(diǎn)。這樣一來(lái),如果閾值 過(guò)大,一些正確的邊緣點(diǎn)將被去除;反之,如果閾值過(guò)小,很多非邊緣干擾點(diǎn)將被錯(cuò)誤地納 入邊緣點(diǎn)集。當(dāng)車(chē)道線(xiàn)本身存在污損、行車(chē)環(huán)境變化較快或存在較大噪聲(如白天樹(shù)木/ 建筑陰影、夜晚路燈等造成的不均勻光照)時(shí),閾值的選擇更是一大難題。為此,多種動(dòng)態(tài) 閾值策略相繼被提出。典型的方法有,采用傳統(tǒng)或改進(jìn)的0TSU方法計(jì)算區(qū)分車(chē)道線(xiàn)和路面 的閾值;根據(jù)圖像的像素灰度平均值和方差判斷路況環(huán)境,再根據(jù)經(jīng)驗(yàn)值獲取不同路況環(huán) 境下的閾值;根據(jù)用戶(hù)經(jīng)驗(yàn)設(shè)定圖像中是邊緣點(diǎn)的像素比例或者肯定不是邊緣點(diǎn)的像素比 例,并據(jù)此確定閾值。不難看出,這些動(dòng)態(tài)閾值方法主體上反映的仍然是圖像的全局特性, 而未能充分反映圖像的局部特性,有的還依賴(lài)于用戶(hù)經(jīng)驗(yàn),其結(jié)果是,車(chē)道線(xiàn)邊緣提取的性 能仍受到限制,車(chē)道線(xiàn)檢測(cè)的效果也不可避免地受到影響。
【發(fā)明內(nèi)容】
[0005] 本發(fā)明的目的在于,提供一種能兼顧圖像的全局和局部特征,且無(wú)需用戶(hù)經(jīng)驗(yàn)的 動(dòng)態(tài)閾值方法,通過(guò)與一種逐行掃描策略相配合,使提取的車(chē)道線(xiàn)邊緣點(diǎn)集具有單像素寬、 目的性強(qiáng)、干擾點(diǎn)少等特性,以期進(jìn)一步提高后續(xù)車(chē)道線(xiàn)檢測(cè)的正確率和速度。
[0006] 本發(fā)明的技術(shù)方案是,將大小是NXM(列X行,或?qū)扻高)的一幀行車(chē)圖像分成 左右兩部分,左側(cè)圖像的每一行具有自己的動(dòng)態(tài)閾值集合thQ,右側(cè)圖像的每一行也具有 自己的動(dòng)態(tài)閾值集合thRpi是行索引,且i = 1,···,Μ。也就是說(shuō),大小是NXM的行車(chē)圖像 共有2Μ個(gè)動(dòng)態(tài)閾值集合。具體的動(dòng)態(tài)閾值集合構(gòu)建方法以及車(chē)道線(xiàn)邊緣提取步驟如下 :
[0007] 首先,將彩色行車(chē)圖像轉(zhuǎn)換為灰度圖像,得到圖像灰度矩陣,大小為NXM。
[0008] 然后,將圖像灰度矩陣與邊緣增強(qiáng)算子進(jìn)行卷積計(jì)算,得到圖像銳化矩陣,大小也 是 NXM。
[0009] 其次,將圖像銳化矩陣中小于0的元素置零,其余值不變。在接下來(lái)的步驟中,不 再對(duì)圖像銳化矩陣的〇值元素做處理。由于圖像銳化矩陣中的大部分元素都是〇,本步驟可 有效提商后續(xù)的處理速度。
[0010] 再次,將圖像銳化矩陣分成左右兩部分。因?yàn)檐?chē)輛通常行駛在車(chē)道的中間位置,所 以簡(jiǎn)單的劃分方法是從中間劃分。也可以根據(jù)行車(chē)方向進(jìn)行斜向劃分。
[0011] 最后,從左右分界處進(jìn)行自?xún)?nèi)向外、自下向上的逐行掃描,分別確定左右車(chē)道線(xiàn)邊 緣提取的動(dòng)態(tài)閾值集合,同時(shí)輸出左右車(chē)道線(xiàn)的邊緣點(diǎn)集。由于車(chē)道線(xiàn)的亮度、對(duì)比度、完 整度等特征隨環(huán)境不斷發(fā)生變化,其邊緣在銳化矩陣中的對(duì)應(yīng)元素值不一定最大,但一定 是較大,即在視覺(jué)上車(chē)道線(xiàn)與非車(chē)道線(xiàn)部分仍存在較明顯的對(duì)比度。因此,第i行的兩個(gè)動(dòng) 態(tài)閾值集合分別由左右兩側(cè)圖像銳化矩陣第i行的P個(gè)較大值構(gòu)成,較大值定義為排在左 側(cè)或右側(cè)圖像銳化矩陣第i行所有元素值前P位的值。P實(shí)質(zhì)為動(dòng)態(tài)閾值集合大小,P = 3?5,P越小,計(jì)算量越小,處理速度越快。下面以左側(cè)圖像處理且P = 3為例,說(shuō)明動(dòng)態(tài)閾 值集合構(gòu)建和邊緣點(diǎn)集確定方法,右側(cè)圖像與左側(cè)圖像做法相同,且每行的左右兩側(cè)同時(shí) 進(jìn)行。具體而言,對(duì)于第i行,動(dòng)態(tài)閾值集合thLi由左側(cè)圖像銳化矩陣第i行的前三個(gè)較 大值構(gòu)建;左側(cè)邊緣點(diǎn)集的確定方法是,自?xún)?nèi)向外對(duì)左側(cè)圖像銳化矩陣第i行進(jìn)行行掃描, 當(dāng)?shù)谝淮斡龅絼?dòng)態(tài)閾值集合thLi中任一元素,即左側(cè)第i行的最終閾值時(shí),將該閾值所在 位置記為第i行左側(cè)惟一的邊緣位置,并將該點(diǎn)納入邊緣點(diǎn)集,也就是在最終輸出的邊緣 點(diǎn)集矩陣(大小NXM)中,將邊緣位置的元素值設(shè)置為最大灰度值,如對(duì)于8bit圖像而言 設(shè)置為255,同時(shí)將其余非邊緣位置的元素值設(shè)置為0。自下而上(i =Μ,···,1)對(duì)Μ行進(jìn) 行相同的處理,便可得到車(chē)輛行進(jìn)所在車(chē)道左右兩條車(chē)道線(xiàn)的全部邊緣點(diǎn)集。
[0012] 本專(zhuān)利閾值的動(dòng)態(tài)性體現(xiàn)在,圖像的每行每側(cè)都有自己的閾值集合,且最終閾值 為閾值集合中Ρ個(gè)元素之一。這樣做的好處在于,一方面,一幅ΝΧΜ大小的行車(chē)圖像共有 2Μ個(gè)動(dòng)態(tài)閾值集合,可細(xì)致體現(xiàn)圖像的局部特征;另一方面,動(dòng)態(tài)閾值集合由每行每側(cè)的Ρ 個(gè)較大值組成,兼顧了圖像的全局特性。此外,動(dòng)態(tài)閾值集合大小Ρ取決于運(yùn)算速度需求, 而無(wú)需利用用戶(hù)經(jīng)驗(yàn)設(shè)定。在這樣的動(dòng)態(tài)閾值方法保障下,輔以自?xún)?nèi)向外、自下向上的逐行 掃描策略,可屏蔽車(chē)道線(xiàn)外的大量干擾而集中體現(xiàn)車(chē)道信息,且左右車(chē)道線(xiàn)的邊緣都只有 一個(gè)像素寬,這些特性均大大簡(jiǎn)化了后續(xù)的車(chē)道線(xiàn)檢測(cè)處理。
[0013] 本發(fā)明所達(dá)到的效果和益處是,與現(xiàn)有方法相比,在車(chē)道線(xiàn)本身存在污損、行車(chē)環(huán) 境變化較快或存在不均勻光照等不利干擾下,可獲得進(jìn)一步提高的車(chē)道線(xiàn)檢測(cè)正確率和 檢測(cè)速度。例如,當(dāng)應(yīng)用幀圖像大小為672X378的四組行車(chē)視頻(共9605幀)進(jìn)行車(chē) 道線(xiàn)檢測(cè)實(shí)驗(yàn)時(shí),本專(zhuān)利方法可達(dá)到97. 53%?100%的檢測(cè)正確率。據(jù)報(bào)道,目前采用 自適應(yīng)閾值0&]1117方法的檢測(cè)正確率為93.19(%?99.43 (%(}11111」36¥〇〇,111^1¥31^,已11(1 Kwanghoon Sohn, "Gradient-enhancing conversion for illumination-robust lane detection,''IEEE Transactions on Intelligent Transportation Systems, vol. 14, no. 3 ,pp. 1083-1094, 2013)。在檢測(cè)速度方面,固定閾值Canny的速度快于自適應(yīng)閾值Canny,所 以將本專(zhuān)利方法與固定閾值Canny方法進(jìn)行了比較,結(jié)果如下:本專(zhuān)利邊緣提取速度高于 固定閾值Canny方法3-5倍,后續(xù)基于ROI劃分和Hough變換的車(chē)道線(xiàn)檢測(cè)速度則是固定 閾值Canny方法的6-15倍。其中,本專(zhuān)利實(shí)現(xiàn)車(chē)道線(xiàn)邊緣提取的最大平均用時(shí)為4. 42ms/ 幀,實(shí)現(xiàn)Hough變換車(chē)道線(xiàn)檢測(cè)的最大平均用時(shí)為6. 57ms/幀。所以,對(duì)上述行車(chē)視頻的車(chē) 道線(xiàn)檢測(cè)速度可超過(guò)90幀/秒。
【專(zhuān)利附圖】
【附圖說(shuō)明】
[0014] 附圖是本發(fā)明進(jìn)行車(chē)道線(xiàn)邊緣提取的流程圖。
【具體實(shí)施方式】
[0015] 下面結(jié)合技術(shù)方案和附圖,詳細(xì)敘述本發(fā)明的一個(gè)具體實(shí)施例。
[0016] 現(xiàn)有一組實(shí)際錄制的行車(chē)視頻。已知每幀圖像大小為672X378,動(dòng)態(tài)閾值集合大 小P取為3。車(chē)輛行進(jìn)所在車(chē)道的車(chē)道線(xiàn)邊緣提取步驟如圖所示。
[0017] 第一步,將彩色圖像轉(zhuǎn)換為灰度圖像。
[0018] 第二步,將大小為672X378(列X行)的圖像灰度矩陣與Sobel邊緣增強(qiáng)算子進(jìn) 行卷積計(jì)算,結(jié)果存入圖像銳化矩陣,大小也是672X378。
[0019] 第三步,將圖像銳化矩陣中小于0的元素置零,其余值不變。
[0020] 第四步,從中間將圖像銳化矩陣劃分為左右兩部分。
[0021] 第五步,從分界處自?xún)?nèi)向外(左側(cè):列1 -列336 ;右側(cè):列337 -列672)、自下向 上(行378 -行1)進(jìn)行逐行掃描,分別確定左右兩側(cè)車(chē)道線(xiàn)邊緣提取的動(dòng)態(tài)閾值集合,同 時(shí)輸出左右車(chē)道線(xiàn)的邊緣點(diǎn)集。其中,由左側(cè)銳化矩陣掃描行的前三個(gè)較大值構(gòu)建左側(cè)動(dòng) 態(tài)閾值集合,由右側(cè)銳化矩陣掃描行的前三個(gè)較大值構(gòu)建右側(cè)動(dòng)態(tài)閾值集合,將第一次遇 到左側(cè)動(dòng)態(tài)閾值集合元素的位置記為左側(cè)車(chē)道線(xiàn)的惟一邊緣位置,將第一次遇到右側(cè)動(dòng)態(tài) 閾值集合元素的位置記為右側(cè)車(chē)道線(xiàn)的惟一邊緣位置。在邊緣點(diǎn)集矩陣(大小672X378) 中,將左右邊緣位置置為最大灰度值,其余置零。當(dāng)所有行掃描結(jié)束時(shí),輸出邊緣點(diǎn)集矩陣, 車(chē)道線(xiàn)邊緣提取完畢。
【權(quán)利要求】
1. 一種車(chē)道線(xiàn)邊緣提取的動(dòng)態(tài)閾值方法,其特征是,將列X行是NXM的一幀行車(chē)圖像 分成左右兩部分,左側(cè)圖像的每一行具有自己的動(dòng)態(tài)閾值集合thQ,右側(cè)圖像的每一行也 具有自己的動(dòng)態(tài)閾值集合thRi,i是行索弓丨,且i = 1,···,Μ;ΝΧΜ的行車(chē)圖像共有2M個(gè)動(dòng) 態(tài)閾值集合;具體的動(dòng)態(tài)閾值集合構(gòu)建方法以及車(chē)道線(xiàn)邊緣提取步驟如下: 首先,將彩色行車(chē)圖像轉(zhuǎn)換為灰度圖像,得到圖像灰度矩陣,大小為ΝΧΜ; 然后,將圖像灰度矩陣與邊緣增強(qiáng)算子進(jìn)行卷積計(jì)算,得到圖像銳化矩陣,大小也是 ΝΧΜ ; 其次,將圖像銳化矩陣中小于〇的元素置零,其余值不變;在接下來(lái)的步驟中,不再對(duì) 圖像銳化矩陣的〇值元素做處理; 再次,將圖像銳化矩陣分成左右兩部分; 最后,從左右分界處進(jìn)行自?xún)?nèi)向外、自下向上的逐行掃描,分別確定左右車(chē)道線(xiàn)邊緣提 取的動(dòng)態(tài)閾值集合,同時(shí)輸出左右車(chē)道線(xiàn)的邊緣點(diǎn)集;第i行的兩個(gè)動(dòng)態(tài)閾值集合分別由 左右兩側(cè)圖像銳化矩陣第i行的P個(gè)較大值構(gòu)成,較大值定義為排在左側(cè)或右側(cè)圖像銳化 矩陣第i行所有元素值前P位的值,P為動(dòng)態(tài)閾值集合大??;對(duì)于第i行,左側(cè)圖像動(dòng)態(tài)閾 值集合thLi由左側(cè)圖像銳化矩陣第i行的前P個(gè)較大值構(gòu)建;自?xún)?nèi)向外對(duì)左側(cè)圖像銳化 矩陣第i行進(jìn)行行掃描,當(dāng)?shù)谝淮斡龅絼?dòng)態(tài)閾值集合thLi中任一元素時(shí),將該位置記為第 i行左側(cè)惟一的邊緣位置,并將該點(diǎn)納入邊緣點(diǎn)集,在最終輸出的NXM邊緣點(diǎn)集矩陣中,將 邊緣位置的元素值設(shè)置為最大灰度值,將其余非邊緣位置的元素值設(shè)置為0 ;右側(cè)圖像與 左側(cè)圖像做法相同,且每行的左右兩側(cè)同時(shí)進(jìn)行;自下而上,i = M,…,1,進(jìn)行相同的處理, 得到車(chē)輛行進(jìn)所在車(chē)道左右兩條車(chē)道線(xiàn)的全部邊緣點(diǎn)集。
2. 根據(jù)權(quán)利要求1所述的一種車(chē)道線(xiàn)邊緣提取的動(dòng)態(tài)閾值方法,其特征是,動(dòng)態(tài)閾值 集合大小P = 3?5。
3. 根據(jù)權(quán)利要求1所述的一種車(chē)道線(xiàn)邊緣提取的動(dòng)態(tài)閾值方法,其特征是,簡(jiǎn)單的左 右劃分方法是從中間劃分或根據(jù)行車(chē)方向進(jìn)行斜向劃分。
【文檔編號(hào)】G06K9/46GK104091166SQ201410321214
【公開(kāi)日】2014年10月8日 申請(qǐng)日期:2014年7月7日 優(yōu)先權(quán)日:2014年7月7日
【發(fā)明者】林秋華, 曹建超 申請(qǐng)人:大連理工大學(xué)