本發(fā)明屬于圖像處理領(lǐng)域，涉及一種基于形態(tài)學(xué)變換和自適應(yīng)閾值的快速車道線檢測(cè)方法。

背景技術(shù)：

目前常用的車道線檢測(cè)技術(shù)是利用道路線的識(shí)別來實(shí)現(xiàn)道路的檢測(cè)，采用直線或曲線的道路模型，這種方法具有簡(jiǎn)單實(shí)用，能適應(yīng)高速公路結(jié)構(gòu)化環(huán)境的特點(diǎn)，而且具有較快的圖像處理速度和較好的實(shí)時(shí)性。在經(jīng)過圖像預(yù)處理將車道線分割出來之后，需要將車道線在圖像中的直線方程擬合出來，目前常用的擬合方法有最小二乘法和霍夫變換。

運(yùn)用最小二乘法進(jìn)行擬合，其優(yōu)點(diǎn)就是它的速度非?？?，只要遍歷一次就可以計(jì)算擬合曲線，但是它對(duì)噪聲非常敏感，而且在對(duì)離散的點(diǎn)進(jìn)行擬合時(shí)，首先必須知道那些點(diǎn)的一些情況，是采用直線，還是二次曲線或者更高次的曲線。

霍夫變換是利用點(diǎn)線的對(duì)偶性來實(shí)現(xiàn)的，直線y＝k₀x+q₀是由點(diǎn)A＝(x₁,y₁)和點(diǎn)B＝(x₂,y₂)定義的，通過A的所有直線由q＝-x₁k+y₁直線表示的，其中q和k是在圖像空間中的參數(shù)，由此可見圖像空間中的點(diǎn)可以通過參數(shù)空間中的直線來表示，類似地通過B點(diǎn)的直線可以表示為q＝-x₂k+y₂?？梢钥闯鯟＝(k₀,q₀)就是直線方程y＝k₀x+q₀的參數(shù)。通過霍夫變換求出參數(shù)時(shí)需要三次循環(huán)，這樣對(duì)于大量數(shù)據(jù)或者對(duì)實(shí)時(shí)性要求很強(qiáng)的系統(tǒng)來說基本上是不可取的。

最小二乘法擬合直線速度快但是對(duì)噪聲敏感，霍夫變換可靠性高但是速度慢。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明為了克服現(xiàn)有技術(shù)的不足，得到一種高可靠性和高速度的車道線檢測(cè)方法，提出了一種基于形態(tài)學(xué)變換和自適應(yīng)閾值的快速車道線檢測(cè)方法，該方法通過高斯模型分布的自適應(yīng)閾值分割方法和形態(tài)學(xué)變換對(duì)圖像進(jìn)行預(yù)處理，之后對(duì)概率霍夫變換進(jìn)行改進(jìn)，使其更接近實(shí)際使用，同時(shí)令直線擬合具有高可靠性和高速度性。

本發(fā)明的技術(shù)方案為：

一種基于形態(tài)學(xué)變換和自適應(yīng)閾值的快速車道線檢測(cè)方法，包括以下步驟：

第一步，取圖像下部包含車道線的部分作為感性區(qū)域。

第二步，將彩色感性區(qū)域變換為灰度感性區(qū)域。

第三步，利用自適應(yīng)閾值分割方法把灰度感性區(qū)域內(nèi)的車道線和非車道線分割開，得到二值圖像。

第四步，對(duì)二值圖像進(jìn)行形態(tài)學(xué)變換，用于簡(jiǎn)化圖像數(shù)據(jù)，保持圖像的基本形狀并去除不相干的結(jié)構(gòu)。即采用結(jié)構(gòu)元素SE對(duì)二值圖像進(jìn)行如下處理：先對(duì)二值圖像進(jìn)行膨脹操作，然后進(jìn)行腐蝕操作，再將前后兩次操作得到的兩幅圖像做差，得到圖像的邊緣信息，將其放入邊緣點(diǎn)集S(I)中。

第五步，利用改進(jìn)的概率霍夫變換對(duì)車道線進(jìn)行擬合，即將S(I)分為左右兩個(gè)部分LS(I)和RS(I)，其中，左車道線在LS(I)區(qū)域內(nèi)，右車道線在RS(I)區(qū)域內(nèi)；將LS(I)區(qū)域和RS(I)區(qū)域內(nèi)的車道線上的像素點(diǎn)按列置入集合S；并行處理左右兩部分區(qū)域的信息，其中一個(gè)部分區(qū)域的信息處理具體流程如下：

(1)分割參數(shù)空間，為每個(gè)區(qū)間設(shè)計(jì)累加器acc(ρ,θ)，其初始值為零；

(2)依次從S中提取一個(gè)像素點(diǎn)，并將此點(diǎn)從S中刪除，在各個(gè)ρ值下計(jì)算相應(yīng)的θ值，對(duì)應(yīng)的累加器acc(ρ,θ)加1；再檢測(cè)集合S是否為空，是則算法結(jié)束，否則進(jìn)行下一步操作；

(3)判斷更新后的累加器的值是否大于或等于閾值thr，該閾值thr按經(jīng)驗(yàn)值設(shè)定，是則進(jìn)行下一步，否則回到步驟(2)；

(4)由更新后的累加器對(duì)應(yīng)的參數(shù)確定一條直線，即為檢測(cè)到的車道線。

上述的第二步，將彩色感性區(qū)域變換為灰度感性區(qū)域的具體操作為：

將為RGB模型的彩色原始圖像，轉(zhuǎn)換到HSI色彩空間，再根據(jù)I通道進(jìn)行灰度化；RGB到HSI色彩空間的轉(zhuǎn)換關(guān)系如下，

其中，

上述第三步中的自適應(yīng)閾值分割方法，為基于高斯分布模型的自適應(yīng)閾值分割方法，由于在感性區(qū)域，道路部分占了較大的比例，所以令道路的灰度信息服從高斯分布，取灰度感性區(qū)域中的路面窗口，并計(jì)算其均值和方差σ,根據(jù)公式(4)計(jì)算出分割閾值th，然后對(duì)灰度圖進(jìn)行閾值分割，得到二值圖像。

上述第四步中所述的二值圖像進(jìn)行形態(tài)學(xué)變換，采用3×3像素的結(jié)構(gòu)元素SE對(duì)二值圖像進(jìn)行處理，其中，結(jié)構(gòu)元素SE為

本發(fā)明的有益效果為：該方法區(qū)別于已有方法的特色在于，根據(jù)道路的灰度信息服從高斯分布，計(jì)算出窗口內(nèi)的均值和方差，從而求出分割閾值，得到二值圖像；利用結(jié)構(gòu)元素對(duì)二值圖像進(jìn)行膨脹、腐蝕操作，將膨脹圖和腐蝕圖做差，就可以得到圖像的外輪廓，而且有效的去除了原圖中零散的噪聲點(diǎn)，為概率霍夫變換減少了計(jì)算量；通過點(diǎn)集錄取的方式對(duì)概率霍夫變換進(jìn)行改進(jìn)，提高了直線擬合的可靠性和速度。該方法的車道線檢測(cè)結(jié)果更可靠，同時(shí)該方法使時(shí)間大大減少到0.016s，這對(duì)實(shí)時(shí)應(yīng)用具有很大的意義。

附圖說明

圖1是本發(fā)明方法的流程示意圖。

圖2是灰度化圖。

圖3是路面窗口。

圖4是二值圖像。

圖5是膨脹操作效果圖。

圖6是腐蝕操作效果圖。

圖7是膨脹圖和腐蝕圖的差。

圖8是檢測(cè)效果圖。

具體實(shí)施方式

下面結(jié)合附圖對(duì)本發(fā)明的實(shí)施方式進(jìn)行詳細(xì)說明。本實(shí)施例以本發(fā)明技術(shù)方案為前提進(jìn)行實(shí)施，給出了詳細(xì)的實(shí)施方式和具體的操作過程，但本發(fā)明的保護(hù)范圍不限于下述的實(shí)施例。

實(shí)驗(yàn)平臺(tái)為win10，仿真庫(kù)為opencv 1.0，道路環(huán)境為京滬高速公路部分路段。首先對(duì)圖像進(jìn)行預(yù)處理，取圖像的下1/3部分作為感性區(qū)域(AOI)；由于道路線正常情況下為白色，因此可以剔除圖像中的彩色信息，提取灰度圖像，得到灰度圖如圖2所示。

接下來對(duì)灰度圖進(jìn)行閾值分割，選擇AOI區(qū)域內(nèi)160×80的路面窗口統(tǒng)計(jì)其均值和方差，如圖3所示。通過上面提到的自適應(yīng)閾值計(jì)算方法，可以獲得比較理想的閾值，從而對(duì)圖像進(jìn)行二值分割，如圖4所示。

為了減少隨機(jī)霍夫變換點(diǎn)集的數(shù)量，采用3*3的結(jié)構(gòu)元素對(duì)二值圖像進(jìn)行形態(tài)學(xué)變換，圖5為膨脹效果圖，圖6為腐蝕膨脹圖，將它們兩個(gè)做差，就可以得到圖像的外輪廓，如圖7所示，而且有效的去除了原圖中零散的噪聲點(diǎn)，為概率霍夫變換減少了計(jì)算量。

經(jīng)過圖像預(yù)處理以后，得到圖7，按改進(jìn)的概率霍夫變換方法，將AOI區(qū)域中值為255的像素點(diǎn)按序放入集合S，然后對(duì)集合S中的像素點(diǎn)進(jìn)行概率霍夫變換，得到最終的當(dāng)前車道線，如圖8所示。

通過計(jì)時(shí)器測(cè)得最終獲得檢測(cè)車道線的時(shí)間為0.016s。