CN104063869A - 一种基于Beamlet变换的车道线检测方法 - Google Patents
一种基于Beamlet变换的车道线检测方法 Download PDFInfo
- Publication number
- CN104063869A CN104063869A CN201410305527.5A CN201410305527A CN104063869A CN 104063869 A CN104063869 A CN 104063869A CN 201410305527 A CN201410305527 A CN 201410305527A CN 104063869 A CN104063869 A CN 104063869A
- Authority
- CN
- China
- Prior art keywords
- little line
- image
- line
- beamlet
- little
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于Beamlet变换的车道线检测方法,包括以下步骤:首先读取原始彩色图像,将其转换成灰度图像,再对灰度图像进行预处理,采用直方图均衡化方法进行增强,以提高目标车道线的分辨率,然后采用基于小波变换的方法进行平滑处理,进行预处理之后,再使用大津法进行二值化处理,最后使用Beamlet变换对二值图像进行车道线边缘检测,包括1)二进分块;2)建立小线基;3)Beamlet变换,得到小线系数;4)阈值化;5)计算小线的方向;6)分析连通性,得到最终车道线检测结果。本发明一种基于Beamlet变换的车道线检测方法,其检测到的边缘线段包含位置和方向信息,检测到的边缘比较连贯,更准确。
Description
【技术领域】
本发明涉及一种车道线检测方法,具体涉及一种基于Beamlet变换的车道线检测方法。
【背景技术】
在道路行驶中,由于驾驶员注意力不集中、疲劳或醉酒驾驶容易使车辆偏离车道而造成车祸。为了提高驾驶的安全性和操作的简单性,使用相应的辅助驾驶***可以预防和减少此类事故的发生。其中车道线检测是该辅助驾驶***的关键技术。
车道线检测的准确性直接影响后续跟踪的结果,因此对车道线的检测方法的选择尤为关键。目前车道线检测方法主要有:第一种是基于模型的检测,使用最多的是直线模型,这种方法简单快速,但是不能精确描述车道线位置;第二种是基于特征的检测,如常用的Canny算子、Sobel算子等边缘检测方法,这些边缘算子会引入道路上的其他噪声信息。目前对车道线进行直线特征提取大多使用Hough变换,但由于图像的透视效果,必须先做逆透视变换才能得到近似于线性的车道线。
【发明内容】
本发明的目的在于针对现有的车道线检测技术运算复杂、速度较慢、提取不精确等缺陷或不足,提供了一种基于Beamlet变换的车道线检测方法。
为实现上述目的,本发明采取如下的技术方案:
一种基于Beamlet变换的车道线检测方法,包括以下步骤:
步骤一,读取车载摄像机拍摄的图像作为原始彩色图像,将原始彩色图像转化成灰度图像;
步骤二,使用直方图均衡方法对灰度图像进行增强;
步骤三,采用基于小波变换的平滑处理方法,对增强后的灰度图像进行平滑,以去除噪声;
步骤四,对图像进行预处理之后,用大津法对步骤三得到的图像进行二值化处理,得到二值图像;
步骤五,使用Beamlet变换对二值图像进行车道线边缘检测,具体步骤如下:
1)分块:选取一定的尺度s,将步骤四得到的二值图像进行二进分块;
2)建立小线基:对每个二进分块,小线为连接不在同一边上的任意两个顶点的直线段,记录下每个小线上像素点的坐标以及小线的长度;
3)Beamlet变换:分别计算每个小线的Beamlet变换系数,并保存每个方块中小线系数的最大值及对应的小线;
4)阈值化:设定阈值Th,阈值Th的范围为0<Th≤1,若上述步骤3)保存的小线系数>Th,则保留该小线;
5)计算小线的方向:分别计算每个小线在x,y方向上的距离变化,由此得到用角度表示的小线方向;
6)分析连通性:设定角度差阈值为1°,距离差阈值为2像素,对于步骤4)保留的小线,对每个二进分块的八个邻域分块进行检测,满足条件的则连接,遍历所有二进分块,得到最终车道线检测结果。
本发明进一步改进在于,步骤五的步骤3)中,
Beamlet变换Tg(b)的计算公式为:
其中,BE是小线集,b是一个小线,x(l)沿小线方向上的一个单位长度路径,l是小线的单位长度,g(x(l))是一个连续函数;
对离散的数字图像,函数g定义为在小线b上的像素点灰度值g(x,y)的和值,则:
Beamlet的系数定义为:
T(b)=Tg(b)/L(b) (3)
其中,L(b)为小线的长度。
相对于现有技术,本发明具有如下优点:
传统的车道线检测方法只利用车道线与路面的灰度差异,分割的结果存在误检或漏检的情况,而本文方法结合了灰度特征之外,考虑到了车道线通常是直线或者弯道时具有的角度,建立带有长度和方向的小线基,对车道线的检测结果准确率高,效率高;本发明检测到的边缘线段包含位置和方向信息,检测到的边缘比较连贯,更准确。
【附图说明】
图1为本发明基于Beamlet变换的车道线检测方法的流程图;
图2(a)为含有直车道线和箭头的路面图像;图2(b)为本发明的车道线检测结果图;
图3(a)为含弯车道线的路面图像;图3(b)为本发明的车道线检测结果图。
【具体实施方式】
以下结合附图对本发明作进一步详细说明。
参照附图1,本发明一种基于Beamlet变换的车道线检测方法,包括以下步骤:
步骤一,读取车载摄像机拍摄的图像中清晰、稳定的图像作为原始图像,将彩色图像转化成灰度图像;
步骤二,由于大雾或者雨雪天气可见度低,光照不好,通常会造成车道线的分辨率低,因此要对图像进行预处理,本发明使用直方图均衡方法对灰度图像进行增强,以提高目标车道线的分辨率;
步骤三,采用基于小波变换的平滑处理方法,对增强后的灰度图像进行平滑,以去除噪声;
步骤四,对图像进行预处理之后,用大津法对步骤三得到的图像进行二值化处理,得到二值图像;
步骤五,使用Beamlet变换对二值图像进行车道线边缘检测,具体步骤如下:
1)分块:将尺度s选取为4像素,将步骤四得到的二值图像进行分块;
2)建立小线基:对每个4×4像素的分块,小线为连接不在同一边上的任意两个顶点的直线段,记录下每个小线上像素点的坐标以及小线的长度;
3)Beamlet变换:
Beamlet变换Tg(b)的计算公式为:
其中,BE是小线集,b是一个小线,x(l)是沿小线方向上的一个单位长度路径,l是小线的单位长度,g(x(l))是一个连续函数;
对离散的数字图像,函数g定义为在小线b上的像素点灰度值g(x,y)的和值,则:
Beamlet变换的系数定义为:
T(b)=Tg(b)/L(b) (3)
其中L(b)为小线的长度,保存每个方块中小线系数的最大值及该小线;
4)阈值化:阈值Th的范围为0<Th≤1。设定阈值Th为1,若T(b)>Th,则保留对应的小线;
5)计算小线的方向:分别计算每条小线在x,y方向上的距离变化,由此得到用角度表示的小线的方向;
6)分析连通性:设定角度差阈值为1°,距离差阈值为2像素。对于步骤五保留的小线,对每个分块的八个邻域分块进行检测,满足条件的则连接。遍历所有二进分块,得到最终车道线检测结果。
参照附图1和2,图2(a)为含有直车道线和箭头的路面图像;图2(b)为本发明的车道线检测结果图;图3(a)为含弯车道线的路面图像;图3(b)为本发明的车道线检测结果图。从附图中可以看出基于Beamlet变换的车道线检测方法得到的检测结果较准确,由于小线具有方向性,因此对于直线型的车道线或者弯道型的车道线,都能得到较好的检测结果。
Claims (2)
1.一种基于Beamlet变换的车道线检测方法,其特征在于,包括以下步骤:
步骤一,读取车载摄像机拍摄的图像作为原始彩色图像,将原始彩色图像转化成灰度图像;
步骤二,使用直方图均衡方法对灰度图像进行增强;
步骤三,采用基于小波变换的平滑处理方法,对增强后的灰度图像进行平滑,以去除噪声;
步骤四,对图像进行预处理之后,用大津法对步骤三得到的图像进行二值化处理,得到二值图像;
步骤五,使用Beamlet变换对二值图像进行车道线边缘检测,具体步骤如下:
1)分块:选取一定的尺度s,将步骤四得到的二值图像进行二进分块;
2)建立小线基:对每个二进分块,小线为连接不在同一边上的任意两个顶点的直线段,记录下每个小线上像素点的坐标以及小线的长度;
3)Beamlet变换:分别计算每个小线的Beamlet变换系数,并保存每个方块中小线系数的最大值及对应的小线;
4)阈值化:设定阈值Th,阈值Th的范围为0<Th≤1,若上述步骤3)保存的小线系数>Th,则保留该小线;
5)计算小线的方向:分别计算每个小线在x,y方向上的距离变化,由此得到用角度表示的小线方向;
6)分析连通性:设定角度差阈值为1°,距离差阈值为2像素,对于步骤4)保留的小线,对每个二进分块的八个邻域分块进行检测,满足条件的则连接,遍历所有二进分块,得到最终车道线检测结果。
2.根据权利要求1所述的一种基于Beamlet变换的车道线检测方法,其特征在于,步骤五的步骤3)中,
Beamlet变换Tg(b)的计算公式为:
其中,BE是小线集,b是一个小线,x(l)沿小线方向上的一个单位长度路径,l是小线的单位长度,g(x(l))是一个连续函数;
对离散的数字图像,函数g定义为在小线b上的像素点灰度值g(x,y)的和值,则:
Beamlet的系数定义为:
T(b)=Tg(b)/L(b) (3)
其中,L(b)为小线的长度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410305527.5A CN104063869A (zh) | 2014-06-27 | 2014-06-27 | 一种基于Beamlet变换的车道线检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410305527.5A CN104063869A (zh) | 2014-06-27 | 2014-06-27 | 一种基于Beamlet变换的车道线检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104063869A true CN104063869A (zh) | 2014-09-24 |
Family
ID=51551561
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410305527.5A Pending CN104063869A (zh) | 2014-06-27 | 2014-06-27 | 一种基于Beamlet变换的车道线检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104063869A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108009522A (zh) * | 2017-12-21 | 2018-05-08 | 海信集团有限公司 | 一种道路检测方法、装置及终端 |
CN111460072A (zh) * | 2020-04-01 | 2020-07-28 | 北京百度网讯科技有限公司 | 车道线检测方法、装置、设备和存储介质 |
CN112307803A (zh) * | 2019-07-25 | 2021-02-02 | 中国石油天然气股份有限公司 | 数字地质露头裂缝提取方法及装置 |
WO2021098359A1 (zh) * | 2019-11-21 | 2021-05-27 | 成都旷视金智科技有限公司 | 车道线识别方法、装置、设备和存储介质 |
-
2014
- 2014-06-27 CN CN201410305527.5A patent/CN104063869A/zh active Pending
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108009522A (zh) * | 2017-12-21 | 2018-05-08 | 海信集团有限公司 | 一种道路检测方法、装置及终端 |
CN108009522B (zh) * | 2017-12-21 | 2020-11-03 | 海信集团有限公司 | 一种道路检测方法、装置及终端 |
CN112307803A (zh) * | 2019-07-25 | 2021-02-02 | 中国石油天然气股份有限公司 | 数字地质露头裂缝提取方法及装置 |
CN112307803B (zh) * | 2019-07-25 | 2024-07-02 | 中国石油天然气股份有限公司 | 数字地质露头裂缝提取方法及装置 |
WO2021098359A1 (zh) * | 2019-11-21 | 2021-05-27 | 成都旷视金智科技有限公司 | 车道线识别方法、装置、设备和存储介质 |
CN111460072A (zh) * | 2020-04-01 | 2020-07-28 | 北京百度网讯科技有限公司 | 车道线检测方法、装置、设备和存储介质 |
CN111460072B (zh) * | 2020-04-01 | 2023-10-03 | 北京百度网讯科技有限公司 | 车道线检测方法、装置、设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101750049B (zh) | 基于道路和车辆自身信息的单目视觉车距测量方法 | |
CN107463918B (zh) | 基于激光点云与影像数据融合的车道线提取方法 | |
CN108537197B (zh) | 一种基于深度学习的车道线检测预警装置及预警方法 | |
CN107392103B (zh) | 路面车道线的检测方法及装置、电子设备 | |
CN103177246B (zh) | 基于动态区域划分的双模型车道线识别方法 | |
CN104657727B (zh) | 一种车道线的检测方法 | |
CN105488454B (zh) | 基于单目视觉的前方车辆检测与测距 | |
CN103065151B (zh) | 一种基于深度信息的车辆识别方法 | |
CN111444778B (zh) | 一种车道线检测方法 | |
CN110738121A (zh) | 一种前方车辆检测方法及检测*** | |
CN102982304B (zh) | 利用偏光图像检测车辆位置的方法和*** | |
CN104008377A (zh) | 基于时空关联的地面交通标志实时检测识别方法 | |
CN105809149A (zh) | 基于最大长度直线的车道线检测方法 | |
CN103488976A (zh) | 一种基于智能驾驶中停止线实时检测以及距离测量的方法 | |
CN103593981B (zh) | 一种基于视频的车型识别方法 | |
CN105206109A (zh) | 一种基于红外ccd的车辆雾天识别预警***及方法 | |
CN105488492A (zh) | 一种彩色图像预处理方法、道路识别方法及相关装置 | |
CN104700072A (zh) | 基于车道线历史帧的识别方法 | |
CN102243705B (zh) | 基于边缘检测的车牌定位方法 | |
CN106887004A (zh) | 一种基于块匹配的车道线检测方法 | |
CN202134079U (zh) | 一种无人驾驶车辆车道标志线识别与报警装置 | |
CN102589434B (zh) | 车辆侧滑运动的图像轮毂标识检测方法 | |
CN105426863A (zh) | 检测车道线的方法和装置 | |
CN104063869A (zh) | 一种基于Beamlet变换的车道线检测方法 | |
CN104112141A (zh) | 一种基于公路监控设备的货车安全带系挂状态的检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20140924 |
|
RJ01 | Rejection of invention patent application after publication |