CN109886168B - 一种基于层阶的地面交通标志识别方法 - Google Patents
一种基于层阶的地面交通标志识别方法 Download PDFInfo
- Publication number
- CN109886168B CN109886168B CN201910102556.4A CN201910102556A CN109886168B CN 109886168 B CN109886168 B CN 109886168B CN 201910102556 A CN201910102556 A CN 201910102556A CN 109886168 B CN109886168 B CN 109886168B
- Authority
- CN
- China
- Prior art keywords
- image
- lum
- value
- lane line
- pixel values
- 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.)
- Active
Links
Images
Landscapes
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于层阶的地面交通标志识别方法,首先对视频图像进行分析处理,通过车道线检测对提取出的矩形区域的大小和角度的筛选,对视频图像中的车道线进行检测和追踪,得到稳定、准确的车道线,并截取出所感兴趣的区域;然后,采用自适应二值化技术,定义灰度图像的像素值,将所有的像素点分为n个层级,将最上层和最下层的像素值舍去,得到有效的像素值,对分好的每个层阶像素点聚居区域分别进行目标检测,实现交通标志的识别。本发明具有准确和高效的优点,基于层阶算出的阈值能够突出所需要的车道线部分,有利于地面交通标志的识别。
Description
技术领域
本发明涉及计算机视觉、智能驾驶领域,具体涉及一种基于层阶的地面交通标志识别方法。
背景技术
作为ITS(智能交通***)中的一项重要研究内容,交通标志识别技术是必不可少的,这些年来,随着计算机视觉、模式识别及人工智能等相关技术的快速发展,交通标志识别技术受到了越来越多的关注,已成为计算机视觉领域的一个重要的研究内容,其中基于视频流的交通标志检测更是计算机视觉和模式识别领域的一个研究热点。
但是,目前国内对于智能交通***的研究还是初级阶段,在交通标志检测、识别与3D显示方面的研究较少,并且又由于现在交通路况更加的复杂,导致识别难度加大,所以我们这次选择的一种地面交通标志检测方法的主题也是将更有效识别交通标志作为出发点和落脚点。
当前的自适应二值化方法大多数是otsu(最大类间差法)算法和wellner(快速自适应图像二值化)算法,在环境不复杂的情况下有着不错的效果,但是对城市道路却有很大的局限,容易受到环境、天气状况等干扰,无法有效的突出检测目标。而传统的目标区域判别方法耗时较长对我们检测结果会有延迟的影响,本文提出的基于层阶的目标区域判别技术有效的解决了这些问题,在坏境较差的情况下有很好的二值化效果。并且通过阶层可以很快的找到目标的大致区域,排除感兴趣区域中的其他干扰因素,能够更好的满足需求。
发明内容
发明目的:本发明提供一种基于层阶的地面交通标志识别方法,能对地面交通标志进行快速的检测识别。
技术方案:本发明所述的一种基于层阶的地面交通标志识别方法,包括以下步骤:
(1)对视频图像进行预处理,得到降噪后的图像;
(2)以预处理后的图像为输入,运用特征提取算法得到图像中矩形区域,通过对矩形区域的筛选,进行车道线的提取与检测;
(3)以车道线提取后的图像为输入,运用边缘检测算法得到车道线的边缘,接着利用霍夫直线检测算法得到车道线点的集合,利用集合中点的斜率分出左右车道线点的集合,分别将两个点的集合拟合为最优的两条直线,实现车道线的检测,并不断更新这些点的集合,实现车道线的追踪;
(4)根据识别出来的车道线,对车道线之间的区域进行逆透视变换,提取用于地面交通标识识别的区域;
(5)通过图像像素值的标准差将图像分层,去除最上层与最下层的像素值,对剩下的像素值取对数求平均值,再求平均值的自然指数值,排除天气环境对二值化效果的干扰,突出车道线部分;
(6)将采集的车道线样本通过深度学习的方法,建立模型,通过模型对每个阶层的像素点聚集区域进行识别,锁定目标区域。
步骤(1)所述的对视频图像进行预处理主要包括:图像灰度化、去除图像噪声、定义感兴趣区域、图像二值化、形态学操作和高斯模糊。
步骤(2)所述的对于矩形区域的筛选通过以下方式实现:定义一个矩形区域的最大范围和最小范围,获取矩形区域的大小与矩形区域的角度的正弦函数值,定义一个正线函数的最大值与最小值,选择保留下式的值都为1矩形区域:
其中,size为矩形区域的大小,MaxSize为面积最大值,MinSize为面积最小值,angle为矩形区域的角度的正弦函数值,MaxAngle为最大值,MinAngle为最小值。
所述步骤(5)包括以下步骤:
(51)定义灰度图像的像素值Lum(x,y),所有像素值的标准差为Sd(x,y),将所有的像素点分为n个层级,N为像素点的个数;
(52)将最上层和最下层的像素值舍去,得到有效的像素值Lum(x,y)eff,通过以下公式实现:
Lum(x,y)eff=Lum(x,y),Lum(x,y)min+Sd(x,y)<Lum(x,y)<Lum(x,y)max-Sd(x,y);
(53)求出Lum(x,y)eff的自然对数,对所有Lum(x,y)eff的对数求平均值,再求平均值的自然指数值,即寻找的二值化阈值;
(54)将步骤(53)得到的阈值带入opencv自带的threshold函数中,从而得到效果较好的感兴趣区域二值化图像。
步骤(6)所述的模型为训练好的支持向量机模型。
有益效果:与现有技术相比,本发明的有益效果:本发明具有准确和高效的优点,基于层阶算出的阈值能够突出所需要的车道线部分,不会出现其他算法的大面积显白或者大面积显黑的情况,有利于地面交通标志的识别;而通过深度学习模型对每层像素点聚集区域进行识别相较于opencv自带的detectMultiScale(阈值化)函数可以更快的找到大致区域。
附图说明
图1为本发明的流程图;
图2为使用基于高斯分布模型的自适应阈值分割方法提取出的车道线的效果图;
图3为使用透视变换对直线进行筛选后,实现车道线追踪的效果图;
图4为基于阶层的自适应性二值化效果图;
图5为阶层地面交通标志区域判别效果图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
如图1所示,本发明公开的一种基于层阶的地面交通标志识别方法,包括以下步骤:
1、对获取到的视频图像进行预处理,为后续的图像处理提供支持。
本实施例中使用的视频数据为大客车在高速公路行驶时车载摄像机采集的以司机第一视角拍摄的视频数据,由于原始视频图像含有很多与后续图像处理操作无关的信息和噪声,所以首先要进行图像预处理,处理步骤主要包括图像灰度化和去除图像噪声。由于RGB三通道图像对车道线分割、特征提取以及相关运算并无帮助,所以首先进行灰度化处理,将RGB三通道的图像转换为单通道的灰度图像,之后使用形态学滤波的方法,去除图像中的椒盐噪声,得到比较平滑的图像,这有利于提取准确可靠的车道线。
2、以预处理图像为输入,首先使用基于高斯分布模型的自适应阈值分割方法,将车道线从复杂背景中分离出来。如图2所示为分离出的车道线的效果图。然后选择Canny(最优的边缘检测算法)检测车道线边缘,通过特征提取选取合适的矩形区域,筛选出正确的车道线。定义一个矩形区域的最大范围(MaxSize)和最小范围(MinSize),获取矩形区域的大小(size)与矩形区域的角度的正弦函数值(angle),定义一个正线函数的最大值(MaxAngle)与最小值(MinAngle),选择保留下式的值都为1矩形区域,以下公式进行筛选:
式中,size为矩形区域的大小,MaxSize为面积最大值,MinSize为面积最小值,angle为矩形区域的角度的正弦函数值,MaxAngle为最大值,MinAngle为最小值。
3、以筛选出的车道线图像为输入,使用随机霍夫变换的方法提取车道的特征点,接着构建数学模型对车道线特征点进行直线拟合,再接着利用逆透视变换提取目标区域。最终实现车道线追踪,并提取目标区域。最后优化算法保证车道线检测的稳定性和有效性。
4、根据识别出来的车道线对车道线之间的区域进行逆透视变换,提取用于地面交通标识识别的区域,如图3所示。
5、定义一个自适应性二值化方法:定义灰度图像的像素值Lum(x,y),所有像素值的标准差为Sd(x,y),将所有的像素点分为n个层级,N为像素点的个数。将最上层和最下层的像素值舍去,得到有效的像素值Lum(x,y)eff,公式如下:
Lum(x,y)eff=Lum(x,y),Lum(x,y)min+Sd(x,y)<Lum(x,y)<Lum(x,y)max-Sd(x,y);然后求出Lum(x,y)eff的自然对数;接着对所有Lum(x,y)eff的对数求平均值,再求平均值的自然指数值,得出的结果便是要求寻找的二值化阈值,再将该阈值带入opencv自带的threshold函数中,基于阶层的自适应性二值化效果图如图4所示。
6、利用层阶目标锁定的方法,通过训练好的SVM模型对步骤5分好的每一个层阶像素点聚居区域分别进行目标检测,基于阶层的目标区域判别的效果如图5所示,当检测出目标时进行语音提示驾驶人员,若没有则继续对下一层阶检测。
Claims (5)
1.一种基于层阶的地面交通标志识别方法,其特征在于,包括以下步骤:
(1)对视频图像进行预处理,得到降噪后的图像;
(2)以预处理后的图像为输入,运用特征提取算法得到图像中矩形区域,通过对矩形区域的筛选,进行车道线的提取与检测;
(3)以车道线提取后的图像为输入,运用边缘检测算法得到车道线的边缘,接着利用霍夫直线检测算法得到车道线点的集合,利用集合中点的斜率分出左右车道线点的集合,分别将两个点的集合拟合为最优的两条直线,实现车道线的检测,并不断更新这些点的集合,实现车道线的追踪;
(4)根据识别出来的车道线,对车道线之间的区域进行逆透视变换,提取用于地面交通标志识别的区域;
(5)通过图像像素值的标准差将图像分层,去除最上层与最下层的像素值,对剩下的像素值取对数求平均值,再求平均值的自然指数值,排除天气环境对二值化效果的干扰,突出车道线部分;
(6)将采集的车道线样本通过深度学习的方法,建立模型,通过模型对每个阶层的像素点聚集区域进行识别,锁定目标区域。
2.根据权利要求1所述的一种基于层阶的地面交通标志识别方法,其特征在于,步骤(1)所述的对视频图像进行预处理主要包括:图像灰度化、去除图像噪声、定义感兴趣区域、图像二值化、形态学操作和高斯模糊。
4.根据权利要求1所述的一种基于层阶的地面交通标志识别方法,其特征在于,所述步骤(5)包括以下步骤:
(51)定义灰度图像的像素值Lum(x,y),所有像素值的标准差为Sd(x,y),将所有的像素点分为n个层级;
(52)将最上层和最下层的像素值舍去,得到有效的像素值Lum(x,y)eff,通过以下公式实现:
Lum(x,y)eff=Lum(x,y),Lum(x,y)min+Sd(x,y)<Lum(x,y)<Lum(x,y)max-Sd(x,y)
其中,Lum(x,y)min为灰度图像的最小像素值,Lum(x,y)max为灰度图像的最大像素值;
(53)求出Lum(x,y)eff的自然对数,对所有Lum(x,y)eff的对数求平均值,再求平均值的自然指数值,即寻找的二值化阈值;
(54)将步骤(53)得到的阈值带入opencv自带的threshold函数中,从而得到效果较好的感兴趣区域二值化图像。
5.根据权利要求1所述的一种基于层阶的地面交通标志识别方法,其特征在于,步骤(6)所述的模型为训练好的支持向量机模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910102556.4A CN109886168B (zh) | 2019-02-01 | 2019-02-01 | 一种基于层阶的地面交通标志识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910102556.4A CN109886168B (zh) | 2019-02-01 | 2019-02-01 | 一种基于层阶的地面交通标志识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109886168A CN109886168A (zh) | 2019-06-14 |
CN109886168B true CN109886168B (zh) | 2020-10-16 |
Family
ID=66927878
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910102556.4A Active CN109886168B (zh) | 2019-02-01 | 2019-02-01 | 一种基于层阶的地面交通标志识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109886168B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111476157B (zh) * | 2020-04-07 | 2020-11-03 | 南京慧视领航信息技术有限公司 | 一种路口监控环境下的车道导向箭头识别方法 |
CN112115778B (zh) * | 2020-08-11 | 2023-07-21 | 华南理工大学 | 一种在环仿真条件下车道线智能识别方法 |
CN113269800B (zh) * | 2021-05-25 | 2023-05-12 | 华能海南发电股份有限公司澄迈光伏电站 | 一种太阳能光伏组件红外图像分割方法 |
CN115294767B (zh) * | 2022-08-02 | 2023-06-27 | 山西省智慧交通研究院有限公司 | 一种高速公路车道线实时检测与交通安全预警方法及装置 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103425981B (zh) * | 2012-05-22 | 2017-09-15 | 深圳中兴力维技术有限公司 | 一种基于聚类的团块提取装置及方法 |
CN104021553B (zh) * | 2014-05-30 | 2016-12-07 | 哈尔滨工程大学 | 一种基于像素点分层的声纳图像目标检测方法 |
CN105893949B (zh) * | 2016-03-29 | 2019-07-12 | 西南交通大学 | 一种复杂路况场景下的车道线检测方法 |
CN106407924A (zh) * | 2016-09-10 | 2017-02-15 | 上海大学 | 基于路面特征的双目道路识别检测方法 |
CN108573242A (zh) * | 2018-04-26 | 2018-09-25 | 南京行车宝智能科技有限公司 | 一种车道线检测方法和装置 |
-
2019
- 2019-02-01 CN CN201910102556.4A patent/CN109886168B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109886168A (zh) | 2019-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105373794B (zh) | 一种车牌识别方法 | |
CN109886168B (zh) | 一种基于层阶的地面交通标志识别方法 | |
Marzougui et al. | A lane tracking method based on progressive probabilistic Hough transform | |
CN109784344B (zh) | 一种用于地平面标识识别的图像非目标滤除方法 | |
Mammeri et al. | A real-time lane marking localization, tracking and communication system | |
CN109657632B (zh) | 一种车道线检测识别方法 | |
CN108280450B (zh) | 一种基于车道线的高速公路路面检测方法 | |
CN103971126A (zh) | 一种交通标志识别方法和装置 | |
Alonso et al. | Robust vehicle detection through multidimensional classification for on board video based systems | |
CN105528609A (zh) | 一种基于字符位置的车牌定位方法 | |
CN106529532A (zh) | 一种基于积分特征通道与灰度投影的车牌识别*** | |
CN107895151A (zh) | 一种强光照条件下基于机器视觉的车道线检测方法 | |
WO2023279966A1 (zh) | 一种多车道线检测方法、装置及检测设备 | |
Qin et al. | A general framework for road marking detection and analysis | |
CN108509950B (zh) | 基于概率特征加权融合的铁路接触网支柱号牌检测识别法 | |
CN113239733B (zh) | 一种多车道车道线检测方法 | |
CN111027544B (zh) | 一种基于视觉显著性检测的mser车牌定位方法及*** | |
CN114511770A (zh) | 道路标识标牌识别方法 | |
Abedin et al. | Traffic sign recognition using surf: Speeded up robust feature descriptor and artificial neural network classifier | |
CN107133588A (zh) | 基于车窗特征提取的车辆识别方法 | |
CN112101108A (zh) | 一种基于图形极点位置特征的左右转交通标志识别方法 | |
Avery et al. | Investigation into shadow removal from traffic images | |
CN107977608B (zh) | 一种应用于公路视频图像道路区域提取的方法 | |
Salahshoor et al. | Application of intelligent systems for iranian license plate recognition | |
Lu | A lane detection, tracking and recognition system for smart vehicles |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |