CN111695373B - 斑马线的定位方法、***、介质及设备 - Google Patents
斑马线的定位方法、***、介质及设备 Download PDFInfo
- Publication number
- CN111695373B CN111695373B CN201910185277.9A CN201910185277A CN111695373B CN 111695373 B CN111695373 B CN 111695373B CN 201910185277 A CN201910185277 A CN 201910185277A CN 111695373 B CN111695373 B CN 111695373B
- Authority
- CN
- China
- Prior art keywords
- zebra
- image
- zebra crossing
- rectangular frame
- horizontal rectangular
- 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
- 241000283070 Equus zebra Species 0.000 title claims abstract description 196
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000012544 monitoring process Methods 0.000 claims abstract description 56
- 238000001514 detection method Methods 0.000 claims abstract description 43
- 238000012545 processing Methods 0.000 claims abstract description 38
- 238000013135 deep learning Methods 0.000 claims abstract description 32
- 238000006243 chemical reaction Methods 0.000 claims abstract description 21
- 238000004458 analytical method Methods 0.000 claims abstract description 20
- 238000007621 cluster analysis Methods 0.000 claims abstract description 13
- 238000003708 edge detection Methods 0.000 claims abstract description 13
- 230000005484 gravity Effects 0.000 claims description 30
- 230000001186 cumulative effect Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 235000019800 disodium phosphate Nutrition 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明提供斑马线的定位方法、***、介质及设备,斑马线的定位方法包括:将采集到的交通路口的监控图像用一深度学***矩形框;对所述水平矩形框内的监控图像进行颜色空间转换,并进行图像二值化处理,以生成监控图像的二值化图像;聚类分析所述二值化图像中的白色像素点,剔除非斑马线的噪声区域;在所述聚类分析后的二值化图像中通过边缘检测选取轮廓极值点,提取斑马线轮廓提取,以定位斑马线区域。本发明提供的斑马线的定位方法提升了斑马线定位的准确率,为交通路口复杂的车辆行驶分析提供了基础。
Description
技术领域
本发明属于图像处理领域,涉及一种斑马线图像定位的方法,特别是涉及一种斑马线的定位方法、***、介质及设备。
背景技术
斑马线检测的问题是自动驾驶以及智慧交通一直关注的问题,摄像头的角度的差别使得斑马线形状大小各异。在自动驾驶情况下,斑马线在采集图像中多与上下边界平行,而在交通摄像头所采集的图像中,尤其是可旋转角度的摄像头采集的图像中,其方向大小各异,在交通路口场景下,一张图片中存在多条或清晰或模糊并且因透视效果发生巨大形变的斑马线。这种情况为斑马线的识别和定位带来了额外的困难。
斑马线检测的问题与自动驾驶的发展并存,也不仅仅局限于自动驾驶场景之下,例如在智慧交通中对于斑马线的检测定位也是必须克服的问题。传统的斑马线检测方法着眼于斑马线的物理特征,通过canny算子提取边缘,再通过霍夫变换得到直线,经过对一系列直线平行的分析来检测斑马线的存在。然而这些方法多大同小异,对不同光线、形变、清晰度场景下的斑马线检测适应性不强。
深度学习是近年来计算机甚至其他学科研究的热门方向。深度神经网络,卷积神经网络,深度置信网络、递归神经网络等深度学习框架已被广泛应用在计算机视觉、语音识别、自然语言处理、音频识别、生物信息学等领域取得了极好的效果。深度学习的好处是用半监督式或非监督式的特征学习和分层特征提取高效的替代手工获取特征。
在深度学***矩形框,对于非传统的目标检测数据(如交通路口狭长斑马线)不能达到很好的定位效果。
因此,如何提供一种斑马线区域的定位方法,使得定位更精确,更适用于复杂多变的环境,以降低斑马线的误检率,实已成为本领域技术人员亟待解决的技术问题。
发明内容
鉴于以上所述现有技术的缺点,本发明的目的在于提供的斑马线的定位方法、***、介质及设备,用于解决现有技术斑马线区域定位准确度不高的问题。
为实现上述目的及其他相关目的,本发明提供的斑马线的定位方法,包括:将采集到的交通路口的监控图像用一深度学***矩形框;对所述水平矩形框内的监控图像进行颜色空间转换,并进行图像二值化处理,以生成监控图像的二值化图像;聚类分析所述二值化图像中的白色像素点,剔除非斑马线的噪声区域;在所述聚类分析后的二值化图像中通过边缘检测选取轮廓极值点,提取斑马线轮廓提取,以定位斑马线区域。
于本发明的一实施例中,在所述将采集到的交通路口的监控图像用一深度学***矩形框的步骤之前,所述斑马线的定位方法还包括:由预先采集的若干交通路口的监控图像训练深度学习斑马线检测模型,生成所述斑马线检测网络。
于本发明的一实施例中,所述对所述水平矩形框内的监控图像进行颜色空间转换,并进行图像二值化处理,以生成监控图像的二值化图像的步骤包括:对所述水平矩形框内的交通监控图像进行颜色空间转化;根据所述颜色空间转化后亮度数值对应的像素点在像素点总数中的比例绘制累计直方图;在所述累计直方图中设定一比例阈值,作为图像二值化的白色像素点的分界值。
于本发明的一实施例中,所述聚类分析所述二值化图像中的白色像素点,剔除非斑马线的噪声区域的步骤包括:在每一个所述水平矩形框区域内,对所述二值化图像中的所有所述白色像素点的区域根据一预设的尺寸参数,进行密集程度分析;根据所述密集程度分析的结果逐一确定每一个所述水平矩形框区域内白色像素点的平均位置,将所述平均位置作为聚类重心;将所有所述聚类重心进行直线拟合;剔除偏离直线的所述聚类重心对应的白色像素点的区域。
于本发明的一实施例中,所述剔除偏离直线的所述聚类中心对应的白色像素点的区域的步骤包括:将偏离直线的所述聚类中心对应的白色像素点的区域确定为噪声区域;剔除噪声区域。
于本发明的一实施例中,所述聚类重心为在所述水平矩形框内确定的像素点的密度重心。
于本发明的一实施例中,所述聚类分析依据预设的扫描半径参数和最小包含点数参数。
本发明另一方面提供一种斑马线的定位***,所述斑马线的定位***包括:位置选取模块,用于将采集到的交通路口的监控图像用一深度学***矩形框;二值化处理模块,用于对所述水平矩形框内的监控图像进行颜色空间转换,并进行图像二值化处理,以生成监控图像的二值化图像;聚类处理模块,用于聚类分析所述二值化图像中的白色像素点,剔除非斑马线的噪声区域;定位模块,用于在所述聚类分析后的二值化图像中通过边缘检测选取轮廓极值点,提取斑马线轮廓提取,以定位斑马线区域。
本发明又一方面提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现所述斑马线的定位方法。
本发明最后一方面提供一种设备,包括:处理器及存储器;
所述存储器用于存储计算机程序,所述处理器用于执行所述存储器存储的计算机程序,以使所述设备执行所述斑马线的定位方法。
如上所述,本发明的斑马线的定位方法、***、介质及设备,具有以下有益效果:
本发明能够快速准确的识别出交通路口摄像头所采集图像中的斑马线,并且能适应不同天气、时间、季节对斑马线进行准确的定位,大大的减小了斑马线的误检率,提升了斑马线定位的准确率,为交通路口复杂的车辆行驶分析提供了基础。
附图说明
图1显示为本发明的斑马线的定位方法于一实施例中的原理流程图。
图2显示为通过斑马线检测网络检测出的斑马线图像示意图。
图3显示为本发明的斑马线的定位***于一实施例中的***原理图。
元件标号说明
21 水平矩形框
22 白色像素点的区域
23 边缘检测线
24 非斑马线区域
25 拟合直线上的聚类重心
26 偏离拟合直线的聚类重心
27 拟合直线
3 斑马线的定位***
31 位置选取模块
32 二值化处理模块
33 聚类处理模块
34 定位模块
S11~S14 斑马线的定位方法步骤
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
本发明所述斑马线的定位方法、***、介质及设备的技术原理如下:将采集到的交通路口的监控图像用一深度学***矩形框;对所述水平矩形框内的监控图像进行颜色空间转换,并进行图像二值化处理,以生成监控图像的二值化图像;聚类分析所述二值化图像中的白色像素点,剔除非斑马线的噪声区域;在所述聚类分析后的二值化图像中通过边缘检测选取轮廓极值点,提取斑马线轮廓提取,以定位斑马线区域。
实施例一
本实施例提供的斑马线的定位方法,包括:将采集到的交通路口的监控图像用一深度学***矩形框;对所述水平矩形框内的监控图像进行颜色空间转换,并进行图像二值化处理,以生成监控图像的二值化图像;聚类分析所述二值化图像中的白色像素点,剔除非斑马线的噪声区域;在所述聚类分析后的二值化图像中通过边缘检测选取轮廓极值点,提取斑马线轮廓提取,以定位斑马线区域。
以下将结合图示对本实施例所提供的斑马线的定位方法进行详细说明。
请参阅图1,显示为本发明的斑马线的定位方法于一实施例中的原理流程图。如图1所示,所述斑马线的定位方法具体包括以下几个步骤:
S10,由预先采集的若干交通路口的监控图像训练深度学习斑马线检测模型,生成所述斑马线检测网络。
所述监控图像为实际交通路口摄像头所拍摄图像,这些图像中斑马线位置各异,形状大小不尽相似,根据拍摄时间天气等原因画面明暗差别很大,由于为实际场景,斑马线也由于所画时间不同而清晰度差异比较大。
S11,将采集到的交通路口的监控图像通过斑马线检测网络进行检测,针对所述监控图像中每一处识别的斑马线,将其图像位置区域内设置用于确定斑马线位置的水平矩形框。
所述斑马线检测网络是通过预存的深度学***行边缘以及白色区域所确定的斑马线感兴趣区域。
于实际应用中,所述深度学***矩形框,作为后处理中感兴趣区域。请参阅图2,显示为通过斑马线检测网络检测出的斑马线图像示意图。
在本实施例中,在所述将采集到的交通路口的监控图像用一深度学***矩形框。
本实施例通过Faster R-CNN深度学习目标检测算法进行斑马线识别,提取斑马线的颜色特征,通过聚类算法以及轮廓提取来确定斑马线位置。由于这些实际场景下差异的存在,所以在所述S11步骤中深度学习Faster R-CNN算法起到了学习各种不同场景斑马线特征,并在各异的现实场景中将斑马线准确的识别出来作用,相较于其他传统方法,深度学习方法具有普适性,包容性更强。
S12,对所述水平矩形框内的监控图像进行颜色空间转换,并进行图像二值化处理,以生成监控图像的二值化图像。
在本实施例中,所述S12包括:对所述水平矩形框内的交通监控图像进行颜色空间转化;根据所述颜色空间转化后亮度数值对应的像素点在像素点总数中的比例绘制累计直方图;在所述累计直方图中设定一比例阈值,作为图像二值化的白色像素点的分界值。
具体地,将所述S11步骤中深度学***矩形框21作为感兴趣区域,在区域内做图像二值化,所用二值化方法为累计直方图方法。
颜色累计直方图二值化方法是一种自适应阈值方法,通过统计YCbCr颜色空间中Y通道即亮度通道0-255各数值所对应像素点占像素点总数的比例,制成累计直方图,并人为设定二值化后白色像素点比例,来对感兴趣区域做二值化。
由于自然环境下光线的不同导致斑马线在图像中亮度的不同,需要通过自适应的方法选取感兴趣区域内最亮的一部分区域以获得斑马线的大致位置范围。在所述S12步骤中,首先将RGB图像的颜色空间转化为YCbCr颜色空间。YCbCr颜色空间Y为颜色的亮度成分,所以提取感兴趣区域中亮度最高的区域相比于其他二值化方法更有利于分割出不同光照条件下的斑马线。其转换公式如下:
本实施例中利用颜色累计直方图方法得到的二值图像相比于其他图像二值化方法更适合于图像明暗程度各异的交通摄像头拍摄场景。
在本实施例中,对二值化图像白色区域进行聚类,利用非监督的DBSCAN算法,根据密度进行聚类,对于近处大面积的斑马线可以做到对每一条白线进行聚类,使得对斑马线的分割更加准确,还可以将远离斑马线主体的白色区域分割出去,使得定位更加准确。
S13,聚类分析所述二值化图像中的白色像素点,剔除非斑马线的噪声区域;
具体地,利用DBSCAN算法对二值化图像中白色像素点的区域22进行聚类,剔除非斑马线区域24的像素点,实现按照斑马线条纹进行分割。DBSCAN是一种以密度为本的聚类分析算法,需要两个参数扫描半径参数epsilon和形成高密度区域所需要的最少点数,即最小包含点数,通过选取一定的扫描半径参数epsilon和形成高密度区域所需要的最少点数,可以将感兴趣区域中的斑马线条纹以及二值化为白色的噪声分别聚类。
在本实施例中,所述S13包括:
a.在每一个所述水平矩形框区域内,对所述二值化图像中的所有所述白色像素点的区域根据一预设的尺寸参数,进行密集程度分析;
对所述步骤S11中每一个检测出斑马线的水平矩形框21根据尺寸设计一个合适的参数进行聚类,可以有效的对不同尺寸的斑马线进行自适应聚类,对于每一种尺寸的矩形框都可以通过DBSCAN算法将斑马线以及噪声聚类。
b.所述密集程度分析是利用DBSCAN算法分析所述白色像素点的区域的像素点分布位置,由像素点分布位置确定一个位置分布重心,根据所述密集程度分析的位置分布重心逐一确定每一个所述水平矩形框区域内白色像素点的平均位置,将所述平均位置作为聚类重心;
对于聚类算法得到的各类别分别计算聚类重心,由于像素点密度相同,所得重心即可认为类内点的平均位置。
c.将所有所述聚类重心通过线性拟合算法进行直线拟合;
通过对各中心点直线拟合得到拟合直线27,噪声类的重心如偏离拟合直线的聚类重心26到直线的距离更大,因此剔除设为黑色,其他像素点保留,如拟合直线上的聚类重心25作为代表斑马线的像素点。而所留的拟合直线上的聚类重心25所拟合直线可代表斑马线方向。
d.剔除偏离直线的所述聚类重心对应的白色像素点的区域。
在本实施例中,所述剔除偏离直线的所述聚类中心对应的白色像素点的区域的步骤包括:将偏离直线的所述聚类中心对应的白色像素点的区域确定为噪声区域;剔除噪声区域。
在本实施例中,所述聚类重心为在所述水平矩形框内确定的像素点的密度重心。
在本实施例中,所述聚类分析依据预设的扫描半径参数和最小包含点数参数。
S14,在所述聚类分析后的二值化图像中通过边缘检测得到边缘检测线23,如图2所示,选取轮廓极值点A、B、C、D,提取斑马线轮廓提取,以定位斑马线区域。
在本实施例中,通过提取斑马线两侧的边缘检测线23的轮廓,选取轮廓极值点A、B、C、D,可以排除噪声干扰,得到多边形斑马线轮廓。
本实施例还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现所述一种斑马线的定位方法。
本领域普通技术人员可以理解:实现上述各方法实施例的全部或部分步骤可以通过计算机程序相关的硬件来完成。前述的计算机程序可以存储于一计算机可读存储介质中。该程序在执行时,执行包括上述各方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
本实施例解决了传统方法普适性不强以及深度学习方法检测框并没有达到理想定位准确度的问题,结合深度学习与传统方法的优势,互相弥补不足,达到较为精确的交通路口斑马线定位效果。
实施例二
本实施例提供一种斑马线的定位***,所述斑马线的定位***包括:位置选取模块,用于将采集到的交通路口的监控图像用一深度学***矩形框;二值化处理模块,用于对所述水平矩形框内的监控图像进行颜色空间转换,并进行图像二值化处理,以生成监控图像的二值化图像;聚类处理模块,用于聚类分析所述二值化图像中的白色像素点,剔除非斑马线的噪声区域;定位模块,用于在所述聚类分析后的二值化图像中通过边缘检测选取轮廓极值点,提取斑马线轮廓提取,以定位斑马线区域。
以下将结合图示对本实施例所提供的斑马线的定位***进行详细说明。本实施例所述的斑马线的定位***,应用于如图1和图2所示的斑马线的定位方法。
请参阅图3,图3显示为本发明的斑马线的定位***于一实施例中的***原理图。如图3所示,所述斑马线的定位***3包括:位置选取模块31、二值化处理模块32、聚类处理模块33和定位模块34。
利用位置选取模块31将采集到的交通路口的监控图像用一深度学***矩形框;
具体地,所述位置选取模块31用于在所述将采集到的交通路口的监控图像用一深度学***矩形框。
对所述水平矩形框内的监控图像进行颜色空间转换,并通过二值化处理模块32进行图像二值化处理,以生成监控图像的二值化图像;
具体地,所述二值化处理模块32用于对所述水平矩形框内的交通监控图像进行颜色空间转化;根据所述颜色空间转化后亮度数值对应的像素点在像素点总数中的比例绘制累计直方图;在所述累计直方图中设定一比例阈值,作为图像二值化的白色像素点的分界值。
聚类处理模块33用于聚类分析所述二值化图像中的白色像素点,剔除非斑马线的噪声区域;
具体地,所述聚类处理模块33用于在每一个所述水平矩形框区域内,对所述二值化图像中的所有所述白色像素点的区域根据一预设的尺寸参数,进行密集程度分析;根据所述密集程度分析的结果逐一确定每一个所述水平矩形框区域内白色像素点的平均位置,将所述平均位置作为聚类重心;将所有所述聚类重心进行直线拟合;剔除偏离直线的所述聚类重心对应的白色像素点的区域。
在本实施例中,将偏离直线的所述聚类中心对应的白色像素点的区域确定为噪声区域;剔除噪声区域。
在本实施例中,所述聚类重心为在所述水平矩形框内确定的像素点的密度重心。
在本实施例中,所述聚类分析依据预设的扫描半径参数和最小包含点数参数。
通过定位模块34在所述聚类分析后的二值化图像中通过边缘检测选取轮廓极值点,提取斑马线轮廓提取,以定位斑马线区域。
需要说明的是,应理解以上定位***的各个模块的划分仅仅是一种逻辑功能的划分,实际实现时可以全部或部分集成到一个物理实体上,也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现;也可以全部以硬件的形式实现;还可以部分模块通过处理元件调用软件的形式实现,部分模块通过硬件的形式实现。例如,x模块可以为单独设立的处理元件,也可以集成在上述定位***的某一个芯片中实现,此外,也可以以程序代码的形式存储于上述定位***的存储器中,由上述定位***的某一个处理元件调用并执行以上x模块的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起,也可以独立实现。这里所述的处理元件可以是一种集成电路,具有信号的处理能力。在实现过程中,上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
例如,以上这些模块可以是被配置成实施以上方法的一个或多个集成电路,例如:一个或多个特定集成电路(ApplicationSpecificIntegratedCircuit,简称ASIC),或,一个或多个微处理器(digitalsingnalprocessor,简称DSP),或,一个或者多个现场可编程门阵列(FieldProgrammableGateArray,简称FPGA)等。再如,当以上某个模块通过处理元件调度程序代码的形式实现时,该处理元件可以是通用处理器,例如中央处理器(CentralProcessingUnit,简称CPU)或其它可以调用程序代码的处理器。再如,这些模块可以集成在一起,以片上***(system-on-a-chip,简称SOC)的形式实现。
本实施例解决了传统方法普适性不强以及深度学习方法检测框并没有达到理想定位准确度的问题,结合深度学习与传统方法的优势,互相弥补不足,达到较为精确的交通路口斑马线定位效果。
实施例三
本实施例提供一种设备,包括:处理器、存储器、收发器、通信接口或/和***总线;存储器和通信接口通过***总线与处理器和收发器连接并完成相互间的通信,存储器用于存储计算机程序,通信接口用于和其他设备进行通信,处理器和收发器用于运行计算机程序,使所述设备执行如实施例一所述斑马线的定位方法的各个步骤。
上述提到的***总线可以是外设部件互连标准(Peripheral ComponentInterconnect,简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,简称EISA)总线等。该***总线可以分为地址总线、数据总线、控制总线等。通信接口用于实现数据库访问装置与其他设备(如客户端、读写库和只读库)之间的通信。存储器可能包含随机存取存储器(Random Access Memory,简称RAM),也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital Signal Processing,简称DSP)、专用集成电路(Application SpecificIntegrated Circuit,简称ASIC)、现场可编程门阵列(Field Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
本发明所述的斑马线的定位方法的保护范围不限于本实施例列举的步骤执行顺序,凡是根据本发明的原理所做的现有技术的步骤增减、步骤替换所实现的方案都包括在本发明的保护范围内。
本发明还提供一种斑马线的定位***,所述斑马线的定位***可以实现本发明所述的斑马线的定位方法,但本发明所述的斑马线的定位方法的实现装置包括但不限于本实施例列举的斑马线的定位***的结构,凡是根据本发明的原理所做的现有技术的结构变形和替换,都包括在本发明的保护范围内。
综上所述,本发明所述的斑马线的定位方法、***、介质及设备,能够快速准确的识别出交通路口摄像头所采集图像中的斑马线,并且能适应不同天气、时间、季节对斑马线进行准确的定位,大大的减小了斑马线的误检率,提升了斑马线定位的准确率,为交通路口复杂的车辆行驶分析提供了基础,本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (8)
1.一种斑马线的定位方法,其特征在于,包括:
将采集到的交通路口的监控图像用一深度学***矩形框;
对所述水平矩形框内的监控图像进行颜色空间转换,并进行图像二值化处理,以生成监控图像的二值化图像;
聚类分析所述二值化图像中的白色像素点,剔除非斑马线的噪声区域;在每一个所述水平矩形框区域内,对所述二值化图像中的所有所述白色像素点的区域根据一预设的尺寸参数,进行密集程度分析;根据所述密集程度分析的结果逐一确定每一个所述水平矩形框区域内白色像素点的平均位置,将所述平均位置作为聚类重心;将所有所述聚类重心进行直线拟合;剔除偏离直线的所述聚类重心对应的白色像素点的区域;其中,剔除偏离直线的所述聚类重心对应的白色像素点的区域包括:将偏离直线的所述聚类重心对应的白色像素点的区域确定为噪声区域;剔除所述噪声区域;
在所述聚类分析后的二值化图像中通过边缘检测选取轮廓极值点,提取斑马线轮廓提取,以定位斑马线区域。
2.根据权利要求1所述的斑马线的定位方法,其特征在于,在所述将采集到的交通路口的监控图像用一深度学***矩形框的步骤之前,所述斑马线的定位方法还包括:
由预先采集的若干交通路口的监控图像训练深度学习斑马线检测模型,生成所述斑马线检测网络。
3.根据权利要求1所述的斑马线的定位方法,其特征在于,所述对所述水平矩形框内的监控图像进行颜色空间转换,并进行图像二值化处理,以生成监控图像的二值化图像的步骤包括:
对所述水平矩形框内的交通监控图像进行颜色空间转化;
根据所述颜色空间转化后亮度数值对应的像素点在像素点总数中的比例绘制累计直方图;
在所述累计直方图中设定一比例阈值,作为图像二值化的白色像素点的分界值。
4.根据权利要求1所述的斑马线的定位方法,其特征在于,
所述聚类重心为在所述水平矩形框内确定的像素点的密度重心。
5.根据权利要求1所述的斑马线的定位方法,其特征在于,
所述聚类分析依据预设的扫描半径参数和最小包含点数参数。
6.一种斑马线的定位***,其特征在于,所述斑马线的定位***包括:
位置选取模块,用于将采集到的交通路口的监控图像用一深度学***矩形框;
二值化处理模块,用于对所述水平矩形框内的监控图像进行颜色空间转换,并进行图像二值化处理,以生成监控图像的二值化图像;
聚类处理模块,用于聚类分析所述二值化图像中的白色像素点,剔除非斑马线的噪声区域;在每一个所述水平矩形框区域内,对所述二值化图像中的所有所述白色像素点的区域根据一预设的尺寸参数,进行密集程度分析;根据所述密集程度分析的结果逐一确定每一个所述水平矩形框区域内白色像素点的平均位置,将所述平均位置作为聚类重心;将所有所述聚类重心进行直线拟合;剔除偏离直线的所述聚类重心对应的白色像素点的区域;其中,剔除偏离直线的所述聚类重心对应的白色像素点的区域包括:将偏离直线的所述聚类重心对应的白色像素点的区域确定为噪声区域;剔除所述噪声区域;
定位模块,用于在所述聚类分析后的二值化图像中通过边缘检测选取轮廓极值点,提取斑马线轮廓提取,以定位斑马线区域。
7.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1至5任一项所述斑马线的定位方法。
8.一种设备,其特征在于,包括:处理器及存储器;
所述存储器用于存储计算机程序,所述处理器用于执行所述存储器存储的计算机程序,以使所述设备执行如权利要求1至5中任一项斑马线的定位方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910185277.9A CN111695373B (zh) | 2019-03-12 | 2019-03-12 | 斑马线的定位方法、***、介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910185277.9A CN111695373B (zh) | 2019-03-12 | 2019-03-12 | 斑马线的定位方法、***、介质及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111695373A CN111695373A (zh) | 2020-09-22 |
CN111695373B true CN111695373B (zh) | 2024-02-02 |
Family
ID=72475678
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910185277.9A Active CN111695373B (zh) | 2019-03-12 | 2019-03-12 | 斑马线的定位方法、***、介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111695373B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112241714B (zh) * | 2020-10-22 | 2024-04-26 | 北京字跳网络技术有限公司 | 图像中指定区域的识别方法、装置、可读介质和电子设备 |
CN112446315B (zh) * | 2020-11-19 | 2022-05-31 | 武汉中海庭数据技术有限公司 | 高精度地图斑马线融合方法、***、服务器及存储介质 |
CN112633151B (zh) * | 2020-12-22 | 2024-04-12 | 浙江大华技术股份有限公司 | 一种确定监控图像中斑马线的方法、装置、设备及介质 |
CN113435350A (zh) * | 2021-06-30 | 2021-09-24 | 浙江大华技术股份有限公司 | 一种交通标线检测方法、装置、设备和介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104809433A (zh) * | 2015-04-21 | 2015-07-29 | 电子科技大学 | 一种基于最大稳定区域和随机采样的斑马线检测方法 |
CN105718870A (zh) * | 2016-01-15 | 2016-06-29 | 武汉光庭科技有限公司 | 自动驾驶中基于前向摄像头的道路标线提取方法 |
CN105893949A (zh) * | 2016-03-29 | 2016-08-24 | 西南交通大学 | 一种复杂路况场景下的车道线检测方法 |
JP2017223511A (ja) * | 2016-06-14 | 2017-12-21 | 日本電信電話株式会社 | 道路構造化装置、道路構造化方法、及び道路構造化プログラム |
-
2019
- 2019-03-12 CN CN201910185277.9A patent/CN111695373B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104809433A (zh) * | 2015-04-21 | 2015-07-29 | 电子科技大学 | 一种基于最大稳定区域和随机采样的斑马线检测方法 |
CN105718870A (zh) * | 2016-01-15 | 2016-06-29 | 武汉光庭科技有限公司 | 自动驾驶中基于前向摄像头的道路标线提取方法 |
CN105893949A (zh) * | 2016-03-29 | 2016-08-24 | 西南交通大学 | 一种复杂路况场景下的车道线检测方法 |
JP2017223511A (ja) * | 2016-06-14 | 2017-12-21 | 日本電信電話株式会社 | 道路構造化装置、道路構造化方法、及び道路構造化プログラム |
Non-Patent Citations (2)
Title |
---|
孙伟 ; 张小瑞 ; 唐慧强 ; 张为公 ; 闾军 ; .Hough变换和最小二乘拟合的车道线协调检测.光电工程.2011,(10),全文. * |
闫利 ; 黄亮 ; .街景影像中的斑马线检测与定位.测绘科学.(11),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN111695373A (zh) | 2020-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111695373B (zh) | 斑马线的定位方法、***、介质及设备 | |
CN107545239B (zh) | 一种基于车牌识别与车辆特征匹配的套牌检测方法 | |
US8340420B2 (en) | Method for recognizing objects in images | |
CN109271937B (zh) | 基于图像处理的运动场地标志物识别方法及*** | |
CN112686812B (zh) | 银行卡倾斜矫正检测方法、装置、可读存储介质和终端 | |
Ajmal et al. | A comparison of RGB and HSV colour spaces for visual attention models | |
CN107909081B (zh) | 一种深度学习中图像数据集的快速获取和快速标定方法 | |
CN108960404B (zh) | 一种基于图像的人群计数方法及设备 | |
CN106709500B (zh) | 一种图像特征匹配的方法 | |
Wang et al. | Recognition and localization of occluded apples using K-means clustering algorithm and convex hull theory: a comparison | |
CN109685045A (zh) | 一种运动目标视频跟踪方法及*** | |
CN111382658B (zh) | 一种基于图像灰度梯度一致性的自然环境下道路交通标志检测方法 | |
CN103295013A (zh) | 一种基于成对区域的单幅图像阴影检测方法 | |
CN113435407B (zh) | 一种输电***的小目标识别方法及装置 | |
CN111161281A (zh) | 一种人脸区域识别方法、装置及存储介质 | |
CN111161295A (zh) | 一种菜品图像背景剥离方法 | |
CN111401364A (zh) | 一种基于颜色特征和模板匹配相结合的车牌定位算法 | |
CN111695374B (zh) | 监控视角中斑马线区域的分割方法、***、介质及设备 | |
TWI498830B (zh) | 不均勻光線下的車牌辨識方法及系統 | |
CN117475353A (zh) | 基于视频的异常烟雾识别方法及*** | |
CN110334703B (zh) | 一种昼夜图像中的船舶检测和识别方法 | |
McFeely et al. | Shadow identification for digital imagery using colour and texture cues | |
Pratomo et al. | Parking detection system using background subtraction and HSV color segmentation | |
CN116563306A (zh) | 自适应火灾痕迹光谱图像分割方法及*** | |
Wang et al. | Deep learning-based human activity analysis for aerial images |
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 |