CN118097581A - 一种道路边缘识别控制方法及装置 - Google Patents

Abstract

本发明提供一种道路边缘识别控制方法及装置，涉及数据处理技术领域，所述方法包括：分别计算第一数据和第二数据的平均值，以得到融合后的第一数据和第二数据；计算动态影响因子，根据融合后的第一数据和第二数据以及动态影响因子，得到融合数据；对融合数据中的车道线进行预定位，并对车道线上的数据点进行拟合，得到一个车道线形态变化模型；根据车道线形态变化模型，计算最终的道路边缘数据。本发明能够有效提取并保留道路数据的关键特征，从而提高道路边缘识别的准确性。

Description

一种道路边缘识别控制方法及装置

技术领域

本发明涉及数据处理技术领域，特别是指一种道路边缘识别控制方法及装置。

背景技术

随着城市智能交通***的日益发展，对道路边缘识别的准确性和实时性要求也越来越高，道路边缘识别是智能交通管理等领域中的关键技术。然而，现有的道路边缘识别技术在实际应用中可能还存在一些缺陷。

例如，现有的道路边缘识别方法有的是基于传统的图像处理技术，如边缘检测算子和形态学操作等。这些方法在处理包含大量噪声和干扰的图像时表现得尤为敏感，可能会产生误识别或漏识别的情况。特别是在繁忙的交通场景中，车辆、行人以及其他动态元素的干扰会对道路边缘的识别造成极大的干扰。

发明内容

本发明要解决的技术问题是提供一种道路边缘识别控制方法及装置，能够有效提取并保留道路数据的关键特征，从而提高道路边缘识别的准确性。

为解决上述技术问题，本发明的技术方案如下：

第一方面，一种道路边缘识别控制方法，所述方法包括：

获取当前环境下的道路数据；

对当前环境下的道路数据进行预处理，以得到预处理后的道路数据；

对预处理后的道路数据进行分解，以得到第一数据和第二数据；

分别计算第一数据和第二数据的平均值，以得到融合后的第一数据和第二数据；

计算动态影响因子，根据融合后的第一数据和第二数据以及动态影响因子，得到融合数据；

对融合数据中的车道线进行预定位，并对车道线上的数据点进行拟合，得到一个车道线形态变化模型；

根据车道线形态变化模型，计算最终的道路边缘数据。

进一步的，对预处理后的道路数据进行分解，以得到第一数据和第二数据，包括：

根据预处理后的道路数据的复杂度和所需的信息粒度，确定小波分解的层数；

对预处理后的道路数据进行小波分解；

在第一层分解中，预处理后的道路数据通过一个低通滤波器和一个高通滤波器进行水平方向的滤波，再每隔一行或一列取一个像素，得到初始的低频近似子图和初始的高频细节子图；

对初始的低频近似子图在垂直方向上进行滤波和下采样，以得到第一数据；

对初始的高频细节子图在垂直方向上进行高通滤波和下采样，以得到第二数据。

进一步的，计算动态影响因子，包括：

通过计算动态影响因子，其中，C表示低频对比度，/>表示低频对比度的最大值，S表示低频清晰度，/>表示低频清晰度的最大值，D表示高频细节强度，/>表示高频细节强度的最大值，Co表示高频一致性，/>表示高频一致性的最大值，/>和/>表示低频质量因子的权重系数，/>和/>表示高频质量因子的权重系数，/>表示低频相关性因子，/>表示高频相关性因子。

进一步的，根据融合后的第一数据和第二数据以及动态影响因子，得到融合数据，包括：

根据动态影响因子，通过/>计算融合数据，其中，/>表示融合数据在位置(i，j)的像素值，/>表示第k个第二数据的权重，/>代表低频图像/>在坐标(i，j)的像素值，/>表示第k个高频分解层在(i，j)坐标位置的像素值；i和j是二维图像中的坐标索引，分别代表行和列，k表示多尺度的高频分解层。

进一步的，对融合数据中的车道线进行预定位，包括：

对融合数据中的车道线进行高斯滤波，以得到滤波数据；

计算滤波数据中每个数据点的梯度强度和方向，沿梯度方向，抑制非极大值的响应，并通过双阈值法确定边缘，连接边缘线段，得到二值化的边缘数据；

初始化霍夫空间，将边缘数据中的每个边缘点转换为霍夫空间中的曲线或直线，并在对应的参数空间中进行累加，获取霍夫空间中各个参数点的累加值；

根据霍夫空间中各个参数点的累加值，设定一个区分阈值；

根据区分阈值，筛选最终的直线，以实现对车道线进行预定位。

进一步的，对车道线上的数据点进行拟合，得到一个车道线形态变化模型，包括：

从边缘数据中提取一组车道线数据点的坐标数据；

根据车道线的形状和复杂性，确定二次多项式数学模型；

根据二次多项式数学模型，构建观测矩阵，所述观测矩阵包含用于拟合数学模型的基函数在车道线数据点位置上的取值；

将车道线数据点的纵坐标组装成一个观测向量；

通过观测矩阵和观测向量求解二次多项式数学模型的参数，其中，二次多项式数学模型的参数为车道线形态变化模型的系数。

进一步的，根据车道线形态变化模型，计算最终的道路边缘数据，包括：

根据车道线形态变化模型，在边缘数据中设定一个搜索区域，用于寻找实际的车道线边缘；

在设定的搜索区域内，检测边缘；

将检测到的边缘与车道线形态变化模型进行匹配，以得到匹配的边缘点；

根据匹配的边缘点，再次进行拟合，以得到最终的车道线形状；

根据最终的车道线形状，确定道路的边缘位置。

第二方面，一种道路边缘识别控制装置，包括：

获取模块，用于获取当前环境下的道路数据；

预处理模块，用于对当前环境下的道路数据进行预处理，以得到预处理后的道路数据；

分解模块，用于对预处理后的道路数据进行分解，以得到第一数据和第二数据；分别计算第一数据和第二数据的平均值，以得到融合后的第一数据和第二数据；

计算模块，用于计算动态影响因子，根据融合后的第一数据和第二数据以及动态影响因子，得到融合数据；

处理模块，用于对融合数据中的车道线进行预定位，并对车道线上的数据点进行拟合，得到一个车道线形态变化模型；根据车道线形态变化模型，计算最终的道路边缘数据。

第三方面，一种计算设备，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现所述的方法。

第四方面，一种计算机可读存储介质，所述计算机可读存储介质中存储有程序，该程序被处理器执行时实现所述的方法。

本发明的上述方案至少包括以下有益效果：

通过分解预处理后的道路数据，得到低频和第二数据，再分别计算其平均值进行融合，这一过程能够有效提取并保留道路数据的关键特征，从而提高道路边缘识别的准确性。

通过设置动态影响因子，使得融合数据能够根据不同环境条件下的图像特性进行动态调整，增强了识别方法的鲁棒性和适应性。

通过对车道线的预定位和数据点拟合，建立了一个车道线形态变化模型，能够更精确地描述车道线的形状和走向，从而进一步提升道路边缘识别的精度。

附图说明

图1是本发明的实施例提供的一种道路边缘识别控制方法的流程示意图。

图2是本发明的实施例提供的一种道路边缘识别控制方法中的对预处理后的道路数据进行分解，以得到第一数据和第二数据的流程示意图。

图3是本发明的实施例提供的一种道路边缘识别控制装置示意图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

如图1所示，本发明的实施例提出一种道路边缘识别控制方法，所述方法包括以下步骤：

步骤11，获取当前环境下的道路数据；

步骤12，对当前环境下的道路数据进行预处理，以得到预处理后的道路数据；

步骤13，对预处理后的道路数据进行分解，以得到第一数据和第二数据；

步骤14，分别计算第一数据和第二数据的平均值，以得到融合后的第一数据和第二数据；

步骤15，计算动态影响因子，根据融合后的第一数据和第二数据以及动态影响因子，得到融合数据；

步骤16，对融合数据中的车道线进行预定位，并对车道线上的数据点进行拟合，得到一个车道线形态变化模型；

步骤17，根据车道线形态变化模型，计算最终的道路边缘数据。

在本发明实施例中，所述道路数据为道路图像，所述融合数据为融合图像，预处理能够提升图像质量，减少噪声和不必要的细节，突出道路边缘特征。图像分解可以将图像中的不同频率成分分开处理，有助于提取更多的图像特征信息，特别是针对复杂道路环境，能够更有效地识别道路边缘。通过计算子图的平均值，可以减少图像中的随机噪声，同时保留主要的图像特征，使得融合后的图像更加平滑且特征明显。动态影响因子的设置使得融合数据能够根据实际情况调整不同频率成分的比重，提高了图像的适应性和道路边缘识别的准确性。预定位和拟合操作有助于精确识别和跟踪车道线，通过建立车道线形态变化模型，可以更好地理解和预测道路边缘的形态变化。利用形态变化模型进行精确的道路边缘识别，提高了行车安全性和稳定性。

在本发明另一优选的实施例中，上述步骤11，可以包括：

步骤111，设置摄像头的初始参数，包括曝光时间、焦距、白平衡等；

步骤112，启动摄像头设备，设置摄像头为连续捕捉模式，调整摄像头的分辨率和帧率，实时从摄像头捕获道路图像，并将其传输到图像处理模块；读取捕获的彩色图像，该图像由红（R）、绿（G）、蓝（B）三个颜色通道组成；将每个像素点的RGB值转换为灰度值；通过计算每个像素点的灰度值/>，并生成新的单通道灰度图像。

步骤113，确定一个距离参数d和一个角度参数，距离参数d和角度参数/>确定了灰度共生矩阵中像素对之间的相对位置和方向；遍历灰度图像，对于图像中的每个像素点，找到与其距离为d、方向为/>的对应像素点，并记录这两个像素点的灰度值对；计算所有灰度值对的出现频率，构建一个灰度共生矩阵P(i，j)，其中，i和j分别代表像素对的两个灰度级别，P(i，j)表示灰度级别为i和j的像素对出现的次数或频率；从灰度共生矩阵中通过提取对比度特征值/>，其中，R、G和B分别代表像素点的红、绿、蓝颜色通道的值，L灰度级别的数量，在灰度图像中为256（8位灰度图像）；基于历史数据，设定一个阈值，这个阈值用于判断图像对比度是否足够高。例如，可以设定一个值，如阈值＝100；将计算出的对比度特征与设定的阈值进行比较，如果对比度大于或等于对比度阈值，则认为图像的对比度足够高；否则，认为图像的对比度较低；根据对比度计算结果和设定的阈值给图像打分。

步骤114，根据对比度与阈值的比较结果，设定打分规则，例如，可以设定以下规则：如果对比度大于阈值的120%，则打分为“优”；如果对比度在阈值的80%到120%之间，则打分为“良”；如果对比度在阈值的50%到80%之间，则打分为“中”；如果对比度小于阈值的50%，则打分为“差”；根据计算出的对比度和设定的打分规则，给图像打分。这个分数可以是一个连续的数值（如对比度值本身），也可以是一个分类标签（如“优”、“良”、“中”、“差”）。记录并输出打分结果：将图像的打分结果记录下来，并可以将其输出到日志、数据库或用户界面上。

步骤115，设定初始种群大小（例如，N个个体），每个个体代表一组摄像头参数（曝光时间、焦距、白平衡等）；为每个参数设定搜索范围和步长，确保搜索过程能够覆盖到所有可能的优化空间；对每个个体（即每组摄像头参数）进行实际的摄像头设置；使用这些参数捕捉图像，并按照之前描述的步骤计算图像的灰度共生矩阵（GLCM）；从GLCM中提取对比度特征，并根据设定的阈值和打分规则给出图像质量分数；将这个分数作为个体的适应度值；根据适应度值（图像质量分数）选择优秀的个体进入下一代，其中，通过轮盘赌选择方法实现，选择的目的是保留优秀的基因（即摄像头参数组合），使它们在下一代中更有可能被继承；随机配对选出的个体，并以一定的交叉率进行交叉操作；交叉操作可以是单点交叉，目的是结合不同个体的优秀基因，产生新的可能更优秀的个体；以一定的变异率对新生成的个体进行变异操作；变异可以是随机改变某个参数的值，以增加种群的多样性，避免陷入局部最优；重复步骤，直到达到预设的迭代次数；在迭代过程中，记录并输出每一代的最优个体及其适应度值，输出最优的摄像头参数组合及其对应的图像质量分数；根据这些参数调整实际的摄像头设置，以获得高质量的图像捕捉效果。

例如，在某城市的智能交通***中，该***需要在各种天气和光照条件下准确地识别和分析道路交通情况，以实现智能交通信号的优化控制和交通流的顺畅。在初步测试中，***发现从监控摄像头捕获的道路图像在某些光线和天气条件下质量不佳，这影响了交通情况分析的准确性，甚至可能导致交通信号的误判。

为了解决这一问题，团队决定对智能交通***中的图像处理模块进行优化。经过深入分析，团队发现监控摄像头的参数设置以及图像预处理算法的选择对图像质量有着至关重要的影响。特别是在恶劣天气、强光、弱光或阴影等复杂环境条件下，不合理的参数设置和算法选择会导致图像失真、模糊或对比度不足，从而影响交通情况的准确分析。

因此，团队着手对智能交通***的图像处理模块进行了全面的优化。首先，调整了监控摄像头的参数，如曝光时间、光圈和白平衡，以确保在各种光照和天气条件下都能获得高质量的道路图像。其次，改进了图像预处理算法，包括降噪、增强和对比度调整等，以进一步提升图像质量。

通过这些改进措施，智能交通***对道路交通情况的识别和分析能力得到了显著提升。***现在能够更准确地检测交通拥堵、事故和其他异常情况，并及时调整交通信号，以实现交通流的优化。这一改进为城市交通管理提供了更为可靠和智能的支持，有助于提升城市交通的效率和安全性。

为了解决上述问题，具体实施步骤如下：

在某城市的智能交通***中，为了确保在各种复杂光照和天气条件下道路交通情况的准确识别，团队对***中的摄像头参数进行了精细调整。选择了几个关键的参数进行优化，包括曝光时间、焦距、白平衡和增益等，并为这些参数设定了一个合理的调整范围。

***启动后，监控摄像头设置为连续捕捉模式，实时捕获道路图像。为了简化后续处理，这些图像被转换为灰度图像。团队采用灰度共生矩阵等方法，提取了图像的纹理、对比度等关键特征。根据这些特征，评估了图像的质量，尤其是对比度和清晰度，并设定了相应的阈值，用于判断图像是否满***通情况识别的要求。

为了找到最优的摄像头参数组合，团队设定了一个初始解集，每个解代表一组特定的摄像头参数。在实际道路环境中，针对每个解的摄像头参数组合进行了测试，通过捕获道路图像并评估其质量。根据评估结果，选择了表现最佳的参数组合进入下一轮优化。

通过多次迭代和优化，包括解的交叉和变异操作，团队最终找到了一组最优的摄像头参数。将这些优化后的参数应用到智能交通***的监控摄像头上，并进行了实地测试。

测试结果显示，在这些优化参数的设置下，摄像头捕获的道路图像质量显著提升，特别是在复杂的光照和天气条件下。因此，智能交通***对道路交通情况的识别准确性也大幅提高，误识别率明显降低。这不仅增强了智能交通***的可靠性和准确性，也为城市交通管理带来了更大的便捷和效率，有助于提升城市交通的整体运行水平。

在本发明另一优选的实施例中，上述步骤12，可以包括：

步骤121，通过已经优化参数设置的监控摄像头捕获当前环境下的道路图像。这些图像通常是彩色的，由红（R）、绿（G）、蓝（B）三个颜色通道组成；将捕获的彩色图像转换为灰度图像，这可以通过计算每个像素点的RGB通道的平均值或使用特定的灰度化算法来实现，转换后的灰度图像将只包含亮度信息，便于后续的边缘检测和特征提取。

步骤122，通过对灰度图像进行降噪处理，以减少图像中的噪声和杂点，这些噪声可能来源于摄像头传感器、图像传输过程中的干扰或环境因素，其中，/>表示滤波后图像在坐标/>处的像素值，这个值是通过归一化的加权平均计算得出的；/>表示高斯函数的标准差；k表示卷积核大小的一半，表示高斯函数在坐标 (u，v)处的值，/>表示原始图像在坐标(x-u，y-v)处的像素值；M(x-u，y-v)表示掩码函数在坐标(x-u，y-v)处的值，x是像素的水平坐标（通常从左到右增加），y是像素的垂直坐标，u和v是用于遍历滤波器覆盖区域内所有像素的索引变量。

步骤123，为了提高道路边缘重要特征的可见性，对图像进行对比度增强处理。这可以通过直方图均衡化或对比度受限的自适应直方图均衡化（CLAHE）等方法来实现，这些算法能够重新分配图像的亮度值，使得图像的对比度得到增强，从而更容易区分不同的物体和边缘。

步骤124，根据捕获的道路交通图像的灰度直方图选择一个合适的阈值，对图像进行二值化处理。在二值化图像中，像素值将被简化为两种状态：0（代表黑色，即非关键交通元素区域）或255（代表白色，即道路、车辆等关键交通元素区域）。这种处理能够凸显出交通图像中的关键信息，便于后续的交通情况识别和分析。

为了确定最佳的二值化阈值，可以采用Otsu算法。该算法能够自动计算出使类间方差最大的阈值，从而将关键交通元素与图像背景有效分离。

此外，根据城市智能交通***的实际需求，可以进一步提取图像中的特定区域，即感兴趣区域（ROI）。例如，***可能主要关注图像中的道路、车辆和行人等关键交通元素，而忽略周围的天空、建筑物或其他背景信息。这可以通过设定合适的裁剪区域或使用高级的图像分割算法来实现。

ROI的提取对于提高***的处理效率和准确性至关重要。因为后续的交通情况识别和分析将主要集中在这些关键区域上，从而避免了不必要的计算资源浪费。通过这种方式，城市智能交通***能够更快速、更准确地识别和分析道路交通情况，为城市交通管理提供有力的数据支持和智能决策依据。

总的来说，通过对捕获的道路交通图像进行二值化处理和ROI提取，城市智能交通***能够更有效地识别和分析交通情况。

如图2所示，在本发明一优选的实施例中，上述步骤13，可以包括：

步骤131，根据预处理后的道路数据的复杂度和所需的信息粒度，确定小波分解的层数；

步骤132，对预处理后的道路数据进行小波分解；

步骤133，在第一层分解中，预处理后的道路数据通过一个低通滤波器和一个高通滤波器进行水平方向的滤波，再每隔一行或一列取一个像素，得到初始的低频近似子图和初始的高频细节子图；

步骤134，对初始的低频近似子图在垂直方向上进行滤波和下采样，以得到第一数据；

步骤135，对初始的高频细节子图在垂直方向上进行高通滤波和下采样，以得到第二数据。

在本发明实施例中，第一数据和第二数据分别为对初始的低频近似子图和初始的高频细节子图在垂直方向上进行滤波和下采样，以得到的低频子图和高频子图，小波分解能够提供图像在不同尺度下的信息。通过分解，可以得到图像的低频部分（近似子图）和高频部分（细节子图），这对于分析和理解图像的局部和全局特征非常有用。小波分解可以有效地用于图像压缩和去噪。由于小波变换具有良好的时频局部化特性，它可以将图像的重要信息集中在少数几个小波系数上，便于进行压缩存储。同时，通过设定阈值处理小波系数，可以有效去除噪声，提高图像质量。在上述步骤中，通过在水平和垂直方向上进行滤波，可以得到图像在不同方向上的高频和低频信息。与传统的傅里叶变换相比，小波变换具有更快的计算速度和更高的计算效率。此外，通过逐层分解，可以在不同的分解层次上根据需求选择性地处理信息，进一步提高处理效率。小波分解的层数可以根据图像的复杂度和所需的信息粒度进行调整。这种灵活性使得该方法可以适应不同类型的道路图像和不同的应用需求。通过小波分解，可以更容易地提取出道路图像中的关键特征。

在本发明另一优选的实施例中，上述步骤131，可以包括：对预处理后的道路图像进行二维离散傅里叶变换，将其转换到频域；计算傅里叶变换结果的幅度，形成傅里叶谱；分析傅里叶谱，观察高频分量和低频分量的分布情况；高频分量对应于图像中的快速变化部分，如边缘和纹理细节，而低频分量对应于图像的平滑区域；通过计算高频分量与整个频谱总能量的比例来量化图像的复杂度，这个比例越高，说明图像中的高频信息越丰富，即图像复杂度越高；根据评估结果，判断图像中信息的丰富程度和细节变化的多少；基于傅里叶谱分析的结果，评估图像中高频分量的强度和分布；如果高频分量占比较大且分布广泛，说明图像中的细节和纹理信息丰富；如果高频分量占比较小或集中在某些特定区域，说明图像中的细节相对较少或较为单一；确定小波分解的目的。

例如为了提取特征、压缩图像还是进行图像增强等，根据应用需求确定所需的信息粒度。例如，如果是为了提取道路特征，可能需要保留更多的细节信息；如果是为了压缩图像，则可能更注重保留图像的主要轮廓而忽略一些细节；根据任务需求确定所需的信息粒度，即需要保留的图像细节级别；根据具体任务（如道路状况评估、车辆检测等）的要求，确定需要保留哪些级别的图像细节，对于需要精细分析的任务，可能需要保留更多的高频细节；对于只需要大致轮廓的任务，则可以减少高频细节的保留；结合图像复杂度和信息粒度需求，设定一个合适的小波分解层数；综合考虑图像的复杂度和所需的信息粒度来设定小波分解的层数，如果图像复杂度高且需要保留的细节级别也高，则可能需要增加分解层数以提取更多的高频信息，如果图像复杂度低或只需保留大致轮廓信息，则可以适当减少分解层数以降低计算复杂度。

步骤132，根据步骤131中确定的合适层数，设置小波分解的层数（记作N），这个层数决定了小波分解的深度，即图像将被分解成多少个不同尺度的子图。选择一个适合分析道路图像特征的小波基函数，例如，Haar小波。初始化小波分解，设定小波分解的参数，包括分解层数N和小波基函数；使用选定的小波基函数，对预处理后的道路图像进行N层小波分解，在每一层分解中，原始图像或上一层的低频近似子图（LL）将被分解为四个子图：

低频近似子图（LL）：表示图像的大致轮廓和主要信息。

水平高频细节子图（LH）：表示图像在水平方向上的高频细节信息，如水平边缘。

垂直高频细节子图（HL）：表示图像在垂直方向上的高频细节信息，如垂直边缘。

对角线高频细节子图（HH）：表示图像在对角线方向上的高频细节信息，如对角线边缘和纹理。

经过N层分解后，将得到N+1个低频近似子图（每一层都有一个LL子图）和3N个高频细节子图（每一层有LH、HL、HH三个子图）。

步骤133，将预处理后的道路图像分别与低通滤波器和高通滤波器进行卷积操作，以在水平方向上进行滤波，滤波后，对图像进行下采样，即每隔一行（或一列，取决于滤波方向）取一个像素，可以得到水平方向上的低频近似子图（LL1）和高频细节子图（LH1）。

步骤134，将上一步得到的低频近似子图（LL1）与低通滤波器在垂直方向上进行卷积操作，滤波后，在垂直方向上进行下采样，得到下一层的低频近似子图（LL2）。

步骤135，将第一层分解得到的高频细节子图（LH1）与高通滤波器在垂直方向上进行卷积操作，滤波后，在垂直方向上进行下采样，得到第一层的高频细节子图（在垂直方向上的高频成分，记为LH2）。

例如，在城市智能交通***中，处理的是一张包含道路、车辆、行人以及其他各种交通元素的复杂交通场景图像。为了准确地提取和分析这些元素，以便了解交通状况并做出相应的管理决策，决定采用小波分解技术。

通过小波分解，可以将这张复杂的交通图像分解成多个尺度和方向上的子图像。这样，就可以在不同的尺度和方向上对图像进行细致的分析，从而更好地识别和跟踪车辆、行人等关键交通元素，提高交通情况分析的准确性，并为智能交通***提供重要的数据支持。通过这种方式，城市智能交通***能够更有效地监控和管理城市交通，提升交通效率和安全性。

具体计算过程：步骤131，对道路图像进行二维离散傅里叶变换，得到其频域表示；计算傅里叶谱的幅度，并观察高频和低频分量的分布。发现高频分量占比较大，且分布广泛，说明图像中的细节和纹理信息丰富；根据任务需求（道路状况分析和车辆检测），需要保留较多的高频细节；结合图像复杂度和信息粒度需求，设定小波分解的层数为3层。步骤132，选择Haar小波作为小波基函数，因其计算简单且能有效提取边缘信息，对道路图像进行3层小波分解。在每一层分解中，得到4个子图：LL、LH、HL和HH，经过3层分解后，共得到4个低频近似子图（LL1，LL2，LL3，LL4）和9个高频细节子图（3个LH，3个HL，3个HH）。步骤133至步骤135，在第一层分解中，将道路图像分别与低通和高通滤波器进行卷积操作，然后进行下采样，得到LL1和LH1子图，对LL1子图在垂直方向上进行低通滤波和下采样，得到LL2子图，对LH1子图在垂直方向上进行高通滤波和下采样，得到LH2子图，类似地，可以得到所有其他子图。

在本发明实施例中，通过小波分解，可以在多个尺度上提取图像的特征；通过下采样操作，可以减少数据的维度，从而提高后续处理的计算效率，由于保留了多个高频细节子图，因此可以很好地捕捉图像中的边缘和纹理信息，小波分解提供了灵活的分解层数和选择不同小波基函数的能力，可以根据具体任务需求进行调整。

在本发明另一优选的实施例中，上述步骤14，可以包括：

在计算图像融合过程中，将原始图像分解为第一数据和第二数据。第一数据主要包含图像的大致轮廓和主要信息，而第二数据则包含图像的细节和纹理信息。步骤14涉及的是对这些子图的平均值进行计算，以便在融合过程中保持原始图像的主要特征和细节，其中，第一数据和第二数据分别为对初始的低频近似子图和初始的高频细节子图在垂直方向上进行滤波和下采样，以得到的低频子图和高频子图。

具体计算过程如下：

低频子图平均值计算，对于低频子图，计算的是像素值的平均，假设有两张低频子图A和B，大小均为M×N；遍历两张低频子图的每一个像素位置（i，j)，其中i表示行索引，j表示列索引；对于每个位置（i，j)，计算A和B在该位置像素值的平均；将计算出的平均值赋给融合后的低频子图在（i，j）位置的像素。

高频子图平均值计算，高频子图的平均计算与低频类似，但处理的是细节信息，同样遍历两张高频子图的每一个像素位置（i，j)，计算每个位置（i，j）上A和B的像素值平均，并将结果赋给融合后的高频子图。

在本发明实施例中，通过计算平均值，可以融合多个源图像的信息，从而创建一个包含各个源图像共有特征的新图像，当某个源图像在某些区域存在数据缺失或损坏时，通过与其他图像的融合，可以提高整体图像的鲁棒性，对于高频子图的平均处理有助于保留源图像中的细节信息，使得融合后的图像在细节上更加丰富。

在本发明一优选的实施例中，上述步骤15中，计算动态影响因子，包括：

通过计算动态影响因子，其中，C表示低频对比度，/>表示低频对比度的最大值，S表示低频清晰度，/>表示低频清晰度的最大值，D表示高频细节强度，/>表示高频细节强度的最大值，Co表示高频一致性，/>表示高频一致性的最大值，/>和/>表示低频质量因子的权重系数，/>和/>表示高频质量因子的权重系数，/>表示低频相关性因子，/>表示高频相关性因子。

在本发明实施例中，收集和测量图像的低频对比度C、低频清晰度S、高频细节强度D和高频一致性Co等关键参数；确定这些参数的最大值，即C _max 、S _max 、D _max 和Co _max ；将实际测量值与其对应的最大值进行比较，以得到归一化的参数值。例如，低频对比度的归一化值可计算为；使用权重系数 />和/>对低频对比度和低频清晰度进行加权求和，形成低频质量的综合指标。同样地，使用/>和/>对高频细节强度和高频一致性进行加权求和，形成高频质量的综合指标；通过设置低频相关性因子/>和高频相关性因子/>，这些因子可能基于图像内容与目标应用之间的相关性来确定。将加权后的低频质量指标与/>相乘，同时将加权后的高频质量指标与/>相乘，最后，将这两个乘积相加，得到动态影响因子。

在本发明另一优选的实施例中，上述低频相关性因子和高频相关性因子/>的计算过程可以根据具体的应用场景和需求有所不同，以下是一个具体的计算过程：

低频相关性因子的计算：

首先，从图像中提取低频特征，这些特征包括低频对比度、低频清晰度等，这些特征可以通过图像处理技术（如滤波等）来提取；根据具体任务（如道路检测、车辆识别等），通过计算皮尔逊相关系数评估低频特征对任务性能的影响；将低频特征的值归一化到一定的范围内（如0到1之间）；使用归一化后的低频特征值，结合任务性能评估结果，通过线性回归算法来计算低频特征与任务性能之间的相关性，这个相关性值即可作为低频相关性因子。

高频相关性因子的计算：

从图像中提取高频特征，如高频细节强度等，这些特征可以通过高频滤波器等图像处理技术来提取；评估高频特征对具体任务性能的影响，通过计算皮尔逊相关系数来量化高频特征与任务性能之间的相关性；将高频特征的值也进行归一化处理；使用归一化后的高频特征值和任务性能评估结果，通过算法计算高频特征与任务性能之间的相关性，这个相关性值即可作为高频相关性因子。

本发明综合考虑了图像在低频和高频方面的多个质量参数，从而能够更全面地评估图像的质量；通过调整权重系数和相关性因子，可以轻松地适应不同的应用场景和需求。例如，在某些应用中可能更重视低频对比度，而在其他应用中则可能更看重高频细节；通过对各个参数进行归一化处理，可以消除不同参数单位和量级的影响，使得评估结果更加准确。

在本发明一优选的实施例中，上述步骤15中，根据融合后的第一数据和第二数据以及动态影响因子，得到融合数据，包括：

根据动态影响因子，通过/>计算融合数据，其中，/>表示融合数据在位置(i，j)的像素值，/>表示第k个第二数据的权重，/>代表低频图像/>在坐标(i，j)的像素值，/>表示第k个高频分解层在(i，j)坐标位置的像素值；i和j是二维图像中的坐标索引，分别代表行和列，k表示多尺度的高频分解层。

在本发明实施例中，利用动态影响因子来结合第一数据和第二数据的信息，从而生成一个融合数据，其中，融合数据为融合图形。具体计算过程如下：

确定动态影响因子，这个因子决定了低频信息和高频信息在融合数据中的权重，/>的值在0到1之间，越接近1，低频信息的影响越大；越接近0，高频信息的影响越大。计算低频部分的贡献，/>计算了第一数据在位置（i，j）的像素值对融合数据的贡献；计算高频部分的贡献，对于每一个第二数据，首先计算其在位置（i，j）的加权像素值/>，然后将所有第二数据的加权像素值求和，得到高频部分的总贡献/>。最后，这个总贡献被（/>）加权，以反映高频信息在融合数据中的重要性。将低频部分的贡献和高频部分的贡献相加，得到融合数据在位置（i，j）的像素值/>。

在本发明实施例中，通过调整动态影响因子和第二数据的权重/>，可以灵活地控制融合数据中低频和高频信息的比例，从而适应不同的应用场景和需求，能够同时保留第一数据的大致轮廓和主要信息以及第二数据的细节和纹理信息，使得融合后的图像既包含了原始图像的主要特征，又保留了丰富的细节信息。通过合理的权重分配和动态影响因子的调整，可以生成质量更高、视觉效果更好的融合数据，提升图像处理的整体质量和用户体验。

在本发明一优选的实施例中，上述步骤16中，对融合数据中的车道线进行预定位，包括：

步骤161，对融合数据中的车道线进行高斯滤波，以得到滤波数据；

步骤162，计算滤波数据中每个数据点的梯度强度和方向，沿梯度方向，抑制非极大值的响应，并通过双阈值法确定边缘，连接边缘线段，得到二值化的边缘数据；

步骤163，初始化霍夫空间，将边缘数据中的每个边缘点转换为霍夫空间中的曲线或直线，并在对应的参数空间中进行累加，获取霍夫空间中各个参数点的累加值；

步骤164，根据霍夫空间中各个参数点的累加值，设定一个区分阈值；

步骤165，根据区分阈值，筛选最终的直线，以实现对车道线进行预定位。

在本发明实施例中，步骤161中，所述滤波数据为滤波图像，高斯滤波是通过将图像中的每一个数据点与高斯函数进行卷积，实现图像的平滑处理，减少噪声和细节，同时保留较大的图像结构。步骤162中，所述数据点为像素点，所述边缘数据为边缘图像，对于滤波后的图像，计算每个数据点的梯度强度和方向；在梯度方向上，比较当前数据点的梯度强度与其相邻数据点的梯度强度，如果当前数据点的梯度强度不是最大的，则将其抑制，即将其值设为0；设定两个阈值，高阈值和低阈值，梯度强度高于高阈值的数据点被确定为边缘；低于低阈值的数据点被排除；介于两者之间的数据点，如果与确定为边缘的数据点相连，则也被视为边缘；将确定的边缘点连接起来，形成连续的边缘线段。

步骤163，霍夫变换用于检测图像中的简单形状，如直线和圆的方法。对于直线检测，霍夫变换将图像空间中的直线转换为参数空间中的一个点。通过累加器在参数空间中对应点进行累加，可以得到直线的参数。步骤164，在霍夫空间中，根据累加值的大小设定一个阈值，累加值高于此阈值的参数点被认为是有效的直线参数。步骤165，从霍夫空间中筛选出累加值高于设定阈值的参数点，这些点代表了图像中的直线。这些直线就是对车道线的预定位。

例如，假设有一张融合后的道路图像，尺寸为640x480像素，这张图像是通过多源图像融合技术得到的，已经融合了来自不同传感器的信息，突出了车道线的特征。在这张图像中，可以清晰地看到两条白色的车道线，它们沿着图像的水平方向延伸，将道路清晰地划分为三个部分。

首先，对这张图像进行高斯滤波。选择一个合适的高斯核大小，例如5×5，以及一个适中的标准差，例如1.0，对图像进行卷积操作。这样做可以有效地减少图像中的噪声和细节，同时保留车道线的主要结构。滤波后的图像看起来更加平滑，车道线的轮廓也变得更加清晰。

接下来，使用Canny边缘检测算法来计算滤波后图像中每个像素点的梯度强度和方向。在这个过程中，首先通过Sobel算子计算水平和垂直方向的梯度，然后结合这两个方向的梯度来得到每个像素点的梯度强度和方向。接着，应用非极大值抑制技术来细化边缘，即只保留局部最大梯度强度的像素点，从而得到更精细的边缘图像。为了进一步去除弱边缘和孤立点，使用双阈值法进行处理。设定一个较低和一个较高的阈值，例如50和150。梯度强度高于150的像素点被确定为边缘；低于50的像素点被排除；介于50和150之间的像素点，如果与确定为边缘的像素点相连，则也被视为边缘。通过这一系列操作，得到了一个二值化的边缘图像，其中车道线被清晰地勾勒出来。

现在，应用霍夫变换来检测这些边缘图像中的直线。在霍夫空间中，每个直线都可以通过其极坐标表示（ρ，θ）来确定。通过遍历边缘图像中的每个非零像素点，并根据其坐标和梯度方向计算出一组（ρ，θ）值，然后在霍夫空间中进行累加。这样，代表同一直线的像素点会在霍夫空间中的相同位置进行累加，从而形成峰值。

最后，设定一个合适的区分阈值，例如累加值的80%分位数，来筛选代表车道线的直线参数。只有累加值高于这个阈值的参数点才会被认为是有效的直线参数。通过这些参数点，可以还原出图像中的车道线位置和方向。通过这个具体化的技术方案，成功地实现了对融合道路图像中车道线的预定位。这种方法不仅准确度高，而且鲁棒性强，适用于各种道路和光照条件。

本发明通过高斯滤波和梯度计算等步骤，能够更准确地提取出车道线的边缘信息。霍夫变换对噪声和图像变形具有一定的鲁棒性，因此能够在不同的道路和光照条件下稳定地检测出车道线。

在本发明一优选的实施例中，上述步骤16中，对车道线上的数据点进行拟合，得到一个车道线形态变化模型，包括：

步骤166，从边缘数据中提取一组车道线数据点的坐标数据；

步骤167，根据车道线的形状和复杂性，确定二次多项式数学模型；

步骤168，根据二次多项式数学模型，构建观测矩阵，所述观测矩阵包含用于拟合数学模型的基函数在车道线数据点位置上的取值；

步骤169，将车道线数据点的纵坐标组装成一个观测向量；通过观测矩阵和观测向量求解二次多项式数学模型的参数，其中，二次多项式数学模型的参数为车道线形态变化模型的系数。

在本发明实施例中，在经过高斯滤波、边缘检测等预处理后的二值化边缘图像中，遍历每个像素点；对于每个像素点，检查其像素值是否为255，如果是边缘点，且其位置、方向和连续性符合车道线的特征（例如，通过霍夫变换等方法预定位的车道线附近），则将其识别为车道线像素点，记录所有识别为车道线的像素点的坐标（x，y）。

根据车道线的形状和复杂性，确定二次多项式作为数学模型，即（y＝ax ² ＋bx＋c)，这个数学模型将用于拟合提取出的车道线像素点，表示车道线形态变化模型；初始化一个观测矩阵A，其行数为车道线像素点的数量，列数为3（对应于二次多项式的三个系数a，b，c）；对于每个车道线像素点，计算其对应的基函数值：x ² ，x和常数1，将这些基函数值填充到观测矩阵A的对应行中。例如，如果有一个车道线像素点的x坐标为2，则对应的基函数值为2² ＝4，2和1，这些值将被填充到观测矩阵的某一行中。

初始化一个观测向量b，其长度为车道线像素点的数量，对于每个车道线像素点，将其纵坐标（y值）填充到观测向量b的对应位置。使用最小二乘法来求解二次多项式数学模型的参数。最小二乘法的目标是找到一组参数（a，b，c），使得观测向量b与通过数学模型预测的值之间的差异最小化，其中，应用最小二乘法的公式：，其中A是观测矩阵，b是观测向量，/>是求解得到的参数向量，包含系数a，b和c，T代表矩阵的转置操作；计算/>和/>，然后将两者相乘得到参数向量/>，从/>中提取出系数a，b和c，这些系数就构成了车道线形态变化模型。

在本发明实施例中，通过拟合车道线像素点，可以得到一个连续且平滑的车道线模型，这有助于提高车道线检测的准确性和可靠性。拟合过程可以在一定程度上减少噪声和离群点对车道线检测的影响，因为拟合是基于多个像素点的统计信息进行的。

在本发明一优选的实施例中，上述步骤17，可以包括：

步骤171，根据车道线形态变化模型，在边缘数据中设定一个搜索区域，用于寻找实际的车道线边缘；

步骤172，在设定的搜索区域内，检测边缘；

步骤173，将检测到的边缘与车道线形态变化模型进行匹配，以得到匹配的边缘点；

步骤174，根据匹配的边缘点，再次进行拟合，以得到最终的车道线形状；

步骤175，根据最终的车道线形状，确定道路的边缘位置。

在本发明实施例中，步骤171，使用已建立的车道线形态变化模型（如y＝ax ² ＋bx＋c）来预测在图像中不同x位置对应的y值；选择一个x值的范围，例如从图像的最左侧到最右侧，然后计算这些x值在模型中对应的y值；根据模型预测的y值，确定搜索区域的上下边界，搜索区域的左右边界可以根据图像的宽度或者感兴趣的区域来设定。根据透视效果或车道线在图像中的走向，可以选择矩形或梯形作为搜索区域。步骤172，在步骤171确定的搜索区域内，使用Canny边缘检测算法来检测边缘，调整Canny算法的双阈值，以便在保留车道线边缘的同时抑制噪声，记录所有在搜索区域内检测到的边缘点的坐标。步骤173，对于每个检测到的边缘点，可以使用点到二次曲线距离的公式来计算其到车道线形态变化模型的垂直距离；设定一个距离阈值，如果边缘点到模型的距离小于这个阈值，则认为该边缘点与车道线模型匹配，然后筛选出与车道线模型匹配的边缘点。

步骤174，将步骤173中筛选出的匹配边缘点作为数据点集，使用最小二乘法对这些数据点进行拟合，得到一个新的车道线形态变化模型，例如，通过求解正规方程来完成拟合过程，计算拟合残差来评估拟合的好坏。步骤175，使用步骤174中拟合得到的车道线模型，计算车道线与图像边界（如底部边界）的交点，如果车道线在图像中未完全显示，可以使用模型进行外推，得到道路边缘的估计位置，将计算得到的交点或外推点作为道路的边缘位置。

例如，在城市智能交通***的交通监控中，摄像头捕获了城市主干道的实时交通图像，并将这些图像传输到中央处理模块进行分析。目标是准确地识别和跟踪道路上的车辆、行人和交通状况，以便城市智能交通***能够根据这些数据优化交通信号控制和提供实时交通信息。

通过这种方式，城市智能交通***能够更有效地管理城市交通流，减少拥堵和交通事故，提高交通效率和安全性。同时，这些数据还可以用于城市规划、交通政策制定和智能交通***的进一步优化。以下为一个具体的案例：

步骤171，假设已经有了一个基于历史数据的车道线形态变化模型，形式为y＝0.002x ²－0.1x＋50，x值范围设为[0，800]，在x值范围内，根据车道线形态变化模型计算对应的y值。例如，当x＝0时，y＝50；当x＝800时，y＝186。考虑到透视效果和车道线走向，设定一个梯形搜索区域，上底为y＝40，下底为y=200，高为图像宽度800像素。

步骤172，在上述梯形搜索区域内，应用Canny边缘检测算法，双阈值设定为50和150；检测到的边缘点坐标被记录下来，例如：（100，60)，（150，65)，…，（750，190)。

步骤173，对于每个检测到的边缘点，计算其到车道线模型的垂直距离。例如，点（100，60）到模型的垂直距离为5像素；设定距离阈值为10像素，筛选出与模型匹配的边缘点。假设（100，60)，（200，75)，…，（700，175）是匹配的边缘点。步骤174，使用步骤173中筛选出的匹配边缘点作为数据点集，对这些数据点进行最小二乘法拟合，得到新的车道线模型(y＝0.0022x ²－0.11x＋52)；计算拟合残差，发现残差平方和较小，说明拟合效果良好。步骤175，使用新的车道线模型，计算与图像底部边界（假设为y＝0）的交点。得到交点x坐标为400和650，因此，确定的道路边缘位置为x＝400和x＝650处，这些信息传输到中央处理模块进行分析，目标是准确地识别和跟踪道路上的车辆、行人和交通状况。

如图3所示，本发明的实施例还提供一种道路边缘识别控制装置20，包括：

获取模块21，用于获取当前环境下的道路数据；

预处理模块22，用于对当前环境下的道路数据进行预处理，以得到预处理后的道路数据；

分解模块23，用于对预处理后的道路数据进行分解，以得到第一数据和第二数据；分别计算第一数据和第二数据的平均值，以得到融合后的第一数据和第二数据；

计算模块24，用于计算动态影响因子，根据融合后的第一数据和第二数据以及动态影响因子，得到融合数据；

处理模块25，用于对融合数据中的车道线进行预定位，并对车道线上的数据点进行拟合，得到一个车道线形态变化模型；根据车道线形态变化模型，计算最终的道路边缘数据。

可选的，对预处理后的道路数据进行分解，以得到第一数据和第二数据，包括：

根据预处理后的道路数据的复杂度和所需的信息粒度，确定小波分解的层数；

对预处理后的道路数据进行小波分解；

在第一层分解中，预处理后的道路数据通过一个低通滤波器和一个高通滤波器进行水平方向的滤波，再每隔一行或一列取一个像素，得到初始的低频近似子图和初始的高频细节子图；

对初始的低频近似子图在垂直方向上进行滤波和下采样，以得到第一数据；

对初始的高频细节子图在垂直方向上进行高通滤波和下采样，以得到第二数据。

可选的，计算动态影响因子，包括：

通过计算动态影响因子/>，其中，C表示低频对比度，/>表示低频对比度的最大值，S表示低频清晰度，/>表示低频清晰度的最大值，D表示高频细节强度，/>表示高频细节强度的最大值，Co表示高频一致性，/>表示高频一致性的最大值，/>和/>表示低频质量因子的权重系数，/>和/>表示高频质量因子的权重系数，/>表示低频相关性因子，/>表示高频相关性因子。

可选的，根据融合后的第一数据和第二数据以及动态影响因子，得到融合数据，包括：

根据动态影响因子，通过/>计算融合数据，其中，/>表示融合数据在位置(i，j)的像素值，/>表示第k个第二数据的权重，/>代表低频图像/>在坐标(i，j)的像素值，/>表示第k个高频分解层在(i，j)坐标位置的像素值；i和j是二维图像中的坐标索引，分别代表行和列，k表示多尺度的高频分解层。

可选的，对融合数据中的车道线进行预定位，包括：

对融合数据中的车道线进行高斯滤波，以得到滤波数据；

计算滤波数据中每个数据点的梯度强度和方向，沿梯度方向，抑制非极大值的响应，并通过双阈值法确定边缘，连接边缘线段，得到二值化的边缘数据；

初始化霍夫空间，将边缘数据中的每个边缘点转换为霍夫空间中的曲线或直线，并在对应的参数空间中进行累加，获取霍夫空间中各个参数点的累加值；

根据霍夫空间中各个参数点的累加值，设定一个区分阈值；

根据区分阈值，筛选最终的直线，以实现对车道线进行预定位。

可选的，对车道线上的数据点进行拟合，得到一个车道线形态变化模型，包括：

从边缘数据中提取一组车道线数据点的坐标数据；

根据车道线的形状和复杂性，确定二次多项式数学模型；

根据二次多项式数学模型，构建观测矩阵，所述观测矩阵包含用于拟合数学模型的基函数在车道线数据点位置上的取值；

将车道线数据点的纵坐标组装成一个观测向量；

通过观测矩阵和观测向量求解二次多项式数学模型的参数，其中，二次多项式数学模型的参数为车道线形态变化模型的系数。

可选的，根据车道线形态变化模型，计算最终的道路边缘数据，包括：

根据车道线形态变化模型，在边缘数据中设定一个搜索区域，用于寻找实际的车道线边缘；

在设定的搜索区域内，检测边缘；

将检测到的边缘与车道线形态变化模型进行匹配，以得到匹配的边缘点；

根据匹配的边缘点，再次进行拟合，以得到最终的车道线形状；

根据最终的车道线形状，确定道路的边缘位置。

需要说明的是，该装置是与上述方法相对应的装置，上述方法实施例中的所有实现方式均适用于该实施例中，也能达到相同的技术效果。

本发明的实施例还提供一种计算设备，包括：处理器、存储有计算机程序的存储器，所述计算机程序被处理器运行时，执行如上所述的方法。上述方法实施例中的所有实现方式均适用于该实施例中，也能达到相同的技术效果。

本发明的实施例还提供一种计算机可读存储介质，存储指令，当所述指令在计算机上运行时，使得计算机执行如上所述的方法。上述方法实施例中的所有实现方式均适用于该实施例中，也能达到相同的技术效果。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的***、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本发明所提供的实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

此外，需要指出的是，在本发明的装置和方法中，显然，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。并且，执行上述系列处理的步骤可以自然地按照说明的顺序按时间顺序执行，但是并不需要一定按照时间顺序执行，某些步骤可以并行或彼此独立地执行。对本领域的普通技术人员而言，能够理解本发明的方法和装置的全部或者任何步骤或者部件，可以在任何计算装置（包括处理器、存储介质等）或者计算装置的网络中，以硬件、固件、软件或者它们的组合加以实现，这是本领域普通技术人员在阅读了本发明的说明的情况下运用的基本编程技能就能实现的。

因此，本发明的目的还可以通过在任何计算装置上运行一个程序或者一组程序来实现。所述计算装置可以是公知的通用装置。因此，本发明的目的也可以仅仅通过提供包含实现所述方法或者装置的程序代码的程序产品来实现。也就是说，这样的程序产品也构成本发明，并且存储有这样的程序产品的存储介质也构成本发明。显然，所述存储介质可以是任何公知的存储介质或者将来所开发出来的任何存储介质。还需要指出的是，在本发明的装置和方法中，显然，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。并且，执行上述系列处理的步骤可以自然地按照说明的顺序按时间顺序执行，但是并不需要一定按照时间顺序执行。某些步骤可以并行或彼此独立地执行。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种道路边缘识别控制方法，其特征在于，所述方法包括：

获取当前环境下的道路数据；

对当前环境下的道路数据进行预处理，以得到预处理后的道路数据；

对预处理后的道路数据进行分解，以得到第一数据和第二数据；

分别计算第一数据和第二数据的平均值，以得到融合后的第一数据和第二数据；

计算动态影响因子，根据融合后的第一数据和第二数据以及动态影响因子，得到融合数据；

对融合数据中的车道线进行预定位，并对车道线上的数据点进行拟合，得到一个车道线形态变化模型；

根据车道线形态变化模型，计算最终的道路边缘数据。

2.根据权利要求1所述的道路边缘识别控制方法，其特征在于，对预处理后的道路数据进行分解，以得到第一数据和第二数据，包括：

根据预处理后的道路数据的复杂度和所需的信息粒度，确定小波分解的层数；

对预处理后的道路数据进行小波分解；

在第一层分解中，预处理后的道路数据通过一个低通滤波器和一个高通滤波器进行水平方向的滤波，再每隔一行或一列取一个像素，得到初始的低频近似子图和初始的高频细节子图；

对初始的低频近似子图在垂直方向上进行滤波和下采样，以得到第一数据；

对初始的高频细节子图在垂直方向上进行高通滤波和下采样，以得到第二数据。

3.根据权利要求2所述的道路边缘识别控制方法，其特征在于，计算动态影响因子，包括：

通过计算动态影响因子/>，其中，C表示低频对比度，/>表示低频对比度的最大值，S表示低频清晰度，/>表示低频清晰度的最大值，D表示高频细节强度，/>表示高频细节强度的最大值，Co表示高频一致性，/>表示高频一致性的最大值，/>和/>表示低频质量因子的权重系数，/>和/>表示高频质量因子的权重系数，/>表示低频相关性因子，/>表示高频相关性因子。

4.根据权利要求3所述的道路边缘识别控制方法，其特征在于，根据融合后的第一数据和第二数据以及动态影响因子，得到融合数据，包括：

根据动态影响因子，通过/>计算融合数据，其中，/>表示融合数据在位置(i，j)的像素值，/>表示第k个第二数据的权重，代表低频图像/>在坐标(i，j)的像素值，/>表示第k个高频分解层在(i，j)坐标位置的像素值；i和j是二维图像中的坐标索引，分别代表行和列，k表示多尺度的高频分解层。

5.根据权利要求4所述的道路边缘识别控制方法，其特征在于，对融合数据中的车道线进行预定位，包括：

对融合数据中的车道线进行高斯滤波，以得到滤波数据；

计算滤波数据中每个数据点的梯度强度和方向，沿梯度方向，抑制非极大值的响应，并通过双阈值法确定边缘，连接边缘线段，得到二值化的边缘数据；

初始化霍夫空间，将边缘数据中的每个边缘点转换为霍夫空间中的曲线或直线，并在对应的参数空间中进行累加，获取霍夫空间中各个参数点的累加值；

根据霍夫空间中各个参数点的累加值，设定一个区分阈值；

根据区分阈值，筛选最终的直线，以实现对车道线进行预定位。

6.根据权利要求5所述的道路边缘识别控制方法，其特征在于，对车道线上的数据点进行拟合，得到一个车道线形态变化模型，包括：

从边缘数据中提取一组车道线数据点的坐标数据；

根据车道线的形状和复杂性，确定二次多项式数学模型；

根据二次多项式数学模型，构建观测矩阵，所述观测矩阵包含用于拟合数学模型的基函数在车道线数据点位置上的取值；

将车道线数据点的纵坐标组装成一个观测向量；

通过观测矩阵和观测向量求解二次多项式数学模型的参数，其中，二次多项式数学模型的参数为车道线形态变化模型的系数。

7.根据权利要求6所述的道路边缘识别控制方法，其特征在于，根据车道线形态变化模型，计算最终的道路边缘数据，包括：

根据车道线形态变化模型，在边缘数据中设定一个搜索区域，用于寻找实际的车道线边缘；

在设定的搜索区域内，检测边缘；

将检测到的边缘与车道线形态变化模型进行匹配，以得到匹配的边缘点；

根据匹配的边缘点，再次进行拟合，以得到最终的车道线形状；

根据最终的车道线形状，确定道路的边缘位置。

8.一种道路边缘识别控制装置，其特征在于，包括：

获取模块，用于获取当前环境下的道路数据；

预处理模块，用于对当前环境下的道路数据进行预处理，以得到预处理后的道路数据；

分解模块，用于对预处理后的道路数据进行分解，以得到第一数据和第二数据；分别计算第一数据和第二数据的平均值，以得到融合后的第一数据和第二数据；

计算模块，用于计算动态影响因子，根据融合后的第一数据和第二数据以及动态影响因子，得到融合数据；

处理模块，用于对融合数据中的车道线进行预定位，并对车道线上的数据点进行拟合，得到一个车道线形态变化模型；根据车道线形态变化模型，计算最终的道路边缘数据。

9.一种计算设备，其特征在于，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1至7中任一项所述的方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有程序，该程序被处理器执行时实现如权利要求1至7中任一项所述的方法。