本發(fā)明涉及圖像處理技術(shù)領(lǐng)域，特別是一種基于快速霍夫變換的路口斑馬線檢測(cè)方法。

背景技術(shù)：

無(wú)人駕駛汽車從根本上改變了傳統(tǒng)的人—車控制方式，將不可控的駕駛員從駕駛中分離出去，從而大大提高了交通系統(tǒng)的效率和安全性。無(wú)人駕駛汽車需要通過(guò)各類感知器對(duì)道路信息、車輛位置和障礙物信息進(jìn)行采集和運(yùn)算，實(shí)時(shí)分析復(fù)雜的道路情況，并通過(guò)總控程序給車輛作出最優(yōu)的行駛選擇。其中計(jì)算機(jī)視覺(jué)在對(duì)路況分析和處理中起到至關(guān)重要的作用，也是無(wú)人駕駛能否成功的關(guān)鍵。如何準(zhǔn)確識(shí)別和判斷出公路上的各類事物是進(jìn)行進(jìn)一步分析和處理的前提條件，例如，汽車若能對(duì)路口的斑馬線進(jìn)行提前識(shí)別，則能在通過(guò)路口時(shí)提前告知總控程序要對(duì)汽車進(jìn)行減速處理，從而增強(qiáng)了汽車行駛的安全性。

現(xiàn)有的技術(shù)通常采用模式匹配的方法，對(duì)公路上的各類事物通過(guò)采集大量的圖像數(shù)據(jù)讓計(jì)算機(jī)進(jìn)行學(xué)習(xí)并進(jìn)一步分類，然后在實(shí)際運(yùn)行環(huán)境中對(duì)實(shí)時(shí)拍攝到的公路圖像進(jìn)行模式匹配，將匹配度高的結(jié)果作為物體識(shí)別的結(jié)果。然而該方法需要大量的訓(xùn)練數(shù)據(jù)，對(duì)不同類的物體運(yùn)用同樣的訓(xùn)練方法，忽略了物體間的差異性，從而導(dǎo)致計(jì)算量很大，而且對(duì)某些路況，如公路上的地面標(biāo)志信息的識(shí)別精確度較低。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明所要解決的技術(shù)問(wèn)題是克服現(xiàn)有技術(shù)的不足而提供一種基于快速霍夫變換的路口斑馬線檢測(cè)方法，以準(zhǔn)確高效地對(duì)公路上的斑馬線進(jìn)行識(shí)別檢測(cè)。

本發(fā)明為解決上述技術(shù)問(wèn)題采用以下技術(shù)方案：

根據(jù)本發(fā)明提出的一種基于快速霍夫變換的路口斑馬線檢測(cè)方法，包括以下步驟：

步驟1、采集公路圖像，對(duì)公路圖像進(jìn)行灰度處理，得到處理后的n×n圖像矩陣g，n代表g中的行數(shù)和列數(shù)；

步驟2、對(duì)g進(jìn)行高斯濾波操作，得出更新后的矩陣g′；具體步驟如下：

步驟21、定義模糊半徑r和大小為r*r的模糊矩陣，利用高斯函數(shù)計(jì)算模糊矩陣中每個(gè)元素的值，r＜n且r為奇數(shù)；

步驟22、對(duì)模糊矩陣中的元素做歸一化處理：計(jì)算模糊矩陣中元素的和sp，并將模糊矩陣中每個(gè)元素除以sp，得到歸一化后的模糊矩陣p；

步驟23、定義矩陣g′＝g，計(jì)算更新從而得到更新后的矩陣g′，矩陣g′為n行n列；其中，為向下取整，p(i′,j′)代表p中第i′行和第j′列的元素，g(i′,j′)代表g中第i′行和第j′列的元素，g′(i,j)為矩陣g′中第i行和第j列的元素；

步驟3、對(duì)步驟2得到的矩陣g′做邊緣檢測(cè)；具體步驟如下：

步驟31、計(jì)算g′(i,j)的水平方向梯度dx(i,j)＝g′(i,j+1)-g′(i,j)；

步驟32、計(jì)算g′(i,j)的垂直方向梯度dy(i,j)＝g′(i+1,j)-g′(i,j)；

步驟33、計(jì)算g′(i,j)的梯度值和梯度方向

步驟34、對(duì)矩陣g′中每個(gè)元素的梯度值進(jìn)行非極大值抑制：對(duì)于g′(i,j)，若在α(i,j)方向上的若干個(gè)元素梯度值當(dāng)中，d(i,j)為極大，則g′(i,j)＝255；否則g′(i,j)＝0；

步驟4、用雙閾值算法對(duì)矩陣g′中的邊緣進(jìn)行連接，具體步驟如下：

步驟41、定義一個(gè)高閾值λ，對(duì)矩陣g′中的元素按梯度值進(jìn)行排序，排序后的元素個(gè)數(shù)為m個(gè)；取排序后的前ω*m個(gè)元素中梯度值最大的元素，該元素所對(duì)應(yīng)的梯度值作為λ的值，其中，0.6≤ω≤0.8，且ω*m向下取整；掃描矩陣g′中的每個(gè)元素，對(duì)于元素g′(i,j)，若d(i,j)＜λ，則g′(i,j)＝255，否則g′(i,j)不變；

步驟42、定義一個(gè)低閾值μ，且對(duì)g′中元素值為0的元素做判斷：若與該元素距離為1的鄰域內(nèi)的元素值都等于255，則將鄰域內(nèi)的元素梯度值與μ比較，將梯度值大于μ的元素的值賦為0；

步驟43、重復(fù)步驟42，直到對(duì)矩陣g′中所有的元素都判斷完畢；

步驟5、對(duì)矩陣g′中的元素進(jìn)行快速霍夫變換；具體步驟如下：

步驟51、在矩陣g′中任取一個(gè)g′(i,j),判斷g′(i,j)是否等于0，若是則把該元素加入集合s中，執(zhí)行步驟52，否則重新執(zhí)行步驟51；

步驟52、記新加入集合s中的元素為q，依次對(duì)q的鄰域內(nèi)的元素進(jìn)行判斷，若q的鄰域中存在像素點(diǎn)的值等于0的元素，且該元素不屬于集合s，則將該元素加入s中；

步驟53、重復(fù)步驟52直到集合s不再擴(kuò)大為止；

步驟54、選取集合s中距離最遠(yuǎn)的兩個(gè)元素作為線段s的端點(diǎn)，線段s的端點(diǎn)坐標(biāo)分別記為(x1,y1)和(x2,y2)，計(jì)算集合s中該線段最大的偏離距離d＝max{[(y3-y1)(x2-x1)-(x3-x1)(y2-y1)]/l}，(x3,y3)為集合s中元素的坐標(biāo)且(x3,y3)≠(x1,y1)，(x2,y2)；

步驟55、定義偏離比若集合s的偏離比r＞φ,則以(x3,y3)為分割點(diǎn)，將原線段s進(jìn)行二分割，分割成以(x1,y1),(x3,y3)為端點(diǎn)的線段s1和以(x3,y3),(x2,y2)為端點(diǎn)的線段s2，并將集合s中元素的坐標(biāo)點(diǎn)靠近s1的元素分為一個(gè)子集，靠近s2的分為另一個(gè)子集；對(duì)于每個(gè)子集合，用該子集合替換步驟54和步驟55中的集合s，并重復(fù)執(zhí)行步驟54和步驟55；若r≤φ，則當(dāng)前子集sk確定一條直線，k初始值為1，每當(dāng)一個(gè)集合能確定一條直線k就自增1，φ為比率閾值；

步驟56、經(jīng)過(guò)步驟55，集合s被劃分成若干個(gè)子集：{s1,s2,...,sn}，n為s被劃分成的子集個(gè)數(shù)；取矩陣g′的第n行第1列元素的左下方任意一點(diǎn)作為坐標(biāo)原點(diǎn)(0,0)，以矩陣g′的行方向?yàn)閤軸正方向，以矩陣g′的列方向?yàn)閥軸正方向，構(gòu)建出平面直角坐標(biāo)系，使得矩陣g′位于該坐標(biāo)系的第一象限；在步驟55得到的每個(gè)子集中，選取υ個(gè)元素，過(guò)這些元素作與x軸負(fù)方向且直線向上方向的夾角為1度到180度的直線，以<距離，夾角>的形式記錄坐標(biāo)原點(diǎn)(0,0)到每條直線的距離和每條直線向上方向與x軸負(fù)方向形成的夾角；

步驟57、對(duì)于每一組<距離,夾角>，統(tǒng)計(jì)與其在距離和夾角上都相同的<距離，夾角>的個(gè)數(shù)，若個(gè)數(shù)大于ε,則該<距離，夾角>確定一條直線，ε為一條直線上的元素個(gè)數(shù)閾值；

步驟6、統(tǒng)計(jì)矩陣g′中直線密集的區(qū)域，將該區(qū)域作為斑馬線所在的區(qū)域，具體步驟如下：

步驟61、對(duì)步驟57確定出的若干條直線，統(tǒng)計(jì)在1度到180度上每個(gè)角度所對(duì)應(yīng)的直線數(shù)量：若某一直線向上方向與x軸負(fù)方向的夾角為α°，則α°對(duì)應(yīng)的直線數(shù)量加1；

步驟62、對(duì)同一角度上的所有直線按離原點(diǎn)(0,0)的距離從小到大進(jìn)行排序；對(duì)于每一個(gè)角度，按照距離從近到遠(yuǎn)掃描該角度上的所有直線：定義計(jì)數(shù)變量cnt＝1，從第2條直線到最后一條直線逐條判斷，若當(dāng)前判斷直線與前一條直線距離在γ以內(nèi)，則cnt＝cnt+1,否則cnt＝1；對(duì)該角度上所有直線判斷完畢后，若cnt＞δ，則選定該角度的直線所在區(qū)域?yàn)榘唏R線區(qū)域；否則該角度上不存在斑馬線區(qū)域，δ為直線數(shù)量閾值，γ為直線間的距離閾值。

作為本發(fā)明所述的一種基于快速霍夫變換的路口斑馬線檢測(cè)方法進(jìn)一步優(yōu)化方案，所述步驟1具體如下：采集公路圖像，對(duì)公路圖像中每個(gè)像素點(diǎn)的紅、綠、藍(lán)三個(gè)色彩值取平均，取得的平均值作為該像素點(diǎn)的灰度值。

作為本發(fā)明所述的一種基于快速霍夫變換的路口斑馬線檢測(cè)方法進(jìn)一步優(yōu)化方案，所述步驟21中高斯函數(shù)為：其中，α為調(diào)節(jié)參數(shù)且代表模糊矩陣中元素的離散程度，δx為模糊矩陣中的元素與模糊矩陣中心點(diǎn)的橫坐標(biāo)方向的距離，δy為模糊矩陣中的元素與模糊矩陣中心點(diǎn)的縱坐標(biāo)方向的距離，e為自然底數(shù)。

作為本發(fā)明所述的一種基于快速霍夫變換的路口斑馬線檢測(cè)方法進(jìn)一步優(yōu)化方案，所述步驟4中ω＝75％；

作為本發(fā)明所述的一種基于快速霍夫變換的路口斑馬線檢測(cè)方法進(jìn)一步優(yōu)化方案，所述步驟5中υ的取值為4或5。

本發(fā)明采用以上技術(shù)方案與現(xiàn)有技術(shù)相比，具有以下技術(shù)效果：

(1)本發(fā)明提出一種基于快速霍夫變換的路口斑馬線檢測(cè)方法，其完整的方法過(guò)程包括對(duì)圖像進(jìn)行灰度處理和高斯濾波處理，再通過(guò)canny算子提取出圖像的邊緣，對(duì)邊緣圖像進(jìn)行快速霍夫變換得到圖像中直線所在的位置，根據(jù)直線的密集程度判斷出路口斑馬線所在的區(qū)域；

(2)本發(fā)明通過(guò)對(duì)圖像進(jìn)行高斯濾波，有效地減少原始圖像存在的噪聲干擾提高識(shí)別的準(zhǔn)確性；

(3)本發(fā)明采用雙閾值法對(duì)圖像邊緣進(jìn)行提取，有效減少圖像中的假邊緣數(shù)并對(duì)圖像邊緣的不連貫區(qū)域進(jìn)行連接；

(4)本發(fā)明通過(guò)快速霍夫變換先對(duì)圖像中近似在同一直線的元素進(jìn)行聚合，再對(duì)聚合元素中的5-6個(gè)元素進(jìn)行霍夫變化即可確定出一條直線，大大改善了傳統(tǒng)霍夫變換計(jì)算量大的缺點(diǎn)。

附圖說(shuō)明

圖1是基于快速霍夫變換的路口斑馬線檢測(cè)方法流程。

圖2是公路圖像實(shí)例。

圖3是圖像邊緣檢測(cè)實(shí)例。

圖4是霍夫變換效果圖。

具體實(shí)施方式

下面結(jié)合附圖對(duì)本發(fā)明的技術(shù)方案做進(jìn)一步的詳細(xì)說(shuō)明：

根據(jù)附圖1所示快速霍夫變換的路口斑馬線檢測(cè)方法對(duì)應(yīng)的流程圖，附圖2所示公路圖像實(shí)例，附圖3所示圖像邊緣檢測(cè)實(shí)例，附圖4所示霍夫變換效果圖，本發(fā)明具體實(shí)施方式為：

1)輸入公路圖像如附圖1所示，對(duì)圖像進(jìn)行灰度處理得到處理后的n×n圖像矩陣g，n代表g中的行數(shù)和列數(shù)，具體步驟如下：

11)對(duì)圖像中每個(gè)像素點(diǎn)的紅、綠、藍(lán)三個(gè)色彩值取平均，取得的平均值作為該像素點(diǎn)的灰度值。

2)對(duì)g進(jìn)行高斯濾波操作，具體步驟如下：

21)定義模糊半徑r＝3和大小為3*3的模糊矩陣p，利用高斯函數(shù)計(jì)算p中每個(gè)元素的值，計(jì)算結(jié)果如下：

22)對(duì)p中的元素做歸一化處理：計(jì)算p中元素的和sp，并將p中每個(gè)元素除以sp，得到歸一化后的矩陣p：

23)定義矩陣g′＝g，計(jì)算更新從而得到更新后的矩陣g′，更新后的矩陣g′為n行n列；其中，為向下取整，p(i′,j′)代表p中第i′行和第j′列的元素，g(i′,j′)代表g中第i′行和第j′列的元素，g′(i,j)為更新后的矩陣g′中第i行和第j列的元素；

3)對(duì)步驟2)得到的矩陣g′做邊緣檢測(cè)。具體步驟如下：

31)計(jì)算g′(i,j)的水平方向梯度dx(i,j)＝g′(i,j+1)-g′(i,j)。

32)計(jì)算g′(i,j)的垂直方向梯度dy(i,j)＝g′(i+1,j)-g′(i,j)。

33)計(jì)算g′(i,j)的梯度值和梯度方向

34)對(duì)g′中每個(gè)元素的梯度值進(jìn)行非極大值抑制：對(duì)于元素g′(i,j)，若在α(i,j)方向上的若干個(gè)元素梯度值當(dāng)中，d(i,j)為極大，則g′(i,j)＝255；否則g′(i,j)＝0。以矩陣為例，該矩陣對(duì)應(yīng)的梯度矩陣為假設(shè)a(2,2)的梯度方向?yàn)?0度，則比較b(2,2)和b(1,3),b(3,1)的大小，因?yàn)閎(2,2)并非局部最大，所以a(2,2)的值就賦為255。再假設(shè)a(3,3)的梯度方向?yàn)?35度，由于b(3,3)在b(1,1)和b(2,2)中是局部最大，所以a(3,3)的值就賦為0。

4)用雙閾值算法對(duì)g′中的邊緣進(jìn)行連接，具體步驟如下：

41)定義一個(gè)高閾值λ，對(duì)g′中的元素按梯度值進(jìn)行排序，排序后的元素個(gè)數(shù)為m個(gè)；取排序后的前0.75*m個(gè)元素中梯度值最大的元素，該元素所對(duì)應(yīng)的梯度值作為λ的值，其中0.75*m下取整整數(shù)；掃描g′中的每個(gè)元素，對(duì)于元素g′(i,j)，若d(i,j)＜λ，則g′(i,j)＝255，否則g′(i,j)不變；

42)定義一個(gè)低閾值μ，且對(duì)g′中元素值為0的元素做判斷：若與該元素距離為1的鄰域內(nèi)的元素值都等于255，則將鄰域內(nèi)的元素梯度值與μ比較，將梯度值大于μ的元素的值賦為0。

43)重復(fù)步驟42)，直到對(duì)g′中所有的元素都判斷完畢，得到如附圖3所示的邊緣檢測(cè)效果圖。

5)對(duì)矩陣g′中的元素進(jìn)行快速霍夫變換。具體步驟如下：

51)在g′中任取一個(gè)點(diǎn)g′(i,j),判斷g′(i,j)是否等于0，若是則把該點(diǎn)加入集合s中，執(zhí)行步驟52)，否則重新執(zhí)行步驟51)。

52)記新加入集合s中的點(diǎn)為q，依次對(duì)q鄰域內(nèi)的元素進(jìn)行判斷，若q的鄰域中存在像素點(diǎn)的值等于0的元素，且該元素不屬于集合s，則把該元素加入s中。

53)重復(fù)步驟52)直到集合s不再擴(kuò)大為止。

54)選取集合s中距離最遠(yuǎn)的兩個(gè)點(diǎn)作為線段s的端點(diǎn)，線段s的端點(diǎn)坐標(biāo)分別記為(x1,y1)和(x2,y2)，計(jì)算集合s中該線段最大的偏離距離d＝max{[(y3-y1)(x2-x1)-(x3-x1)(y2-y1)]/l}，(x3,y3)為集合s中元素的坐標(biāo)，且(x3,y3)≠(x1,y1)，(x2,y2)；所述

55)定義偏離比若集合s的偏離比r＞0.2,則以(x3,y3)為分割點(diǎn)，將原線段s進(jìn)行二分割，分割成以(x1,y1),(x3,y3)為端點(diǎn)的線段s1和以(x3,y3),(x2,y2)為端點(diǎn)的線段s2，并將集合s中元素坐標(biāo)點(diǎn)靠近s1的元素分為一個(gè)子集，靠近s2的分為另一個(gè)子集；對(duì)于每個(gè)子集合，用該子集合替換步驟54和步驟55中的s，并重復(fù)執(zhí)行步驟54和步驟55；若r≤0.2，則當(dāng)前子集sk確定一條直線，k初始值為1，每當(dāng)一個(gè)集合能確定一條直線k就自增1，φ為比率閾值；

56)經(jīng)過(guò)步驟55)集合s被劃分成若干個(gè)子集：{s1,s2,...,sn}，n為s被劃分成的子集個(gè)數(shù)。取矩陣g′的第n行第1列元素的左下方任意一點(diǎn)作為坐標(biāo)原點(diǎn)(0,0)，以矩陣g′的行方向?yàn)閤軸正方向，以矩陣g′的列方向?yàn)閥軸正方向，構(gòu)建出平面直角坐標(biāo)系，使得矩陣g′位于該坐標(biāo)系的第一象限；在步驟55得到的每個(gè)子集中，選取5-6個(gè)元素，過(guò)這些元素作與x軸負(fù)方向且直線向上方向的夾角為1度到180度的直線，以<距離，夾角>的形式記錄坐標(biāo)原點(diǎn)(0,0)到每條直線的距離和每條直線向上方向與x軸負(fù)方向形成的夾角；原點(diǎn)到每條直線的距離可由公式：dr＝xcosθ+ysinθ計(jì)算得到。以元素g(3,4)為例，過(guò)該元素作與橫坐標(biāo)軸夾角為60度的直線，原點(diǎn)到該直線的距離為3*cos60°+4*sin60°＝4.96，把<60,4.96>記錄下來(lái)。

57)對(duì)于每一組<距離,夾角>，統(tǒng)計(jì)與其在距離和夾角上都相同的<距離，夾角>的個(gè)數(shù)，若個(gè)數(shù)大于4,則該<距離，夾角>確定一條直線。

6)統(tǒng)計(jì)圖像矩陣g′中直線密集的區(qū)域，把該區(qū)域作為斑馬線所在的區(qū)域，具體步驟如下：

61)對(duì)步驟57)確定出的若干條直線，統(tǒng)計(jì)在1度到180度上每個(gè)角度所對(duì)應(yīng)的直線數(shù)量：若某一直線向上方向與x軸負(fù)方向的夾角為α°，則α°對(duì)應(yīng)的直線數(shù)量加1

62)對(duì)同一角度上的所有直線按離原點(diǎn)(0,0)的距離從小到大進(jìn)行排序。對(duì)于每一個(gè)角度，按照距離從近到遠(yuǎn)掃描該角度上的所有直線：定義計(jì)數(shù)變量cnt＝1，從第2條直線到最后一條直線逐條判斷，若當(dāng)前判斷直線與前一條直線距離在γ以內(nèi)，則cnt＝cnt+1,否則cnt＝1。對(duì)該角度上所有直線判斷完畢后，若cnt＞δ，則選定該角度的直線所在區(qū)域?yàn)榘唏R線區(qū)域；否則該角度上不存在斑馬線區(qū)域，δ為直線數(shù)量閾值，γ為直線間的距離閾值。

本發(fā)明能精確快速地檢測(cè)出斑馬線所在區(qū)域，通過(guò)高斯濾波減少原始圖像中存在的噪聲干擾，而且在邊緣提取過(guò)程中采用雙閾值法減少了假邊緣的數(shù)量，對(duì)后序快速霍夫變換提取直線的準(zhǔn)確性起到至關(guān)重要的作用。

以上內(nèi)容是結(jié)合具體的優(yōu)選實(shí)施方式對(duì)本發(fā)明所作的進(jìn)一步詳細(xì)說(shuō)明，不能認(rèn)定本發(fā)明的具體實(shí)施只局限于這些說(shuō)明。對(duì)于本發(fā)明所屬技術(shù)領(lǐng)域的普通技術(shù)人員來(lái)說(shuō)，在不脫離本發(fā)明構(gòu)思的前提下，還可以做出若干簡(jiǎn)單推演或替代，都應(yīng)當(dāng)視為屬于本發(fā)明的保護(hù)范圍。