一種基于視頻的公交車道檢測方法
【技術領域】
[0001]本發(fā)明屬于圖像處理與模式識別領域，更具體地，涉及一種基于視頻的公交車道檢測方法，用于智能交通系統(tǒng)中自動檢測視頻圖像中的公交車道。
【背景技術】
[0002]隨著城市出行的機動車數(shù)量逐漸增多，出現(xiàn)交通堵塞、交通事故的情況越來越頻繁，很多城市的發(fā)展因而受到一定的制約。為了緩解城市交通道路的日益增長需求，解決頻頻出現(xiàn)的交通問題，智能交通被認為是有效手段之一。同時，“公交優(yōu)先”戰(zhàn)略是提高城市通行效率的有效手段，國內(nèi)外幾乎所有的城市都在推行公交優(yōu)先策略。因此，保障公交車的無阻、快速通行的智能交通系統(tǒng)是現(xiàn)在研究的熱點。
[0003]公交車相關智能交通系統(tǒng)的關鍵是公交車道檢測，穩(wěn)定、準確檢測公交車道可以提供有效信息提升系統(tǒng)的性能。公交車道檢測主要有車道檢測和車道識別兩部分，車道檢測是其中的難點。
[0004]車道檢測算法主要包括以下兩種:基于特征的車道檢測算法和基于模型的車道檢測算法?；谔卣鞯能嚨罊z測算法利用車道邊緣等特征，要求檢測的車道有明顯的邊緣，但是這種方法容易受到噪聲或遮擋的影響?；谀Ｐ偷能嚨罊z測算法使用一些參數(shù)去擬合車道，不管車道是直的還是曲折的，車道檢測都被轉(zhuǎn)換成計算這些模型參數(shù)。因此，基于模型的方法受噪聲和遮擋的影響要小。為了顧及這些車道模型參數(shù)，似然函數(shù)、霍夫直線變換等被利用到車道檢測中。然而，因為大多的車道模型僅僅關注某些特定形狀的車道，因此它們?nèi)狈δM任意形狀車道的靈活性。

【發(fā)明內(nèi)容】

[0005]為了克服現(xiàn)有公交車道檢測方法在實際場景中實時性不強、準確率低、穩(wěn)定性差等缺陷，本發(fā)明提供新的基于視頻的公交車道檢測方法，該方法簡單實用，并且可以較好地實時、準確、穩(wěn)定檢測公交車道。
[0006]本發(fā)明的基于視頻的公交車道檢測方法的技術方案是:
[0007](1)圖像獲取步驟。實際情況中，成像設備的視場角和寬度會影響公交車道檢測性能，所以需要標定并調(diào)整成像設備的成像視場角和寬度，使檢測圖像中公交車道線起點到終點的長度超過圖像高度的一半、公交車道線近似對稱分布在圖像的左右兩邊。圖2是本發(fā)明實施例中成像設備獲取的檢測圖像I(x，y);
[0008](2)圖像預處理步驟。檢測圖像I (X，y)不可避免會有尺寸不同、噪聲干擾等問題，所以對檢測圖像I (X，y)依次進行縮放處理、掩膜處理、灰度化處理和高斯濾波處理得到預處理后圖像D(x, y):
[0009](2-1)由于成像設備獲取圖像尺寸不同，所以對檢測圖像I (X，y)進行縮放處理得到縮放圖像?？紤]檢測實時性，應該將檢測圖像I (X，y)縮小到指定大小，以加快后續(xù)步驟的處理時間；
[0010](2-2)利用先驗知識可以發(fā)現(xiàn)公交車道在圖像中的分布處于一定區(qū)域，并且左右近似對稱，所以利用這個特性手動繪制得到掩膜圖像M(x，y)。利用掩膜圖像M(x，y)對縮放圖像進行掩膜處理得到掩膜處理圖像。這樣可以縮小公交車道檢測范圍，加快檢測速度，提高檢測準確率。圖3是掩膜圖像M(x，y);
[0011](2-3)將掩膜處理圖像進行灰度化處理，得到灰度圖像；
[0012](2-4)圖像不可避免會有噪聲干擾，需要對灰度圖像進行高斯平滑濾波去除噪聲得到預處理后圖像D (X，y)。圖4是預處理后圖像D (X，y)。
[0013](3)邊緣圖像提取步驟。對預處理后圖像D(x，y)使用邊緣提取算法提取邊緣圖像E(x, y)。邊緣提取算法主要有Roberts算子、Sobel算子和Canny算法等，針對實際情況中圖像的復雜多變情況，本發(fā)明采用Canny算法，提取邊緣圖像的速度和效果最理想。圖5是采用Canny算法提取的邊緣圖像E (x, y)。
[0014](4)直線檢測步驟。對邊緣圖像E(x，y)利用霍夫變換算法檢測得到候選直線，對候選直線進行聚類得到可信度最高的直線:
[0015](4-1)常規(guī)情況，對稱的兩條公交車道分布在圖像的左右兩邊，所以將邊緣圖像E(x, y)均分為左右兩部分，分別利用霍夫變換算法轉(zhuǎn)換到霍夫空間；
[0016](4-2)實驗發(fā)現(xiàn)，一條有寬度的公交車道在邊緣圖像E(x，y)中是兩條靠近的平行直線，所以在霍夫空間中按照霍夫變換值從大到小排序得到左右兩組候選直線，然后對候選直線分別進行聚類，得到聚類中心的直線即為可信度最高的直線；
[0017](5)直線約束步驟。對可信度最高的檢測直線，利用半幀圖像的單條直線傾斜角應該在一定范圍、單幀圖像的兩條直線應該滿足近似對稱性兩個約束條件進行篩選。滿足約束條件則判定為候選車道并進入跟蹤步驟，反之返回步驟(1);
[0018](6)車道跟蹤步驟。對左右兩條候選車道利用多幀圖像的車道位置相近約束進行跟蹤，當連續(xù)多幀圖像中出現(xiàn)同一候選車道則判定該候選車道為有效車道，當有效車道在連續(xù)多幀圖像中不出現(xiàn)則判定該有效車道消失。具體地，利用狀態(tài)機的方法來實現(xiàn)車道跟蹤:
[0019](6-1)初始狀態(tài):保存第一條候選車道，下一狀態(tài)為車道穩(wěn)定前狀態(tài)；
[0020](6-2)車道穩(wěn)定前狀態(tài):第一步判斷新候選車道是否和保存車道位置相近，是則用新候選車道替換保存車道并計數(shù)加一，否則下一狀態(tài)為初始狀態(tài)并計數(shù)清零，第二步判斷計數(shù)是否大于閾值(此閾值可以人為設定，較大則提高車道線檢測準確率，較小則提高車道線檢測漏檢率)，是則認為保存車道為有效車道、下一狀態(tài)為車道穩(wěn)定狀態(tài)并計數(shù)清零；
[0021](6-3)車道穩(wěn)定狀態(tài):判斷新候選車道是否和有效車道位置相近，是則更新有效車道信息，否則認為有效車道暫時波動、下一狀態(tài)進入車道波動狀態(tài)；
[0022](6-4)車道波動狀態(tài):第一步判斷新候選車道是否和保存車道位置相近，是則用新候選車道替換保存車道、計數(shù)清零，下一狀態(tài)進入車道穩(wěn)定狀態(tài)，否則計數(shù)加一；第二步判斷計數(shù)是否大于閾值(此閾值可以人為設定，較大則提高車道線檢測穩(wěn)定性，較小則提高車道線檢測實時性)，是則下一狀態(tài)進入初始狀態(tài)、計數(shù)清零，否則下一狀態(tài)繼續(xù)為車道波動狀態(tài)；
[0023](7)車道識別步驟。對有效車道，利用顏色分類器識別公交車道和非公交車道。本發(fā)明中利用SVM顏色分類器得到有效車道預設寬度內(nèi)的像素點符合公交車道像素點分布的概率，當概率大于閾值則將車道識別為公交車道，反之識別為非公交車道。
[0024]與現(xiàn)有技術相比，本發(fā)明所構(gòu)思的技術方案具有以下有益效果:
[0025](1)圖像預處理步驟中，對檢測圖像使用縮放處理、掩膜處理，提高系統(tǒng)實時性，減小車道誤檢率；
[0026](2)直線檢測步驟中，霍夫變換得到多條候選直線并進行聚類得到可信度最高的直線，直線約束步驟中對直線進行半幀、單幀信息進行約束，提高車道檢測準確性；
[0027](3)車道跟蹤步驟中，利用多幀信息進行跟蹤，有效提高車道檢測穩(wěn)定性。
【附圖說明】
[0028]圖1是本發(fā)明基于視頻的公交車道檢測方法流程圖；
[0029]圖2是本發(fā)明實施例中視頻中的一幅待檢測圖像；
[0030]圖3是本發(fā)明實施例中公交車道掩膜圖像；
[0031]圖4是本發(fā)明實施例中預處理后的圖像；
[0032]圖5是本發(fā)明實施例中利用Canny算法提取的邊緣圖像；
[0033]圖6是本發(fā)明實施例中公交車道檢測結(jié)果圖像。
【具體實施方式】
[0034]為了使本發(fā)明的目的、技術方案及優(yōu)點更加清楚明白，以下結(jié)合附圖及實施例，對本發(fā)明進行進一步詳細說明。應當理解，此處所描述的具體實施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā)明。此外，下面所描述的本發(fā)明各個實施方式中所涉及到的技術特征只要彼此之間未構(gòu)成沖突就可以相互組合。
[0035]本發(fā)明圖像預處理中采用掩膜處理，將霍夫變換算法作為檢測直線的方法，對檢測直線進行聚類和約束，對車道線進行跟蹤，從而實時、準確、穩(wěn)定檢測視頻中的公交車道。處理流程如圖1所示:
[0036](1)圖像獲取步驟。實際情況中，成像設備的視場角和寬度會影響公交車道檢測性能，所以需要標定并調(diào)整成像設備的成像視場角和寬度，使檢測圖像中公交車道線起點到終點的長度超過圖像高度的一半、公交車道線近似對稱分布在圖像的左右兩邊。圖2是本發(fā)明實施例中成像設備獲取的檢測圖像I(x，y);
[0037](2)圖像預處理步驟。檢測圖像I (X，y)不可避免會有尺寸不同、噪聲干擾等問題，所以對檢測圖像I (X，y)依次進行縮放處理、掩膜處理、灰度化處理和高斯濾波處理得到預處理后圖像D(x, y):
[0038](2-1)由于成像設備獲取圖像尺寸不同，所以對檢測圖像I (X，y)進行縮放處理得到縮放圖像?？紤]檢測實時性，應該將檢測圖像I (X，y)縮小到指定大小，以加快后續(xù)步驟的處理時間；
[0039](2-2)利用先驗知識可以發(fā)現(xiàn)公交車道在圖像中的分布處于一定區(qū)域，并且左右近似對稱，所以利用這個特性手動繪制得到掩膜圖像M(x，y)。利用掩膜圖像M(x，y)對縮放圖像進行掩膜處理得到掩膜處理圖像。這樣可以縮小公交車道檢測范圍，加快檢測速度，提高檢測準確率。圖3是掩膜圖像M(x，y);
[0040](2-3)將掩膜處理圖像進行灰度化處理，得到灰度圖像；
[0041](2-4)圖像不可避免會有噪聲干擾，需要對灰度圖像進行高斯平滑濾波去除噪聲得到預處理后圖像D (X，y)。圖4是預處理后圖像D (X，y)。
[0042](3)邊緣圖像提取步驟。對預處理后圖像D(x，y)使用邊緣提取算法提取邊緣圖像E(x, y)。邊緣提取算法主要有Roberts算子、Sobel算子和Canny算法等，針對實際情況中圖像的復雜多變情況，本發(fā)明采用Canny算法，提取邊緣圖像的速度和效果最理想。圖5是采用Canny算法提取的邊緣圖像E (x, y)。
[0043](4)直線檢測步驟。對邊緣圖像E (X，y)利用霍夫變換算法檢測得到候選直線，對候選直線進行聚類得到可信度最高的直線:
[0044](4-1)常規(guī)情況，對稱的兩條公交車道分布在圖像的左右兩邊，所以將邊緣圖像E(x, y)均分為左右兩部分，分別利用霍夫變換算法轉(zhuǎn)換到霍夫空間；
[0045](4-2)實驗發(fā)現(xiàn)