基于路面特征的雙目道路識別檢測方法與流程

本發明涉及的是一種基于路面特征的雙目道路識別方法，尤其涉及到路況標記的視頻采集，密度聚類RANSAC（Random Sample Consensus）拼接，圖像濾波，圖像恢復，屬于道路識別領域范疇。

背景技術：

道路識別是幾年來的一個熱點，像谷歌公司的谷歌無人駕駛也一度引發了社會的熱點，無人駕駛被認為是未來交通與統一調度，減少事故率的一個重要方向。而如何更好的實現道路識別成為目前需要解決的首要問題，最直接的方式就是通過視頻采集系統進行采集路況，而路況多變，標示線特征不夠明顯直接制約著道路識別的檢測精度和速度，利用哪種特征才能夠更好的檢測路況，真正提高道路識別的精度和速度，成為行業的當務之急。

技術實現要素：

本發明目的是針對已有技術的不足，提供一種基于路面特征的雙目道路識別檢測方法，利用特殊標記對路面特殊標記通過雙目視頻采集進行道路識別，為工業機械控制甚至無人駕駛問題提供一種新型切實可行的解決方案。

為達到上述目的，本發明采用下述技術：

一種基于路面特征的雙目道路識別檢測方法，其特征在于具體操作步驟如下：

(1)、在地面上做關于直線和圓點陣的特殊標記；

(2)、根據密度聚類的RANSAC算法對圖像進行拼接；

(3)、對于讀取到的圖像進行灰度化處理；

(4)、在所獲取的圖像進行大津法取閾值、Canny邊緣檢測操作；

(5)、進行霍夫線檢測，獲取直線方程，偏離角度和距離，之后進行霍夫圓檢測；

(6)、對路況的情況進行判斷處理計算直道或路徑偏離角度與距離；

(7)、進行霍夫圓檢測，獲取模擬近似折線。

所述步驟（1）中的特殊標記：做直線與多個圓形相連的標記，線的寬度不低于50mm，圓與圓之間沒有重疊部分，并且在同一水平面只有一個圓標記或者一條直線標記。

所述步驟（2）中的密度聚類方法：使用基于密度的聚類算法DBSCAN通過聚類算法將提取到的特征點集合到不同的簇，根據經驗淘汰掉外點，簇與簇間進行特征點匹配，提高特征點匹配速度。

所述步驟（3）中的灰度化處理：根據YUV的顏色空間中，Y的分量的物理意義是點的亮度，由該值反映亮度等級，根據RGB和YUV顏色空間的變化關系可建立亮度Y與R、G、B三個顏色分量的對應：Y=0.3R+0.59G+0.11B，以這個亮度值表達圖像的灰度值。

所述步驟（4）中的大津法取閾值：所述大津法又名Otsu方法，是一種全局化的動態二值化方法，使用某一個閾值將灰度圖像根據灰度大小，分成目標部分和背景部分兩類，在這兩類的類內方差最小和類間方差最大的時候，得到的閾值是最優的二值化閾值。

所述步驟（5）中的霍夫圓檢測方法與霍夫線檢測方法：所述的霍夫圓檢測方法與霍夫線檢測方法均通過隨機概率霍夫變換實現變換，該算法具有運算速度快、累加數組的峰值更加明顯特點，隨機抽樣和采用動態鏈接表的存儲方式大大減少了運算量和存儲空間，達到更加適應道路識別實時性要求。

所述步驟（6）中的計算直道或路徑偏離角度與距離方法：所述的計算直道或路徑偏離角度與距離方法通過隨機概率霍夫變換得到的直線信息，進而得到直線模擬方程，直線方程通過與視頻圖像水平線夾角計算，便可得知偏移角度，直線方程與采集到的圖像下邊緣水平中心線相交點與下方水平中心線的像素點個數可以計算出來，由于視頻采集區域大小與實際視野面積呈比例關系，便可以得到偏移位置。

所述步驟（7）中的獲取模擬近似折線方法：所述的計算獲取模擬近似折線方法為通過隨機概率霍夫圓變換得到圓標記的圓心坐標，并且相鄰圓心坐標相連接成折線，折線由直線構成，進而轉變為直線標記計算方法。

本發明與現有技術相比較，具有如下顯而易見的突出實質的特點和顯著優點：本發明有效地檢測在特殊標記下的路況，并且在較大干擾噪聲信息的情況下，仍然能有較高的準確率。本發明可運用到工業領域，乃至無人駕駛方面。因此，本發明是一種切實可行的視頻道路識別方法。

附圖說明

圖1基于路面特征的雙目道路識別檢測方法的操作程序框圖。

圖2灰度化處理后的圖像。

圖3大津法取閾值后圖像。

圖4 canny變換后圖像。

圖5霍夫直線變換后的圖像。

圖6直線檢測原理圖。

圖7霍夫圓變換后圖像。

圖8近似折線得圖像。

圖9彎道模擬檢測原理圖。

具體實施方式

下面是本發明的優選實施例，結合附圖對本發明做進一步詳細說明。

實施例一：

首先介紹在過程中用到的一些算法。

聚類分析方法：聚類分析法又被稱為群分析，它是研究（樣品或指標）分類問題的一種重要統計分析方法，同時也在數據挖掘領域發揮了重要作用，使用基于密度的聚類算法DBSCAN(Density-Based Spatial Clustering of Applications with Noise)，它是一種基于高密度連通區域的基于密度的聚類方法，具有足夠高密度的區域被它劃分為簇。通過聚類算法將提取到的特征點集合到不同的簇，根據經驗淘汰掉外點。

RANSAC為Random Sample Consensus的縮寫，它是根據一組包含異常數據的樣本數據集，計算出數據的數學模型參數，得到有效樣本數據的算法。

大津法：Otsu方法是一種全局化的動態二值化方法，又叫大津法，是一種灰度圖像二值化的常用算法。該算法的基本思想是：設使用某一個閾值將灰度圖像根據灰度大小，分成目標部分和背景部分兩類，在這兩類的類內方差最小和類間方差最大的時候，得到的閾值是最優的二值化閾值。

Canny邊緣檢測：Canny邊緣檢測算子是John F. Canny于 1986 年開發出來的一個多級邊緣檢測算法。

霍夫變換：霍夫變換是圖像處理中識別幾何形狀的一種方法，霍夫變換不受圖形旋轉的影響，易于進行幾何圖形的快速變換。基于霍夫變換的改進方法也有很多，其中一個重要的方法是廣義霍夫變換，可以用來檢測任意形狀的曲線。

參見圖1，本基于路面特征的雙目道路識別檢測方法的操作步驟如下：

(1)在地面上做關于直線和圓點陣的特殊標記；

(2)根據密度聚類的RANSAC算法對圖像進行拼接；

(3)對于讀取到的圖像進行灰度化處理；

(4)在所獲取的圖像進行大津法取閾值、Canny邊緣檢測操作；

(5)進行霍夫線檢測，獲取直線方程，偏離角度和距離，之后進行霍夫圓檢測；

(6)對路況的情況進行判斷處理計算直道或路徑偏離角度與距離；

(7)進行霍夫圓檢測，獲取模擬近似折線；

實施例二：本實施例與實施例一基本相同，特別之處如下：

所述步驟(1)中做關于直線和圓點陣的特殊標記其特征在于，做直線與多個圓形相連的標記，線的寬度不低于50mm，圓與圓之間沒有重疊部分，并且在同一水平面只有一個圓標記或者一條直線標記。

所述步驟(2)使用基于密度的聚類算法通過聚類算法將提取到的特征點集合到不同的簇，根據經驗淘汰掉外點，簇與簇間進行特征點匹配，提高特征點匹配速度。

所述步驟(3)中的灰度化方法是根據YUV的顏色空間中，Y的分量的物理意義是點的亮度，由該值反映亮度等級，根據RGB和YUV顏色空間的變化關系可建立亮度Y與R、G、B三個顏色分量的對應：Y=0.3R+0.59G+0.11B，以這個亮度值表達圖像的灰度值。

具體細節為利用攝像裝置讀取彩色攝像頭圖像信息，對圖像信息進行灰度化處理，處理后的結果如圖2所示，使之便于之后的操作，如果存在較大的椒鹽噪聲或其他噪聲，選取高斯模糊進行濾波，去除多余的干擾信息，同時保證所需車道信息的完整性，

所述步驟(4)中的具體細節是對圖像進行大津法取閾值，通過大津法取閾值后如圖3，根據環境的情況，例如天氣情況，時間，路況，旁邊干擾物的影響程度，選取信息閾值，去除多余誤差，準確度最高的灰度圖，然后得到間隔分明的二值化的圖像信息；

通過進行Canny邊緣檢測來獲取感興趣邊緣，不可避免存在一些干擾無關邊緣；進行Canny變換后如圖4，之后進行霍夫直線檢測，將感興趣邊緣檢測出來，同時包含干擾的誤差直線，如圖5所示為加入霍夫直線檢測后的圖像。

所述步驟(5)中的具體細節為以圖像左上角為原點建立坐標系，直線檢測原理圖如圖6所示，X軸方向向右，Y軸方向朝下；獲取直線在圖像上的坐標，由于兩點可以確定一條直線，則根據直線方程 y = Ax +B，獲取直線的斜率情況，通過換算，便可以得到利于人直觀讀取的偏移角度信息；

所述步驟(6)中的具體細節為對所獲得的直線角度進行算法分析，對所獲取角度，進行排序和處理，排除不存在錯誤角度，和最大最小角度，選出較為接近的幾條角度，并且算出平均值，變得最接近真實路況的角度；

對所獲得所有直線（L1，L2，L3，……）獲取其和圖像(分辨率為XXX*YYY)底線中心點（XXX/2,YYY）橫縱坐標相同(y = YYY)的點的橫坐標，通過比較直線y坐標為YYY的橫坐標，便可以根據攝像頭距離地面的距離，所影響的圖像映射地面區域大小，算出直線與圖像中心點的距離，排除最大值，最小值，和誤差較大點，最后得到較為準確的距離；

所述步驟(7)中的具體細節為對于第5步中，霍夫線變換，檢測無結果或者基本判定為噪聲，進行霍夫圓變換得到圖7，同理以圖像左上角為原點建立坐標系，X軸方向向右，Y軸方向朝下；對所檢測到的多條圓獲取其所在圓心坐標；對于所獲得的圓心坐標根據其縱軸坐標進行算法排序，按照坐標大小排序，得到縱坐標最大的點（便是最接近圖像底部的點）與圖像（分辨率為（XXX*YYY））坐標為（XXX/2，YYY）的點。連接兩點得到近似于切線的線La，同理按照縱軸坐標大小的兩點兩兩相連，得到近似于彎道形狀的曲線，因此得到近似模擬折線的圖8，對獲得的直線橫坐標和圖像中心橫坐標進行對比，得到較為真實的距離和角度信息，原理如圖9彎道模擬檢測原理圖，然后重復步驟一。