一種非結構化道路rgb熵分割方法
【專利摘要】本發明公開了一種非結構化道路RGB熵分割方法，屬于智能汽車輔助駕駛技術領域。本發明對非結構化道路彩色圖像，首先計算其RGB熵值矩陣，通過RGB熵值矩陣的直方圖，尋找最小直方圖差值，并計算閾值粗略識別道路區域和非道路區域，得到黑白識別結果圖像。然后，將黑白識別結果圖像劃分成多個方格，計算每個方格內黑白像素比例，并轉換成二值圖像，得到一個新的較小的圖像。最后采用輪廓跟蹤法搜索道路左右邊緣方格，并采用邊緣到邊緣的方法(side?to?side)，精確搜索道路左右邊緣線，實現精準分割道路區域和非道路區域。本發明能較好分割非結構化道路，抗干擾能力強，對道路形狀不敏感，且計算量較小，符合無人駕駛系統實時性要求。
【專利說明】
-種非結構化道路RGB滴分割方法
技術領域
[0001] 本發明設及一種非結構化道路RGB賭分割方法，屬于智能汽車輔助駕駛技術領域。
【背景技術】
[0002] 車輛的自動駕駛系統是計算機視覺的一個重要應用領域，道路檢測算法是該領域 的關鍵技術之一。實際的道路可分為結構化道路和非結構化道路兩類。結構化道路一般有 明顯的車道線和道路邊界，檢測方法比較成熟。非結構化道路一般指結構化程度較低的道 路，運類道路沒有車道線和清晰的道路邊界，再加上陰影和水跡的影響，檢測難度相對較 大。
[0003] 目前，非結構化道路的檢測算法主要分為基于特征的方法、基于模型的方法、基于 神經網絡的方法和基于支持向量機的方法。基于特征的道路檢測算法，主要是根據道路在 顏色、紋理、梯度等特征上的不同，與非道路進行區分。其優點是對道路形狀不敏感，需要的 先驗知識少，但是對陰影和水跡較為敏感，處理計算量較大。基于模型的方法，首先需要找 到最匹配的道路模型，該方法檢測出的道路區域較為完整，但是對于復雜的路面形狀，無法 建立有效的模型。基于神經網絡的方法和基于支持向量機的方法，需要對樣本大量的訓練 集。
[0004] 鑒于此，開發一種能有效精確分割非結構化道路區域的方法尤為重要。
【發明內容】
[0005] 本發明的目的在于非結構化道路邊界難W精確界定，且易受陰影、道路中干擾物 的影響，提出了一種非結構化道路RGB賭分割方法，旨在解決現有對道路陰影、障礙物等干 擾，精確分割非結構化道路區域，且計算量符合無人駕駛系統實時性要求。
[0006] 本發明是一種非結構化道路RGB賭分割方法，具體通過W下步驟實現：
[0007] 步驟1、通過車載單鏡頭CC時暴像機獲取非結構化道路圖像。
[000引步驟2、首先計算非結構化道路圖像的RGB賭值矩陣。然后計算RGB賭值矩陣的直方 圖，尋找最小直方圖差值，并計算闊值化reshold。最后根據闊值，粗略識別道路區域和非道 路區域，得到黑白識別圖像。
[0009] 步驟2-1、對大小為M X N的道路彩色圖像，計算歸一化RGB各分量。
[0010] RA(i，j)=R(i，j)/(R(i，j)+G(i，j)+B(i，j))
[00"] GA(i，j)=G(i，j)/(R(i，j)+G(i，j)+B(i，j))
[0012] BA(i，j)=B(i，j)/(R(i，j)+G(i，j)+B(i，j))
[001引 式中，i = 0，...= 0，...，N-1。
[0014] 步驟2-2、計算RGB賭矩陣化GB，并將其取值變換到[0,255]之間，得到MXN的矩陣 Hrgb。
[001 引 HrgbU，j) =-RA(i，j) ? log2RA(i，j)-GA(i，j) ? log2GA(i，j)-BA(i，j) ? log2BA (i，j)
[0016]
[0017] 步驟2-3、對矩陣Hrgb/計算其灰度直方圖，得到f=[f(0)，f(l)，-'，f(255)]。
[0018] 步驟2-4、計算直方圖差值cha。
[0019]
[0020] 式中，t = l，…，255。
[0021] 步驟2-5、從t = 255遞減尋找到t = l，通過尋找最小直方圖差值的方法，計算闊值 Threshold。
[0022]
[0023] 步驟2-6、對大小為MXN的彩色道路原圖像，將道路圖像分為兩類0(表示道路像 素）、255(非道路像素），得到大小為M X N的二值圖像WR，其像素值為O (i，j)。
[0024]
[00巧]其中，h(i，j)為矩陣化GB'中的值。
[0026] 步驟3、對步驟2-6所得的黑白圖像，劃分為多個方格，并計算方格內黑白像素比 例，最后轉換成二值圖像。
[0027] 步驟3-1、對步驟2-6所得到的大小為MXN黑白二值圖像WR，首先進行去除孤立白 色像素點處理，然后劃分為多個方格，如圖2所示。設定初始值t，將圖像分成qXr個方格：
[002引
[0029] 式中，。表示取整運算。
[0030] 考慮到(M/t，N/t)不一定是整數，顯然最后一行方格包含的像素行數為M-(Q-I)X t，最后一列方格包含的像素列數為N-(r-l) X t，其它方格包含的像素個數為t X t個。
[0031] 步驟3-2、計算每個方格黑白像素比例：
[0032] wp( i，j)=佩（i，j)/Nz(i，j)
[0033] 式中，i = l，…，q，j = l，…，r，Nw(i，j)和Nz(i，j)分別表示第i行，j列個方格中白色 像素和總的像素個數。
[0034] WP(i，j)取值在[0，1 ]之間，WP是一個維數為q X r的矩陣，乘W255，可W圖像的形 式顯示其結果。
[0035] 步驟3-3、將WP轉換成二值圖像。首先對WP進行去除孤立白色方格處理，然后設定 轉換闊值，將圖像轉換成二值圖像：
[0036]
[0037] 考慮到道路區域白點很少，故系數kcoef的選取比較小，通常設定為[0.01 0.。之 間。
[0038] 步驟4、在步驟3-3二值圖像中，采用輪廓跟蹤法捜索道路左右邊緣方格。捜索是在 大小為qXr的黑白二值圖像Wt中進行的。為便于區分，把qXr圖像中的一個像素，稱為一個 方格。捜索道路左右邊緣方格方法如圖3所示。
[0039] 步驟4-1、起始點選取底部中點，首先尋找道路的左邊邊緣方格。由底部中點向左 捜索，直到方格值為255或圖像第1列，記下相應方格位置（i，j)中的j值到Lef巧Oint. j中， 即記下道路左邊緣黑色方格列的位置；類似，向右捜索，并記下相應方格列值到 Ri曲巧Oint. j中。同時，使得該行[Lef巧Oint. j，Righ巧Oint. j]之間的方格取值為0，其它 方格取值為255。計算并存儲路寬W=RigthJ-Lef證Oint. j。
[0040] 步驟4-2、向上一格，即繼續捜索圖像上一行。首先是左邊道路邊緣的捜索。W步驟 4-1中的列位置Lef巧Oint. j為起始點。若當前方格(i-1 ,Lef巧Oint. j)為白色方格，則向右 繼續捜索，直到方格值為0結束，記下相應方格(i-1，j)中的j值到Lef證Oint. j中；若當前方 格為黑色方格，則向左繼續捜索，直到方格值為255結束，記下相應方格Q-I，j)中的j值到 Lef巧oint. j中。右邊道路邊緣的捜索類似。同時，使得該行[Lef巧oint. j，Righ巧oint. j] 之間的方格取值為0，其它方格取值為255。計算并存儲路寬W=Rigth. j-Lef證Oint. j。
[0041 ]步驟4-3、重復步驟4-2，直到路寬W小于設定闊值Wth為止，結束捜索。
[0042] 步驟5、在步驟2-6的黑白結果圖像中，結合步驟4的結果，按邊緣到邊緣的方法 (side-to-side)，精確捜索道路左右邊緣線及實現精確分割道路區域和非道路區域。在步 驟4中（i ,Lef巧Oint. j)是在大小為qXr的圖像中捜索的結果，對應到大小為MXN的圖像 中，則表示第i行第Lef巧Oint. j個方格，是指白色和黑色方格交界處的黑色方格，如圖4所 示。每個方格都包含若干個像素。運里捜索道路左右邊緣線，是指在大小為MXN的圖像中 (即步驟2-6中的CO)捜索道路左右邊緣線，并提取道路區域。捜索道路左右邊緣線與區域分 割方法如圖4所示。
[0043] 步驟5-1、捜索左邊道路邊緣線，從圖像底部開始。W步驟4中捜索的結果方格（i， LeftPoint. j)為起始位置，從方格最底部最左端開始，向左捜索，直到像素值為255或圖像 第1列，結束捜索，記下相應的黑色像素位置(x，Lef巧Oint.y)。類似，向右捜索，并記下相應 黑色像素點位置（X，RightPo int.y)中。運里為了便于比較，使得X行，[LeftPo int.y， Righ證oint.y]列之間的像素取值為255,其它像素取值為原道路圖像。
[0044] 步驟5-2、在本方格中向上一行，重復步驟5-1，直到該方格所有行都捜索完成。
[0045] 步驟5-3、向上一個方格，從方格最底部開始捜索，重復步驟5-1、5-2，直到該方格 所有行都捜索完成。
[0046] 步驟5-4、重復步驟5-3，直到所有的黑色方格捜索完畢。
[0047] 有益效果
[0048] 本發明一種非結構化道路RGB賭分割方法通過計算道路圖像的RGB賭值，粗略區分 道路區域和非道路區域，然后采用邊緣到邊緣(side-to-side)法精確地分割道路區域和非 道路區域。與現有技術相比，該分割方法能精確分割非結構化道路，對道路陰影、道路障礙 物等有較強的抗干擾能力，且對道路形狀不敏感。同時計算量較小，符合無人駕駛系統實時 性要求。
【附圖說明】
[0049] 圖I是本發明一種非結構化道路RGB賭分割方法的實施流程圖；
[0050] 圖2是將道路圖像劃分為多個方格方法圖；
[0051] 圖3是采用輪廓跟蹤法捜索道路左右邊緣方格方法圖。
[0052] 圖4是采用邊緣到邊緣(side-to-side)法分割道路區域方法圖
[0053] 圖巧自結構化道路彩色原圖
[0054] 圖6是基于RGB賭值的非結構化道路粗略分割效果圖
[0055] 圖7是將圖6劃分為多個方格并計算其黑白像素比例所轉化成的二值圖像
[0056] 圖8是采用輪廓跟蹤法捜索道路左右邊緣方格效果圖
[0057] 圖9是采用邊緣到邊緣(side-to-side)法精確分割道路區域效果圖 [0化引圖10是采用mid-to-side方法分割道路區域效果圖
【具體實施方式】
[0059] 下面結合附圖和實施例對本發明做進一步說明和詳細描述：
[0060] 實施例：
[0061] 為了驗證該分割方法的有效性，在不同類型的非結構化道路場景下做了道路分割 實驗，并與mid-to-side方法道路圖像分割進行了比較。圖像的分辨率為695X950,具體實 施方法為：
[0062] 一、通過車載單鏡頭CO)攝像機獲取非結構化道路彩色圖像，如圖5所示。
[0063] 二、計算非結構化道路圖像的RGB賭值，并計算RGB賭值的闊值，粗略識別道路區域 和非道路區域，如圖6所示。
[0064] =、精確捜尋非結構化道路邊緣線及精確分割道路區域
[0065] 步驟1、計算第二步所得黑白二值圖像的黑白像素比例。
[0066] 步驟1-1、對第二步得到的大小為695X950黑白二值圖像，首先進行去除孤立白色 像素點處理，然后劃分為多個方格。設定初始值t = 8,將圖像分成87 X 119個方格。考慮到 (M/t，N/t)不一定是整數，顯然最后一行方格包含的像素行數為7行，最后一列方格包含的 像素列數為6列，其它方格包含的像素個數為8 X 8個。
[0067] 步驟1-2、每個方格黑白像素比例計算如下：
[006引 wp( i，j)=佩（i，j)/Nz(i，j)
[00例式中，i = I，…，q，j = I，…，r，佩(i，j)和Nz(i，j)分別表示第i行，j列個方格中白色 像素和總的像素個數。
[0070] 步驟2、將WP轉換成二值圖像。首先對WP進行去除孤立白色方格處理，然后設定轉 換闊值，將圖像轉換成二值圖像：
[0071]
[0072] 考慮到道路區域白點很少，故系數kcoef的選取比較小，運里取kcoef = 0.01。
[0073] 所得二值圖像如圖7所示。
[0074] 步驟3、義用輪廓跟蹤法捜索道路左右邊緣方格。捜索是在大小為87 X 119的黑白 二值圖像Wt中進行的。為便于區分，把大小為87X119圖像中的一個像素，稱為一個方格。所 得結果圖如圖8所示。
[0075] 步驟4、采用邊緣到邊緣(side-to-side)法精確捜索道路左右邊緣線與分割道路 區域。在步驟3中Q ,Lef巧Oint. j)是在大小為87X119的圖像中捜索的結果，對應到大小為 695X950的圖像中，則表示第i行第LeftPoint. j個方格，是指白色和黑色方格交界處的黑 色方格，如圖4所示。每個方格都包含若干個像素。運里捜索道路左右邊緣線，是指在大小為 695X950的圖像(即圖6)中捜索道路左右邊緣線，并分割道路區域。所得結果如圖9所示。為 增強與原始圖像的對比效果，道路區域用白色表示，其它區域保留原始圖像。為了比較分割 效果，圖10給出了 mid-to-side方法分割道路圖像的效果圖。
[0076] W上所述為本發明的較佳實施例而已，本發明不應該局限于該實施例和附圖所公 開的內容。凡是不脫離本發明所公開的精神下完成的等效或修改，都落入本發明保護的范 圍。
【主權項】
1. 一種非結構化道路RGB熵分割方法，其特征在于，包括下列步驟： 步驟1、采集道路彩色圖像。 步驟2、計算非結構化道路彩色圖像的RGB熵值，并計算RGB熵值的閾值，粗略識別道路 像素和非道路像素，得到黑白識別圖像。 步驟3、對所得黑白識別圖像，劃分成多個方格，并計算方格內黑白像素比例，得到一個 新的較小的圖像，轉換成二值圖像。 步驟4、在步驟3所得二值圖像中，采用輪廓跟蹤法搜索道路左右邊緣方格。 步驟5、在步驟2的黑白結果圖像中，結合步驟4的結果，按邊緣到邊緣的方法(side-to-side)，精確搜索道路左右邊緣線，實現精準分割道路區域。2. 根據權利要求1所述方法，其特征在于，所述步驟2進一步包括以下步驟： 步驟2-1、對大小為M X N的道路彩色圖像，計算歸一化RGB各分量。 RA(i，j)=R(i，j)/(R(i，j)+G(i，j)+B(i，j)) GA(i，j)=G(i，j)/(R(i，j)+G(i，j)+B(i，j)) BA(i，j)=B(i，j)/(R(i，j)+G(i，j)+B(i，j)) 式中，i = 0，···，M_l，j = 0，···，N_1。 步驟2-2、計算RGB熵矩陣Hrgb，并將其取值變換到[0，255]之間，得到M XN的矩陣HRGB\ HRr,R(i , i) =-RA(i, i) · I oe-^RA(i , i)-GA(i , j) · log2GA( i, j)-BA( i, j) · log2BA(i , j) 步驟2-3、對矩陣HrJ計算其灰度直方圖，得到f = [f (0)，f (I)，…，f (255)]。 步碟2_4、計覚官方圖差借clia n式中，t = 1，…，255。 步驟2-5、從t = 255遞減尋找到t=l，通過尋找最小直方圖差值的方法，計算閾值 JJ^^pQhril H _步驟2-6、對大小為MXN的彩色道路原圖像，將道路圖像分為兩類0(表示道路像素）、 255(非道路像素），得到大小為M X N的黑白二值圖像WR，其像素值為ω (i，j)。 t其中，h(i，j)為矩陣Hrgb'中的值。3. 根據權利要求1所述方法，其特征在于，所述步驟3進一步包括以下步驟： 步驟3-1、對MXN黑白二值圖像WR，首先進行去除孤立白色像素點處理，然后劃分為多 個方格。設定初始值t，將圖像分成q X r個方格：式中，Pl表示取整運算。 步驟3-2、計算各方格黑白像素比例。每個方格黑白像素比例定義為： wp(i, j)=Nw(i, j)/Nz(i, j) 式中，i = I，…，q，j = I，···，r，Nw(i，j)和Nz(i，j)分別表示第i行，j列個方格中白色像素 和總的像素個數。 步驟3-3、將wp轉換成二值圖像。首先對wp進行去除孤立白色方格處理，然后設定轉換 閾值，將圖像轉換成二值圖像：考慮到道路區域白點很少，故系數k_f的選取比較小，通常設定為[0.01 0.1]之間。4. 根據權利要求1所述方法，其特征在于，所述步驟4進一步包括以下步驟： 步驟4-1、搜索是在大小為qXr的黑白二值圖像wt中進行的。為便于區分，把qXr圖像 中的一個像素，稱為一個方格。起始點選取底部中點，首先尋找道路的左邊邊緣方格。由底 部中點向左搜索，直到方格值為255或圖像第1列，記下相應方格位置（i，j)中的j值到 LeftPoint. j中，即記下道路左邊緣黑色方格列的位置;類似，向右搜索，并記下相應方格列 值到虹81^?〇;[111:.」中。同時，使得該行[1^;^?〇;[111:.」，1^81^?〇;[111:.」]之間的方格取值為0， 其它方格取值為255。計算并存儲路寬W=Rigth.j-LeftPoint.j。 步驟4-2、向上一格，即繼續搜索圖像上一行。首先是左邊道路邊緣的搜索。以步驟4-1 中的列位置Lef tPoint. j為起始點。若當前方格（i-I，Lef tPoint. j)為白色方格，則向右繼 續搜索，直到方格值為〇結束，記下相應方格(i-1，j)中的j值到Lef tPoint. j中；若當前方格 為黑色方格，則向左繼續搜索，直到方格值為255結束，記下相應方格（i-1，j)中的j值到 LeftPoint · j中。右邊道路邊緣的搜索類似。同時，使得該行[LeftPoint · j，RightPoint · j] 之間的方格取值為〇，其它方格取值為255。計算并存儲路寬W=Rigth. j-Lef tPoint. j。 步驟4-3、重復步驟4-2，直到路寬W小于設定閾值Wth為止，結束搜索。5. 根據權利要求1所述方法，其特征在于，所述步驟5進一步包括以下步驟： 步驟5-1、搜索道路左右邊緣線，是指在大小為MXN的二值圖像WR中搜索道路左右邊緣 線，并提取道路區域。搜索左邊道路邊緣線，從圖像底部開始。以步驟4中搜索的結果方格 (i，LeftPoint. j)為起始位置，從方格最底部最左端開始，向左搜索，直到像素值為255或圖 像第1列，結束搜索，記下相應的黑色像素位置(x，LeftP 〇int.y)。類似，向右搜索，并記下相 應黑色像素點位置(x，RightPoint.y)中。為了便于比較，X行[LeftPoint.y，RightPoint.y] 列之間的像素取值為255,其它像素取值為原道路圖像。 步驟5-2、在本方格中向上一行，重復步驟5-1，直到該方格所有行都搜索完成。 步驟5-3、向上一個方格，從方格最底部開始搜索，重復步驟5-1、5-2，直到該方格所有 行都搜索完成。 步驟5-4、重復步驟5-3，直到所有的黑色方格搜索完畢。
【文檔編號】G06T7/00GK106023180SQ201610322052
【公開日】2016年10月12日
【申請日】2016年5月17日
【發明人】李迎春, 付興建
【申請人】李迎春