本發明屬于圖像處理領域，涉及一種基于形態學變換和自適應閾值的快速車道線檢測方法。

背景技術：

目前常用的車道線檢測技術是利用道路線的識別來實現道路的檢測，采用直線或曲線的道路模型，這種方法具有簡單實用，能適應高速公路結構化環境的特點，而且具有較快的圖像處理速度和較好的實時性。在經過圖像預處理將車道線分割出來之后，需要將車道線在圖像中的直線方程擬合出來，目前常用的擬合方法有最小二乘法和霍夫變換。

運用最小二乘法進行擬合，其優點就是它的速度非常快，只要遍歷一次就可以計算擬合曲線，但是它對噪聲非常敏感，而且在對離散的點進行擬合時，首先必須知道那些點的一些情況，是采用直線，還是二次曲線或者更高次的曲線。

霍夫變換是利用點線的對偶性來實現的，直線y＝k₀x+q₀是由點A＝(x₁,y₁)和點B＝(x₂,y₂)定義的，通過A的所有直線由q＝-x₁k+y₁直線表示的，其中q和k是在圖像空間中的參數，由此可見圖像空間中的點可以通過參數空間中的直線來表示，類似地通過B點的直線可以表示為q＝-x₂k+y₂。可以看出C＝(k₀,q₀)就是直線方程y＝k₀x+q₀的參數。通過霍夫變換求出參數時需要三次循環，這樣對于大量數據或者對實時性要求很強的系統來說基本上是不可取的。

最小二乘法擬合直線速度快但是對噪聲敏感，霍夫變換可靠性高但是速度慢。

技術實現要素：

本發明為了克服現有技術的不足，得到一種高可靠性和高速度的車道線檢測方法，提出了一種基于形態學變換和自適應閾值的快速車道線檢測方法，該方法通過高斯模型分布的自適應閾值分割方法和形態學變換對圖像進行預處理，之后對概率霍夫變換進行改進，使其更接近實際使用，同時令直線擬合具有高可靠性和高速度性。

本發明的技術方案為：

一種基于形態學變換和自適應閾值的快速車道線檢測方法，包括以下步驟：

第一步，取圖像下部包含車道線的部分作為感性區域。

第二步，將彩色感性區域變換為灰度感性區域。

第三步，利用自適應閾值分割方法把灰度感性區域內的車道線和非車道線分割開，得到二值圖像。

第四步，對二值圖像進行形態學變換，用于簡化圖像數據，保持圖像的基本形狀并去除不相干的結構。即采用結構元素SE對二值圖像進行如下處理：先對二值圖像進行膨脹操作，然后進行腐蝕操作，再將前后兩次操作得到的兩幅圖像做差，得到圖像的邊緣信息，將其放入邊緣點集S(I)中。

第五步，利用改進的概率霍夫變換對車道線進行擬合，即將S(I)分為左右兩個部分LS(I)和RS(I)，其中，左車道線在LS(I)區域內，右車道線在RS(I)區域內；將LS(I)區域和RS(I)區域內的車道線上的像素點按列置入集合S；并行處理左右兩部分區域的信息，其中一個部分區域的信息處理具體流程如下：

(1)分割參數空間，為每個區間設計累加器acc(ρ,θ)，其初始值為零；

(2)依次從S中提取一個像素點，并將此點從S中刪除，在各個ρ值下計算相應的θ值，對應的累加器acc(ρ,θ)加1；再檢測集合S是否為空，是則算法結束，否則進行下一步操作；

(3)判斷更新后的累加器的值是否大于或等于閾值thr，該閾值thr按經驗值設定，是則進行下一步，否則回到步驟(2)；

(4)由更新后的累加器對應的參數確定一條直線，即為檢測到的車道線。

上述的第二步，將彩色感性區域變換為灰度感性區域的具體操作為：

將為RGB模型的彩色原始圖像，轉換到HSI色彩空間，再根據I通道進行灰度化；RGB到HSI色彩空間的轉換關系如下，

其中，

上述第三步中的自適應閾值分割方法，為基于高斯分布模型的自適應閾值分割方法，由于在感性區域，道路部分占了較大的比例，所以令道路的灰度信息服從高斯分布，取灰度感性區域中的路面窗口，并計算其均值和方差σ,根據公式(4)計算出分割閾值th，然后對灰度圖進行閾值分割，得到二值圖像。

上述第四步中所述的二值圖像進行形態學變換，采用3×3像素的結構元素SE對二值圖像進行處理，其中，結構元素SE為

本發明的有益效果為：該方法區別于已有方法的特色在于，根據道路的灰度信息服從高斯分布，計算出窗口內的均值和方差，從而求出分割閾值，得到二值圖像；利用結構元素對二值圖像進行膨脹、腐蝕操作，將膨脹圖和腐蝕圖做差，就可以得到圖像的外輪廓，而且有效的去除了原圖中零散的噪聲點，為概率霍夫變換減少了計算量；通過點集錄取的方式對概率霍夫變換進行改進，提高了直線擬合的可靠性和速度。該方法的車道線檢測結果更可靠，同時該方法使時間大大減少到0.016s，這對實時應用具有很大的意義。

附圖說明

圖1是本發明方法的流程示意圖。

圖2是灰度化圖。

圖3是路面窗口。

圖4是二值圖像。

圖5是膨脹操作效果圖。

圖6是腐蝕操作效果圖。

圖7是膨脹圖和腐蝕圖的差。

圖8是檢測效果圖。

具體實施方式

下面結合附圖對本發明的實施方式進行詳細說明。本實施例以本發明技術方案為前提進行實施，給出了詳細的實施方式和具體的操作過程，但本發明的保護范圍不限于下述的實施例。

實驗平臺為win10，仿真庫為opencv 1.0，道路環境為京滬高速公路部分路段。首先對圖像進行預處理，取圖像的下1/3部分作為感性區域(AOI)；由于道路線正常情況下為白色，因此可以剔除圖像中的彩色信息，提取灰度圖像，得到灰度圖如圖2所示。

接下來對灰度圖進行閾值分割，選擇AOI區域內160×80的路面窗口統計其均值和方差，如圖3所示。通過上面提到的自適應閾值計算方法，可以獲得比較理想的閾值，從而對圖像進行二值分割，如圖4所示。

為了減少隨機霍夫變換點集的數量，采用3*3的結構元素對二值圖像進行形態學變換，圖5為膨脹效果圖，圖6為腐蝕膨脹圖，將它們兩個做差，就可以得到圖像的外輪廓，如圖7所示，而且有效的去除了原圖中零散的噪聲點，為概率霍夫變換減少了計算量。

經過圖像預處理以后，得到圖7，按改進的概率霍夫變換方法，將AOI區域中值為255的像素點按序放入集合S，然后對集合S中的像素點進行概率霍夫變換，得到最終的當前車道線，如圖8所示。

通過計時器測得最終獲得檢測車道線的時間為0.016s。