基于交通违法图像数据的车道线检测方法技术

本发明专利技术公开了一种基于交通违法图像数据的车道线检测方法，属于图像处理领域。该方法的具体步骤为：S1：读入多张由同一交通违法抓拍设备沿相同视角拍摄到的交通违法图片，每张交通违法图片中均含有待检测的车道线；S2：分别对每一张交通违法图片进行车道线检测；S3：针对多张交通违法图片中的所有合并线段，再次进行聚类和多线段拟合，使每个类别的所有合并线段最终融合成一条车道线。该方法具有较好的实时性与准确性，能够大量节省原本标注各个设备下的车道线信息所需的人工成本，加快二次违法检测程序的运行。

【技术实现步骤摘要】
基于交通违法图像数据的车道线检测方法
本专利技术属于图像处理领域，具体涉及到一种基于交通违法数据中的车道线检测方法。
技术介绍
近年来随着交通设施和违法抓拍系统的健全，在一定程度上减少了交通事故的发生。但是其违法数据都是由人工筛选，分类出违法、不违法数据。其数据量庞大，人工效率低，故而存在许多交通违法行为的二次检测方法，而本文方法主要是针对于车道线检测以便帮助这些二次违法检测程序的判断。同时近年来随着科技逐步发展，越来越多的学者开始关注和研究车道线的检测。车道线识别的方法主要有hough变换方法和基于道路模型方法等。he/Rong等人使用Canny算子进行边缘检测，配合Hough变换方法进行车道线检测，时间复杂度较高，而且其车道线检测的适用范围小，主要是针对无人驾驶数据的车道线检测，而且其只关注左右两个车道。而对于违法抓拍数据中的车道线检测，其包含多条车道线的检测，与其场景复杂，车道线受光照、破损、车辆遮挡等影响。如何从此类复杂的图像数据中准确检测出车道线，是亟待解决的技术问题。本文介绍基于交通违法数据中的车道线检测方法，使用深度学习中目标检测模型对干扰物体检测并进行去噪，通过自适应阈值的边缘检测方法，从而缩小感兴趣区域、降低车道线识别的算法复杂度。之后，通过同一路口的多张图像进行拟合直线，检测出我们需要关注的车道线。最后，我们通过实时系统验证了所提算法的实时性与有效性。
技术实现思路
本专利技术的目的在于解决现有技术中存在的问题，并提供一种基于交通违法图像数据的车道线检测方法，使其能从复杂的交通违法图像数据中准确检测出车道线。为实现上述专利技术目的，本专利技术所采用的具体技术方案如下：一种基于交通违法图像数据的车道线检测方法，其步骤如下：S1：读入多张由同一交通违法抓拍设备沿相同视角拍摄到的交通违法图片，每张交通违法图片中均含有待检测的车道线；S2：分别对每一张交通违法图片进行车道线检测，检测方法如S201～S206：S21：使用目标检测模型对交通违法图片进行干扰物检测，所述干扰物包括图像中的车辆和行人；S22：利用边缘检测方法对交通违法图片进行边缘检测，得到图像中目标轮廓的二值化图像；S23：基于S21中检测到的干扰物位置信息，在S22的二值化图像中抹去干扰物所占空间内的所有轮廓数据，得到去噪图像；S24：针对所述去噪图像，使用霍夫直线检测方法得到图像中所有的线段；S25：以所述去噪图像中两两线段之间的最短距离作为距离衡量标准，采用基于线段间距可变聚类中心的聚类方法对图像中的所有线段进行聚类，将所有线段分为若干类别；S26：分别针对S25中获得的每个类别，将该类别下的所有线段进行多线段拟合，使每个类别的所有线段最终融合成一条合并线段；S3：针对多张交通违法图片中的所有合并线段，以所述两两合并线段之间的最短距离作为距离衡量标准，采用基于线段间距可变聚类中心的聚类方法对图像中的所有合并线段进行聚类，将所有合并线段分为若干类别；针对合并线段的每个类别，将该类别下的所有合并线段进行多线段拟合，使每个类别的所有合并线段最终融合成一条车道线。在上述技术方案基础上，本专利技术的各步骤还可以采用如下优选方式实现。优选的，所述的S1中，读入的交通违法图片数量为3张或3张以上图像。优选的，所述的S22中，所述边缘检测方法为自适应阈值的Canny边缘检测算法。优选的，所述的S23中，去噪图像的获取方法为：获取S21中检测到的所有干扰物的最小外包围框的位置信息，然后在S22中获取的二值化图像中，抹去落入任意一个最小外包围框内的轮廓数据，最终得到去除干扰物的去噪图像。优选的，所述的S24中，霍夫直线检测方法检测时，最小线段长度设为图像高度的五分之一，同一方向上两条线段判定为一条线段的最大允许间隔为图像高度的二十八分之一。优选的，所述的基于线段间距可变聚类中心的聚类方法步骤如下：S251：针对图像中的任意两条线段，计算两条线段之间的最短距离，若两条线段相交则最短距离为0，若两条线段不相交则最短距离为两条线段的4个端点到另一条线段距离的最小值；S252：将图像中的所有线段设为第一集合；S252：从第一集合中任选一条作为初始聚类中心加入初始化为空集的第二集合，分别判断所述第一集合中的剩余线段与当前作为初始聚类中心的线段之间的最短距离是否超过距离阈值，若第一集合中的某条线段小于距离阈值，则将其从第一集合中删除并加入第二集合中，遍历完第一集合中的所有线段后将第二集合中的所有线段作为一个类别；S253：不断重复S252，直至第一集合为空集，即完成图像中所有线段的聚类。优选的，所述的多线段拟合方法为：对于任意一个类别下的所有线段，将所有线段在图像中覆盖的所有像素点作为样本点，通过最小二乘法对所有样本点进行线性拟合，得到一条拟合直线；然后从拟合直线上截取在所有线段的上边界和下边界范围内的线段，得到一条合并线段。优选的，对于任意一个类别下的所有线段，在采用所述的多线段拟合方法之前，应预先对线段进行平滑去噪处理。本专利技术相对于现有技术而言，具有以下有益效果：本专利技术提出的基于交通违法图像数据的车道线检测方法，使用深度学习中目标检测模型对干扰物体检测并进行去噪，通过自适应阈值的边缘检测方法，从而缩小感兴趣区域、降低车道线识别的算法复杂度。该方法通过同一路口的多张图像进行拟合直线，即可检测出图像中的完整车道线。该方法具有较好的实时性与准确性，能够大量节省原本标注各个设备下的车道线信息所需的人工成本，加快二次违法检测程序的运行。附图说明图1为本专利技术的基于交通违法图像数据的车道线检测方法流程图；图2为实施例中初始读入的3张交通违法图片；图3为3张交通违法图片的二值化图像；图4为3张交通违法图片中各自提取的所有线段的示意图；图5为3张交通违法图片中经过多线段拟合得到的合并线段示意图；图6为3张交通违法图片中的合并线段经过聚类、拟合后的车道线示意图；图7为该方法提取的4条车道线加载于原始交通违法图片上的示意图。具体实施方式下面结合附图和具体实施例对本专利技术做进一步阐述和说明。如图1所示，在本专利技术的一种优选实现方式中，提供了一种基于交通违法图像数据的车道线检测方法，其具体步骤如下：S1：读入多张由同一交通违法抓拍设备沿相同视角拍摄到的交通违法图片，每张交通违法图片中均含有待检测的车道线。考虑到检测的准确性，读入的交通违法图片数量应当保持3张或3张以上图像。当路面干扰物较多，单张图片中车道线被阻挡比例较大时，图片数量应当适当扩大。而且由于本专利技术中的车道线是通过直线检测后拟合得到的，因此需要保证各张图片中车道线的位置时固定不变的。基于此，交通违法抓拍设备优选采用固定的定点摄像头，其安装位置、拍摄角度、拍摄参数均保持相同，保证拍摄的交通违法图像中除了车辆之外的背景(包括车道线位置)也保持相同。本文档来自技高网...

【技术保护点】
1.一种基于交通违法图像数据的车道线检测方法，其特征在于，步骤如下：/nS1：读入多张由同一交通违法抓拍设备沿相同视角拍摄到的交通违法图片，每张交通违法图片中均含有待检测的车道线；/nS2：分别对每一张交通违法图片进行车道线检测，检测方法如S201～S206：/nS21：使用目标检测模型对交通违法图片进行干扰物检测，所述干扰物包括图像中的车辆和行人；/nS22：利用边缘检测方法对交通违法图片进行边缘检测，得到图像中目标轮廓的二值化图像；/nS23：基于S21中检测到的干扰物位置信息，在S22的二值化图像中抹去干扰物所占空间内的所有轮廓数据，得到去噪图像；/nS24：针对所述去噪图像，使用霍夫直线检测方法得到图像中所有的线段；/nS25：以所述去噪图像中两两线段之间的最短距离作为距离衡量标准，采用基于线段间距可变聚类中心的聚类方法对图像中的所有线段进行聚类，将所有线段分为若干类别；/nS26：分别针对S25中获得的每个类别，将该类别下的所有线段进行多线段拟合，使每个类别的所有线段最终融合成一条合并线段；/nS3：针对多张交通违法图片中的所有合并线段，以所述两两合并线段之间的最短距离作为距离衡量标准，采用基于线段间距可变聚类中心的聚类方法对图像中的所有合并线段进行聚类，将所有合并线段分为若干类别；针对合并线段的每个类别，将该类别下的所有合并线段进行多线段拟合，使每个类别的所有合并线段最终融合成一条车道线。/n...

【技术特征摘要】
1.一种基于交通违法图像数据的车道线检测方法，其特征在于，步骤如下：
S1：读入多张由同一交通违法抓拍设备沿相同视角拍摄到的交通违法图片，每张交通违法图片中均含有待检测的车道线；
S2：分别对每一张交通违法图片进行车道线检测，检测方法如S201～S206：
S21：使用目标检测模型对交通违法图片进行干扰物检测，所述干扰物包括图像中的车辆和行人；
S22：利用边缘检测方法对交通违法图片进行边缘检测，得到图像中目标轮廓的二值化图像；
S23：基于S21中检测到的干扰物位置信息，在S22的二值化图像中抹去干扰物所占空间内的所有轮廓数据，得到去噪图像；
S24：针对所述去噪图像，使用霍夫直线检测方法得到图像中所有的线段；
S25：以所述去噪图像中两两线段之间的最短距离作为距离衡量标准，采用基于线段间距可变聚类中心的聚类方法对图像中的所有线段进行聚类，将所有线段分为若干类别；
S26：分别针对S25中获得的每个类别，将该类别下的所有线段进行多线段拟合，使每个类别的所有线段最终融合成一条合并线段；
S3：针对多张交通违法图片中的所有合并线段，以所述两两合并线段之间的最短距离作为距离衡量标准，采用基于线段间距可变聚类中心的聚类方法对图像中的所有合并线段进行聚类，将所有合并线段分为若干类别；针对合并线段的每个类别，将该类别下的所有合并线段进行多线段拟合，使每个类别的所有合并线段最终融合成一条车道线。


2.如权利要求1所述的基于交通违法图像数据的车道线检测方法，其特征在于，所述的S1中，读入的交通违法图片数量为3张或3张以上图像。


3.如权利要求1所述的基于交通违法图像数据的车道线检测方法，其特征在于，所述的S22中，所述边缘检测方法为自适应阈值的Canny边缘检测算法。


4.如权利要求1所述的基于交通违法图像数据的车道线检测方法，其特征在于，所述的S23中，去噪图像的获取...

【专利技术属性】
技术研发人员：陈教，刘俊，林永杰，李万清，黄冬发，周诚彪，韦伟，俞东进，袁友伟，
申请(专利权)人：杭州诚道科技股份有限公司，
类型：发明
国别省市：浙江;33