一种道路标记线智能识别方法及系统技术方案

本发明专利技术提供一种道路标记线智能识别方法及系统，图像特征模型识别训练:采集道路标记线图像建立样本集，对样本进行图像处理，提取样本图像特征，进行学习训练，形成残缺或者模糊道路标记线图像特征模型，并建立道路标记线图像特征模型库；图像特征提取:采集实际道路标记线图像，进行图像处理和图像过滤处理，提取实际道路标记线图像特征；图像特征识别:通过对实际道路标记线图像特征识别，在道路标记线图像特征模型库中寻找与实际图像所提取的残缺和模糊特征最匹配的模型，计算二者匹配拟合度，分析其数值大小，实现对实际工况下道路标记线的识别。本发明专利技术提高了道路标记线识别精度。

【技术实现步骤摘要】
一种道路标记线智能识别方法及系统
本专利技术属于辅助驾驶信息检测处理
，具体涉及一种道路标记线智能识别方法及系统。
技术介绍
随着人工智能和机器视觉等新技术发展，交通环境，如对道路标记线、车辆、行人等，逐渐使用智能识别、检测的系统与方法。通过采集交通环境图像，利用图像处理方法对比库中需识别事物的图像特征，进行智能识别检测。对于道路标记线图像识别处理，目前通常采用Canny边缘检测方法进行图像的噪声抑制预处理，提取道路标记线边缘特征，主要适用于完好的道路标记线识别，可以有效解决由于阴影和光照差等引起图像模糊的识别问题。目前，基于车载摄像头的道路标记线识别方法可归纳为两种方法，一种是基于特征识别，另一种是基于模型识别。第一类基于道路标记线特征识别方法，常用的图像特征有：颜色特征、形状特征、纹理特征、边缘特征等。颜色特征具有计算量小、复杂度低的特点，但其丢失了像素点间的位置特征，不能很好的识别前景物体；形状特征有两种经典的算法SIFT和HOG，SIFT特征常用于提取图像局部特征点，HOG特征常用于做图像中的人体检测；纹理特征常用本文档来自技高网...

【技术保护点】
1.一种道路标记线智能识别方法，其特征在于，包括以下步骤：/n图像特征模型识别训练:采集道路标记线图像建立样本集，对样本进行图像处理，提取样本图像特征，进行学习训练，形成残缺或者模糊道路标记线图像特征模型，并建立道路标记线图像特征模型库；/n图像特征提取:采集实际道路标记线图像，进行图像处理和图像过滤处理，提取实际道路标记线图像特征；/n图像特征识别:通过对实际道路标记线图像特征识别，在道路标记线图像特征模型库中寻找与实际图像所提取的残缺和模糊特征最匹配的模型，计算二者匹配拟合度，分析其数值大小，实现对实际工况下道路标记线的识别。/n

【技术特征摘要】
1.一种道路标记线智能识别方法，其特征在于，包括以下步骤：
图像特征模型识别训练:采集道路标记线图像建立样本集，对样本进行图像处理，提取样本图像特征，进行学习训练，形成残缺或者模糊道路标记线图像特征模型，并建立道路标记线图像特征模型库；
图像特征提取:采集实际道路标记线图像，进行图像处理和图像过滤处理，提取实际道路标记线图像特征；
图像特征识别:通过对实际道路标记线图像特征识别，在道路标记线图像特征模型库中寻找与实际图像所提取的残缺和模糊特征最匹配的模型，计算二者匹配拟合度，分析其数值大小，实现对实际工况下道路标记线的识别。


2.根据权利要求1所述的道路标记线智能识别方法，其特征在于，所述图像特征模型识别训练包括以下步骤：
建立样本集：采集残缺的道路标记线图像和模糊的道路标记线图像，作为训练样本集；
图像处理：对样本图像分别进行处理，凸显样本中道路标记线残缺或者模糊图像的形状、大小特征；
提取样本形状、大小特征：利用卷积神经网络中卷积核滤波器对预处理后的图像进行过滤处理，提取样本中道路标记线形状、大小的图像特征；
特征学习训练，生成特征模型：对提取的样本中道路标记线形状、大小的图像特征进行学习训练，形成残缺或者模糊道路标记线图像特征模型；
建立特征模型库：将图像特征模型保存到道路标记线图像特征模型库中形成残缺和模糊的道路标记线图像特征模型库。


3.根据权利要求1所述的道路标记线智能识别方法，其特征在于，所述图像特征提取包括以下步骤：
采集实际道路标记线图像：采集车辆正常行驶中实际工况下的道路标记线图像，得到实际道路标记线图像；
图像处理：对采集的实际道路标记线图像分别进行处理，凸显实际道路标记线图像中道路标记线残缺或者模糊图像的形状、大小特征；
图像过滤处理：利用卷积神经网络，根据神经元之间的连接相似性对图像进行过滤处理，使得任意神经元只能接受来自前一层的一小部分的输入，每个神经元只负责处理一张图像的一个特定部分或者区域；
提取图像中实际道路标记线形状、大小特征：在过滤处理后的图像中提取实际道路标记线形状、大小特征。


4.根据权利要求1所述的道路标记线智能识别方法，其特征在于，所述图像特征识别包括以下步骤：
对采集的实际道路标记线图像中无损或者清晰的道路标记线直接识别，对于残缺或者模糊的道路标记线，在道路标记线图像特征模型库中寻找与实际道路标记线图像所提取的残缺和模糊特征最匹配的模型；基于特征点SIFT算法构建尺度空间计算匹配拟合度，依据匹配拟合度实现对实际工况下道路标记线的识别。


5.根据权利要求1所述的道路标记线智能识别方法，其特征在于，所述图像处理包括以下步骤：图像预处理、道路标记线边缘的提取处理、道路标记线边缘围成的薄弱闭环线状区域去杂点处理；
所述图像预处理具体为：将采集的道路标记线原图像进行逆透视变换，转换为道路图像的俯视图，然后进行几何规范化处理、灰度化处理、形态学滤波处理、图像锐化处理及图像匹配滤波去噪处理，得到预处理后的道路标记线图像；
所述图像匹配滤波去噪处理具体为：对图像锐化处理对比度调整后的道路标记线图像使用45°方向滤波，滤波背景值用100％，滤波卷积核设为3的方向模板对图像进行卷积计算，并以卷积值代替各像素点灰度值；
所述道路标记线边缘的提取处理具体为：利用卷积神经网络，通过与相应卷积核滤波器进行卷积，提取道路标记线图像边缘。


6.根据权利要求5所述的道路标记线智能识别方法，其特征在于，所述提取道路标记线图像边缘具体为：采用提取窗口对图像进行扫描，根据中心...

【专利技术属性】
技术研发人员：闫妍，张西良，刘玉芹，吴振威，宗圣康，毛天宇，
申请(专利权)人：江苏大学，
类型：发明
国别省市：江苏;32