【技术实现步骤摘要】
本专利技术属于机器视觉，具体涉及一种基于foaed-multiotsu算法的车道线图像分割方法。
技术介绍
1、基于计算机视觉的图像分割技术已成为车道线检测领域的重要技术手段，在该技术方案下可实现车道线区域图像提取，为后续检测任务提供重要数据支撑，其中基于多阈值的图像分割技术由于其精准的分割性能受到了广大技术人员的青睐。但随着阈值数量的增加，算法运行时间将呈现指数形式的爆炸增长。引入群体智能算法来克服这一缺陷已成为解决该问题的主要途径，其中果蝇优化算法(fruit fly optimization algorithm，foa)凭借其易于理解和实现、计算速度快、参数少和稳定性强而被研究人员广泛接受。但是foa算法在图像多阈值分割场景下常常由于问题的高维度特点而陷入局部最优，最终难以获得令人满意的分割效果。
技术实现思路
1、为了解决现有技术中的问题，本专利技术提供了一种基于foaed-multiotsu算法的车道线图像分割方法，可降低局部最优风险的改进foa以协助多阈值分割算法准确、快速地完成车道线区域图像的分割任务。
2、为了达到上述技术目的，本专利技术采用以下技术方案予以实现。
3、一种基于foaed-multiotsu的车道线图像分割方法，包括以下步骤：
4、s1.对车载前视摄像机所采集的道路前方图像进行预处理；
5、s2.将一维otsu算法推广到多维度，得到多阈值multiotsu分割算法；
6、s3.提出了一种种群
7、s4.将步骤s2得到的multiotsu分割算法与步骤s3得到的foaed算法结合，得到一种基于foaed-multiotsu的车道线图像分割算法：
8、s5.基于foaed-multiotsu算法实现车道线区域图像分割。
9、进一步地，所述步骤s1中对车载前视摄像机所采集的道路前方图像进行预处理的具体步骤为：
10、针对车载前视摄像机所采集的道路前方图像，首先，划定roi区域范围，
11、然后，对选择的roi区域的图像进行灰度化处理，以消除冗余色彩信息；
12、最后，使用高斯滤波算法，消除图像采集过程中所产生的干扰噪声，完成道路图像的预处理。
13、进一步地，所述步骤s2中得到多阈值multiotsu分割算法的具体步骤为：
14、假设将步骤s1中采集的道路前方图像进行灰度后，根据灰度值将灰度图像像素分为m类，分别记为c1、c2、…、cm，对应的分割阈值为t＝{t1,t2,…,tm-1}，并将灰度值为l的像素数量记为fl,那么其在总像素n中的占比为：
15、
16、由此，可得到第q类像素占总像素的比例为wq(t):
17、
18、紧接着便可得到第q类像素灰度均值μq(t)：
19、
20、显然，整体图片的灰度均值μ为：
21、
22、且，
23、由此，得到多阈值分割场景下的类间方差计算式：
24、
25、此时，只需找到最佳阈值序列t*使得类间方差最大化即可，此时t*为多阈值分割所对应的最佳阈值序列，即：
26、
27、即完成一维otsu到多维otsu的推广，得到multiotsu分割算法，其本质上属于高维优化问题，并且其关键在于确定最佳阈值序列t*以最大化类间方差。
28、进一步地，所述步骤s3中得到foaed算法的具体步骤为：
29、首先，考虑到multiotsu分割算法本质上属于高维优化问题，可行域为[0,255]的高维空间cm-1，因此将其可行域由cm-1缩小至w，随后在区域w内随机生成虚拟的果蝇种群中心位置a，以点a为中心，随机生成n个外围果蝇初始位置，并要求各个果蝇到点a的距离随机，但各果蝇与点a连线之间的夹角均相等即等分可行域空间，随后在各外围果蝇与点a的连线上等间距的生成m只果蝇，最终以线性放射方法完成n+m只果蝇位置的初始化，
30、然后，省略果蝇种群低效率的嗅觉搜索阶段，直接进入视觉搜索阶段，即将各个果蝇的位置带入适应度函数中，计算各个位置所对应的适应度值，如式(7)所示：
31、si＝f(xi) (7)
32、其中，xi为第i只果蝇的位置，xi＝(xi1,xi2,…,xik),k为优化问题的维数，i＝1,2,…,n+m；f(·)为适应度函数，si为第i只果蝇位置所对应的适应度值，
33、紧接着，找出当前果蝇种群中，果蝇的最佳位置记作pt，以及对应的适应度值记作vt，保持当前代中果蝇的最佳位置，并依据该位置以浮动方式更新其余果蝇位置，如式(8)所示，
34、xi＝random(-f,f)×(xi-pt),xi≠pt,i＝1,2,…,n+m (8)
35、其中，f为浮动值，经验取值为0.5；
36、最后，反复执行上述迭代步骤，实现全局最优的搜索过程。
37、优选地，反复执行迭代步骤，当迭代次数达到预先给定的最大迭代次数时，终止迭代，输出全局最优解，即最佳分割阈值序列t*。
38、否则，将重新进入视觉搜索阶段的操作，直到迭代次数达到预先给定的最大迭代次数为止。
39、进一步地，预先给定的迭代次数由图像分割类别数决定，即随着m增大而增大。
40、进一步地，所述步骤s4中得到foaed-multiotsu的车道线图像分割算法的具体步骤为：
41、将式(5)作为foaed算法的适应度函数，并在果蝇位置初始化阶段令各果蝇位置xi＝(xi1,xi2,…,xik)＝(t1,t2,…,tm-1)，即完成了multiotsu分割算法与foaed算法结合，得到基于foaed-multiotsu的车道线图像分割算法。
42、进一步地，所述步骤s5中基于foaed-multiotsu算法实现车道线区域图像分割的具体步骤为：将步骤s1中经过预处理后的图像送入foaed-multiotsu算法中完成车道线区域图像分割。
43、与现有技术相比，本专利技术增强了原始foa算法的种群多样性，这一技术思路继承了原始foa算法计算速度快、稳定性能强的优势，并在此基础上通过增强果蝇种群分布的多样性，可显著降低算法陷入局部最优的风险，同时本专利技术所提出的种群多样性增强算法并未在原始foa算法的基础上引入额外参数和多余计算量，因此本专利技术所提出的foaed-multiotsu算法可实现快速精确的车道线区域分割任务。
本文档来自技高网...【技术保护点】
1.一种基于FOAED-multiOtsu算法的车道线图像分割方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于FOAED-multiOtsu算法的车道线图像分割方法，其特征在于，所述步骤S1中对车载前视摄像机所采集的道路前方图像进行预处理的具体步骤为：
3.根据权利要求1所述的基于FOAED-multiOtsu算法的车道线图像分割方法，其特征在于，所述步骤S2中得到多阈值multiOtsu分割算法的具体步骤为：
4.根据权利要求1所述的基于FOAED-multiOtsu算法的车道线图像分割方法，其特征在于，所述步骤S3中得到FOAED算法的具体步骤为：
5.根据权利要求4所述的基于FOAED-multiOtsu算法的车道图像分割方法，其特征在于，反复执行迭代步骤，当迭代次数达到预先给定的最大迭代次数时，终止迭代，输出全局最优解，即最佳分割阈值序列T*，
6.根据权利要求3-5任一项所述的基于FOAED-multiOtsu算法的车道线图像分割方法，其特征在于，所述步骤S4中得到FOAED-multiOtsu的
7.根据权利要求1所述的基于FOAED-multiOtsu算法的车道线图像分割方法，其特征在于，所述步骤S5中基于FOAED-multiOtsu算法实现车道线区域图像分割的具体步骤为：将步骤S1中经过预处理后的图像送入FOAED-multiOtsu算法中完成车道线区域图像分割。
...【技术特征摘要】
1.一种基于foaed-multiotsu算法的车道线图像分割方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于foaed-multiotsu算法的车道线图像分割方法，其特征在于，所述步骤s1中对车载前视摄像机所采集的道路前方图像进行预处理的具体步骤为：
3.根据权利要求1所述的基于foaed-multiotsu算法的车道线图像分割方法，其特征在于，所述步骤s2中得到多阈值multiotsu分割算法的具体步骤为：
4.根据权利要求1所述的基于foaed-multiotsu算法的车道线图像分割方法，其特征在于，所述步骤s3中得到foaed算法的具体步骤为：
5.根据权利要求4所述的基于foaed...
【专利技术属性】
技术研发人员：李勇杭，牛津，王畅，任苗，赵继康，王一飞，
申请(专利权)人：长安大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。