基于启发式概率Hough变换的道路边缘检测方法技术

本发明专利技术涉及一种基于启发式概率Hough变换的道路边缘检测方法。Otsu方法作为一种自适应阈值搜索方法，对于复杂环境下的非结构化道路区域分割具有很好的鲁棒性。然而，Otsu方法本身只能获得道路区域和非道路区域的大致分割结果，而无法获得精确的道路边界。本发明专利技术方法包括如下步骤：在双阈值检测阶段，将彼此连通的边缘像素进行统一编号，从而形成Canny边缘的若干子集；对每一个边缘点子集首先利用最小二乘法进行直线拟合，求出该点集的轴线。本发明专利技术用于道路边缘检测。

【技术实现步骤摘要】
基于启发式概率Hough变换的道路边缘检测方法
：本专利技术涉及一种基于启发式概率Hough变换的道路边缘检测方法。
技术介绍
：Otsu作为一种自适应阈值搜索方法，对于复杂环境下的非结构化道路区域分割具有很好的鲁棒性。然而，Otsu方法本身只能获得道路区域和非道路区域的大致分割结果，而无法获得精确的道路边界。如何使智能车辆知道前方是否有可通行区域，如何控制智能车辆沿着道路的方向行驶等等，这一切都依赖于对路边的检测。而在户外行驶中，道路状况和环境光照对于路边检测的结果影响很大，边缘检测算法是否可以尽可能少地被这些因素干扰。另一方面，要实时地控制智能移动车辆行驶，对于算法的速度也提出了要求。因此，道路检测算法的准确性、鲁棒性和实时性是判断算法优劣的重要准则。智能车辆在行驶过程中，道路边界在图像空间中的位置和角度变化在绝大部分场合是缓慢的、连续的，但也不排除在局部场合道路边界突变的可能：比如超车过程中的车道线跨越，交叉路口进入视野或者图像获取的数据传输延迟都有可能导致道路边界的突变。因此，一种鲁棒的道路检测方法应该既能够有效利用以往的道路跟踪信息，又能够适应道路边界角度和位置的突然变化。传统PHT方法在从图像空间到参数空间的映射阶段，随机从图像空间中选取候选边缘点，没有使用以往的启发式信息(道路边界的角度、位置等检测结果)；RHT方法利用以往的道路检测信息划分目标搜索区域OSA，但却使OSA之外的边缘点没有机会参与映射，当道路边界由于突变位于OSA之外时可能会导致错误的道路检测结果。
技术实现思路
：本专利技术的目的是提供一种基于启发式概率Hough变换的道路边缘检测方法。上述的目的通过以下的技术方案实现：一种道路加权Canny边缘检测方法，该方法包括如下步骤：在双阈值检测阶段，将彼此连通的边缘像素进行统一编号，从而形成Canny边缘的若干子集；对每一个边缘点子集首先利用最小二乘法进行直线拟合，求出该点集的轴线。所述的道路加权Canny边缘检测方法，求出该点集的轴线的方法包括：假定直线的方程为L：y＝kx+b，则子集中任一点(x，y)到直线的距离为垂足坐标((ky+x-kb)/(1+k2),(k2y+kx+b)/(1+k2))；假设子集中两点P1,P2在直线L上的垂足点Pv1,Pv2是所有垂足点在轴线上的两个端点，证明|P1P2|≥|Pv1Pv2|成立，所以，P1,P2到Pv1,Pv2的映射为压缩映射，意味着在线段Pv1Pv2上的任意一个垂足点，都至少可以在边缘点子集中找到一点与之对应；在边缘点子集选取距离最小的点为其对应点，而具有相同垂足的其他点为非对应点；利用下式其中式(1)中式中α为比例因子，用于调节|Pv1Pv2|对权值的影响程度，式(1)中对边缘点子集中的任一点i赋权值，其中S为边缘点子集的规模；|Pv1Pv2|为线段Pv1Pv2上像素的个数，Lth为最短线段长度阈值，所述的最短线段长度阈值与图像分辨率有关，在320×240的分辨率下取值30；在式(1)中，边缘点的权值与|Pv1Pv2|/S成正比，这说明一根开放的、弧度小的曲线要比具有相同投影长度的封闭的、弧度大的曲线更能获得较大的权值，则说明曲线段在其轴线上的投影越长，其权值也会越大，这保证了较长的和具有较好流线形状的边缘线具有较大的可能被识别为道路边界。一种加权Canny边缘图像的启发式概率Hough变换方法，根据道路边界线L的历史识别结果，将整个图像空间分为感兴趣区域和非感兴趣区域，分布于不同区域的边缘点具有不同的概率取值；启发式概率Hough变换的计算方法的具体步骤如下：(1)建立并初始化一个累加器A(θ，ρ)，将图像空间中检测到的所有边缘点放到待处理边缘点集；(2)判断概率分布矩阵P(x，y)是否存在，否则初始化概率分布矩阵P(x，y)为等概率矩阵；(3)判断待处理边缘点集是否为空，如果是则算法结束，对概率分布矩阵P(x，y)进行更新；否则从待处理边缘点集中按照概率分布矩阵随机取一边缘点投射到参数空间，并在待处理边缘点集中删除所取的点，然后在各θ值下计算相应的ρ值，对应的累加器A(θ，ρ)加1；(4)计算更新后的累加器值A(θ，ρ)是否有大于阈值，如果否则转到第2步；(5)由大于阈值的累加器对应的参数确定一条直线，删除待处理点集中位于该直线上的所有点，同时将该累加器清零；(6)转第2步。一种道路加权Canny边缘双折线模型的提取方法，双折线模型将道路边界分为两段：近处段和远处段，分别代表了近处道路和远处道路的方向和趋势，所述的双折线模型的提取方法如下：(1)对原始图像提取加权Canny边缘，并根据图像边缘的权值大小进行滤波，产生候选道路边界的边缘族；(2)利用最小二乘法对候选边缘族的主方向进行估计，并将所有的边缘点对最小二乘法产生的主轴线进行投影，根据投影的范围选择边缘族在主轴线上的中心位置O；(3)过O点且垂直于主轴线的直线将边缘族分为两部分，首先对近处的边缘族部分进行Hough变换，然后在边缘族中定义进入点和离去点。所述的道路加权Canny边缘双折线模型的提取方法，所述的进入点是指边缘族中第一个位于Hough直线的特定范围之内，并且该前面连续有多点位于Hough直线的特定范围之外，而后面连续有多点都位于该直线的特定范围的点；所述的离去点是指边缘族中位于Hough直线的特定范围之内，并且前面连续有多点位于Hough直线的特定范围之内，而后面连续有多点位于该直线上特定范围之外的点；过离去点且垂直于主轴的直线将边缘族分为两部分，将重新划分的远处的边缘族进行Hough变换，然后分别计算进入点和离去点；道路边界的跟踪主要依据近处的折线段，称进入点和离去点之间的线段为有效线段，计算有效线段的长度和有效线段的平均边缘强度；这样，图像中的一条折线可以表示为一个三元组L(ρ,θ,A)，A为有效线段的平均边缘强度，ρ为车辆中心到折线的最近距离，θ为折线与x轴正方向所成的夹角；由于智能车辆在行驶过程中的连续性，当前状态Lt(ρ,θ,A)与历史状态Lt-1(ρ,θ,A)之间的变化也是连续的；通过关联当前状态与历史状态如下式：能够对候选边缘族是否为道路边界做出评价，将可能性最大边缘族对应的双折线认定为最后的道路边界结果；式(2)中：为根据智能车辆的运动学模型对t-1时刻第j条候道路边线到车辆中心的距离的预测,为对t-1时刻第j条候道路边线与车辆x轴正方向的角度预测,为t-1时刻第j条候道路边线所在边缘的平均梯度幅值。有益效果：本专利技术利用加权Canny边缘尚不足以检出可能的道路边界，主要原因是Canny边缘加权主要依据各图像边缘的局部信息，而忽视了图像中所有Canny边缘之间的全局关联。实际的道路边界由于光照、路况原因很容易发生截断和漏检现象，通过Canny边缘的全局关联能够获得对道路边界更为详尽、准确的描述。Canny边缘的全局关联方法与道路边界的建模方法有关，鉴于非结构化道路在近处的道路可以用直线粗略描述，而且有利于规划智能车辆的行为，利用Hough变换方法对加权的Canny边缘进行关联将是下面要研究的内容。基于边缘的非结构化道路边界检测方法进行研究，采用了一种基于加权Canny边缘的启发式概率霍夫变换方法，提高非结构化道路边界检测的准确性和鲁棒性，然本文档来自技高网...

【技术保护点】
一种道路加权Canny边缘检测方法，其特征是：该方法包括如下步骤：在双阈值检测阶段，将彼此连通的边缘像素进行统一编号，从而形成Canny边缘的一组子集；对每一个边缘点子集首先利用最小二乘法进行直线拟合，求出该点集的轴线。

【技术特征摘要】
1.一种边缘图像的启发式概率Hough变换方法，其特征是：根据道路边界线L的历史识别结果，将整个图像空间分为感兴趣区域和非感兴趣区域，分布于不同区域的边缘点具有不同的概率取值；启发式概率Hough变换的计算方法的具体步骤如下：（1）建立并初始化一个累加器A（θ，ρ），将图像空间中检测到的所有边缘点放到待处理边缘点集；（2）判断概率分布矩阵P（x，y）是否存在，否则初始化概率分布矩阵P（x，y）为等概率矩阵；（3）判断待处理边...

【专利技术属性】
技术研发人员：王燕清，石朝侠，陈德运，孙晓君，孙广路，李扬，李松，唐远新，
申请(专利权)人：哈尔滨理工大学，
类型：发明
国别省市：