本發(fā)明屬于車(chē)輛智能交通領(lǐng)域，特別是一種城郊區(qū)車(chē)道線檢測(cè)方法。

背景技術(shù)：

隨著人們生活水平的不斷提高，人們對(duì)于車(chē)輛智能化的要求也越來(lái)越高，車(chē)道線的準(zhǔn)確快速識(shí)別是提高自動(dòng)駕駛技術(shù)和高級(jí)輔助駕駛系統(tǒng)(adas)智能化程度的重要基礎(chǔ)和前提。

車(chē)道線檢測(cè)是指通過(guò)一種可靠地算法，從車(chē)載攝像頭采集的車(chē)道圖片中準(zhǔn)確可靠地找出車(chē)道線的位置。車(chē)輛在行駛的過(guò)程中，由于駕駛員操作不當(dāng)或者車(chē)輛出現(xiàn)未知的突發(fā)故障造成的損失是巨大的，自動(dòng)駕駛技術(shù)和安全輔助駕駛系統(tǒng)不僅能夠減輕駕駛員的壓力，而且還可以在事故發(fā)生前發(fā)出預(yù)警并給出相應(yīng)的解決措施，從而大大減少人員和財(cái)產(chǎn)的損失。車(chē)道線的準(zhǔn)確快速檢測(cè)是自動(dòng)駕駛技術(shù)和高級(jí)輔助駕駛系統(tǒng)至關(guān)重要的環(huán)節(jié)。在實(shí)際中，現(xiàn)有的車(chē)道線檢測(cè)算法存在許多問(wèn)題，并不能很好地滿足車(chē)道線檢測(cè)實(shí)時(shí)性與可靠性的要求。基于最大長(zhǎng)度的車(chē)道線檢測(cè)方法，首先用canny算子檢測(cè)圖像邊緣，再取邊緣點(diǎn)作hough變換檢測(cè)直線，最后選取特定區(qū)域的最長(zhǎng)直線作為車(chē)道線，當(dāng)攝像頭視野內(nèi)沒(méi)有干擾車(chē)輛的時(shí)候有較好的效果，但是當(dāng)存在干擾車(chē)輛時(shí)可能會(huì)把前方車(chē)輛的邊框線錯(cuò)誤的當(dāng)做車(chē)道，這使得檢測(cè)到的車(chē)道線不準(zhǔn)確?；谙c(diǎn)的車(chē)道線檢測(cè)方法采用區(qū)域分割、直線檢測(cè)、消失點(diǎn)計(jì)算、消失線計(jì)算、反向求解車(chē)道線的流程進(jìn)行，在只有實(shí)車(chē)道線的情況下效果較好，但是當(dāng)存在虛車(chē)道線時(shí)會(huì)使得檢測(cè)結(jié)果非常不穩(wěn)定。因此，需要設(shè)計(jì)一種具有準(zhǔn)確性和穩(wěn)定性的車(chē)道線檢測(cè)方法。

技術(shù)實(shí)現(xiàn)要素：

為解決上述現(xiàn)有技術(shù)存在的問(wèn)題，本發(fā)明要設(shè)計(jì)一種具有準(zhǔn)確性和穩(wěn)定性的車(chē)道線檢測(cè)方法。

為了實(shí)現(xiàn)上述目的，本發(fā)明的技術(shù)方案如下：一種基于k-means聚類算法的車(chē)道線檢測(cè)方法，包括以下步驟：

a、對(duì)原始圖像進(jìn)行處理并進(jìn)行hough直線檢測(cè)

a1、去除原始圖像的高度方向上側(cè)1/4和長(zhǎng)度方向左右兩側(cè)各1/8，取剩下的圖像作為感興趣區(qū)域圖像；

a2、對(duì)感興趣區(qū)域圖像進(jìn)行二值化處理，轉(zhuǎn)換為灰度圖并對(duì)灰度圖進(jìn)行中值濾波，用canny算子進(jìn)行物體輪廓提?。?/p>

a3、對(duì)canny邊緣檢測(cè)處理后的圖像進(jìn)行hough直線檢測(cè)，檢測(cè)到的直線存放到集合x(chóng)中，其中第i條直線由集合x(chóng)里面的元素(xi1,yi1)和元素(xi2,yi2)確定，其中(xi1,yi1)、(xi2,yi2)分別表示第i條直線的起點(diǎn)坐標(biāo)和終點(diǎn)坐標(biāo)；

b、進(jìn)行坐標(biāo)系的轉(zhuǎn)化

把hough直線檢測(cè)得到的直線從x-y坐標(biāo)系轉(zhuǎn)換到k-b坐標(biāo)系，轉(zhuǎn)換過(guò)程如下：

其中，xi1和yi1分別表示第i條直線起點(diǎn)的橫坐標(biāo)和縱坐標(biāo)；xi2和yi2分別表示第i條直線終點(diǎn)的橫坐標(biāo)和縱坐標(biāo)；ki和bi分別表示第i條直線的斜率和截距，n為hough直線檢測(cè)得到的直線條數(shù)；

通過(guò)上述公式把hough直線變換檢測(cè)到的任一直線用元素(ki,bi)來(lái)表示，hough直線檢測(cè)得到的所有直線用集合x(chóng)′示。

c、對(duì)集合x(chóng)′進(jìn)行k-means聚類

在k-b坐標(biāo)系下，左右兩側(cè)車(chē)道線之間有較大的差異性，而同一側(cè)車(chē)道線內(nèi)部有較大的相似性；用聚類的方法把hough直線檢測(cè)得到的直線分為兩類{c1,c2}；具體的步驟如下：

c1、對(duì)元素(ki,bi)進(jìn)行0-1規(guī)格化處理

為防止量綱對(duì)聚類結(jié)果的影響，將元素(ki,bi)統(tǒng)一轉(zhuǎn)換為0～1范圍內(nèi)，具體的步驟如下：

其中，ki，bi分別表示第i條直線的斜率和截距；kmax和kmin別表示集合x(chóng)′中所有直線的最大和最小斜率；bmax和bmin分別表示集合x(chóng)′中所有直線的最大和最小截距；n為hough直線檢測(cè)得到的直線條數(shù)；和分表示第i條直線經(jīng)過(guò)0-1規(guī)格化處理的斜率和截距，經(jīng)過(guò)0-1規(guī)格化處理所有直線放到集合中，其中第i條直線用元素表示，且即

c2、選取初始聚類中心

隨機(jī)選取集合的兩個(gè)元素作為類{c1}和類{c2}的初始聚類中心μ1、μ2；

c3、根據(jù)聚類中心對(duì)集合中的元素進(jìn)行分類

將元素按照最小距離原則分配到最鄰近的類中去；元素與聚類中心之間距離用歐氏距離來(lái)刻畫(huà)；

其中，表示元素與聚類中心μj之間的距離；表示元素的第k個(gè)屬性；μjk表示聚類中心μj的第k個(gè)屬性；n為hough直線檢測(cè)得到的直線條數(shù)；j為分類個(gè)數(shù)；

當(dāng)時(shí)，把歸為{c1}，反之，把歸為{c2}；

c4、計(jì)算誤差平方和準(zhǔn)則函數(shù)e

其中，表示第i條直線；μj為第j個(gè)聚類中心；n為hough直線檢測(cè)得到的直線條數(shù)；j為分類個(gè)數(shù)；

c5、更新聚類中心

把當(dāng)前類里面元素的平均值作為新的聚類中心；新的聚類中心通過(guò)下式計(jì)算：

其中，表示第i條直線；n為hough直線檢測(cè)得到的直線條數(shù)；j為分類個(gè)數(shù)；

c6、重復(fù)步驟c3-c5直到滿足終止條件為止；每一次迭代都是朝著e下降的方向進(jìn)行，當(dāng)滿足終止條件時(shí)算法終止；終止條件如下：

|eold-enew|≤eval

其中，enew為當(dāng)前準(zhǔn)則函數(shù)值；eold為上一次迭代的準(zhǔn)則函數(shù)值；eval為預(yù)先設(shè)定的準(zhǔn)則函數(shù)閾值；

c7、輸出聚類結(jié)果；滿足終止條件后，就把集合中的元素分為兩大類{c1,c2}；

d、計(jì)算車(chē)道線參數(shù)

計(jì)算左右兩側(cè)車(chē)道線的斜率k和截距b，具體方法如下：

其中，分表示第i條直線經(jīng)過(guò)0-1規(guī)格化處理的斜率和截距；j為分類個(gè)數(shù)；

車(chē)載相機(jī)采集的左側(cè)車(chē)道線的斜率為正值，右側(cè)車(chē)道線的斜率為負(fù)值；根據(jù)這一規(guī)律，當(dāng)k1≥0時(shí)，把k1和b1作為左側(cè)車(chē)道線的斜率和截距，k2和b2作為右側(cè)車(chē)道線的斜率和截距；反之，把k1和b1作為右側(cè)車(chē)道線的斜率和截距，k2和b2作為左側(cè)車(chē)道線的斜率和截距。

進(jìn)一步地，步驟c7中所述的準(zhǔn)則函數(shù)閾值eval取10^-4～10^-3。

與現(xiàn)有技術(shù)相比，本發(fā)明具有以下有益效果：

1、本發(fā)明在車(chē)道線識(shí)別的過(guò)程中，首先對(duì)原始圖像進(jìn)行hough直線檢測(cè)，之后對(duì)數(shù)據(jù)進(jìn)行0-1規(guī)格化處理，最后用k-means聚類算法對(duì)車(chē)道線進(jìn)行提取，能夠在純實(shí)車(chē)道線、純虛車(chē)道線以及虛實(shí)混合車(chē)道線等多種情況下對(duì)車(chē)道線進(jìn)行準(zhǔn)確的提取。

2、本發(fā)明采用k-means聚類算法對(duì)車(chē)道線進(jìn)行提取，可以很好地去除車(chē)道線寬度對(duì)檢測(cè)結(jié)果的影響，使檢測(cè)的結(jié)果更加穩(wěn)定。

附圖說(shuō)明

本發(fā)明共有附圖5張，其中：

圖1是基于k-means聚類算法的車(chē)道線檢測(cè)方法流程圖。

圖2是車(chē)載相機(jī)采集的原始圖像。

圖3是感興趣域圖像。

圖4是為hough直線檢測(cè)圖。

圖5是最終的檢測(cè)結(jié)果圖。

具體實(shí)施方式

以下結(jié)合技術(shù)方案和附圖詳細(xì)敘述本發(fā)明的具體實(shí)施方式。

本發(fā)明的流程圖如圖1所示；步驟a1中的原始圖像由車(chē)載相機(jī)采集，如圖2所示，圖3是步驟a1中的感興趣區(qū)域圖像，圖4是步驟a3中的hough直線檢測(cè)圖，圖5是最終的檢測(cè)結(jié)果圖。

本發(fā)明不局限于本實(shí)施例，任何在本發(fā)明披露的技術(shù)范圍內(nèi)的等同構(gòu)思或者改變，均列為本發(fā)明的保護(hù)范圍。