一種全景圖道路輪廓的提取方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于圖像處理和道路檢測的技術(shù)領(lǐng)域，具體地涉及一種全景圖道路輪廓的 提取方法。
【背景技術(shù)】
[0002] 道路提取技術(shù)需要運用計算機視覺、模式識別等相關(guān)知識來完成。道路圖像主要 分為兩類：結(jié)構(gòu)化道路和非結(jié)構(gòu)化道路。結(jié)構(gòu)化道路一般是指高速公路或城市化道路，它 們有著完整的行車線以及明顯的路標等特點。非結(jié)構(gòu)化道路，則是指越野環(huán)境或鄉(xiāng)村道路。 它們沒有明確的行車線和道路邊緣，且道路形狀不規(guī)則、光照復(fù)雜。對于如上兩種情況，道 路提取可分為自動道路特征提取和半自動道路特征提取。
[0003] 由于目前計算機自動識別能力不是十分完善，因此需要結(jié)合半自動部分來取得更 好的道路提取效果。目前主流的半自動方法分為如下幾類：基于邊緣跟蹤的方法是跟據(jù)給 定的種子點和初始方向開始邊緣跟蹤直到邊緣末端。最小二乘模板匹配方法，該方法基于 初始特征點，估計模板與圖像間的參數(shù)進而得到道路的數(shù)學(xué)表示。Snake模型法，采用能量 函數(shù)表示各種特征，通過求解能量函數(shù)的最小值來達到提取道路便捷的目的。分水嶺算法 最初是由Digabel和Lantuejoul引入圖像處理領(lǐng)域，隨后被Beucher等人應(yīng)用到輪廓檢 測。它是一種基于地理學(xué)的圖像分割方法，通過對圖像灰度值的大小表示地理海拔高度，灰 度最小值及其影響區(qū)域形成集水盆，整個集水盆邊界形成圖像邊界的分水嶺。
[0004] 自動道路特征提取主要包括道路特征的自動檢測與定位。相關(guān)的主要方法有：
[0005] 基于區(qū)域的方法。主要有Pohle等人提出用正態(tài)分布表示整個待分割區(qū)域像素 值，用原始區(qū)域生長算法估計出分布參數(shù)并更新到下次生長過程中，以達到增強分割效果 的目的。Baatz等人提出了一個經(jīng)典的算法面向?qū)ο蟮亩喑叨确指钏惴?，圖片特征由顏色形 狀等信息表征，分割過程采用區(qū)域合并的方法來實現(xiàn)整個的道路提取。Cheng等人提出了一 種基于閾值和區(qū)域合并的彩色影響分割算法。利用全局和局部信息，首先尋找同質(zhì)區(qū)域并 避免了道路的過分割。
[0006] 基于邊緣的方法。其中較為經(jīng)典的是Canny算子算法，其首先運用高斯卷積對圖 像進行平滑處理隨后進行微分操作得到梯度圖找出邊緣點，最后得到整幅圖像的邊緣圖。 Moon提出使用差分運算把邊緣檢測變成一個目標檢測的問題利用熵的極小化方法確定圖 像邊緣。
[0007] 基于平行線對的方法。P. Dal Poz等人于2006年提出了高分辨率和中等分辨率的 自動道路提取算法。該算法分為兩步，首先提取整個區(qū)域的道路種子，在提取過程中，尋找 符合幾何學(xué)和輻射線測定的局部道路屬性，通過canny算子進行邊緣檢測并連接出圖像的 邊緣。
[0008] 標點隨機過程方法。2002 年 X. Descombes, J Zerubia 等提出了將 MPP (Marked point process)理論應(yīng)用與圖像分析從而提取道路信息的方法。核心思想是標點隨機過程 采用隨機框架對目標問題進行建模。需要分析的目標可以用任意的參數(shù)來定義。該算法最 大的特點是不需要起始點。
[0009] 基于小波理論提取道路的方法。Zhang和Couloigner在2004年提出了一種基于 小波理論提取道路的方法。在小波域上，小波系數(shù)的極大值可用來檢測道路交點，然后基于 檢測的道路交點跟蹤形成道路中心線部件，通常這些點的小波系數(shù)值在近似的道路方向上 高于一定的閾值，接著根據(jù)道路線去除偽節(jié)點和產(chǎn)生新交點，最后用DAUGLAS-PEUCKER算 法用來簡化線的描述。Kong Hui提出運用LASV方法獲得道路消失點，并對道路進行了初步 的提取。對于道路提取方面，各種方法都取得了不錯的效果，但是對于全景圖到目前為仍沒 有一種有效的道路提取方法。
[0010] 總體而言，道路輪廓的全自動提取無疑是道路提取中的最終目標，上述道路提取 算法各有特點，也各有缺點，理論上可以達到全自動化，但有些算法由于諸多因素離實際應(yīng) 用還有一定距離。半自動提取法雖然取得了較好的實驗結(jié)果，但隨著道路場景復(fù)雜性的增 加，需要更精確的人機交互處理，導(dǎo)致整體的實用性大打折扣。因此，研宄全自動方法將是 未來的主要趨勢。很多已有的自動道路提取算法只利用道路的一種或幾種特征并且模型也 比較簡單。

【發(fā)明內(nèi)容】

[0011] 本發(fā)明的技術(shù)解決問題是：克服現(xiàn)有技術(shù)的不足，提供一種全景圖道路輪廓的提 取方法，其能夠?qū)崿F(xiàn)不同場景全景圖像道路輪廓的自動提取。
[0012] 本發(fā)明的技術(shù)解決方案是：這種全景圖道路輪廓的提取方法，包括以下步驟：
[0013] (1)輸入原始的道路圖像，使用基于Gabor小波的消失點估計方法來計算全景圖 每點像素的紋理方向信息和置信函數(shù)，獲得消失點位置的局部自適應(yīng)軟投票算法的輸入信 息從而得到消失點位置；
[0014] (2)在計算得到消失點位置后，從消失點或邊界點發(fā)射一組道路預(yù)測線段，從而計 算OCR特征和分隔顏色區(qū)域，獲得融合多特征信息和約束函數(shù)來判別出最合適的道路邊界 方向；
[0015] (3)將下一個邊界點選為預(yù)測線段的起點，并重復(fù)步驟（2)直至到達圖像邊界；
[0016] (4)對道路邊界進行上下位移形成前景線與背景線，將前景線與背景線作為輸入 傳到分水嶺方法中進行計算，最后獲得優(yōu)化后的全景圖道路輪廓。
[0017] 本發(fā)明采用Gabor小波和局部自適應(yīng)軟投票算法估計道路的消失點，在此消失點 的基礎(chǔ)上，融合紋理和顏色信息對全景圖進行道路輪廓提取，通過分水嶺方法對道路圖像 進行輪廓優(yōu)化，從而能夠?qū)崿F(xiàn)不同場景全景圖像道路輪廓的自動提取。
【附圖說明】
[0018] 圖1是根據(jù)本發(fā)明的全景圖道路輪廓的提取方法的流程圖。
[0019] 圖2是根據(jù)本發(fā)明的消失點的示意圖。
【具體實施方式】
[0020] 如圖1所示，這種全景圖道路輪廓的提取方法，包括以下步驟：
[0021] (1)輸入原始的道路圖像，使用基于Gabor小波的消失點估計方法來計算全景圖 每點像素的紋理方向信息和置信函數(shù)，獲得消失點位置的局部自適應(yīng)軟投票算法（OCR特 征是預(yù)測線上方向一致的點的個數(shù)SumO與整條直線總點數(shù)SumL的比率，表示一條預(yù)測線 指向道路消失點方向的一致性程度OCR特征值越大則說明此條預(yù)測線是道路邊界的可能 性越高）的輸入信息從而得到消失點位置；
[0022] (2)在計算得到消失點位置后，從消失點或邊界點發(fā)射一組道路預(yù)測線段，從而計 算OCR特征和分隔顏色區(qū)域，獲得融合多特征信息和約束函數(shù)來判別出最合適的道路邊界 方向；
[0023] (3)將下一個邊界點選為預(yù)測線段的起點，并重復(fù)步驟⑵直至到達圖像邊界；
[0024] (4)對道路邊界進行