一種基于智能駕駛的地面交通標志實時檢測的方法
【專利摘要】一種基于智能駕駛的地面交通標志實時檢測的方法屬于智能交通行業(yè)的交通信息檢測領(lǐng)域。本發(fā)明實時獲取智能車輛前方道路的圖像Src，對獲取的原始圖像Src進行切割、灰度變換、高斯濾波、二值化處理，得到二值圖像Src_bw。同時，讀入提前準備好的地面交通標志模板圖像temp_i。通過模板匹配，每一幅模板均可在Src_bw中，找到一個與之相對應(yīng)的最匹配區(qū)域，將其切割存成新的圖像dst_i。將temp_i與相對應(yīng)的dst_i進行相減，得到新的圖像diff_i。統(tǒng)計每一福diff_i中的白色像素點個數(shù)diff_i_Sum，白色像素點最少的diff_i，所對應(yīng)的模板與我們的地面標志最為相似；當(dāng)diff_i_Sum少于我們設(shè)定的閾值時，即認為我們Src_bw中存在該模板中的地面交通標志。本發(fā)明適用于復(fù)雜城市道路環(huán)境的智能駕駛。
【專利說明】一種基于智能駕駛的地面交通標志實時檢測的方法
【技術(shù)領(lǐng)域】[0001]本發(fā)明是一種基于智能駕駛的地面交通標志實時檢測的方法，屬于智能交通行業(yè)的交通信息檢測領(lǐng)域。
【背景技術(shù)】[0002]隨著社會經(jīng)濟的發(fā)展，汽車保有量逐年增加，由于駕駛員的失誤導(dǎo)致的交通事故也隨之上升。因此，智能駕駛逐漸成為新的研究熱點。對地面交通標志的識別，是智能駕駛中的一個重要領(lǐng)域，快速、準確的識別地面交通標志，給予駕駛員準確的提醒，是地面交通標志識別的關(guān)鍵所在。通過對地面交通標志的準確識別，減少因失誤造成的事故數(shù)量，能夠提高道路交通的安全系數(shù)。[0003]地面交通標志的識別，首先需要從攝像頭采集的視頻圖像中，將地面與天空區(qū)分開；其次，要準確選擇本車行駛的車道；第三，通過模板匹配的方式，將可能是地面交通標志的區(qū)域篩選出來。目前，對無人駕駛車上的地面交通標志識別主要是通過模板匹配的方式。該方法有一定的準確率，但是僅僅通過初次判斷就確定地面交通標志的種類會產(chǎn)生誤差。尤其是在地面交通標志有一定的污損或者是在強光照射等條件下，僅僅通過模板匹配不能得出準確的結(jié)果。所以，需要進行多次識別判斷。

【發(fā)明內(nèi)容】
[0004]本發(fā)明的目的在于實時運行于無人駕駛系統(tǒng)中，準確識別地面交通標志信息，判斷其含義，從而給予正確的引導(dǎo)信息；克服現(xiàn)有方法存在抗干擾性弱、檢測率低、檢測速度慢、成本高以及耗能大等缺點，提出了一種基于智能駕駛的地面交通標志實時檢測的方法。[0005]為了實現(xiàn)上述目的，本發(fā)明采取了如下技術(shù)方案:[0006]一、設(shè)定地面交通標志模板。我國現(xiàn)階段，城市公路、高速公路使用的地面交通標志主要包括如下六種:直行箭頭、左轉(zhuǎn)箭頭、右轉(zhuǎn)箭頭、直行加左轉(zhuǎn)箭頭、直行加右轉(zhuǎn)箭頭、掉轉(zhuǎn)箭頭。本發(fā)明主要研究識別以上六種地面交通標志。根據(jù)《道路交通標志和標線》(GB_5768-1999)規(guī)定，行車速度≤40km/h、60km/h~80km/h和≥100km/h不同路段地面交通標志大小尺寸不一致。本專利可用于檢測識別不同行車速度的路段。通過攝像機采集地面圖片，對含有地面交通標志的圖片進行剪切，從而獲得地面交通標志圖像templ_i。templ_i是一個templ_i_widthX templ_i_height維圖像矩陣。要求模板圖像只含有地面交通標志，對于采集的地面交通標志圖像templ_i，進行灰度化、二值化、形態(tài)學(xué)膨脹腐蝕、高斯濾波，得到我們需要的地面交通標志模板templ_i_bw，每一種地面交通標志對應(yīng)一種模板，共得到六種地面交通標志模板。此時的模板圖像尺寸為原始圖像中的模板尺寸1/4。[0007]二、通過車輛上的攝像機，以20-50幀/秒的幀率實時獲取智能車輛前方道路的圖像Src，對獲取的原始圖像Src進行剪切，將圖像上部2/3裁剪，取余下的1/3，得到新的圖像Src_height ;繼續(xù)對圖像Src_height裁剪,從圖像的左側(cè)到右側(cè)，圖像左側(cè)為O寬度，圖像右側(cè)為1寬度，從0.4寬度部分開始裁剪，到0.9寬度截止，得到感興趣區(qū)域Src_roi ;對感興趣區(qū)域進行灰度變化，得到新的圖像SrC_gray ;對于灰度圖像進行圖像壓縮，得到新的圖像Src_gs ;對于圖像Src_gs,進行二值化處理,得到新的圖像Src_bw,此圖像僅為原始圖像Src的1/24大小。Src_bw作為我們檢測的區(qū)域。Src_bw是一個Src_bw_widthX Src_bw_height維圖像矩陣。
[0008]三、模板圖像templ_i_bw在待測區(qū)域圖像Src_bw中遍歷掃描,依次計算模板與待測圖片的重疊區(qū)域的相似度，通過歸ー化相關(guān)匹配法來計算相似度，采用模板和圖像間的乘法操作，較大的數(shù)表示匹配程度較高，0表示最壞的匹配效果，并將結(jié)果存入映射圖像ftmp_i當(dāng)中，ftmp_i圖像中的姆ー個點的值代表了一次相似度比較結(jié)果。姆一幅模板圖像進行一次計算。
[0009]模板在待測圖像上每次在橫向或是縱向上移動ー個像素，并作一次比較計算。由此，橫向比 Src_bw_width_templ_i_bw_width+1 次，縱向比較 Src_bw_height_templ_i_bw_height+l 次，從而得到一個(Src_bw_width_templ_i_bw_width+1) X (Src_bw_height_templ_i_bw_height+l)維的結(jié)果矩陣，ftmp_i即是用圖像來表示此矩陣，圖像ftmp_i 為 ftmp_i_widthX ftmp_i_height 維圖像矩陣。
[0010]
【權(quán)利要求】
1.一種基于智能駕駛的地面交通標志實時檢測的方法，其特征在于，包括以下步驟: 1)將攝像機置于車內(nèi)中央后視鏡處，攝像機鏡頭與水平線垂直，位置固定；剪切攝像頭獲得的含有地面交通標志的圖像，初步得到地面交通標志模板tempi」；灰度化、二值化、形態(tài)學(xué)膨脹腐蝕、高斯濾波處理templ_i,得到地面交通標志模板templ_i_bw, templ_i_bw是一個templ_i_bw_widthX templ_i_bw_height維圖像矩陣；按照現(xiàn)行的交通規(guī)范至少有如下六種地面交通標志，每一種地面交通標志對應(yīng)一種模板，共得到六種地面交通標志模板，分別為:直行箭頭模板templ_l_bw、左轉(zhuǎn)箭頭模板templ_2_bw、右轉(zhuǎn)箭頭模板templ_3_bw、直行加左轉(zhuǎn)箭頭模板templ_4_bw、直行加右轉(zhuǎn)箭頭模板templ_5_bw、掉轉(zhuǎn)箭頭模板templ_6—bw ； 2)通過車輛上固定的攝像機，以20-50幀/秒的幀率實時獲取智能車輛前方道路的圖像Src，對獲取的原始圖像Src進行剪切，將圖像上部2/3裁剪，取余下的1/3，得到新的圖像Src_height ;繼續(xù)對圖像Src_height裁剪,從圖像的左側(cè)到右側(cè)，圖像左側(cè)為O寬度，圖像右側(cè)為I寬度，從0.4寬度部分開始裁剪，到0.9寬度截止，得到感興趣區(qū)域Src_roi ;對感興趣區(qū)域進行灰度變化，得到新的圖像SrC_gray ;對于灰度圖像進行圖像壓縮，得到新的圖像Src_gs ;對于圖像Src_gs,進行二值化處理,得到新的圖像Src_bw,此圖像僅為原始圖像Src的1/24大?。籗rc_bw作為我們檢測的區(qū)域；Src_bw是一個Src_bw_widthX Src_bw_height維圖像矩陣； 3)模板圖像templ_l_bw在待測區(qū)域圖像Src_bw中遍歷掃描，計算模板temp1_1_bw與待測圖片的重疊區(qū)域的相似度，并分別將結(jié)果存入對應(yīng)的映射圖像ftmp_l當(dāng)中，ftmp_l圖像中的每一個點的值代表了一次相似度比較結(jié)果；遍歷掃描的思想是:在待測圖片中用處理過的模板templ_l_bw建立一個滑動窗口，該窗口大小與對應(yīng)模板大小一致，從頂點位置開始一次滑動掃描，每次在橫向或是縱向上移動一個像素，作一次比較計算；由此，橫向比較 Src_bw_width_templ_l_bw_width+1 次，縱向比較 Src_bw_height_templ_l_bw_height+l 次，從而得 到一個(Src_bw_width_templ_l_bw_width+1) X (Src_bw_height_templ_l_bw_height+l)維的結(jié)果矩陣，ftmp_l即是用圖像來表示此矩陣，圖像ftmp_l 為 ftmp_l_widthX ftmp_l_height 維圖像矩陣；
ftmp_l_width=Src_bw_width_templ_l_bw_width+l (I)
ftmp_l_height=Src_bw_he ight-templ_l_bw_he ight+1 (2) 通過歸一化相關(guān)匹配法來計算相似度；采用模板和圖像間的乘法操作，較大的數(shù)表示匹配程度較高，O表示最壞的匹配效果，將結(jié)果存于ftmp_l中； ,Σλ,.(tempi — i—hw(x', vr J.Src—bwfx + x', y+f)J
jimp — I(x, y ):........ψ===^^.—.^Zx,y(templ_bw(x'/.ΣΛ-,_ν.Src_bw(x+x',y +f f




(3) 4)模板圖像templ_l_bw用二維函數(shù)tempHbwU', y')表示,檢測區(qū)域圖像Src_bw用二維函數(shù)Src_bw(x, y)表示；(x'，y')表示圖像templ_l_bw矩陣中點的坐標，(x, y)表示圖像Src_bw矩陣中點的坐標；使用函數(shù)cvMinMaxLoc從ftmp_l中提取最大值以及最大值的位置，即在ftmp_l中該最大值max_val的坐標位置max_loc ;此時，max_loc_l.x就是原圖中與模板最相似區(qū)域的橫坐標，max_loc_l.y為原圖中與模板最相似區(qū)域的縱坐標，該區(qū)域大小與模板大小一致；從原圖中將該區(qū)域剪切，得到新的圖像dst_l ;
dst_l—width=templ_l—width (4)
dst_l—he ight=temp 1_1—height (5) . 5)將dst—I與模板tempi—I—bw進行相減得到新的圖像diff—1，diff—I是ー個diff—widthX diff—height 維圖像矩陣；
diff—I (x，y)=dst—I (x，y)_templ—I—bw(x, ，y, ) (6) diff—l(x，y)表示圖像矩陣各個點，在二值圖像diff—I中每個像素點的值為O或者255，黑色像素點值為O，diff—l(x，y)用O表示；白色像素點的值為255，diff—l(x，y)用I表示；計算diff—I圖像中白色像素點個數(shù)diff—I—Sum ；


【文檔編號】G06K9/00GK103577809SQ201310557886
【公開日】2014年2月12日 申請日期:2013年11月12日 優(yōu)先權(quán)日:2013年11月12日
【發(fā)明者】劉宏哲, 王棚飛, 吳焰樟 申請人:北京聯(lián)合大學(xué)