[发明专利]基于交通违法图像数据的车道线检测方法

说明书

本发明公开了一种基于交通违法图像数据的车道线检测方法，属于图像处理领域。该方法的具体步骤为：S1：读入多张由同一交通违法抓拍设备沿相同视角拍摄到的交通违法图片，每张交通违法图片中均含有待检测的车道线；S2：分别对每一张交通违法图片进行车道线检测；S3：针对多张交通违法图片中的所有合并线段，再次进行聚类和多线段拟合，使每个类别的所有合并线段最终融合成一条车道线。该方法具有较好的实时性与准确性，能够大量节省原本标注各个设备下的车道线信息所需的人工成本，加快二次违法检测程序的运行。

技术领域

本发明属于图像处理领域，具体涉及到一种基于交通违法数据中的车道线检测方法。

背景技术

近年来随着交通设施和违法抓拍系统的健全，在一定程度上减少了交通事故的发生。但是其违法数据都是由人工筛选，分类出违法、不违法数据。其数据量庞大，人工效率低，故而存在许多交通违法行为的二次检测方法，而本文方法主要是针对于车道线检测以便帮助这些二次违法检测程序的判断。同时近年来随着科技逐步发展，越来越多的学者开始关注和研究车道线的检测。车道线识别的方法主要有hough变换方法和基于道路模型方法等。he/Rong等人使用Canny算子进行边缘检测，配合Hough变换方法进行车道线检测，时间复杂度较高，而且其车道线检测的适用范围小，主要是针对无人驾驶数据的车道线检测，而且其只关注左右两个车道。而对于违法抓拍数据中的车道线检测，其包含多条车道线的检测，与其场景复杂，车道线受光照、破损、车辆遮挡等影响。如何从此类复杂的图像数据中准确检测出车道线，是亟待解决的技术问题。

本文介绍基于交通违法数据中的车道线检测方法，使用深度学习中目标检测模型对干扰物体检测并进行去噪，通过自适应阈值的边缘检测方法，从而缩小感兴趣区域、降低车道线识别的算法复杂度。之后，通过同一路口的多张图像进行拟合直线，检测出我们需要关注的车道线。最后，我们通过实时系统验证了所提算法的实时性与有效性。

发明内容

本发明的目的在于解决现有技术中存在的问题，并提供一种基于交通违法图像数据的车道线检测方法，使其能从复杂的交通违法图像数据中准确检测出车道线。

为实现上述发明目的，本发明所采用的具体技术方案如下：

一种基于交通违法图像数据的车道线检测方法，其步骤如下：

S1：读入多张由同一交通违法抓拍设备沿相同视角拍摄到的交通违法图片，每张交通违法图片中均含有待检测的车道线；

S2：分别对每一张交通违法图片进行车道线检测，检测方法如S201～S206：

S21：使用目标检测模型对交通违法图片进行干扰物检测，所述干扰物包括图像中的车辆和行人；

S22：利用边缘检测方法对交通违法图片进行边缘检测，得到图像中目标轮廓的二值化图像；

S23：基于S21中检测到的干扰物位置信息，在S22的二值化图像中抹去干扰物所占空间内的所有轮廓数据，得到去噪图像；

S24：针对所述去噪图像，使用霍夫直线检测方法得到图像中所有的线段；

S25：以所述去噪图像中两两线段之间的最短距离作为距离衡量标准，采用基于线段间距可变聚类中心的聚类方法对图像中的所有线段进行聚类，将所有线段分为若干类别；

S26：分别针对S25中获得的每个类别，将该类别下的所有线段进行多线段拟合，使每个类别的所有线段最终融合成一条合并线段；

S3：针对多张交通违法图片中的所有合并线段，以所述两两合并线段之间的最短距离作为距离衡量标准，采用基于线段间距可变聚类中心的聚类方法对图像中的所有合并线段进行聚类，将所有合并线段分为若干类别；针对合并线段的每个类别，将该类别下的所有合并线段进行多线段拟合，使每个类别的所有合并线段最终融合成一条车道线。