道路标线图像分割方法研究_刘新宇

图1
道路标线图像、 灰度直方 图、 二值化结果
1. 3
基于最大类间方差法分割道路标线图像 最大类间方差方法
[ 5]
求解下列二次方程可得到 Bayes 最小误差阈 值。 (g- ∀ 1)
2 1 2 2 1
是由 Ost u 于 1978 年提
出的 , 它是一种基于判别式分析的方法。把图像 中的像素按灰度 级用阈值 t 划分成 C 0 和 C 1 , 即 C0 = { 0, 1, !, t} , C 1 = { t+ 1 , t+ 2, !, l - 1} 。若 用 , 和 分别表示类内 , 类间和总体方差, 则通过使下列关于 t 的等价的判决准则函数达到 最大来确定最佳阈值 t * , = 3 个准则函数中, t 即当 式中 :
[ 4]
57 1, 执行步骤 2 。 基于最佳阈值法分割道路标线图像分析结果 如图 2~ 6 所示。
为( i , j ) 点的权重系数 , 一般 N ( i, j ) = 1。 3) 求出新阈值; T k + 1 = ( Z0 + Z B ) / 2 4) 如果 T K = T K + 1 则结束, 否则 K = K +
率( 像素个数) 。在较理想状态下, 道路标线图像 中的目标和背景非常清楚 , 灰度直方图呈现明显 的双峰状 , 如图 1( a) 所示。这时可以选取两峰之 间的谷底 ( 最小值) 对应的灰度值为阈值。为避免 把靠近主峰的局部不规则变化误认为是不同的另 一峰 , 可以限制两峰之间的最小距离。 但是 , 实际道路标线图像的情况往往比较复 杂, 而且可能有很多噪声干扰 , 灰度直方图参差不 齐, 很难确 定极大值 和极小值 , 如图 1 ( b) 所示。 另外 , 如果路面有大面积的污染或者没有标线, 则 灰度直方图会出现单峰的情况 , 如图 1( c) 所示。 此方法就不适用于直方图中双峰值差别很大, 或 双峰间的谷宽广而平坦的情况, 以及单峰直方图 的情况。 1. 2 基于最佳阈值法分割道路标线图像 最佳阈值分割方法的基本思想是找到一个门
2 i
当 J ( t ) 取最小值时获得最佳阈值, 即 t * = arg min J ( t) t∀ G 果见图 2~ 6 所示。 1. 5 基于全局阈值法分割结果的比较
( 9)
基于最小误差法分割道路标线图像的分析结
的正态分布, 先
为验证以上基于全局阈值法分割道路标线图 像的有效性, 选取 30 张典型的破损道路标线图像 进行分割 , 由于篇幅所限本文只列出 5 张道路标 线图像的分割结果, 如图 2~ 4 所示。
i= 0
ip i ; ∀ i =
i= 0
ip i ; #( t) =
i= 0
pi,
(g - ∀ 1 ( t) ) h( g) g = P 1( t)
l- 1 2 (g - ∀ 2 ( t) ) h( g) g 2 2 g = t+ 1
;
p i 为灰度 级 i 的像 素出现概率。 基于最大类间方差法分割道路标线图像的分 析结果见 1. 5。 1. 4
[ 6]
=
P 2 ( t)
( 8)
基于最小误差阈值法分割道路标线图像 最小误差法是 Kitt ler 和 Illing w ort h 提出来
[ 3]
的 。最小误差法 中 , 灰度直方图视为目标与 背景像素灰度构成的混合集概率密度函数 p ( g) 的估计 , 通常假设混合集的 2 个分量 p ( g/ i) ( i= 1, 2 ) 服从均值为 ∀ i , 标准差为 验概率为 P i , 即
图7 动态阈值法对道路标线图像分割结果
2
基于动态阈值法分割道路标线图 像
3) 不足之处在于部分图像动态阈值法会比 全局阈值法分割出更多的噪声。
3
当图像的背景和目标灰度变化比较大时, 无 法得到一个适用于整幅图像的全局阈值 , 全局阈 值法一般就不适用了。因此, 人们提出了很多动 态的 局部阈值化算法, 也称 自适应阈值化算法。 本文采用 Chow 和 Kaneko 的动态阈值法 [ 7] 对道 路标线分割, 具体实现步骤如下。 1) 如果子块图像划分的太小 , 则可能出现整 个子块都是道路标线。因此每块子 图像大小为 64 64 像素。将 512 384 像素原图像分割成 8 6 块子图像。 2) 用最小误差阈值法求出每块子图像的阈 值。该阈值 视为 各块 子图 像中 心点 的 阈值 , 用 T ( i, j ) 表示。其中 ( i , j ) 为子块中心点在整个图 像中的坐标。 3) 采用双 线性插值 法, 采 用步骤 2 算 出的 8 6 个 阈 值, 求 出其 他 像 素 点的 阈 值 , 即求 出 T ( i, j ) , ( 0 ∃ i < 512, 0< j ∃ 384) 。 4) 图像每一像素的灰度用 F ( i, j ) 表示, 如果 F( i , j ) > T ( i, j ) , 则判断该点为标线。 如果子块图像没有包含道路标线 , 则此子块 图像的阈值直接用全局阈值代替。试验表明存在 部分道路标线会误判为路面情况。如果子块图像 的阈值用全局阈值和 p - 分位数法确定 98% 为背 景的阈值两者中较小的来代替, 则可以取得较好 的效果。 采用如上的动态阈值法再次对 30 张典型的 破损道路标线图像进行分割, 列出 3 张与全局阈 值法分割有较大区别的图像。如图 7 所示。试验 结果表明 : 1) 用全局阈值法无法正确分割的细节, 采用 动态阈值法可以准确分割出。 2) 对于没有道路标线的图像也只是分割出 一些少量的噪声。
图4
大部分破损的道路标线图像及对应的灰度直方图、 二值化结果
图5
集中部分受污染的道路标线图像及对应的灰度直方图、 二值化结果
图 6 没 有目标的道路标线图像及对应的灰度直方图、 二值化 结果
通过实验得出以下结论: 1) 所取得的效果较好。但是当道路标线局 部轻 微污染时, 最佳阈值法 无法正确分割出来。 当背景部分的阈值接近道路标线的阈值时 , 也同
样无法正确分割。 2) 最大类间方差法对噪声和目标大小十分 敏感 , 几乎都是把背景( 路面) 误判为目标( 道路标 线) 。
道路标线图像分割方法研究 # # # 刘新宇
吴
勇
李
龙
59
3) 最小误差法在通常情况下 , 都能取得较好 的分割效果。只有当背景部分阈值变化较大时, 会分割出较多的噪声 , 对有些细节亦不能正确分 割出来。 4) 当道路没有标线时 , 以上 3 种阈值法都会 分割出大量的噪声, 即无法进行正确的分割。 综上 , 在以上 3 种阈值法分割道路标线图像 时, 最小误差法的分割效果最好。
道路交通标线主要是采用漆类 ( 或热塑材料、 路钮等) 涂料喷涂或安装在路面或障碍物垂面上, 对车辆及行人交通进行管理, 表达指示、 警告、 禁 [ 1] 令及指路的内容, 以组织交通运行, 保障安全 。 由于道路标线经过一段时间使用后 , 会被磨损、 污 染、 剥落等, 需要定期养护, 而目前道路标线养护 数据采集主要由人工现场目测或手工测量采集, 劳动强度大, 效率低 , 且数据的准确度易受人为因 素的影响。为改变这种现状, 可设计出基于机器 视觉的道路标线养护信息自动采集系统[ 2] , 并采 用图像处理技术自动检测道路标线破损 , 其中进 行道路标线图像正确分割是最为关键的一步, 笔 者对此进行了研究。
1
基于全局阈值法分割道路标线图 像
图像分割方法主要有 : 阈值分割方法、 基于边
限阈值, 使按照这个阈值划分目标和背景所产生 的错误分割率为最小。其算法如下 : 1) 设计算图像中的最大和最小灰度值 Z l 和 Z k , 令初始阈值为 : T = ( Z 1 + ZK ) / 2 2) 据阈值 T 将图像分割成目标和背景两部 分, 求出两部分的平均灰度值 Z o 和 Z B ;
P( g ) =
i= 1
P i p ( g/ i) 。
( 5)
式中 : p ( g/ i) =
( g- ∀ i) 1 ex p 2 2 i 2∃ i
58
交通与计算机
2008 年第 6 期
第 26 卷
总 145 期
图2
小部分污染的道路标线ห้องสมุดไป่ตู้像及对应的灰度直方图、 二值化结果
图 3 背景 存在阴影的道路标线图像及对应的灰度直方图、 二值 化结果
56
交通与计算机
2008 年第 6 期
第 26 卷
总 145 期
道路标线图像分割方法研究*
刘新宇
( 武汉理工大学 摘 要
吴
勇
李
龙
武汉 430063 )
水路公路交通安全控制与装备教育部工程研究中心
采用最佳阈值法、 最大类间 方差法、 最小误差法分别对多幅典型的破损道路标线 图像进行 分
割 , 通过分析对比确定用最小误差法 分割道路标线图像效 果较好。但 是采用 最小误 差法分 割道路 标 线存在无法正确分割出细节的缺陷 , 为改善图像的分割效果 , 进一步探讨并决定采用基于 最小误差 的 动态阈值法对道路标线图像进行分割。通过对比全局 阈值法和 动态阈 值法的 优缺点 , 并结 合两者 的 优点 , 提出了动态阈值结合全局阈值 的方法分割道路标线图像 , 取得较好的效果。 关键词 道路标线 ; 图像分割 ; 最小误差阈值法 ; 动态阈值法 文献 标志码 : A 中图分类号 : T P391
K 0
缘法、 基于区域法、 基于特征法 4 种。由于阈值分 割方法特别适合目标和背景对比较强的物体的分 割[ 3] , 而道路标线图像中的标线和背景对比较强, 因此本文只探讨阈值 分割方法分割 道路标线图 像。 1. 1 基于直方图法分割道路标线图像 直方图方法是指直接从原图像的灰度直方图
Z( i, j ) Zo =
Z( i, j ) < T