[发明专利]一种基于半机器学习的车道视频检测方法

说明书

技术领域

本发明涉及智能交通技术领域，尤其是一种车道视频检测方法。

背景技术

近年来，随着高清高速视觉传感器、高性能DSP和机器学习技术的快速发展，智能视频检测已经逐渐取代传统的线圈、红外、微波等检测手段，成为智能交通领域应用最为广泛的检测技术。

在智能交通领域，高清智能视频检测技术的主要优势在于1）视频检测器安装无破坏性，不破坏路面，不关闭车道，不会影响正常的交通秩序。2）视频检测器可以获取更为丰富的交通信息，如在电子警察应用中，传统的线圈型电子警察只能单一检测闯红灯行为；而基于视频检测的电子警察除了正常捕获闯红灯行为之外，还可以对逆行、实线变道、闯禁行（禁左、禁右、禁掉头）等多种违章驾驶行为进行自动抓拍，同时具备卡口和流量监测功能，大大扩展了电子警察产品功能。

在各种智能交通视频检测应用中，道路的背景建模和车道检测是基础。通常对于车道分割的处理方法是采用人工画线，标定不同车道的所属区域。这种人工标定的方法虽然解决了车道分割，但却为工程应用带来很大的不便和额外工作量，特别是对在复杂的检测环境中，过多的人工标定甚至会影响到视频检测的准确性。

车道自动检测主要有三种主流的方法：

第一种方法是利用摄像头的标定技术,在已知摄像头参数的情况下,对路面进行估计，如申请号为200510110653的中国发明专利，公开了一种车辆位置估计方法，结合摄像机参数计算车道的宽度和曲率，以及车辆距离车道中心的距离和车辆中心线与车道中心线的夹角来实现。

第二种方法是使用车辆的轨迹进行自动的车道分割,对车辆的轨迹进行分析不能对较为复杂的车道进行分割。如申请号为201210077839的中国发明专利，公开了一种基于跟踪的车辆违章掉头行为检测方法，从交通监控视频中提取的车辆及其运动信息与车道信息相互匹配。

第三种方法是利用车道的视觉特征,因为车道在视觉特性上是不同于自然物体的,其颜色和边缘都具有明显的特点，该方法在交通视频监控领域被普遍的应用。在利用车道的视觉特征方法中，由于缺少一种稳定的系统的方法，面对复杂的各种环境，很难单独取得很好的识别，所以往往结合一些模型和假设，利用道路的先验知识，结合图像特征估计出车道，常见的有道路图像消失点的数学模型、道路形状假设、路面特征假设等等。这些假设和模型，不仅限制了交通视频中对场景的适应性，也加大了操作的难度和实现的复杂度。

发明内容

为了克服已有车道自动检测技术的适用性较差、实时性较差、稳定性较差的不足，本发明提供了一种适用性良好、实时性较好、稳定性良好的基于半机器学习的车道视频检测方法。

本发明解决其技术问题所采用的技术方案是：

一种基于半机器学习的车道视频检测方法，所述检测方法包括以下步骤：

第一步，从视频中分析出路面背景图片，并动态更新；

第二步，针对路面图片特点采用中值滤波进行预处理；

第三步，采用边缘检测技术提取车道的边缘信息，并结合车道特点，剔除远景部分的干扰信息；

第四步，利用改进的Hough变换检测直线，对直线的多维数字特征进行约束，每次将图像空间中的点映射到参数空间后都会检查各个累加器的计数是否超过了累加阈值；

第五步，提取直线的多维特征向量聚类，利用直线的斜率、位置、长度，采用半机器学习的K-means算法实现聚类，具体过程如下：

1)对每条直线提取出斜率、位置、长度、延长线与边界的交点、原图颜色值、原图梯度空间值，作为每条直线的高维特征向量；

2)每个维度进行归一化；

3)对于不同路口车道线的数目不同，采用统计的方法，自适应的选择聚类的数目，再结合聚类结果分析比较，从而找到最优的聚类中心数量：