[发明专利]一种基于局部线段模式特征的车道线检测方法

权利要求书

1.一种基于局部线段模式特征的车道线检测方法，其特征在于，包括以下步骤：

S1、建立图像库；

S2、利用车道线检测算法计算图像库的LLP纹理特征向量；所述步骤S2具体为：

S21、利用该车道线检测算法计算区域道路数据库的图像中所有像素点的LLP特征值；所述步骤S21具体为：

S211、选取阈值：选取LLP中两条线段的交点为中心，并以此中心灰度值为阈值；

S212、标定采样点：两条线段上以及一个圆形领域上各自的8个采样点的灰度值与阈值相比较，若采样点灰度值大于中心灰度值，则该采样点的位置被标记为1，否则为0，从而产生8位二进制数；

S213、二进制编码：利用等价模式，将生8位二进制数划分为59个二进制值，并按照从小到大的顺序分别编码为0-58，得到LLP中两条线段交点的LLP特征值；

S214、依次遍历区域道路数据库中所有图像样本的像素点，得到区域道路数据库的图像样本的LLP特征值；

S22、对区域道路数据库中的所有图像样本进行细化分割成若干个样本块；

S23、对样本块进行类别频率统计得到LLP特征直方图；

S24、对LLP直方图进行归一化处理；

S25、将经归一化处理后的所有样本块的LLP特征直方图连接成特征向量，建立LLP纹理特征向量；

S3、根据LLP纹理特征向量，对神经网络进行迭代优化。

2.如权利要求1所述的一种基于局部线段模式特征的车道线检测方法，其特征在于，所述车道线检测算法具体为：

其中，(x_c,y_c)表示中心像素，i_c表示中心点灰度值，i_p表示采样点灰度值，s(x)为符号函数。

3.如权利要求1所述的一种基于局部线段模式特征的车道线检测方法，其特征在于，所述步骤S1具体为：

S11、采集图像；

S12、对图像进行灰度转换；

S13、将灰度转换后的图像划分为原始道路图像库和测试道路图像库；

S14、对原始道路图像库中的图像进行切割标记后生成区域道路数据库。

4.如权利要求3所述的一种基于局部线段模式特征的车道线检测方法，其特征在于，所述步骤S14具体为：

S141、图像切割：逐次对原始道路图像库中的每张图像切取样本；

S142、对样本进行标定：含车道线的样本标记为正样本，否则均标记为负样本；

S143、图像分类：将正样本和负样本导出生成区域道路数据库。

5.如权利要求4所述的一种基于局部线段模式特征的车道线检测方法，其特征在于，在步骤S141中，逐次对原始道路图像库的每张图像中均割取至少一个m*m矩形区域小块作为样本。

6.如权利要求1所述的一种基于局部线段模式特征的车道线检测方法，其特征在于，所述步骤S22具体为：对区域道路数据库中的所有图像样本进行金字塔C层分割，每张图像样本分割成1*1+2*2+3*3+…+g*g＝C块样本块。

7.如权利要求1所述的一种基于局部线段模式特征的车道线检测方法，其特征在于，所述步骤S23具体为：对样本块的像素点进行二进制处理并进行编码，统计样本块的各个像素点在0-58类中每一类出现的频率。

8.如权利要求4所述的一种基于局部线段模式特征的车道线检测方法，其特征在于，所述步骤S3具体为：

S31、建立样本：在区域道路数据库所有正负样本中，随机选取已经提取LLP纹理特征向量后的Mx个正样本，Mx个负样本作为神经网络的训练样本，剩下的My个正样本和My个负样本作为训练完成后的测试样本；

S32、建立样本矩阵：从神经网络的训练样本中随机选取正样本和负样本一正一负组成样本矩阵；

S33、建立神经网络模型；

S34、优化神经网络模型：将样本矩阵放入到神经网络模型中，调整神经网络模型各个参数，得到最高精度，保存该最高精度下训练完成后的神经网络权值模型，得到经优化后最佳的神经网络算法；

S35、测试神经网络模型：将图像库中的初始图像带入到经优化后最佳的神经网络算法中进行测试，得到最终的神经网络模型。