[发明专利]一种基于半机器学习的车道视频检测方法

摘要

一种基于半机器学习的车道视频检测方法，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；第六步，利用聚类中心的直线作为边界，划分出最终的车道。本发明适用性良好、实时性较好、稳定性良好。

主权项

一种基于半机器学习的车道视频检测方法，其特征在于：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：5.1)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；5.2)每个维度进行归一化；5.3)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： arg min n Σ p = 1 n | | V p - C n | | 2 其中，n为聚类的中心数量，Vp为每个直线的特征向量，Cn为对应中心的特征向量；5.4)采用半机器学习的K‑means聚类算法，在聚类过程中，利用大量样本数据来分析样本空间中样本数据分布情况，不断修改聚类中心并交换聚类中心周围某些未标记的样本数据的标记，使得当前中心在所有训练数据上最大化间隔，从而能够获得一个通过数据相对稀疏的区域，又尽可能正确划分所有标记的样本数据的聚类中心；第六步，利用聚类中心的直线作为边界，划分出最终的车道。