[发明专利]一种基于K‑means聚类算法的车道线检测方法

摘要

本发明公开了一种基于K‑means聚类算法的车道线检测方法，包括以下步骤对原始图像进行处理并进行Hough直线检测；进行坐标系的转化；对集合X′进行K‑means聚类；计算车道线参数。发明在车道线识别的过程中，首先对原始图像进行Hough直线检测，之后对数据进行0‑1规格化处理，最后用K‑means聚类算法对车道线进行提取，能够在纯实车道线、纯虚车道线以及虚实混合车道线等多种情况下对车道线进行准确的提取。本发明采用K‑means聚类算法对车道线进行提取，可以很好地去除车道线宽度对检测结果的影响，使检测的结果更加稳定。

主权项

一种基于K‑means聚类算法的车道线检测方法，其特征在于：包括以下步骤：A、对原始图像进行处理并进行Hough直线检测A1、去除原始图像的高度方向上侧1/4和长度方向左右两侧各1/8，取剩下的图像作为感兴趣区域图像；A2、对感兴趣区域图像进行二值化处理，转换为灰度图并对灰度图进行中值滤波，用Canny算子进行物体轮廓提取；A3、对Canny边缘检测处理后的图像进行Hough直线检测，检测到的直线存放到集合X中，其中第i条直线由集合X里面的元素(xi1,yi1)和元素(xi2,yi2)确定，其中(xi1,yi1)、(xi2,yi2)分别表示第i条直线的起点坐标和终点坐标；B、进行坐标系的转化把Hough直线检测得到的直线从x‑y坐标系转换到k‑b坐标系，转换过程如下：ki=yi2-yi1xi2-xi1,bi=yi1-(yi2-yi1)×xi1xi2-xi1,i=1,2,...,n]]>其中，xi1和yi1分别表示第i条直线起点的横坐标和纵坐标；xi2和yi2分别表示第i条直线终点的横坐标和纵坐标；ki和bi分别表示第i条直线的斜率和截距，n为Hough直线检测得到的直线条数；通过上述公式把Hough直线变换检测到的任一直线用元素(ki,bi)来表示，Hough直线检测得到的所有直线用集合X′示；C、对集合X′进行K‑means聚类在k‑b坐标系下，左右两侧车道线之间有较大的差异性，而同一侧车道线内部有较大的相似性；用聚类的方法把Hough直线检测得到的直线分为两类{C1,C2}；具体的步骤如下：C1、对元素(ki,bi)进行0‑1规格化处理为防止量纲对聚类结果的影响，将元素(ki,bi)统一转换为0～1范围内，具体的步骤如下：k~i=ki-kminkmax-kmin,b~i=bi-bminbmax-bmin,i=1,2,...,n]]>其中，ki，bi分别表示第i条直线的斜率和截距；kmax和kmin别表示集合X′中所有直线的最大和最小斜率；bmax和bmin分别表示集合X′中所有直线的最大和最小截距；n为Hough直线检测得到的直线条数；和分表示第i条直线经过0‑1规格化处理的斜率和截距，经过0‑1规格化处理所有直线放到集合中，其中第i条直线用元素表示，且即C2、选取初始聚类中心随机选取集合的两个元素作为类{C1}和类{C2}的初始聚类中心μ1、μ2；C3、根据聚类中心对集合中的元素进行分类将元素按照最小距离原则分配到最邻近的类中去；元素与聚类中心之间距离用欧氏距离来刻画；d(X~i,μj)=Σk=12(X~ik-μjk)2,i=1,2,...,n;j=1,2]]>其中，表示元素与聚类中心μj之间的距离；表示元素的第k个属性；μjk表示聚类中心μj的第k个属性；n为Hough直线检测得到的直线条数；j为分类个数；当时，把归为{C1}，反之，把归为{C2}；C4、计算误差平方和准则函数E其中，表示第i条直线；μj为第j个聚类中心；n为Hough直线检测得到的直线条数；j为分类个数；C5、更新聚类中心把当前类里面元素的平均值作为新的聚类中心；新的聚类中心通过下式计算：其中，表示第i条直线；n为Hough直线检测得到的直线条数；j为分类个数；C6、重复步骤C3‑C5直到满足终止条件为止；每一次迭代都是朝着E下降的方向进行，当满足终止条件时算法终止；终止条件如下：|Eold‑Enew|≤Eval其中，Enew为当前准则函数值；Eold为上一次迭代的准则函数值；Eval为预先设定的准则函数阈值；C7、输出聚类结果；满足终止条件后，就把集合中的元素分为两大类{C1,C2}；D、计算车道线参数计算左右两侧车道线的斜率k和截距b，具体方法如下：其中，分表示第i条直线经过0‑1规格化处理的斜率和截距；j为分类个数；车载相机采集的左侧车道线的斜率为正值，右侧车道线的斜率为负值；根据这一规律，当k1≥0时，把k1和b1作为左侧车道线的斜率和截距，k2和b2作为右侧车道线的斜率和截距；反之，把k1和b1作为右侧车道线的斜率和截距，k2和b2作为左侧车道线的斜率和截距。