[發(fā)明專利]一種基于半機(jī)器學(xué)習(xí)的車道視頻檢測(cè)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201310186592.6
• 申請(qǐng)日: 2013-05-16
• 公開（公告）號(hào): CN103383733A
• 公開（公告）日: 2013-11-06
• 發(fā)明（設(shè)計(jì)）人: 吳偉;周煜遠(yuǎn);王輝;錢小鴻;吳越;胡健青
• 申請(qǐng)（專利權(quán)）人: 浙江智爾信息技術(shù)有限公司;銀江股份有限公司
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G08G1/01
• 代理公司: 杭州斯可睿專利事務(wù)所有限公司 33241
• 代理人: 王利強(qiáng)

1.一種基于半機(jī)器學(xué)習(xí)的車道視頻檢測(cè)方法，其特征在于：所述檢測(cè)方法包括以下步驟：

第一步，從視頻中分析出路面背景圖片，并動(dòng)態(tài)更新；

第二步，針對(duì)路面圖片特點(diǎn)采用中值濾波進(jìn)行預(yù)處理；

第三步，采用邊緣檢測(cè)技術(shù)提取車道的邊緣信息，并結(jié)合車道特點(diǎn)，剔除遠(yuǎn)景部分的干擾信息；

第四步，利用改進(jìn)的Hough變換檢測(cè)直線，對(duì)直線的多維數(shù)字特征進(jìn)行約束，每次將圖像空間中的點(diǎn)映射到參數(shù)空間后都會(huì)檢查各個(gè)累加器的計(jì)數(shù)是否超過了累加閾值；

第五步，提取直線的多維特征向量聚類，利用直線的斜率、位置、長(zhǎng)度，采用半機(jī)器學(xué)習(xí)的K-means算法實(shí)現(xiàn)聚類，具體過程如下：

5.1)對(duì)每條直線提取出斜率、位置、長(zhǎng)度、延長(zhǎng)線與邊界的交點(diǎn)、原圖顏色值、原圖梯度空間值，作為每條直線的高維特征向量；

5.2)每個(gè)維度進(jìn)行歸一化；

5.3)對(duì)于不同路口車道線的數(shù)目不同，采用統(tǒng)計(jì)的方法，自適應(yīng)的選擇聚類的數(shù)目，再結(jié)合聚類結(jié)果分析比較，從而找到最優(yōu)的聚類中心數(shù)量：

argminnΣp=1n||Vp-Cn||2]]>

其中，n為聚類的中心數(shù)量，V_p為每個(gè)直線的特征向量，C_n為對(duì)應(yīng)中心的特征向量；

5.4)采用半機(jī)器學(xué)習(xí)的K-means聚類算法，在聚類過程中，利用大量樣本數(shù)據(jù)來分析樣本空間中樣本數(shù)據(jù)分布情況，不斷修改聚類中心并交換聚類中心周圍某些未標(biāo)記的樣本數(shù)據(jù)的標(biāo)記，使得當(dāng)前中心在所有訓(xùn)練數(shù)據(jù)上最大化間隔，從而能夠獲得一個(gè)通過數(shù)據(jù)相對(duì)稀疏的區(qū)域，又盡可能正確劃分所有標(biāo)記的樣本數(shù)據(jù)的聚類中心；

第六步，利用聚類中心的直線作為邊界，劃分出最終的車道。

2.如權(quán)利要求1所述的基于半機(jī)器學(xué)習(xí)的車道視頻檢測(cè)方法，其特征在于：所述第三步中，對(duì)于強(qiáng)光照?qǐng)D像采用Canny算法進(jìn)行邊緣檢測(cè)；對(duì)于正常光照和弱光照?qǐng)D像，采用Sobel算法進(jìn)行邊緣檢測(cè)。

3.如權(quán)利要求1或2所述的基于半機(jī)器學(xué)習(xí)的車道視頻檢測(cè)方法，其特征在于：所述的多維數(shù)字特征包括直線的長(zhǎng)度和位置。

4.如權(quán)利要求1或2所述的基于半機(jī)器學(xué)習(xí)的車道視頻檢測(cè)方法，其特征在于：所述步驟5.2）中，在對(duì)直線高維特征量化歸一時(shí)，不同的特征賦予不同的權(quán)重，位置和斜率重要維度賦予較高的權(quán)重。