一种基于视频图像的道路消失点检测方法
【专利摘要】一种基于视频图像的道路消失点检测方法，涉及一种道路消失点的检测方法，属于道路检测领域。本发明解决了现有的检测方法错误率较高，传统的投票算法比较复杂，大部分的时间是消耗在投票算法上的，以及利用Gabor小波的多尺度和多方向特性进行纹理特征提取时存在计算量较大的问题。本发明的技术要点为：输入一帧图像数据，将其转换为灰度图像并进行快速傅里叶变换；基于Gabor滤波器的纹理响应幅度的计算；计算图像纹理主方向；计算粒子的票数；调整粒子分布范围；建立消失点动态和观测模型；粒子滤波及消失点输出。本发明可应用于智能行走机器人或无人驾驶汽车自主导航等计算机视觉系统中。
【专利说明】一种基于视频图像的道路消失点检测方法 【技术领域】
[〇〇〇1] 本发明涉及一种道路消失点检测方法，尤其涉及一种基于视频图像的道路消失点 检测方法，属于道路检测领域。 【背景技术】
[0002] 道路可以分为结构化道路和非结构化道路，结构化道路具有较为清晰的道路标线 及轮廓边缘，道路颜色与周围环境有较大的差别。相比较而言，非结构化道路往往没有铺设 水泥或浙青，缺乏明显的道路标识线及边界，同时道路颜色往往与周围背景没有明显的差 另IJ，如泥泞道路、雪地或荒漠等，使得非结构道路的可靠检测成为一个难点，近年来，国内外 研究者们提出了多种消失点检测算法，然而，受到周围环境如建筑物，树木及电线杆等强边 缘的干扰，导致投票累加空间可能存在多个局部峰值，而仅凭全局最大值定论消失点位置 极易导致检测错误，因此传统的检测方法错误率较高，同时利用Gabor小波的多尺度和多 方向特性进行纹理特征提取时，存在计算量较大等问题，因此，有必要提出一种更为有效的 道路消失点检测方法。
【发明内容】
[0003] 本发明的目的是提出一种基于视频图像的道路消失点检测方法，以解决针对现有 的检测方法错误率较高，传统的投票算法比较复杂，大部分的时间是消耗在投票算法上的， 以及利用Gabor小波的多尺度和多方向特性进行纹理特征提取时存在计算量较大的问题。
[0004] 本发明为解决上述技术问题所采用的技术方案是：
[0005] 本发明所述的一种基于视频图像的道路消失点检测方法，是按照以下步骤实 现的：步骤一、输入一帧图像数据I(x，y)，将其转换为灰度图像并进行快速傅里叶变换 F {I (X，y) }，其中X和y分别为图像像素的X轴和Y轴坐标；
[0006] 步骤二、基于Gabor滤波器的纹理响应幅度的计算；
[0007] 步骤三、计算图像纹理主方向，具体过程为：
[0008] 步骤三一、对纹理响应幅度
【权利要求】
1. 一种基于视频图像的道路消失点检测方法，所述方法包括以下步骤： 步骤一、输入一帧图像数据I(x，y)，将其转换为灰度图像并进行快速傅里叶变换 F {I (X，y) }，其中X和y分别为图像像素的X轴和Y轴坐标； 步骤二、基于Gabor滤波器的纹理响应幅度的计算； 步骤三、计算图像纹理主方向，具体过程为： 步骤三一、对纹理响应幅度
进行降序排列，得到E1、E2、E 3、E4，对应的Gab0r滤波器 角度分别为Φρ Φ2、Φ3和Φ4 ;其中所用的Gabor滤波器尺度为s、方向为Φ? ; 步骤三二、定义每个像素 p(x，y)的自信度：conf(p) = (EfE^/Ei，若自信度conf(p) 大于预先定义的常数S。且最大纹理响应幅度E1大于阈值δ _，则按照以下公式求取像素 的纹理主方向
(a) 若 t = 135° 且 Φ2 = 0°，
(4) (b) 其它情况，
(5)
(6) 公式（4)和公式（5)中的Vx(p)和\(?)表示纹理响应幅度在图像X轴和Y轴上的投 影； 步骤四、计算粒子的票数； 步骤五、调整粒子分布范围； 步骤六、建立消失点动态和观测模型； 步骤七、粒子滤波及消失点输出，具体过程为： 步骤七一、在初始帧，粒子1?1} i = ,..N均匀分布于整个图像中，然后通过步骤4的投票 算法获取参考位置其中1表示粒子的索引； 步骤七二、状态转移：根据（15)式和先验分布p(xk)建立样本集{XkWhy.j; 步骤七三、样本的权值计算：根据以下公式计算样本{X(1)k} i = i... N的权值
(17) 并归一化
步骤七四、重采样：根据样本的权
，从样本集中重新抽取N个样本
，此过程也称为粒子滤波； 步骤七五、令k = k+1，返回步骤七二； 步骤八、输入下一帧图像，重复步骤一至步骤七。
2. 根据权利要求1所述的一种基于视频图像的道路消失点检测方法，其特征在于步骤 二所述的计算过程如下： 步骤二一、构建0°、45°、90°、135°四个方向的Gabor滤波器矩形模板，对矩形模板 进行快速离散傅里叶变换，得到
，尺度为s、方向为的Gabor滤波器时域 形式如下：
(1) 其 中，a = xcos Φ j+ysin Φ b = -xsin Φ j+ycos Φ j, ω = 2π/λ, Φ? = ,45°，90° ,135° ]，常数c和空域频率λ的大小与图像的尺寸有关； 步骤二二、图像四个方向的纹理信息通过公式（2)得到
(2) 步骤二三、利用实部（Re)和虚部（Im)计算纹理的响应幅度
(3)。
3. 根据权利要求2所述的一种基于视频图像的道路消失点检测方法，其特征在于步骤 四所述的计算粒子的票数过程为： 步骤四一、计算像素 P (X，y)和粒子v (i，j)之间的欧几里德距离d并进行归一化，在此 基础上，构建距离函数
过程如下：
(7)
(8)
(9)
(1〇)
(11) 公式（7)中的（i，j)为粒子v(i，j)的X轴和Y轴坐标；公式⑶中的L(p)为中间变 量，w为图像Y轴方向的像素数，γ为投票像素 p和粒子v(i，j)的连线矢量
与Y轴正方 向的夹角；位于公式（9)中的D(p)为投票像素 p(x，y)沿连线矢量
方向到图像边缘的距 离；公式（10)中的
为归一化后的欧几里德距离；公式（11)中的σ为通过实验预先 设定的常数； 步骤四二、将所有粒子的累加空间初始化为〇,当获得像素的纹理主方向后，若像素 P(x，y)的连线矢量
和像素 P(x，y)的纹理主方向
所形成的夹角α小于阈值δ α， 则像素 P(x，y)对位于其上部的粒子进行投票，票数V〇tes(i，j)为_^和
的乘积， 乘以sin(a)的原因是道路消失点主要是在车辆的前方，最后票数最多的像素所对应的坐 标即为zk，具体算法如下所示：
(12)。
4. 根据权利要求3所述的一种基于视频图像的道路消失点检测方法，其特征在于步骤 五所述的调整粒子分布范围过程为： 步骤五一、计算步骤4得到的原始消失点的峰度：
(13) 其中s 为k-Ι时刻系统噪声的方差，其值通过公式（14)确定；X指粒子集&(1)山 中的某一个粒子，g(x)为粒子v(i，j)的票数，
为N 个粒子票数的平均值，粒子的个数N为常数，对于票数完全相同的两组样本，粒子的分布范 围越宽，KL(g/q)值越小，反之则亦然； 步骤五二、根据峰度值和m帧图像位移的平均值调整系统噪声和测量噪声的方差：
(14) 其中ap a2, t^，δ。，δ _，δ _为常数，Ι2Χι为单位阵，η为图像
值小于阈值Λ Κ? 的连续帧数，
为m帧图像消失点位移的平均值。
5. 根据权利要求4所述的一种基于视频图像的道路消失点检测方法，其特征在于步骤 六所述的建立消失点动态和观测模型过程为： 步骤六一、消失点的一阶马尔科夫模型为： Xk - Xk-1 + Qk-1 (15) 其中，xk= [x，y]TSk时刻消失点的坐标，dH为系统噪声，且假设满足正太分布 _，U ; 步骤六二、消失点的位置观测方程为： 其中rH为测量系统的噪声，同样假设Γη满足Ν(0, δ 分布。 (16)
6. 根据权利要求5所述的一种基于视频图像的道路消失点检测方法，其特征在于步骤 七四所述的重采样的具体过程为： 步骤七四一、计算样本集的累加权值
其中ck(tl) = 0,1表示累加操 作的次数，且对所有的1满足
； 步骤七四二、产生[0, 1]上均匀分布的随机数u ; 步骤七四三、在样本集IxkWhq.j*搜索使ck(1)彡u的最小1，并令
其中，
表示重新抽取后的第1个样本，xk(1)为样本集IxkMhq.j中第1个样本； 步骤七四四、最后得k时刻的消失点估计：
(18) 将N个粒子的均值而非票数最多的粒子所对应的位置作为消失点的输出。
7. 根据权利要求6所述的一种基于视频图像的道路消失点检测方法，其特征在于步骤 一中在将输入图像数据I (X，y)转换为灰度图像并进行快速傅里叶变换F {I (X，y)}之前，用 高斯金字塔向下对输入视频图像序列进行采样，其中X和y分别为图像像素的X轴和Y轴 的坐标。
8. 根据权利要求7所述的一种基于视频图像的道路消失点检测方法，其特征在于步 骤四进一步包括去除k-Ι时刻步骤七重采样算法所产出的重复粒子，具体为：首先将样本
值向下取整，然后从取整后的样本中查找所有取值完全相同的两个或多个样本， 并将重复的样本去除，最后得到的样本完全互不相同。
9. 根据权利要求8所述的一种基于视频图像的道路消失点检测方法，其特征在于步骤 二一中对于分辨率为61X81的图像，c和λ分别取π/2和
【文档编号】G06T7/00GK104050681SQ201410317354
【公开日】2014年9月17日 申请日期:2014年7月4日 优先权日:2014年7月4日
【发明者】王进祥, 石金进, 高坤, 杜奥博, 付方发, 王永生, 陈少娜 申请人:哈尔滨工业大学