基于Beamlet和K-means聚类的车道线识别

LaneDetectionAlgorithmBasedonBeamletTransformationand<i>K</i>-meansClustering

作者：肖进胜(武汉大学电子信息学院;武汉大学 测绘遥感信息工程国家重点实验室)；程显(武汉大学电子信息学院)；李必军(武汉大学 测绘遥感信息工程国家重点实验室)；高威(武汉大学电子信息学院)；彭红(武汉大学电子信息学院)

Author：XiaoJinsheng(SchoolofElectronicInfo.,WuhanUniv.;StateKeyLab.ofInfo.Eng.inSurveyingMappingandRemoteSensing,WuhanUniv.)；ChengXian(SchoolofElectronicInfo.,WuhanUniv.)；LiBijun(StateKeyLab.ofInfo.Eng.inSurveyingMappingandRemoteSensing,WuhanUniv.)；GaoWei(SchoolofElectronicInfo.,WuhanUniv.)；PengHong(SchoolofElectronicInfo.,WuhanUniv.)

收稿日期：2014-09-29          年卷（期）页码：2015,47(4):98-103

期刊名称：工程科学与技术

Journal Name：Advanced Engineering Sciences

关键字：智能交通；车道线识别；Beamlet变换；<i>K</i>-means聚类;RANSAC拟合

Key words：intelligenttransportationsystem;lanedetection;BeamletTransformation;K-meansclustering；RANSACfitting

基金项目：国家自然科学基金资助项目(61471272；91120002)；国家留学基金资助项目（留金发［2013］3050）

中文摘要

为了解决视频车道线识别中抗噪性差和鲁棒性低的问题，提出一种基于新的特征提取和分类的快速车道线识别算法。算法首先对预处理后的灰度图像进行改进的Beamlet变换，然后对Beamlet的中点集合运用改进的K-means方法进行聚类分析,最后对每类的中点集合分别进行基于3阶贝塞尔曲线的RANSAC拟合后可以准确地提取出车道线。通过简化Beamlet词典与快速提取Beamlet基，加快了Beamlet变换的计算速度；通过寻找最佳投影线与多次迭代聚类中心来改进K-means聚类，解决了曲线车道线和车道线数目的聚类问题。实验证明，对于结构化或非结构化的道路环境，提出的算法都具有很好的可靠性、实时性和鲁棒性。

英文摘要

【关闭】