Hough變換與FCM演算法相結合檢測車道線

https://blog.csdn.net/u010712012/article/details/87477554
之前一小段時間分析的三大塊，車輛檢測，車道線檢測，車輛壓線判別。

主要分析了一下車道線檢測的優化問題，經過影像處理，canny邊緣檢測，Hough變換檢測出的圖如第二幅

因為車道是具有雙邊緣的，所以根據之前的車道線檢測演算法檢測出來的直線會有不止一條，如果能夠用一種演算法把多條直線能夠合併成一條車道線，能夠對後面的違章壓線變道判決減少很多干擾。

根據Hough變換的原理 https://blog.csdn.net/u010712012/article/details/86104053 ，原圖座標的直線在k，b空間就是點，把這些點反映到下面這個座標

可以看出，一條車道線的多條檢測出來的直線的斜率和截距差距一般不是很大，所以是否能夠把這些代表直線的點聚類為一點，那麼聚類結果的各點，就代表具體的那根車道線。

https://blog.csdn.net/u010712012/article/details/87952752
這篇文章描述了模糊C均值聚類演算法，這個聚類演算法通過計算隸屬度矩陣U和類別中心C，得到最終的聚類中心，從而可以在這個場景下使用。

只需要把我們想要最終聚類出的車道線的條數明確，確定迭代次數，就能得到結果。

但是這裡有一個明顯的問題就是，FCM演算法需要手動設定需要聚類出來的類數，假設一條道路有6條車道線，那麼K=6，不同的場景車道線數量不同。這讓人想到了無監督學習中的Kmeans演算法，他的缺點也是需要人工先確定K值，且該值和真實的資料分佈未必吻合，也易受到噪聲點的影響，容易陷入區域性最值，並不能有力地求到全域性最優。所以個人感覺只適合於道路清晰的高速公路上，一旦有多輛車在內做干擾，或者路面老舊導致車道線不清晰，FCM並不能算是一個非常魯棒的演算法。

但是不可否認的是，FCM聚類演算法使用的邊緣去重和結構化過濾方法還是很有借鑑意義，可以起到穩固車道線的作用，從而對後續的車輛壓線判別模型奠定了基礎。

而且我們得到的（k，b）座標軸，可以看出，在原影像座標中的斜率為正的直線，都集中在右下角的點，很密集。而斜率負的很大的直線則分散在左上角而且距離比較大，按照聚類（物以類聚）的思想，應該是離得越遠的點越沒可能是一類。

可以考慮把斜率的$k=tan\theta$，這裡的角度在斜率比較小的時候差距不大，但是有可能在斜率很大的時候，多條線之間的角度差距也不大

因為每條線的theta都有具體的值,每一條線的$\theta$相減，如果角度差距超過設定的一個閾值的話，就代表不是一類，如果角度小於一類的，就看成是一類。就要看怎麼和聚類的演算法進行融合了

然後思考一下能不能把k，b座標軸轉變成$\rho,\theta$極座標空間，然後看FCM聚類演算法是否能夠解決上述的角度截距的問題。

得到聚類結果的斜率和截距(這裡還是k,b)，可以根據兩點座標把各車道線繪製出來如下：

這裡繪圖車道線的結果是貫穿整個圖片的，最後融合起來。

這裡效果還行吧。。。

3.

4.

後面如果轉成極座標空間更佳，會換過來。