本發(fā)明涉及一種可行道路的檢測方法，特別是涉及一種適用于道路交通檢測中，可行道路的檢測方法。

背景技術(shù)：

近幾年來，隨著車輛擁有量的增加和道路交通狀況的日益復(fù)雜，交通安全問題越來越受到國家與人民的重視，由此激發(fā)的智能無人駕駛、無人機、智能移動機器人等領(lǐng)域的技術(shù)研究愈演愈熱，而在這些技術(shù)研究中道路檢測技術(shù)是關(guān)鍵點之一。道路檢測技術(shù)對各種道路場景進行感知和理解，將檢測結(jié)果輸出給導(dǎo)航系統(tǒng)或路徑規(guī)劃系統(tǒng)，以便指導(dǎo)移動設(shè)備下一步應(yīng)該采取何種動作。因此，道路檢測結(jié)果的好壞將直接影響移動設(shè)備自主導(dǎo)航的準(zhǔn)確性。

目前對于道路檢測技術(shù)的研究主要有道路線檢測和道路區(qū)域檢測，道路線檢測一般應(yīng)用于公路場景下的輔助駕駛系統(tǒng)中，主要是檢測公路上白色或黃色的道路標(biāo)示線，針對性比較強，不能廣泛應(yīng)用；道路區(qū)域檢測應(yīng)用范圍廣，其技術(shù)主要分為兩大類：基于道路模型的匹配法和基于道路特征的特征法。匹配法根據(jù)道路的先驗知識建立道路模型，利用模型參數(shù)進行道路匹配，該方法可以有效克服路面污染、陰影和光照不均勻等環(huán)境因素，但當(dāng)?shù)缆凡环项A(yù)先假設(shè)時，模型就會失效。特征法主要是利用道路與非道路區(qū)域在圖像特征上的差異進行道路檢測，這些特征包括形狀、灰度、紋理和對比度等，比較好的方法有基于超像素分割的道路檢測，但該方法計算量比較大，在一些嵌入式平臺上很難達(dá)到實時檢測的要求。

技術(shù)實現(xiàn)要素：

本發(fā)明要解決的技術(shù)問題是提供一種基于圖像特征的，可行道路的檢測方法，該方法不基于任何預(yù)先假設(shè)，適用性強，運算量低，能夠滿足實時處理的要求，同時還能精確地檢測出可行道路區(qū)域。

本發(fā)明采用的技術(shù)方案如下：一種可行道路的檢測方法，具體方法為：包括訓(xùn)練階段和測試階段；測試階段先對整幅圖像提取顏色、梯度、方向和邊緣等特征信息，然后通過分類器初步進行可行道路檢測；利用初步的道路檢測結(jié)果，建立道路區(qū)域和非道路區(qū)域的二維顏色直方圖，計算各像素點的道路概率，然后利用道路概率更新可行道路的檢測結(jié)果。該方法不基于任何預(yù)先假設(shè)，所以可以適應(yīng)各種場景。此外該方法沒有利用圖像分割方法，大大減少了計算量，滿足了實時處理的要求，同時還能夠精確地檢測出可行道路區(qū)域。

所述方法還包括：在測試階段，最后通過檢測障礙物，再次對道路區(qū)域和非道路區(qū)域進行更新，生成精確的可行道路檢測結(jié)果。

具體方法步驟為：

訓(xùn)練階段：

S11、建立訓(xùn)練樣本庫：收集大量包含道路的圖片，分為訓(xùn)練圖片集和測試圖片集，并將每一張圖片中的道路進行標(biāo)注；

S12、建立訓(xùn)練分類器：給定一張包含道路的圖片圖像，利用標(biāo)注信息，從給定的圖像中截取多個包含道路的圖片放入正樣本庫，并截取多個包含非道路的圖片放入負(fù)樣本庫，從而建立完成正負(fù)樣本庫；

S13、讀取正負(fù)樣本庫中的每一幅圖像，通過RGB顏色通道計算出YUV通道信息，然后對Y通道計算梯度幅值GM、梯度方向GO和邊緣E；對于Y通道生成Y特征，然后對于U通道、V通道、梯度幅值GM和邊緣E，同樣進行Y通道的操作，生成與Y特征同樣維度的U特征、V特征、GM特征和E特征；對于梯度方向GO，生成6個與Y特征同樣維度的GO特征；利用以上生成的同樣維度的Y特征、U特征、V特征、GM特征、E特征和GO特征訓(xùn)練能夠檢測圖片中的可行道路區(qū)域的Adaboost或SVM分類器；

測試階段：

S21、利用訓(xùn)練好的分類器初步檢測可行道路，具體方法為：將輸入圖像分割為一定像素小塊，各小塊之間沒有重疊區(qū)域；對每一個小塊提取S13中所述的同樣維度的Y特征、U特征、V特征、GM特征、E特征和GO特征，并將特征輸入到訓(xùn)練好的Adaboost或SVM分類器中，判斷該小塊是否屬于道路區(qū)域；

S22、利用二維顏色直方圖更新檢測結(jié)果，具體方法為：對S21中檢測到的道路區(qū)域和非道路區(qū)域分布計算Y和U的二維直方圖，再計算出每一對Y和U屬于道路的概率，利用此概率重新判斷圖像的每一個像素點是否屬于道路區(qū)域。

所述方法步驟還包括：S22、檢測障礙物的同時再次更新檢測結(jié)果，具體方法為：在二維顏色直方圖更新檢測結(jié)果的基礎(chǔ)上，對每一個非道路區(qū)域像素點，計算其在上下左右四個方向上與道路區(qū)域像素點的距離，如果四個距離存在且都小于設(shè)定閾值T，則認(rèn)為該非道路區(qū)域像素點為道路像素點，否則認(rèn)為該非道路區(qū)域像素點為障礙物像素點。通過此種方式，檢測障礙物的同時又進一步更新了可行道路區(qū)域的檢測結(jié)果，使結(jié)果更精確。

所述S22還包括：在二維顏色直方圖更新檢測結(jié)果的基礎(chǔ)上，對每一個道路區(qū)域像素點，計算其在上下左右四個方向上與非道路區(qū)域像素點的距離，如果四個距離存在且都小于設(shè)定閾值T，則認(rèn)為該道路區(qū)域像素點為非道路像素點，否則認(rèn)為該道路區(qū)域像素點為障礙物像素點。通過此種方式，檢測障礙物的同時又進一步更新了可行道路區(qū)域的檢測結(jié)果，使結(jié)果更精確。

所述S11中，對每一張圖片中的道路進行標(biāo)注時，沿可行道路區(qū)域的邊界進行標(biāo)注。

所述S11中，對訓(xùn)練圖片集和測試圖片集進行分類時，隨機選取一半的樣本作為訓(xùn)練圖片集，剩余的作為測試圖片集。

所述S13中，Y特征、U特征、V特征、GM特征、E特征和GO特征均為64維的特征。

在訓(xùn)練階段，還包括S14、使用測試數(shù)據(jù)對分類器進行測試，將測試樣本中分錯的樣本選出來，加入到測試樣本中，重新訓(xùn)練分類器，以此提高準(zhǔn)確度。

與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：不基于任何預(yù)先假設(shè)，適用性強，能夠適合各種場景；沒有利用圖像分割方法，大大減少了計算量，能夠滿足實時處理的要求，同時還能精確地檢測出可行道路區(qū)域。

附圖說明

圖1為本發(fā)明其中一實施例的原理示意圖。

具體實施方式

為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點更加清楚明白，以下結(jié)合附圖及實施例，對本發(fā)明進行進一步詳細(xì)說明。應(yīng)當(dāng)理解，此處所描述的具體實施例僅用以解釋本發(fā)明，并不用于限定本發(fā)明。

本說明書(包括摘要和附圖)中公開的任一特征，除非特別敘述，均可被其他等效或者具有類似目的的替代特征加以替換。即，除非特別敘述，每個特征只是一系列等效或類似特征中的一個例子而已。

具體實施例1

一種可行道路的檢測方法，具體方法為：包括訓(xùn)練階段和測試階段；測試階段先對整幅圖像提取顏色、梯度、方向和邊緣等特征信息，然后通過分類器初步進行可行道路檢測；利用初步的道路檢測結(jié)果，建立道路區(qū)域和非道路區(qū)域的二維顏色直方圖，計算各像素點的道路概率，然后利用道路概率更新可行道路的檢測結(jié)果。該方法不基于任何預(yù)先假設(shè)，所以可以適應(yīng)各種場景。此外該方法沒有利用圖像分割方法，大大減少了計算量，滿足了實時處理的要求，同時還能夠精確地檢測出可行道路區(qū)域。

具體實施例2

在具體實施1的基礎(chǔ)上，所述方法還包括：在測試階段，最后通過檢測障礙物，再次對道路區(qū)域和非道路區(qū)域進行更新，生成精確的可行道路檢測結(jié)果。

具體實施例3

如圖1所示，在具體實施例1或2的基礎(chǔ)上，具體方法步驟為：

訓(xùn)練階段：

S11、建立訓(xùn)練樣本庫：收集大量包含道路的圖片，分為訓(xùn)練圖片集和測試圖片集，并將每一張圖片中的道路進行標(biāo)注；在本具體實施例中，將圖片中的道路標(biāo)注GroundTruth；

S12、建立訓(xùn)練分類器：給定一張包含道路的圖片圖像，利用標(biāo)注信息，從給定的圖像中截取多個包含道路的圖片放入正樣本庫，并截取多個包含非道路的圖片放入負(fù)樣本庫，從而建立完成正負(fù)樣本庫；在本具體實施例中，從給定的圖像中截取的圖片為128×128的方形圖片，并進行均勻分割；

S13、讀取正負(fù)樣本庫中的每一幅圖像，通過RGB顏色通道計算出YUV通道信息，然后對Y通道計算梯度幅值GM、梯度方向GO和邊緣E；對于Y通道生成Y特征，然后對于U通道、V通道、梯度幅值GM和邊緣E，同樣進行Y通道的操作，生成與Y特征同樣維度的U特征、V特征、GM特征和E特征；對于梯度方向GO，生成6個與Y特征同樣維度的GO特征；利用以上生成的同樣維度的Y特征、U特征、V特征、GM特征、E特征和GO特征訓(xùn)練能夠檢測圖片中的可行道路區(qū)域的Adaboost或SVM分類器；在本具體實施例中，將讀取的每一幅圖片降采樣到32×32；對于Y通道圖像，求取4x4塊里面所有元素的和作為一維特征：

其中Y_ij為Y通道圖像里第i個4×4塊里面的第j個像素點，f_Yi為第i維特征，其中i＝1,2,…,64；j＝1,2,…,16；這樣Y通道圖像可以生成64維Y特征：

F_Y＝[f_Y1,f_Y2,…,f_Y64,] (2)

對于U通道、V通道、梯度幅值GM和邊緣E，同樣進行Y通道的操作，同樣生成特征維度均為64維的U特征、V特征、GM特征和E特征；對于梯度方向GO，在4×4塊里面統(tǒng)計6個方向的幅值累加信息作為每個方向的一維特征，比如計算其在θ_k方向上的一維特征：

其中θ_k為量化的梯度方向，k＝1,2,…,6。GM_ij和GO_ij分別代表GM和GO圖像里面第i個4×4塊里面的第j個像素點對應(yīng)的值，i＝1,2,…,64；j＝1,2,…,16。

這樣在θ_k方向上就可以生成64維的特征：

這樣梯度方向就可以生成6個64維的GO特征：

F_GO＝[F_θ1,F_θ2,F_θ3,F_θ4,F_θ5,F_θ6] (5)

將以上特征串起來，最終一幅圖像可取出704維特征：

F＝[F_y,F_U,F_V,F_GM,F_E,F_GO] (6)

利用從正負(fù)樣本庫中提取的特征訓(xùn)練Adaboost或SVM分類器，該分類器可以粗略檢測圖片中的可行道路區(qū)域；

測試階段：

S21、利用訓(xùn)練好的分類器初步檢測可行道路，具體方法為：將輸入圖像分割為一定像素小塊，各小塊之間沒有重疊區(qū)域；對每一個小塊提取S13中所述的同樣維度的Y特征、U特征、V特征、GM特征、E特征和GO特征，并將特征輸入到訓(xùn)練好的Adaboost或SVM分類器中，判斷該小塊是否屬于道路區(qū)域；在本具體實施例中，將輸入圖像均勻分割成32×32的小塊，各小塊之間沒有重疊區(qū)域，多余的像素不做處理。對每一個32×32的小塊提取訓(xùn)練階段所述的704維特征，并將特征輸入到訓(xùn)練好的Adaboost或SVM分類器中，判斷該小塊是否屬于道路區(qū)域，這樣可以粗略地檢測出圖像中的可行道路區(qū)域；

S22、利用二維顏色直方圖更新檢測結(jié)果，具體方法為：對S21中檢測到的道路區(qū)域和非道路區(qū)域分布計算Y和U的二維直方圖

p(Y,U)＝n_Y,U/N (7)

其中n_Y，U代表道路區(qū)域或非道路區(qū)域中像素點值為(Y，U)的個數(shù)，N代表道路區(qū)域或非道路區(qū)域中像素點的總數(shù)。其中Y＝0,1,…,255；U＝0,1,…,255。再計算出每一對Y和U屬于道路的概率

其中p_r(Y,U)代表道路區(qū)域中一對Y和U出現(xiàn)的概率，p_u(Y,U)代表非道路區(qū)域中一對Y和U出現(xiàn)的概率。

利用此概率(P_road(Y,U))重新判斷圖像的每一個像素點是否屬于道路區(qū)域，當(dāng)該像素點對應(yīng)的概率大于0.5，則認(rèn)為是道路像素點，否則為非道路像素點。這樣就能夠得到更加精準(zhǔn)的可行道路區(qū)域。

在本具體實施例中，根據(jù)圖片的GroundTruth標(biāo)注信息，計算各個方塊內(nèi)包含道路區(qū)域的百分比。若該比例高于80％則認(rèn)為該方塊屬于道路塊，裁剪出來放入正樣本庫；若該比例低于10％則認(rèn)為該方塊屬于非道路塊，裁剪出來放入負(fù)樣本庫。

具體實施例4

如圖1所示，在具體實施例3的基礎(chǔ)上，所述方法步驟還包括：S23、檢測障礙物的同時再次更新檢測結(jié)果，具體方法為：在二維顏色直方圖更新檢測結(jié)果的基礎(chǔ)上，對每一個非道路區(qū)域像素點，計算其在上下左右四個方向上與道路區(qū)域像素點的距離，如果四個距離存在且都小于設(shè)定閾值T，則認(rèn)為該非道路區(qū)域像素點為道路像素點，否則認(rèn)為該非道路區(qū)域像素點為障礙物像素點。通過此種方式，檢測障礙物的同時又進一步更新了可行道路區(qū)域的檢測結(jié)果，使結(jié)果更精確。

具體實施例5

在具體實施例4的基礎(chǔ)上，所述S23還包括：在二維顏色直方圖更新檢測結(jié)果的基礎(chǔ)上，對每一個道路區(qū)域像素點，計算其在上下左右四個方向上與非道路區(qū)域像素點的距離，如果四個距離存在且都小于設(shè)定閾值T，則認(rèn)為該道路區(qū)域像素點為非道路像素點，否則認(rèn)為該道路區(qū)域像素點為障礙物像素點。通過此種方式，檢測障礙物的同時又進一步更新了可行道路區(qū)域的檢測結(jié)果，使結(jié)果更精確。

具體實施例6

在具體實施例3到5之一的基礎(chǔ)上，所述S11中，對每一張圖片中的道路進行標(biāo)注時，沿可行道路區(qū)域的邊界進行標(biāo)注。

具體實施例7

在具體實施例3到6之一的基礎(chǔ)上，所述S11中，對訓(xùn)練圖片集和測試圖片集進行分類時，隨機選取一半的樣本作為訓(xùn)練圖片集，剩余的作為測試圖片集。

具體實施例8

在具體實施例1到7之一的基礎(chǔ)上，在訓(xùn)練階段，還包括S14、使用測試數(shù)據(jù)對分類器進行測試，將測試樣本中分錯的樣本選出來，加入到測試樣本中，重新訓(xùn)練分類器，以此提高準(zhǔn)確度。