国产精品1024永久观看,大尺度欧美暖暖视频在线观看,亚洲宅男精品一区在线观看,欧美日韩一区二区三区视频,2021中文字幕在线观看

  • <option id="fbvk0"></option>
    1. <rt id="fbvk0"><tr id="fbvk0"></tr></rt>
      <center id="fbvk0"><optgroup id="fbvk0"></optgroup></center>
      <center id="fbvk0"></center>

      <li id="fbvk0"><abbr id="fbvk0"><dl id="fbvk0"></dl></abbr></li>

      一種可行道路的檢測方法與流程

      文檔序號:12272250閱讀:281來源:國知局

      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Yij為Y通道圖像里第i個4×4塊里面的第j個像素點,fYi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:

      FY=[fY1,fY2,…,fY64,] (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θk方向上的一維特征:

      其中θk為量化的梯度方向,k=1,2,…,6。GMij和GOij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θk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:

      FGO=[Fθ1,Fθ2,Fθ3,Fθ4,Fθ5,Fθ6] (5)

      將以上特征串起來,最終一幅圖像可取出704維特征:

      F=[Fy,FU,FV,FGM,FE,FGO] (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)=nY,U/N (7)

      其中nY,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pr(Y,U)代表道路區(qū)域中一對Y和U出現(xiàn)的概率,pu(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(Proad(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。

      當(dāng)前第1頁1 2 3 
      網(wǎng)友詢問留言 已有0條留言
      • 還沒有人留言評論。精彩留言會獲得點贊!
      1