本發(fā)明涉及輪式機器人領域，具體涉及一種能夠自主導航輪式機器人移動車。
背景技術：
：在眾多的可用于機器人導航的信息中，視覺信息作為道路及外部環(huán)境的感知來源具有其他信息無法比擬的優(yōu)勢，而對道路進行檢測成為擺在其面前的第一大難題。技術實現(xiàn)要素：針對上述問題，本發(fā)明提供一種能夠自主導航輪式機器人移動車。本發(fā)明的目的采用以下技術方案來實現(xiàn)：一種能夠自主導航輪式機器人移動車，包括輪式機器人移動車和道路檢測裝置，其中輪式機器人移動車包括：車架和車輪，四個車輪呈矩形對稱布置在車架兩側，其特征是：四個車輪分別由四套電機減速機組驅動，前兩輪、后兩輪之間分別通過一梯形連桿機構相連。優(yōu)選地，四個車輪與電機減速機組之間通過電磁離合器相連。優(yōu)選地，所說的前輪和后輪各有一步進電機驅動的轉向機構。優(yōu)選地，所述道路檢測裝置包括依次連接的圖像采集模塊、彩色圖像預處理模塊和道路自適應檢測模塊；所述圖像采集模塊用于采集外界信息的彩色圖像；所述彩色圖像預處理模塊用于對彩色圖像進行投影預處理，預處理時采用HSV模型，彩色圖像的預處理結果根據亮度分量V的數值在色調分量H、飽和度分量S、亮度分量V三個分量之間選擇，當存在飽和度過低或者亮度過低或者過高時，圖像分割主要依靠亮度分量V的信息，其余情況下，采用色調分量H進行目標提取；所述道路自適應檢測模塊用于檢測、合并道路區(qū)域，并將剩余區(qū)域全部映射到非道路區(qū)域中；所述道路自適應檢測模塊包括：(1)直方圖閾值粗分割子模塊，用于對由彩色圖像預處理模塊預處理后的圖像進行粗分割，其對預處理后的圖像進行直方圖構造，并采用直方圖多閾值法、以波谷點的位置作為閾值對預處理后的圖像進行粗分割，采用如下算法對所述波谷點進行選擇：設Pi為灰度值為i的像素點在預處理后的圖像中出現(xiàn)的頻率，讓Pi與其相鄰的局部鄰域Pt作比較，Pt＝{Pi-n,...,Pi-1,Pi+1,...Pi+n}，參數n的取值范圍為[4,8]，表示Pt左右鄰域像頻范圍，Pt中最小頻率值為Ptmin，次最小頻率值為Ptmins，若則i是波谷點，若則i不是波谷點，定義谷點函數v(i)：v(i)=1,Pi≤Ptmin·Ptmins0,Pi>Ptmin·Ptmins]]>對選出的所有谷點v(i)＝1，增加距離約束條件和概率約束條件，若相鄰谷點i和j之間的距離表示為d＝|i-j|，概率差表示為g＝|Pi-Pj|，設定距離參數D來反映波谷點之間應保持的最小距離，且Dmin和Dmax分別為相鄰波谷點最小距離和最大距離，定義距離約束函數d(i)：d(i)=1,d≥D0,d<D]]>設定概率差參數G來反映波谷點間的閾值差,且Gmin和Gmax分別為相鄰波谷點間的最小概率差和最大概率差，定義概率差約束函數g(i)：g(i)=1,g≥G0,g<G]]>定義波谷點選擇函數為:x(i)＝v(i)×d(i)×g(i)式中，當x(i)＝1時，表示波谷點被選中；(5)道路識別子模塊：用于通過多神經網絡檢測的方式對經直方圖閾值粗分割子模塊分割后的區(qū)域進行識別，進而在多神經網絡中選擇合適的神經網絡對道路區(qū)域進行合并，并將剩余區(qū)域直接映射到非道路區(qū)域，所述多神經網絡包括N個神經網絡，N∈[3,5]，其中每個神經網絡的正負訓練樣本來自放置在不同區(qū)域的多個窗口，設所述多神經網絡表示為{W1(μ1,δ1),W2(μ2,δ2),...,WN(μN,δN)}，μ和δ分別表示對應于神經網絡的正訓練樣本和負訓練樣本，則定義網絡選取模型為：W＝{Wk(μk,δk),f(μk)＝1,f(δk)＝0,k∈[1,N]}其中，W為最終選取的合適網絡，Wk(μk,δk)表示合適的神經網絡，f(μk)表示神經網絡Wk(μk,δk)的正訓練樣本窗口檢測結果為1，f(δk)表示Wk(μk,δk)的負訓練樣本窗口檢測結果為0；(6)網絡訓練子模塊，用于在道路識別子模塊運作的同時使用合適網絡的訓練樣本窗口提取的特征對神經網絡進行訓練；(7)車輛引導線提取子模塊：用于提取車輛引導線，所述車輛引導線定義為道路區(qū)域和非道路區(qū)域的分界線。所述彩色圖像預處理模塊中，進行目標提取時基于HSV空間中顏色分量投影模型，投影公式為：V(x,y)=V(x,y)V(x,y)≥TV1orV(x,y)≤TV2orS(x,y)<TsH(x,y)×σ+ξ(otherwise)]]>式中，當不滿足時，將色調分量H投影到V平面；V(x,y)表示亮度分量V上對應的點，H(x,y)為色調分量H上對應的點，σ表示用于避免色調分量H和亮度分量V重合的拉伸因子，ξ是投影以后數值的分段，ξ＞σ，TS為設定的飽和度閾值，為設定的亮度閾值。優(yōu)選地，所述飽和度閾值和亮度閾值的取值分別為：其中，所述網絡訓練子模塊包括：(1)特征提取單元，其采用3個尺度和6個方向構成的18個小波濾波器進行Gabor小波變換，提取預處理后的圖像的紋理特征，同時采用10窗口提取預處理后的圖像的顏色特征，并量化為4級，以得到22維特征；(2)神經網絡構建單元，用于根據所述22維特征構建神經網絡，神經網絡包括輸入層、中間層和輸出層，輸入層設置22個神經元，輸出層設置1個神經元，輸出為1時表示道路區(qū)域，輸出為0時表示非道路區(qū)域；(3)網絡訓練單元，用于在車輛運動過程中每隔2s對神經網絡進行訓練。本發(fā)明的有益效果為：1、HSV空間把亮度分量單獨分離出來，為色彩的處理和識別提供了方便，另外HSV空間主要是以對顏色的主觀感受來描述顏色，所以比較符合人的視覺特征，建立HSV空間中顏色分量投影模型，把H分量投影到V平面，魯棒性較好，而且比較穩(wěn)定，能夠準確的表達目標固有的顏色特征，經過處理后的彩色圖像跟灰度圖像一樣，都是二維的，數據量較小，大大簡化了圖像分析和處理的工作量；2、實際在道路圖像中，包含多個目標，背景也較為復雜，在直方圖中可能出現(xiàn)具有多個波峰和波谷的情況，用單閾值分割不能有效的分割出目標區(qū)域，直方圖中波峰位置表示對應顏色的像素在圖像中出現(xiàn)的頻率較高，波谷位置表示對應的顏色像素出現(xiàn)的頻率較小，因此把波谷點位置作為閾值進行分割，可以得到比較完整的區(qū)域；相近的波峰點或波谷點都將被選擇出來，這種情況下添加了距離約束條件和概率差約束條件，選出其中合理的波谷點；3、設置道路識別子模塊，通過多神經網絡檢測的方式對經直方圖閾值粗分割子模塊分割后的區(qū)域進行識別，選擇合適的神經網絡對道路區(qū)域進行合并，將剩余區(qū)域直接映射到非道路區(qū)域，并定義網絡選取模型，提高了識別的效率；4、在車輛運動過程中每隔2s對神經網絡進行訓練，達到對道路進行自適應檢測的要求。附圖說明利用附圖對本發(fā)明作進一步說明，但附圖中的實施例不構成對本發(fā)明的任何限制，對于本領域的普通技術人員，在不付出創(chuàng)造性勞動的前提下，還可以根據以下附圖獲得其它的附圖。圖1是本發(fā)明道路檢測裝置各模塊的連接示意圖。圖2是本發(fā)明輪式機器人移動車示意圖。具體實施方式結合以下實施例對本發(fā)明作進一步描述。實施例1參見圖1，圖2，本實施例一種能夠自主導航輪式機器人移動車，包括輪式機器人移動車和道路檢測裝置，其中輪式機器人移動車包括：車架和車輪，四個車輪呈矩形對稱布置在車架兩側，其特征是：四個車輪分別由四套電機減速機組驅動，前兩輪、后兩輪之間分別通過一梯形連桿機構相連。優(yōu)選地，四個車輪與電機減速機組之間通過電磁離合器相連。優(yōu)選地，所說的前輪和后輪各有一步進電機驅動的轉向機構。優(yōu)選地，所述道路檢測裝置包括依次連接的圖像采集模塊、彩色圖像預處理模塊和道路自適應檢測模塊；所述圖像采集模塊用于采集外界信息的彩色圖像；所述彩色圖像預處理模塊用于對彩色圖像進行投影預處理，預處理時采用HSV模型，彩色圖像的預處理結果根據亮度分量V的數值在色調分量H、飽和度分量S、亮度分量V三個分量之間選擇，當存在飽和度過低或者亮度過低或者過高時，圖像分割主要依靠亮度分量V的信息，其余情況下，采用色調分量H進行目標提取；所述道路自適應檢測模塊用于檢測、合并道路區(qū)域，并將剩余區(qū)域全部映射到非道路區(qū)域中；所述道路自適應檢測模塊包括：(1)直方圖閾值粗分割子模塊，用于對由彩色圖像預處理模塊預處理后的圖像進行粗分割，其對預處理后的圖像進行直方圖構造，并采用直方圖多閾值法、以波谷點的位置作為閾值對預處理后的圖像進行粗分割，采用如下算法對所述波谷點進行選擇：設Pi為灰度值為i的像素點在預處理后的圖像中出現(xiàn)的頻率，讓Pi與其相鄰的局部鄰域Pt作比較，Pt＝{Pi-n,...,Pi-1,Pi+1,...Pi+n}，參數n的取值范圍為[4,8]，表示Pt左右鄰域像頻范圍，Pt中最小頻率值為Ptmin，次最小頻率值為Ptmins，若則i是波谷點，若則i不是波谷點，定義谷點函數v(i)：v(i)=1,Pi≤Ptmin·Ptmins0,Pi>Ptmin·Ptmins]]>對選出的所有谷點v(i)＝1，增加距離約束條件和概率約束條件，若相鄰谷點i和j之間的距離表示為d＝|i-j|，概率差表示為g＝|Pi-Pj|，設定距離參數D來反映波谷點之間應保持的最小距離，且Dmin和Dmax分別為相鄰波谷點最小距離和最大距離，定義距離約束函數d(i)：d(i)=1,d≥D0,d<D]]>設定概率差參數G來反映波谷點間的閾值差,且Gmin和Gmax分別為相鄰波谷點間的最小概率差和最大概率差，定義概率差約束函數g(i)：g(i)=1,g≥G0,g<G]]>定義波谷點選擇函數為:x(i)＝v(i)×d(i)×g(i)式中，當x(i)＝1時，表示波谷點被選中；(8)道路識別子模塊：用于通過多神經網絡檢測的方式對經直方圖閾值粗分割子模塊分割后的區(qū)域進行識別，進而在多神經網絡中選擇合適的神經網絡對道路區(qū)域進行合并，并將剩余區(qū)域直接映射到非道路區(qū)域，所述多神經網絡包括N個神經網絡，神經網絡數目N∈[3,5]，其中每個神經網絡的正負訓練樣本來自放置在不同區(qū)域的多個窗口，設所述多神經網絡表示為{W1(μ1,δ1),W2(μ2,δ2),...,WN(μN,δN)}，μ和δ分別表示對應于神經網絡的正訓練樣本和負訓練樣本，則定義網絡選取模型為：W＝{Wk(μk,δk),f(μk)＝1,f(δk)＝0,k∈[1,N]}其中，W為最終選取的合適網絡，Wk(μk,δk)表示合適的神經網絡，f(μk)表示神經網絡Wk(μk,δk)的正訓練樣本窗口檢測結果為1，f(δk)表示Wk(μk,δk)的負訓練樣本窗口檢測結果為0；(9)網絡訓練子模塊，用于在道路識別子模塊運作的同時使用合適網絡的訓練樣本窗口提取的特征對神經網絡進行訓練；(10)車輛引導線提取子模塊：用于提取車輛引導線，所述車輛引導線定義為道路區(qū)域和非道路區(qū)域的分界線。所述彩色圖像預處理模塊中，進行目標提取時基于HSV空間中顏色分量投影模型，投影公式為：V(x,y)=V(x,y)V(x,y)≥TV1orV(x,y)≤TV2orS(x,y)<TsH(x,y)×σ+ξ(otherwise)]]>式中，當不滿足時，將色調分量H投影到V平面；V(x,y)表示亮度分量V上對應的點，H(x,y)為色調分量H上對應的點，σ表示用于避免色調分量H和亮度分量V重合的拉伸因子，ξ是投影以后數值的分段，ξ＞σ，TS為設定的飽和度閾值，為設定的亮度閾值。優(yōu)選地，所述飽和度閾值和亮度閾值的取值分別為：其中，所述網絡訓練子模塊包括：(1)特征提取單元，其采用3個尺度和6個方向構成的18個小波濾波器進行Gabor小波變換，提取預處理后的圖像的紋理特征，同時采用10窗口提取預處理后的圖像的顏色特征，并量化為4級，以得到22維特征；(2)神經網絡構建單元，用于根據所述22維特征構建神經網絡，神經網絡包括輸入層、中間層和輸出層，輸入層設置22個神經元，輸出層設置1個神經元，輸出為1時表示道路區(qū)域，輸出為0時表示非道路區(qū)域；(3)網絡訓練單元，用于在車輛運動過程中每隔2s對神經網絡進行訓練。本實施例設置彩色圖像預處理模塊，大大簡化了圖像分析和處理的工作量；在直方圖閾值粗分割子模塊中，把波谷點位置作為閾值進行分割，可以得到比較完整的區(qū)域；設置道路識別子模塊，通過多神經網絡檢測的方式對經直方圖閾值粗分割子模塊分割后的區(qū)域進行識別，選擇合適的神經網絡對道路區(qū)域進行合并，將剩余區(qū)域直接映射到非道路區(qū)域，并定義網絡選取模型，提高了識別的效率，同時在車輛運動過程中每隔2s對神經網絡進行訓練，達到對道路進行自適應檢測的要求；本實施例參數n取值為4，N取值為3，檢測效率相對提高了3％。實施例2參見圖1，圖2，本實施例一種能夠自主導航輪式機器人移動車，包括輪式機器人移動車和道路檢測裝置，其中輪式機器人移動車包括：車架和車輪，四個車輪呈矩形對稱布置在車架兩側，其特征是：四個車輪分別由四套電機減速機組驅動，前兩輪、后兩輪之間分別通過一梯形連桿機構相連。優(yōu)選地，四個車輪與電機減速機組之間通過電磁離合器相連。優(yōu)選地，所說的前輪和后輪各有一步進電機驅動的轉向機構。優(yōu)選地，所述道路檢測裝置包括依次連接的圖像采集模塊、彩色圖像預處理模塊和道路自適應檢測模塊；所述圖像采集模塊用于采集外界信息的彩色圖像；所述彩色圖像預處理模塊用于對彩色圖像進行投影預處理，預處理時采用HSV模型，彩色圖像的預處理結果根據亮度分量V的數值在色調分量H、飽和度分量S、亮度分量V三個分量之間選擇，當存在飽和度過低或者亮度過低或者過高時，圖像分割主要依靠亮度分量V的信息，其余情況下，采用色調分量H進行目標提取；所述道路自適應檢測模塊用于檢測、合并道路區(qū)域，并將剩余區(qū)域全部映射到非道路區(qū)域中；所述道路自適應檢測模塊包括：(1)直方圖閾值粗分割子模塊，用于對由彩色圖像預處理模塊預處理后的圖像進行粗分割，其對預處理后的圖像進行直方圖構造，并采用直方圖多閾值法、以波谷點的位置作為閾值對預處理后的圖像進行粗分割，采用如下算法對所述波谷點進行選擇：設Pi為灰度值為i的像素點在預處理后的圖像中出現(xiàn)的頻率，讓Pi與其相鄰的局部鄰域Pt作比較，Pt＝{Pi-n,...,Pi-1,Pi+1,...Pi+n}，參數n的取值范圍為[4,8]，表示Pt左右鄰域像頻范圍，Pt中最小頻率值為Ptmin，次最小頻率值為Ptmins，若則i是波谷點，若則i不是波谷點，定義谷點函數v(i)：v(i)=1,Pi≤Ptmin·Ptmins0,Pi>Ptmin·Ptmins]]>對選出的所有谷點v(i)＝1，增加距離約束條件和概率約束條件，若相鄰谷點i和j之間的距離表示為d＝|i-j|，概率差表示為g＝|Pi-Pj|，設定距離參數D來反映波谷點之間應保持的最小距離，且Dmin和Dmax分別為相鄰波谷點最小距離和最大距離，定義距離約束函數d(i)：d(i)=1,d≥D0,d<D]]>設定概率差參數G來反映波谷點間的閾值差,且Gmin和Gmax分別為相鄰波谷點間的最小概率差和最大概率差，定義概率差約束函數g(i)：g(i)=1,g≥G0,g<G]]>定義波谷點選擇函數為:x(i)＝v(i)×d(i)×g(i)式中，當x(i)＝1時，表示波谷點被選中；(11)道路識別子模塊：用于通過多神經網絡檢測的方式對經直方圖閾值粗分割子模塊分割后的區(qū)域進行識別，進而在多神經網絡中選擇合適的神經網絡對道路區(qū)域進行合并，并將剩余區(qū)域直接映射到非道路區(qū)域，所述多神經網絡包括N個神經網絡，神經網絡數目N∈[3,5]，其中每個神經網絡的正負訓練樣本來自放置在不同區(qū)域的多個窗口，設所述多神經網絡表示為{W1(μ1,δ1),W2(μ2,δ2),...,WN(μN,δN)}，μ和δ分別表示對應于神經網絡的正訓練樣本和負訓練樣本，則定義網絡選取模型為：W＝{Wk(μk,δk),f(μk)＝1,f(δk)＝0,k∈[1,N]}其中，W為最終選取的合適網絡，Wk(μk,δk)表示合適的神經網絡，f(μk)表示神經網絡Wk(μk,δk)的正訓練樣本窗口檢測結果為1，f(δk)表示Wk(μk,δk)的負訓練樣本窗口檢測結果為0；(12)網絡訓練子模塊，用于在道路識別子模塊運作的同時使用合適網絡的訓練樣本窗口提取的特征對神經網絡進行訓練；(13)車輛引導線提取子模塊：用于提取車輛引導線，所述車輛引導線定義為道路區(qū)域和非道路區(qū)域的分界線。所述彩色圖像預處理模塊中，進行目標提取時基于HSV空間中顏色分量投影模型，投影公式為：V(x,y)=V(x,y)V(x,y)≥TV1orV(x,y)≤TV2orS(x,y)<TsH(x,y)×σ+ξ(otherwise)]]>式中，當不滿足時，將色調分量H投影到V平面；V(x,y)表示亮度分量V上對應的點，H(x,y)為色調分量H上對應的點，σ表示用于避免色調分量H和亮度分量V重合的拉伸因子，ξ是投影以后數值的分段，ξ＞σ，TS為設定的飽和度閾值，為設定的亮度閾值。優(yōu)選地，所述飽和度閾值和亮度閾值的取值分別為：其中，所述網絡訓練子模塊包括：(1)特征提取單元，其采用3個尺度和6個方向構成的18個小波濾波器進行Gabor小波變換，提取預處理后的圖像的紋理特征，同時采用10窗口提取預處理后的圖像的顏色特征，并量化為4級，以得到22維特征；(2)神經網絡構建單元，用于根據所述22維特征構建神經網絡，神經網絡包括輸入層、中間層和輸出層，輸入層設置22個神經元，輸出層設置1個神經元，輸出為1時表示道路區(qū)域，輸出為0時表示非道路區(qū)域；(3)網絡訓練單元，用于在車輛運動過程中每隔2s對神經網絡進行訓練。本實施例設置彩色圖像預處理模塊，大大簡化了圖像分析和處理的工作量；在直方圖閾值粗分割子模塊中，把波谷點位置作為閾值進行分割，可以得到比較完整的區(qū)域；設置道路識別子模塊，通過多神經網絡檢測的方式對經直方圖閾值粗分割子模塊分割后的區(qū)域進行識別，選擇合適的神經網絡對道路區(qū)域進行合并，將剩余區(qū)域直接映射到非道路區(qū)域，并定義網絡選取模型，提高了識別的效率，同時在車輛運動過程中每隔2s對神經網絡進行訓練，達到對道路進行自適應檢測的要求；本實施例參數n取值為5，N取值為3，檢測效率相對提高了3.2％。實施例3參見圖1，圖2，本實施例一種能夠自主導航輪式機器人移動車，包括輪式機器人移動車和道路檢測裝置，其中輪式機器人移動車包括：車架和車輪，四個車輪呈矩形對稱布置在車架兩側，其特征是：四個車輪分別由四套電機減速機組驅動，前兩輪、后兩輪之間分別通過一梯形連桿機構相連。優(yōu)選地，四個車輪與電機減速機組之間通過電磁離合器相連。優(yōu)選地，所說的前輪和后輪各有一步進電機驅動的轉向機構。優(yōu)選地，所述道路檢測裝置包括依次連接的圖像采集模塊、彩色圖像預處理模塊和道路自適應檢測模塊；所述圖像采集模塊用于采集外界信息的彩色圖像；所述彩色圖像預處理模塊用于對彩色圖像進行投影預處理，預處理時采用HSV模型，彩色圖像的預處理結果根據亮度分量V的數值在色調分量H、飽和度分量S、亮度分量V三個分量之間選擇，當存在飽和度過低或者亮度過低或者過高時，圖像分割主要依靠亮度分量V的信息，其余情況下，采用色調分量H進行目標提??；所述道路自適應檢測模塊用于檢測、合并道路區(qū)域，并將剩余區(qū)域全部映射到非道路區(qū)域中；所述道路自適應檢測模塊包括：(1)直方圖閾值粗分割子模塊，用于對由彩色圖像預處理模塊預處理后的圖像進行粗分割，其對預處理后的圖像進行直方圖構造，并采用直方圖多閾值法、以波谷點的位置作為閾值對預處理后的圖像進行粗分割，采用如下算法對所述波谷點進行選擇：設Pi為灰度值為i的像素點在預處理后的圖像中出現(xiàn)的頻率，讓Pi與其相鄰的局部鄰域Pt作比較，Pt＝{Pi-n,...,Pi-1,Pi+1,...Pi+n}，參數n的取值范圍為[4,8]，表示Pt左右鄰域像頻范圍，Pt中最小頻率值為Ptmin，次最小頻率值為Ptmins，若則i是波谷點，若則i不是波谷點，定義谷點函數v(i)：v(i)=1,Pi≤Ptmin·Ptmins0,Pi>Ptmin·Ptmins]]>對選出的所有谷點v(i)＝1，增加距離約束條件和概率約束條件，若相鄰谷點i和j之間的距離表示為d＝|i-j|，概率差表示為g＝|Pi-Pj|，設定距離參數D來反映波谷點之間應保持的最小距離，且Dmin和Dmax分別為相鄰波谷點最小距離和最大距離，定義距離約束函數d(i)：d(i)=1,d≥D0,d<D]]>設定概率差參數G來反映波谷點間的閾值差,且Gmin和Gmax分別為相鄰波谷點間的最小概率差和最大概率差，定義概率差約束函數g(i)：g(i)=1,g≥G0,g<G]]>定義波谷點選擇函數為:x(i)＝v(i)×d(i)×g(i)式中，當x(i)＝1時，表示波谷點被選中；(14)道路識別子模塊：用于通過多神經網絡檢測的方式對經直方圖閾值粗分割子模塊分割后的區(qū)域進行識別，進而在多神經網絡中選擇合適的神經網絡對道路區(qū)域進行合并，并將剩余區(qū)域直接映射到非道路區(qū)域，所述多神經網絡包括N個神經網絡，神經網絡數目N∈[3,5]，其中每個神經網絡的正負訓練樣本來自放置在不同區(qū)域的多個窗口，設所述多神經網絡表示為{W1(μ1,δ1),W2(μ2,δ2),...,WN(μN,δN)}，μ和δ分別表示對應于神經網絡的正訓練樣本和負訓練樣本，則定義網絡選取模型為：W＝{Wk(μk,δk),f(μk)＝1,f(δk)＝0,k∈[1,N]}其中，W為最終選取的合適網絡，Wk(μk,δk)表示合適的神經網絡，f(μk)表示神經網絡Wk(μk,δk)的正訓練樣本窗口檢測結果為1，f(δk)表示Wk(μk,δk)的負訓練樣本窗口檢測結果為0；(15)網絡訓練子模塊，用于在道路識別子模塊運作的同時使用合適網絡的訓練樣本窗口提取的特征對神經網絡進行訓練；(16)車輛引導線提取子模塊：用于提取車輛引導線，所述車輛引導線定義為道路區(qū)域和非道路區(qū)域的分界線。所述彩色圖像預處理模塊中，進行目標提取時基于HSV空間中顏色分量投影模型，投影公式為：V(x,y)=V(x,y)V(x,y)≥TV1orV(x,y)≤TV2orS(x,y)<TsH(x,y)×σ+ξ(otherwise)]]>式中，當不滿足時，將色調分量H投影到V平面；V(x,y)表示亮度分量V上對應的點，H(x,y)為色調分量H上對應的點，σ表示用于避免色調分量H和亮度分量V重合的拉伸因子，ξ是投影以后數值的分段，ξ＞σ，TS為設定的飽和度閾值，為設定的亮度閾值。優(yōu)選地，所述飽和度閾值和亮度閾值的取值分別為：其中，所述網絡訓練子模塊包括：(1)特征提取單元，其采用3個尺度和6個方向構成的18個小波濾波器進行Gabor小波變換，提取預處理后的圖像的紋理特征，同時采用10窗口提取預處理后的圖像的顏色特征，并量化為4級，以得到22維特征；(2)神經網絡構建單元，用于根據所述22維特征構建神經網絡，神經網絡包括輸入層、中間層和輸出層，輸入層設置22個神經元，輸出層設置1個神經元，輸出為1時表示道路區(qū)域，輸出為0時表示非道路區(qū)域；(3)網絡訓練單元，用于在車輛運動過程中每隔2s對神經網絡進行訓練。本實施例設置彩色圖像預處理模塊，大大簡化了圖像分析和處理的工作量；在直方圖閾值粗分割子模塊中，把波谷點位置作為閾值進行分割，可以得到比較完整的區(qū)域；設置道路識別子模塊，通過多神經網絡檢測的方式對經直方圖閾值粗分割子模塊分割后的區(qū)域進行識別，選擇合適的神經網絡對道路區(qū)域進行合并，將剩余區(qū)域直接映射到非道路區(qū)域，并定義網絡選取模型，提高了識別的效率，同時在車輛運動過程中每隔2s對神經網絡進行訓練，達到對道路進行自適應檢測的要求；本實施例參數n取值為6，N取值為4，檢測效率相對提高了3.5％。實施例4參見圖1，圖2，本實施例一種能夠自主導航輪式機器人移動車，包括輪式機器人移動車和道路檢測裝置，其中輪式機器人移動車包括：車架和車輪，四個車輪呈矩形對稱布置在車架兩側，其特征是：四個車輪分別由四套電機減速機組驅動，前兩輪、后兩輪之間分別通過一梯形連桿機構相連。優(yōu)選地，四個車輪與電機減速機組之間通過電磁離合器相連。優(yōu)選地，所說的前輪和后輪各有一步進電機驅動的轉向機構。優(yōu)選地，所述道路檢測裝置包括依次連接的圖像采集模塊、彩色圖像預處理模塊和道路自適應檢測模塊；所述圖像采集模塊用于采集外界信息的彩色圖像；所述彩色圖像預處理模塊用于對彩色圖像進行投影預處理，預處理時采用HSV模型，彩色圖像的預處理結果根據亮度分量V的數值在色調分量H、飽和度分量S、亮度分量V三個分量之間選擇，當存在飽和度過低或者亮度過低或者過高時，圖像分割主要依靠亮度分量V的信息，其余情況下，采用色調分量H進行目標提??；所述道路自適應檢測模塊用于檢測、合并道路區(qū)域，并將剩余區(qū)域全部映射到非道路區(qū)域中；所述道路自適應檢測模塊包括：(1)直方圖閾值粗分割子模塊，用于對由彩色圖像預處理模塊預處理后的圖像進行粗分割，其對預處理后的圖像進行直方圖構造，并采用直方圖多閾值法、以波谷點的位置作為閾值對預處理后的圖像進行粗分割，采用如下算法對所述波谷點進行選擇：設Pi為灰度值為i的像素點在預處理后的圖像中出現(xiàn)的頻率，讓Pi與其相鄰的局部鄰域Pt作比較，Pt＝{Pi-n,...,Pi-1,Pi+1,...Pi+n}，參數n的取值范圍為[4,8]，表示Pt左右鄰域像頻范圍，Pt中最小頻率值為Ptmin，次最小頻率值為Ptmins，若則i是波谷點，若則i不是波谷點，定義谷點函數v(i)：v(i)=1,Pi≤Ptmin·Ptmins0,Pi>Ptmin·Ptmins]]>對選出的所有谷點v(i)＝1，增加距離約束條件和概率約束條件，若相鄰谷點i和j之間的距離表示為d＝|i-j|，概率差表示為g＝|Pi-Pj|，設定距離參數D來反映波谷點之間應保持的最小距離，且Dmin和Dmax分別為相鄰波谷點最小距離和最大距離，定義距離約束函數d(i)：d(i)=1,d≥D0,d<D]]>設定概率差參數G來反映波谷點間的閾值差,且Gmin和Gmax分別為相鄰波谷點間的最小概率差和最大概率差，定義概率差約束函數g(i)：g(i)=1,g≥G0,g<G]]>定義波谷點選擇函數為:x(i)＝v(i)×d(i)×g(i)式中，當x(i)＝1時，表示波谷點被選中；(17)道路識別子模塊：用于通過多神經網絡檢測的方式對經直方圖閾值粗分割子模塊分割后的區(qū)域進行識別，進而在多神經網絡中選擇合適的神經網絡對道路區(qū)域進行合并，并將剩余區(qū)域直接映射到非道路區(qū)域，所述多神經網絡包括N個神經網絡，神經網絡數目N∈[3,5]，其中每個神經網絡的正負訓練樣本來自放置在不同區(qū)域的多個窗口，設所述多神經網絡表示為{W1(μ1,δ1),W2(μ2,δ2),...,WN(μN,δN)}，μ和δ分別表示對應于神經網絡的正訓練樣本和負訓練樣本，則定義網絡選取模型為：W＝{Wk(μk,δk),f(μk)＝1,f(δk)＝0,k∈[1,N]}其中，W為最終選取的合適網絡，Wk(μk,δk)表示合適的神經網絡，f(μk)表示神經網絡Wk(μk,δk)的正訓練樣本窗口檢測結果為1，f(δk)表示Wk(μk,δk)的負訓練樣本窗口檢測結果為0；(18)網絡訓練子模塊，用于在道路識別子模塊運作的同時使用合適網絡的訓練樣本窗口提取的特征對神經網絡進行訓練；(19)車輛引導線提取子模塊：用于提取車輛引導線，所述車輛引導線定義為道路區(qū)域和非道路區(qū)域的分界線。所述彩色圖像預處理模塊中，進行目標提取時基于HSV空間中顏色分量投影模型，投影公式為：V(x,y)=V(x,y)V(x,y)≥TV1orV(x,y)≤TV2orS(x,y)<TsH(x,y)×σ+ξ(otherwise)]]>式中，當不滿足時，將色調分量H投影到V平面；V(x,y)表示亮度分量V上對應的點，H(x,y)為色調分量H上對應的點，σ表示用于避免色調分量H和亮度分量V重合的拉伸因子，ξ是投影以后數值的分段，ξ＞σ，TS為設定的飽和度閾值，為設定的亮度閾值。優(yōu)選地，所述飽和度閾值和亮度閾值的取值分別為：其中，所述網絡訓練子模塊包括：(1)特征提取單元，其采用3個尺度和6個方向構成的18個小波濾波器進行Gabor小波變換，提取預處理后的圖像的紋理特征，同時采用10窗口提取預處理后的圖像的顏色特征，并量化為4級，以得到22維特征；(2)神經網絡構建單元，用于根據所述22維特征構建神經網絡，神經網絡包括輸入層、中間層和輸出層，輸入層設置22個神經元，輸出層設置1個神經元，輸出為1時表示道路區(qū)域，輸出為0時表示非道路區(qū)域；(3)網絡訓練單元，用于在車輛運動過程中每隔2s對神經網絡進行訓練。本實施例設置彩色圖像預處理模塊，大大簡化了圖像分析和處理的工作量；在直方圖閾值粗分割子模塊中，把波谷點位置作為閾值進行分割，可以得到比較完整的區(qū)域；設置道路識別子模塊，通過多神經網絡檢測的方式對經直方圖閾值粗分割子模塊分割后的區(qū)域進行識別，選擇合適的神經網絡對道路區(qū)域進行合并，將剩余區(qū)域直接映射到非道路區(qū)域，并定義網絡選取模型，提高了識別的效率，同時在車輛運動過程中每隔2s對神經網絡進行訓練，達到對道路進行自適應檢測的要求；本實施例參數n取值為7，N取值為4，檢測效率相對提高了3.8％。實施例5參見圖1，圖2，本實施例一種能夠自主導航輪式機器人移動車，包括輪式機器人移動車和道路檢測裝置，其中輪式機器人移動車包括：車架和車輪，四個車輪呈矩形對稱布置在車架兩側，其特征是：四個車輪分別由四套電機減速機組驅動，前兩輪、后兩輪之間分別通過一梯形連桿機構相連。優(yōu)選地，四個車輪與電機減速機組之間通過電磁離合器相連。優(yōu)選地，所說的前輪和后輪各有一步進電機驅動的轉向機構。優(yōu)選地，所述道路檢測裝置包括依次連接的圖像采集模塊、彩色圖像預處理模塊和道路自適應檢測模塊；所述圖像采集模塊用于采集外界信息的彩色圖像；所述彩色圖像預處理模塊用于對彩色圖像進行投影預處理，預處理時采用HSV模型，彩色圖像的預處理結果根據亮度分量V的數值在色調分量H、飽和度分量S、亮度分量V三個分量之間選擇，當存在飽和度過低或者亮度過低或者過高時，圖像分割主要依靠亮度分量V的信息，其余情況下，采用色調分量H進行目標提??；所述道路自適應檢測模塊用于檢測、合并道路區(qū)域，并將剩余區(qū)域全部映射到非道路區(qū)域中；所述道路自適應檢測模塊包括：(1)直方圖閾值粗分割子模塊，用于對由彩色圖像預處理模塊預處理后的圖像進行粗分割，其對預處理后的圖像進行直方圖構造，并采用直方圖多閾值法、以波谷點的位置作為閾值對預處理后的圖像進行粗分割，采用如下算法對所述波谷點進行選擇：設Pi為灰度值為i的像素點在預處理后的圖像中出現(xiàn)的頻率，讓Pi與其相鄰的局部鄰域Pt作比較，Pt＝{Pi-n,...,Pi-1,Pi+1,...Pi+n}，參數n的取值范圍為[4,8]，表示Pt左右鄰域像頻范圍，Pt中最小頻率值為Ptmin，次最小頻率值為Ptmins，若則i是波谷點，若則i不是波谷點，定義谷點函數v(i)：v(i)=1,Pi≤Ptmin·Ptmins0,Pi>Ptmin·Ptmins]]>對選出的所有谷點v(i)＝1，增加距離約束條件和概率約束條件，若相鄰谷點i和j之間的距離表示為d＝|i-j|，概率差表示為g＝|Pi-Pj|，設定距離參數D來反映波谷點之間應保持的最小距離，且Dmin和Dmax分別為相鄰波谷點最小距離和最大距離，定義距離約束函數d(i)：d(i)=1,d≥D0,d<D]]>設定概率差參數G來反映波谷點間的閾值差,且Gmin和Gmax分別為相鄰波谷點間的最小概率差和最大概率差，定義概率差約束函數g(i)：g(i)=1,g≥G0,g<G]]>定義波谷點選擇函數為:x(i)＝v(i)×d(i)×g(i)式中，當x(i)＝1時，表示波谷點被選中；(20)道路識別子模塊：用于通過多神經網絡檢測的方式對經直方圖閾值粗分割子模塊分割后的區(qū)域進行識別，進而在多神經網絡中選擇合適的神經網絡對道路區(qū)域進行合并，并將剩余區(qū)域直接映射到非道路區(qū)域，所述多神經網絡包括N個神經網絡，神經網絡數目N∈[3,5]，其中每個神經網絡的正負訓練樣本來自放置在不同區(qū)域的多個窗口，設所述多神經網絡表示為{W1(μ1,δ1),W2(μ2,δ2),...,WN(μN,δN)}，μ和δ分別表示對應于神經網絡的正訓練樣本和負訓練樣本，則定義網絡選取模型為：W＝{Wk(μk,δk),f(μk)＝1,f(δk)＝0,k∈[1,N]}其中，W為最終選取的合適網絡，Wk(μk,δk)表示合適的神經網絡，f(μk)表示神經網絡Wk(μk,δk)的正訓練樣本窗口檢測結果為1，f(δk)表示Wk(μk,δk)的負訓練樣本窗口檢測結果為0；(21)網絡訓練子模塊，用于在道路識別子模塊運作的同時使用合適網絡的訓練樣本窗口提取的特征對神經網絡進行訓練；(22)車輛引導線提取子模塊：用于提取車輛引導線，所述車輛引導線定義為道路區(qū)域和非道路區(qū)域的分界線。所述彩色圖像預處理模塊中，進行目標提取時基于HSV空間中顏色分量投影模型，投影公式為：V(x,y)=V(x,y)V(x,y)≥TV1orV(x,y)≤TV2orS(x,y)<TsH(x,y)×σ+ξ(otherwise)]]>式中，當不滿足時，將色調分量H投影到V平面；V(x,y)表示亮度分量V上對應的點，H(x,y)為色調分量H上對應的點，σ表示用于避免色調分量H和亮度分量V重合的拉伸因子，ξ是投影以后數值的分段，ξ＞σ，TS為設定的飽和度閾值，為設定的亮度閾值。優(yōu)選地，所述飽和度閾值和亮度閾值的取值分別為：其中，所述網絡訓練子模塊包括：(1)特征提取單元，其采用3個尺度和6個方向構成的18個小波濾波器進行Gabor小波變換，提取預處理后的圖像的紋理特征，同時采用10窗口提取預處理后的圖像的顏色特征，并量化為4級，以得到22維特征；(2)神經網絡構建單元，用于根據所述22維特征構建神經網絡，神經網絡包括輸入層、中間層和輸出層，輸入層設置22個神經元，輸出層設置1個神經元，輸出為1時表示道路區(qū)域，輸出為0時表示非道路區(qū)域；(3)網絡訓練單元，用于在車輛運動過程中每隔2s對神經網絡進行訓練。本實施例設置彩色圖像預處理模塊，大大簡化了圖像分析和處理的工作量；在直方圖閾值粗分割子模塊中，把波谷點位置作為閾值進行分割，可以得到比較完整的區(qū)域；設置道路識別子模塊，通過多神經網絡檢測的方式對經直方圖閾值粗分割子模塊分割后的區(qū)域進行識別，選擇合適的神經網絡對道路區(qū)域進行合并，將剩余區(qū)域直接映射到非道路區(qū)域，并定義網絡選取模型，提高了識別的效率，同時在車輛運動過程中每隔2s對神經網絡進行訓練，達到對道路進行自適應檢測的要求；本實施例參數n取值為8，N取值為5，檢測效率相對提高了3.4％。最后應當說明的是，以上實施例僅用以說明本發(fā)明的技術方案，而非對本發(fā)明保護范圍的限制，盡管參照較佳實施例對本發(fā)明作了詳細地說明，本領域的普通技術人員應當理解，可以對本發(fā)明的技術方案進行修改或者等同替換，而不脫離本發(fā)明技術方案的實質和范圍。當前第1頁1 2 3