本發(fā)明具體涉及一種結(jié)合特征和模型的道路檢測方法。
背景技術(shù)：
視聽覺信息的認知計算是信息科學、生命科學和梳理科學的交叉學科，其發(fā)展水平反映了國家信息服務(wù)及相關(guān)產(chǎn)業(yè)的綜合實力，無人駕駛技術(shù)是視聽覺信息處理基礎(chǔ)理論研究、視聽覺認知相關(guān)的腦—機接口等關(guān)鍵技術(shù)的集成，也是國家視聽覺信息處理領(lǐng)域的整體研究實力的體現(xiàn)。其中基于計算機視覺的道路檢測技術(shù)，是無人駕駛汽車智能導航系統(tǒng)的核心技術(shù)之一。
現(xiàn)實中的道路可以分為結(jié)構(gòu)化和非結(jié)構(gòu)化道路，目前非結(jié)構(gòu)化道路路面環(huán)境較為復(fù)雜、路面特征易受天氣、光照變化的干擾等客觀原因，精確、實時的非結(jié)構(gòu)道路檢測仍然是一個富有挑戰(zhàn)性的問題，在已有的非結(jié)構(gòu)化道路檢測算法研究中，基于特征的道路檢測算法魯棒性較強，但存在算法復(fù)雜度過高、環(huán)境適應(yīng)能力不足的問題；基于模型的道路檢測算法實時性較好，但仍然存在對陰影、光照變化的魯棒性較差的問題。
技術(shù)實現(xiàn)要素：
本發(fā)明要解決的技術(shù)問題是提供一種結(jié)合特征和模型的道路檢測方法。
結(jié)合特征和模型的道路檢測方法，包括以下步驟：
S1：通過攝像頭實時采集車道圖像信息；
S2：采用基于多層神經(jīng)網(wǎng)絡(luò)的道路分割方法進行道路分割，找出其中道路區(qū)域；
S3：根據(jù)道路區(qū)域和非道路區(qū)域的分割結(jié)果找出道路邊界；
S4：對道路的邊界點進行提取，使用條件概率密度傳播算法估計消失點位置，對道路消失點位置進行跟蹤；
S5：使用將消失點位置融合到二次曲線道路道路邊界擬合過程中的啟發(fā)式擬合算法擬合道路模型。
進一步的，所述基于多層神經(jīng)網(wǎng)絡(luò)的道路分割方法如下：
S2-1：將圖像從RGB色彩空間轉(zhuǎn)換到HSV色彩空間，將道路區(qū)域與非道路區(qū)域樣本中每一個像素點的色調(diào)和飽和度作為像素的特征向量作為多層神經(jīng)網(wǎng)絡(luò)輸入向量提供給輸入層，每一個輸入層節(jié)點的輸出結(jié)果等于輸入特征向量中的對應(yīng)分量；
S2-2：依據(jù)網(wǎng)絡(luò)連接，隱含層節(jié)點對各個輸入進行加權(quán)求和，得到的標量稱為凈激活，即：
其中，i為輸入層節(jié)點的索引，d為輸入層節(jié)點數(shù)，j為隱含層節(jié)點的索引，ωij為輸入層節(jié)點i到隱含層節(jié)點j的權(quán)值，ωj0為附加特征值x0＝1與附加權(quán)值ω0的積；
每個隱含層節(jié)點以凈激活作為輸入，并激發(fā)一個輸出分量，這個分量是凈激活的非線性函數(shù)，選用非線性函數(shù)如下：
S2-3：每個輸出層節(jié)點將接受隱含層節(jié)點的輸出信號，計算其凈激活：
其中，j為隱含層節(jié)點的索引，ηH為隱含層節(jié)點數(shù)，k為輸出層節(jié)點的索引，ωkj為輸入層節(jié)點j到隱含層節(jié)點k的權(quán)值；
輸出層節(jié)點以類似方法激發(fā)輸出層分量：
使用多層神經(jīng)網(wǎng)絡(luò)進行分類判決的過程可以被描述為計算輸出層節(jié)點各輸出分量的過程；
S2-4：使用分塊分割的方法，并使用基于隸屬概率的判決結(jié)果修正策略進行優(yōu)化，具體如下：
(1)將圖像分割成N*N的方塊，每個方塊的四個角區(qū)域稱為角點，假設(shè)任意一個像素點x都屬于道路區(qū)域R或者非道路區(qū)域NR，即x∈{R,NR}，則角點C∈{R,NR}，且角點C屬于道路區(qū)域R或者非道路區(qū)域NR的隸屬概率可以定義為：
其中，N為角點區(qū)域內(nèi)像素點個數(shù)；
(2)依據(jù)分塊中四個角點的類型判別結(jié)果及隸屬概率，可以將分塊劃分為三類：
如果某分塊四個角點都屬于道路區(qū)域R，則該分塊也屬于道路區(qū)域R，且隸屬概率為：
如果某分塊四個角點都屬于非道路區(qū)域NR，則該分塊也屬于非道路區(qū)域NR，且隸屬概率為：
如果某分塊四個角點中，既有屬于道路區(qū)域R，也有屬于非道路區(qū)域NR的角點，則該分塊屬于混合區(qū)域MIX，且隸屬概率為各角點屬于判決分類的隸屬概率的均值；
(3)假定屬于混合區(qū)域MIX的分塊只會出現(xiàn)在屬于道路區(qū)域R的分塊與非道路區(qū)域NR之間；以行為主序從左到右掃描分塊，如果遇到混合快，則測試其左右分塊屬性是否相同，如果其左右分塊中有屬于混合區(qū)域MIX的分塊，則測試分塊再向左或向右移動；如果該塊的左右分塊屬性相同，都屬于道路區(qū)域R，或者都屬于非道路區(qū)域NR，則測試該分塊的隸屬概率，如果該分塊的隸屬概率低于一個給定的閾值，則其屬性被修正為其左右塊屬性相同；如果該分塊的隸屬概率高于一定給定的閾值，則不更改其屬性。
進一步的，道路的邊界點進行提取方法如下：
S4-1：對圖像建立坐標系，通常以圖像左上角為原點，向右為x軸方向，向下為y軸方向，以y軸為主方向，從左到右掃描圖像所有像素點；
S4-2：對于每一行像素點序列，找出其中連續(xù)的屬于道路區(qū)域的像素點作為候選道路子線段，如果一行像素點中包含多條候選道路子線段，合并其中距離較為接近的子線段；
S4-3：記錄每一條道路線段的左右邊界坐標，將其作為候選道路邊界點；
S4-4：將掃描點向下一行移動，直到所有像素點掃描完畢，記錄下所有候選道路邊界點集。
進一步的，將消失點位置融合到道路邊界擬合過程中的啟發(fā)式擬合算法具體如下：
S5-1：對于圖像序列中的第n幀，圖像中道路消失點Zn的位置的觀察值定義為第n幀的道路邊界擬合結(jié)果LRn和LRn的交點；
S5-2：通過第n幀道路消失點的位置的觀察值Zn,使用天劍概率密度傳播算法來計算第n+1幀道路消失點的位置的先驗概率；
S5-3：根據(jù)步驟S5-2對第n+1幀消失點位置的預(yù)測結(jié)果，以及對第n+1幀圖像的候選道路邊界點集使用最小二乘法對道路的左右邊界線LRn+1和LRn+1進行初步擬合，擬合的過程中，道路消失點的權(quán)重大于其他道路邊界點權(quán)值；
S5-4：計算所有提取的道路邊界點與擬合出的道路邊界方程之間的距離，如果某點與道路邊界方程距離大于所有道路邊界點與邊界方程之間距離的均值，該店將被排除，并根據(jù)該點的坐標，尋找該點所在行的候選道路子線段，如果能找出一條子線段邊界點與道路邊界方程的距離接近，則替換該邊界點為候選道路邊界點，否則，排除該點；
S5-5：使用新的道路邊界點集與第n+1幀消失點位置的預(yù)測結(jié)果再次使用最小二乘法擬合道路的左右邊界線LRn+1和LRn+1，并計算LRn+1和LRn+1的交點作為第n+1幀道路消失點的觀察值Zn+1；
S5-6：使用條件概率密度傳播算法計算后驗概率。
本發(fā)明的有益效果是：
(1)改進了基于多層神經(jīng)網(wǎng)絡(luò)的道路分割方法，通過多層神經(jīng)網(wǎng)絡(luò)對道路與非道路區(qū)域樣本各像素的色調(diào)、飽和度進行學習，并使用學習后的網(wǎng)絡(luò)來分類新的像素點，達到提升算法的對抗陰影與光照變化魯棒性的目的；同時采用了分塊分類的方法抑制攝像頭采集過程產(chǎn)生的隨機噪音，并設(shè)計了基于隸屬概率的判決結(jié)果修正策略，以達到減輕道路區(qū)域與非道路區(qū)域中干擾物影響的目的；
(2)采用條件概率密度傳播算法對道路消失點進行跟蹤和預(yù)測，并將道路消失點的預(yù)測結(jié)果融入道路邊界擬合過程，彌補了基于單幀圖像處理的傳統(tǒng)算法沒有充分利用視頻流中各幀之間相關(guān)性的缺點，達到了增強算法穩(wěn)定性與魯棒性的目的。
具體實施方式
以下具體實施例對本發(fā)明作進一步闡述，但不作為對本發(fā)明的限定。
實驗1本發(fā)明的方法實際處理效果和傳統(tǒng)算法效果進行比對。
一、像素級的定量檢測性能評估
使用像素級的定量評估方法，將最終檢測結(jié)果分為四類，所有類別如下表1所示。
表1像素級的定量評估方法定義
表1中，TN為真實值為非道路區(qū)域，算法檢測值也為非道路區(qū)域的像素點個數(shù)；FN為真實值為道路區(qū)域，算法檢測值為非道路區(qū)域的像素點個數(shù)；FP為真實值為非道路區(qū)域，算法檢測值為道路區(qū)域的像素點個數(shù)；TP為真實值為道路區(qū)域，算法檢測值也為道路區(qū)域的像素點個數(shù)。
在對各像素進行判別的基礎(chǔ)上，定量分析方法的統(tǒng)計性能指標如下表2所示。
表2像素級的定量評估方法性能指標
本發(fā)明提出的算法與現(xiàn)有的核密度估計算法在不同場景中所統(tǒng)計的各性能指標上的對比如表3所示。
表3各性能指標對比分析
相對于傳統(tǒng)算法，本發(fā)明的算法在多種場景中各性能指標都有所提升，檢測精度最高達978％,檢測質(zhì)量最高達94.3％，檢出率最高達97.5％。
二、消失點估計的性能分析
對一個完整的視頻序列使用不同方法的檢測結(jié)果進行定量分析，結(jié)果如表3所示。
表3消失點估計的性能定量分析
如上表中所示，在檢測質(zhì)量與檢測精度的平均性能上，使用消失點估計啟發(fā)式道路擬合方法能夠獲得3％左右的提升，檢出率也有一定的提升。