本發(fā)明具體涉及一種基于圖模型的道路檢測方法。

背景技術(shù)：

移動機器人近年發(fā)展迅速且具有廣闊的應用前景.室外移動機器人作為移動機器人的一種，具有重要的研究和應用價值，一直是機器人領(lǐng)域的研究熱點。為實現(xiàn)室外移動機器人自主導航，現(xiàn)有移動機器人普遍裝備視覺傳感器。在機器人處理的眾多視覺信息中，道路信息是最關(guān)鍵的視覺信息之一。道路檢測技術(shù)是實現(xiàn)移動機器人視覺導航的關(guān)鍵，也是實現(xiàn)機器人智能導航的核心技術(shù)之一。

現(xiàn)有室外移動機器人道路檢測研究主要集中在結(jié)構(gòu)化道路檢測和非結(jié)構(gòu)化道路檢測兩個方面。結(jié)構(gòu)化道路是指具有明顯車道線和道路邊界的道路，如高速公路。結(jié)構(gòu)化道路檢測問題可簡化為道路車道線和道路邊界的檢測問題，其相關(guān)技術(shù)研究時間較長且已取得較豐碩的研究成果，有些技術(shù)已成功應用到智能車的視覺導航系統(tǒng)。與結(jié)構(gòu)化道路相比，非結(jié)構(gòu)化道路一般是指沒有明顯車道線和清晰道路邊界的道路，如鄉(xiāng)村道路。

目前，針對非結(jié)構(gòu)化道路的道路檢測技術(shù)尚處于研究階段，其檢測方法主要包括基于模型的方法、基于特征的方法、基于學習的方法和其它檢測方法。由于非結(jié)構(gòu)化道路的復雜性和多樣性，目前尚不存在一種成熟且實用的非結(jié)構(gòu)化道路檢測方法.室外移動機器人除應用于具有明顯車道線的結(jié)構(gòu)化高速公路和完全非結(jié)構(gòu)化的野外環(huán)境外，城市環(huán)境、校園環(huán)境和居民區(qū)環(huán)境也是移動機器人應用的重要場所。使移動機器人能低速運行在這類環(huán)境下是機器人研究的重點之一。與高速公路和野外環(huán)境相比，上述環(huán)境中的道路具有其明顯的特點。如城市道路的路面普遍經(jīng)過硬化，路面較平整，一致性相對較好；道路中常有行人和車輛等障礙物，對道路形狀進行建模較困難；道路結(jié)構(gòu)化程度介于結(jié)構(gòu)化和完全非結(jié)構(gòu)化道路之間，道路路況和結(jié)構(gòu)化程度差異較大等。

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模型的道路檢測方法。

一種基于圖模型的道路檢測方法，包括以下步驟：

s1：將道路圖像劃分為子圖，計算子圖特征向量，生成圖模型結(jié)點集；

s2：提出相近半徑概念，計算相近結(jié)點邊權(quán)值，生成圖模型邊集；

s3：采用基于最小生成樹的結(jié)點合并規(guī)則對圖模型結(jié)點進行合并，實現(xiàn)道路圖像分割；

s4：通過設(shè)置取樣窗口，提取道路結(jié)點，分割出道路區(qū)域。

進一步的，步驟s1的具體方法如下：

1）對道路圖像進行高斯濾波，濾波函數(shù)如下:

；

2）假設(shè)濾波后的道路圖像im的大小為h×l，將im分割為p×q個子圖，每個子圖大小為m×n，即：

其中，；

3）假設(shè)分割后道路圖像的每個子圖含有t維特征，第κ維特征的取值范圍為，，則采用下式對進行歸一化得到特征值：

，；

4）為每個子圖賦相應的子圖序號，，采用上式對子圖的t為特征歸一化后，則子圖對應的特征向量為：

；

5）定義道路圖像im的每個子圖為一個結(jié)點，子圖特征度量值為該結(jié)點特征值，可得im對應的圖為g=(v，e)；g為無向圖，結(jié)點集合v為im中各子圖集合，即，邊集e中的每條邊表示相鄰兩個結(jié)點和的某種不相似度量，其中，，；生成道路圖像im所對應圖g的結(jié)點集v及相應的結(jié)點特征向量集合。

進一步的，步驟s2的具體方法如下：

1）定義相近半徑，采用下式計算g中所有結(jié)點對應的邊權(quán)值；

；

2）假設(shè)中心結(jié)點為，當相近半徑為時，與相近的結(jié)點的個數(shù)為，可得道路圖像im所對應圖g的邊集e。

進一步的，步驟s3的具體方法如如下：

1）假設(shè)步驟s2計算得到圖g共有s條邊，則根據(jù)邊值大小對e中所有的邊按非遞減順序進行排序，即；

2）初始化圖g的結(jié)點分類為，即g中的每個結(jié)點為一個分類；

3）按邊值非遞減的順序?qū)γ織l邊作如下判斷：

假設(shè)當前g的分類為，邊分別連接內(nèi)的兩個結(jié)點分類和，根據(jù)下式分別計算和；

；

其中，為閾值函數(shù)，表示結(jié)點子集中結(jié)點的個數(shù)，為閾值參數(shù)；

若，則合并和；假設(shè)合并后的和為，則有，更新g的分類為；

4）對e中所有邊計算判斷后，可得到g最終的結(jié)點分類；因此，中每個結(jié)點分類，1≤i≤k都表示im中的一個圖像分割。

進一步的，步驟s4的具體方法如下：

1）根據(jù)圖g的結(jié)點分類結(jié)果，為圖g中的每個結(jié)點賦相應的分類號i，；

2）在圖g最底部的中心位置，提取的取樣窗口，統(tǒng)計窗口內(nèi)各結(jié)點的分類號，取結(jié)點數(shù)最多的分類號作為道路結(jié)點分類號；

3）將圖g中道路結(jié)點分類號所對應的結(jié)點賦分類號為1，其它結(jié)點賦分類號為0；

4）通過上述步驟，可實現(xiàn)圖g中道路結(jié)點與非道路結(jié)點的二值化，從而實現(xiàn)道路圖像的二值化。

本發(fā)明的有益效果是：

本發(fā)明在采用基于圖模型方法對道路圖像進行分割的基礎(chǔ)上，根據(jù)移動機器人視覺導航的特點，能有效檢測出道路圖像中的道路區(qū)域；針對不同道路類型，通過設(shè)置相應參數(shù)，該方法能用于不同類型的道路檢測。

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。

一種基于圖模型的道路檢測方法，包括以下步驟：

s1：將道路圖像劃分為子圖，計算子圖特征向量，生成圖模型結(jié)點集；

s2：提出相近半徑概念，計算相近結(jié)點邊權(quán)值，生成圖模型邊集；

s3：采用基于最小生成樹的結(jié)點合并規(guī)則對圖模型結(jié)點進行合并，實現(xiàn)道路圖像分割；

s4：通過設(shè)置取樣窗口，提取道路結(jié)點，分割出道路區(qū)域。

步驟s1的具體方法如下：

1）對道路圖像進行高斯濾波，濾波函數(shù)如下:

；

2）假設(shè)濾波后的道路圖像im的大小為h×l，將im分割為p×q個子圖，每個子圖大小為m×n，即：

其中，；

3）假設(shè)分割后道路圖像的每個子圖含有t維特征，第κ維特征的取值范圍為，，則采用下式對進行歸一化得到特征值：

，；

4）為每個子圖賦相應的子圖序號，，采用上式對子圖的t為特征歸一化后，則子圖對應的特征向量為：

；

5）定義道路圖像im的每個子圖為一個結(jié)點，子圖特征度量值為該結(jié)點特征值，可得im對應的圖為g=(v，e)；g為無向圖，結(jié)點集合v為im中各子圖集合，即，邊集e中的每條邊表示相鄰兩個結(jié)點和的某種不相似度量，其中，，；生成道路圖像im所對應圖g的結(jié)點集v及相應的結(jié)點特征向量集合。

步驟s2的具體方法如下：

1）定義相近半徑，采用下式計算g中所有結(jié)點對應的邊權(quán)值；

；

2）假設(shè)中心結(jié)點為，當相近半徑為時，與相近的結(jié)點的個數(shù)為，可得道路圖像im所對應圖g的邊集e。

步驟s3的具體方法如如下：

1）假設(shè)步驟s2計算得到圖g共有s條邊，則根據(jù)邊值大小對e中所有的邊按非遞減順序進行排序，即；

2）初始化圖g的結(jié)點分類為，即g中的每個結(jié)點為一個分類；

3）按邊值非遞減的順序?qū)γ織l邊作如下判斷：

假設(shè)當前g的分類為，邊分別連接內(nèi)的兩個結(jié)點分類和，根據(jù)下式分別計算和；

；

其中，為閾值函數(shù)，表示結(jié)點子集中結(jié)點的個數(shù)，為閾值參數(shù)；

若，則合并和；假設(shè)合并后的和為，則有，更新g的分類為；

4）對e中所有邊計算判斷后，可得到g最終的結(jié)點分類；因此，中每個結(jié)點分類，1≤i≤k都表示im中的一個圖像分割。

步驟s4的具體方法如下：

1）根據(jù)圖g的結(jié)點分類結(jié)果，為圖g中的每個結(jié)點賦相應的分類號i，；

2）在圖g最底部的中心位置，提取的取樣窗口，統(tǒng)計窗口內(nèi)各結(jié)點的分類號，取結(jié)點數(shù)最多的分類號作為道路結(jié)點分類號；

3）將圖g中道路結(jié)點分類號所對應的結(jié)點賦分類號為1，其它結(jié)點賦分類號為0；

4）通過上述步驟，可實現(xiàn)圖g中道路結(jié)點與非道路結(jié)點的二值化，從而實現(xiàn)道路圖像的二值化。