技術(shù)特征：

1.結(jié)合特征和模型的道路檢測方法，其特征在于，包括以下步驟：

S1：通過攝像頭實(shí)時(shí)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(jìn)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(diǎn)進(jìn)行提取，使用條件概率密度傳播算法估計(jì)消失點(diǎn)位置，對道路消失點(diǎn)位置進(jìn)行跟蹤；

S5：使用將消失點(diǎn)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。

2.根據(jù)權(quán)利要求1所述的道路檢測方法，其特征在于，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(gè)像素點(diǎn)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(gè)輸入層節(jié)點(diǎn)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(diǎn)對各個(gè)輸入進(jìn)行加權(quán)求和，得到的標(biāo)量稱為凈激活，即：

${\mathrm{net}}_j=\underset{i=1}{\overset{d}{\mathrm{\Σ}}}{x}_i{\mathrm{\ω}}_{ji}+{\mathrm{\ω}}_{j0}=\underset{i=0}{\overset{d}{\mathrm{\Σ}}}{x}_i{\mathrm{\ω}}_{ji}={\mathrm{\ω}}_j^{i}x,$

其中，i為輸入層節(jié)點(diǎn)的索引，d為輸入層節(jié)點(diǎn)數(shù)，j為隱含層節(jié)點(diǎn)的索引，ω_ij為輸入層節(jié)點(diǎn)i到隱含層節(jié)點(diǎn)j的權(quán)值，ω_j0為附加特征值x₀＝1與附加權(quán)值ω₀的積；

每個(gè)隱含層節(jié)點(diǎn)以凈激活作為輸入，并激發(fā)一個(gè)輸出分量，這個(gè)分量是凈激活的非線性函數(shù)，選用非線性函數(shù)如下：

$y_j=f\left({\mathrm{net}}_j\right)=\tanh x_j=\frac{e^{x_j}-e^{-x_j}}{e^{x_j}+e^{-x_j}};$

S2-3：每個(gè)輸出層節(jié)點(diǎn)將接受隱含層節(jié)點(diǎn)的輸出信號，計(jì)算其凈激活：

${\mathrm{net}}_k=\underset{j=1}{\overset{{\mathrm{\η}}_H}{\Σ}}{y}_j{\mathrm{\ω}}_{kj}+{\mathrm{\ω}}_{k0}=\underset{j=0}{\overset{{\mathrm{\η}}_H}{\Σ}}{y}_j{\mathrm{\ω}}_{kj}={\mathrm{\ω}}_k^{j}y,$

其中，j為隱含層節(jié)點(diǎn)的索引，η_H為隱含層節(jié)點(diǎn)數(shù)，k為輸出層節(jié)點(diǎn)的索引，ω_kj為輸入層節(jié)點(diǎn)j到隱含層節(jié)點(diǎn)k的權(quán)值；

輸出層節(jié)點(diǎn)以類似方法激發(fā)輸出層分量：

$z_k=f\left({\mathrm{net}}_k\right)=\tanh y_k=\frac{e^{y_k}-e^{-y_k}}{e^{y_k}+e^{-y_k}};$

使用多層神經(jīng)網(wǎng)絡(luò)進(jìn)行分類判決的過程可以被描述為計(jì)算輸出層節(jié)點(diǎn)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(jìn)行優(yōu)化，具體如下：

(1)將圖像分割成N*N的方塊，每個(gè)方塊的四個(gè)角區(qū)域稱為角點(diǎn)，假設(shè)任意一個(gè)像素點(diǎn)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(diǎn)C∈{R,NR}，且角點(diǎn)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：

$p(C\∈R)=\underset{i=1}{\overset{N}{\Σ}}if(x_i\∈R)/N$

$p\left(C\∈NR\right)=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}if\left(x_i\∈NR\right)/N$

其中，N為角點(diǎn)區(qū)域內(nèi)像素點(diǎn)個(gè)數(shù)；

(2)依據(jù)分塊中四個(gè)角點(diǎn)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(gè)角點(diǎn)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：

$p(block\∈R)=\underset{i=1}{\overset{4}{\Σ}}p(C_i\∈R)/4;$

如果某分塊四個(gè)角點(diǎn)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：

$p(block\∈NR)=\underset{i=1}{\overset{4}{\Σ}}p(C_i\∈NR)/4;$

如果某分塊四個(gè)角點(diǎn)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(diǎn)，則該分塊屬于混合區(qū)域MIX，且隸屬概率為各角點(diǎn)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(gè)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。

3.根據(jù)權(quán)利要求1所述的道路檢測方法，其特征在于，道路的邊界點(diǎn)進(jìn)行提取方法如下：

S4-1：對圖像建立坐標(biāo)系，通常以圖像左上角為原點(diǎn)，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(diǎn)；

S4-2：對于每一行像素點(diǎn)序列，找出其中連續(xù)的屬于道路區(qū)域的像素點(diǎn)作為候選道路子線段，如果一行像素點(diǎn)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(biāo)，將其作為候選道路邊界點(diǎn)；

S4-4：將掃描點(diǎn)向下一行移動，直到所有像素點(diǎn)掃描完畢，記錄下所有候選道路邊界點(diǎn)集。

4.根據(jù)權(quán)利要求1所述的道路檢測方法，其特征在于，將消失點(diǎn)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(diǎn)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(diǎn)；

S5-2：通過第n幀道路消失點(diǎn)的位置的觀察值Zn,使用天劍概率密度傳播算法來計(jì)算第n+1幀道路消失點(diǎn)的位置的先驗(yàn)概率；

S5-3：根據(jù)步驟S5-2對第n+1幀消失點(diǎn)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(diǎn)集使用最小二乘法對道路的左右邊界線LRn+1和LRn+1進(jìn)行初步擬合，擬合的過程中，道路消失點(diǎn)的權(quán)重大于其他道路邊界點(diǎn)權(quán)值；

S5-4：計(jì)算所有提取的道路邊界點(diǎn)與擬合出的道路邊界方程之間的距離，如果某點(diǎn)與道路邊界方程距離大于所有道路邊界點(diǎn)與邊界方程之間距離的均值，該店將被排除，并根據(jù)該點(diǎn)的坐標(biāo)，尋找該點(diǎn)所在行的候選道路子線段，如果能找出一條子線段邊界點(diǎn)與道路邊界方程的距離接近，則替換該邊界點(diǎn)為候選道路邊界點(diǎn)，否則，排除該點(diǎn)；

S5-5：使用新的道路邊界點(diǎn)集與第n+1幀消失點(diǎn)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(jì)算LRn+1和LRn+1的交點(diǎn)作為第n+1幀道路消失點(diǎn)的觀察值Zn+1；

S5-6：使用條件概率密度傳播算法計(jì)算后驗(yàn)概率。