一種基于Gabor小波變換紋理描述的非結(jié)構(gòu)化道路檢測方法
【專利摘要】本發(fā)明涉及一種基于Gabor小波變換紋理描述的非結(jié)構(gòu)化道路檢測方法，是應(yīng)用在智能汽車平臺上的一種道路檢測方法。本發(fā)明針對原始道路圖像進(jìn)行Gabor小波變換，將獲取的小波模系數(shù)的均值和標(biāo)準(zhǔn)方差作為二維特征向量，利用Fisher線性判別分類(FLD)算法對特征向量進(jìn)行分類處理，獲取道路部分，最后采用隨機(jī)抽樣一致性(RANSAC)算法，對道路邊界進(jìn)行擬合，檢測出道路邊界。本發(fā)明能夠準(zhǔn)確的反映實(shí)際的路面情況，精確的檢測道路邊界線，具有良好的環(huán)境自適應(yīng)能力，增強(qiáng)了道路邊界檢測的魯棒性和抗干擾能力。
【專利說明】一種基于Gabor小波變換紋理描述的非結(jié)構(gòu)化道路檢測方 法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于圖像處理技術(shù)和模式識別【技術(shù)領(lǐng)域】，具體地涉及一種基于Gabor小波 變換紋理描述的非結(jié)構(gòu)化道路檢測方法。

【背景技術(shù)】
[0002] 近些年，隨著車輛自主駕駛系統(tǒng)的發(fā)展，國內(nèi)外很多研宄人員提出了相關(guān)的非結(jié) 構(gòu)化道路檢測算法?？偟膩碚f，基于單目視覺的道路檢測方法基本上可歸結(jié)為三大類方法， 一類是基于特征的識別方法，一類是基于模型的方法，還有一類是基于光照不變性的方法。 基于特征的識別方法主要是結(jié)合道路邊界圖像的一些特征，如顏色特征、灰度梯度特征等， 從所獲取的圖像中識別出道路邊界?；谔卣鞯淖R別方法可分為：基于灰度特征、基于彩色 特征和基于消失點(diǎn)的識別方法。基于模型的道路識別是指基于不同的道路模型，如直線模 型，采用不同的識別技術(shù)，如神經(jīng)網(wǎng)絡(luò)技術(shù)來對道路邊界進(jìn)行識別的方法?；谝曈X的道路 檢測在對圖像像素進(jìn)行分類時(shí)，常常由于光照條件導(dǎo)致的類內(nèi)方差有差異，而造成誤檢，于 是近三年來，基于光源不變性的道路識別方法成為研宄人員的一個(gè)研宄熱點(diǎn)。
[0003] 本發(fā)明涉及一種基于Gabor變換的道路檢測方法，是應(yīng)用在智能汽車平臺上的一 種道路檢測方法。本發(fā)明提出了一種Gabor紋理特征提取方法，針對原始道路圖像進(jìn)行 Gabor變換，將獲取的小波模系數(shù)的均值和標(biāo)準(zhǔn)方差作為二維特征向量，利用Fisher線性 判別分類（FLD)算法對特征向量進(jìn)行分類處理，獲取道路部分，最后采用隨機(jī)抽樣一致性 (RANSAC)算法，對道路邊界進(jìn)行擬合，檢測出道路邊界。


【發(fā)明內(nèi)容】

[0004] 本發(fā)明的目的在于提供一種基于Gabor小波變換紋理描述的非結(jié)構(gòu)化道路檢測 方法，實(shí)現(xiàn)對于非結(jié)構(gòu)化道路的檢測，降低光照對視覺檢測的影響。
[0005] 本發(fā)明采用的技術(shù)方案為：一種基于Gabor小波變換紋理描述的非結(jié)構(gòu)化道路檢 測方法，該方法包括以下步驟：
[0006] 步驟1，對于前方道路圖像，采用二維離散高斯函數(shù)進(jìn)行濾波平滑處理，基于平滑 后圖像，進(jìn)行空間轉(zhuǎn)換，即從RGB空間轉(zhuǎn)換至HSI空間，得到HSI空間上的前方道路圖像；
[0007] 步驟2,對于HSI前方道路圖像，采用Gabor濾波器組進(jìn)行濾波處理，獲取Gabor紋 理特征在不同尺度和不同方向下的實(shí)部和相應(yīng)的虛部；
[0008] 步驟3,利用獲取的實(shí)部和虛部計(jì)算Gabor小波模的系數(shù)，計(jì)算小波模系數(shù)的均值 和標(biāo)準(zhǔn)方差；
[0009] 步驟4,利用小波模系數(shù)的均值和標(biāo)準(zhǔn)方差構(gòu)建特征向量，采用Fisher線性判別 分類器（FisherLinearDiscriminant，F(xiàn)LD)對特征向量進(jìn)行分類，分為道路區(qū)域和非道路 區(qū)域兩個(gè)部分；
[0010] 步驟5,對于分類后得到的屬于道路區(qū)域的離散點(diǎn)，采用隨機(jī)抽樣一致性（random sampleconsensus，RANSAC)算法進(jìn)行道路邊界擬合，最終獲得檢測的道路邊界。
[0011] 本發(fā)明與現(xiàn)有技術(shù)相比的優(yōu)點(diǎn)在于：
[0012] (1)、本發(fā)明綜合采用Gabor小波變化描述道路紋理，能夠處理非結(jié)構(gòu)化道路的邊 界識別問題。
[0013] (2)、本發(fā)明采用對圖像的顏色空間轉(zhuǎn)換技術(shù)，能夠降低光照和陰影對非結(jié)構(gòu)化道 路的邊界識別的影響。
[0014] (3)、本發(fā)明采用RANSAC算法擬合道路邊界的技術(shù)，能夠減弱道路邊界噪聲點(diǎn)對 道路邊界擬合結(jié)果的影響。

【專利附圖】

【附圖說明】
[0015] 圖1是表示基于本發(fā)明的實(shí)施方式涉及的智能車輛的示意圖。
[0016] 圖2是表示基于本發(fā)明的實(shí)施方式的流程圖。
[0017] 圖3是表示基于本發(fā)明的實(shí)施方式涉及的原始道路示意圖。
[0018] 圖4是表示基于本發(fā)明的實(shí)施方式的道路圖像預(yù)處理的流程圖。
[0019] 圖5是表示基于Gabor變換后的道路圖像分割效果圖。
[0020] 圖6是表示基于RANSAC算法擬合道路邊界的效果圖。

【具體實(shí)施方式】
[0021] 為使本發(fā)明的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚明白，以下結(jié)合具體實(shí)施步驟，并配 合附圖，對本發(fā)明進(jìn)一步詳細(xì)說明。
[0022] 本發(fā)明的實(shí)施方式涉及的智能車輛如圖1所示。
[0023] 圖2是本發(fā)明基于Gabor變換道路邊界檢測方法的流程圖，如圖2所示，所述的基 于Gabor變換的道路邊界檢測方法包括以下步驟：
[0024] 步驟1，對于前方道路圖像，如圖3所示，采用二維離散高斯函數(shù)進(jìn)行濾波平滑處 理，基于平滑后圖像，進(jìn)行空間轉(zhuǎn)換，即從RGB空間轉(zhuǎn)換至HSI空間，得到HSI空間上的前方 道路圖像；
[0025] 圖4是圖像預(yù)處理流程圖，如圖4所示，所述步驟1進(jìn)一步包括以下步驟：
[0026] 步驟11，為了使接下來的處理具有更優(yōu)的性能，采用3*3的高斯模板進(jìn)行平滑處 理，其中，使用的二維高斯函數(shù)G(x，y)如下所示：
[0027]

【權(quán)利要求】
1. 一種基于Gabor小波變換紋理描述的非結(jié)構(gòu)化道路檢測方法，其特征在于，該方法 包括以下步驟： 步驟1，對于前方道路圖像，采用二維離散高斯函數(shù)進(jìn)行濾波平滑處理，基于平滑后圖 像，進(jìn)行空間轉(zhuǎn)換，從RGB空間轉(zhuǎn)換至HSI空間，得到HSI空間上的前方道路圖像； 步驟2,對于HIS空間上的前方道路圖像，采用Gabor小波濾波器組進(jìn)行濾波處理，獲取Gabor紋理特征在不同尺度和不同方向下的實(shí)部和虛部； 步驟3,利用獲取的實(shí)部和虛部計(jì)算Gabor小波模的系數(shù)，并計(jì)算小波模系數(shù)的均值和 標(biāo)準(zhǔn)方差； 步驟4,利用小波模系數(shù)的均值和標(biāo)準(zhǔn)方差構(gòu)建特征向量，采用Fisher線性判別分類 器（FisherLinearDiscriminant，F(xiàn)LD)對特征向量進(jìn)行分類，分為道路區(qū)域和非道路區(qū)域 兩個(gè)部分； 步驟5,對于分類后得到的屬于道路區(qū)域的離散點(diǎn)，采用隨機(jī)抽樣一致性（random sampleconsensus，RANSAC)算法進(jìn)行道路邊界擬合，最終獲得檢測的道路邊界。
2. 根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟1進(jìn)一步包括以下步驟： 步驟11，對所獲取的前方道路圖像，采用高斯模板進(jìn)行平滑處理； 步驟12,對平滑后得到的圖像，從RGB空間轉(zhuǎn)換至HSI空間。
3. 根據(jù)權(quán)利要求2所述的方法，其特征在于，所述步驟11中，二維高斯函數(shù)G(x，y)如 下所示：
其中，〇表示高斯濾波器的寬度，用來決定高斯平滑的程度，〇越大，高斯濾波器的頻 帶越寬，平滑效果越好。
4. 根據(jù)權(quán)利要求2所述的方法，其特征在于，所述步驟12中，色彩空間轉(zhuǎn)換采用下述公 式計(jì)算得到： 對于一幅RGB圖像，將其轉(zhuǎn)換至HSI空間，各分量由以下方法得到：
5. 根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟2中，具體方法為： 步驟21，將Gabor函數(shù)作為母波函數(shù)，對其進(jìn)行適度的尺度變換和旋轉(zhuǎn)變換，得到一組 自相似的濾波器，二維Gabor函數(shù)g(x，y)可以表示為：
將g(X，y)作為母波函數(shù)，通過對其進(jìn)行適當(dāng)?shù)某叨葦U(kuò)張和旋轉(zhuǎn)變換，可以得到一組自 相似的濾波器，即Gabor小波，表達(dá)方式如下： gmn(x，y) =a-mg(x'，y'），a>l，m和n為常數(shù)， 其中X' =a-m(xcos9+ysin9 )，y' =a-m(_xsin9+ycos9 )，9 =nJT/N，N表不總的 方向數(shù)目，nG[〇,N]，m和n分別代表相應(yīng)的尺度和方向，a_m是尺度因子，通過改變m和n 的值，即可得到一組方向和尺度都不相同的濾波器，參數(shù)的選擇參考具體實(shí)施步驟； 步驟23,由于Gabor濾波器組的非正交性，濾波后的圖像中會存在冗余信息，為了消除 冗余信息，在設(shè)計(jì)濾波器時(shí)，要確保Gabor濾波器組的響應(yīng)在頻譜上半峰幅值能相互接觸， 且互不重疊，記UpU1分別表示高頻和低頻的中心頻率，M為多分辨率分解的尺度數(shù)，N為所 有的方向數(shù)，〇 ^"分別表示尺度為m和方向?yàn)閚時(shí)空間域中高斯函數(shù)的帶寬，上 述公式中用到的參數(shù)分別定義如下： Uh=EIm-1U1,
6.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟3中，具體方法為： 步驟31，對于道路前方圖像F(x，y)，其Gabor小波變換可以表示為：
式中*代表其共軛復(fù)數(shù)； 步驟32,基于局部紋理區(qū)域具有空間一致性的假設(shè)，相應(yīng)的小波變換系數(shù)模的均值Himn 和標(biāo)準(zhǔn)方差〇mn分別表示如下： mmn=If|Gmn(x,y)Idxdy,
7. 根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟4中，具體方法為：用!11"和〇mn 作為分量，構(gòu)建特征向量X，即： X- [m〇〇) 0 〇〇)rn〇i> 0 〇d? ? ? >rn(M-i) (n-i)> 0 (m-i) (n-i)] °
8. 根據(jù)權(quán)利要求I所述的方法，其特征在于，所述步驟4中，具體包括以下步驟： 步驟41，輸入含有M*N個(gè)樣本組成的訓(xùn)練樣本集X， X- [m〇〇) 0 〇〇)rn〇i> 0 〇d? ? ? >rn(M-i) (n-i)> 0 (m-i) (n-i)] ? 步驟42,用&和、分別表示將樣本集X劃分的兩個(gè)類別，即屬于道路區(qū)域的wi和屬于 非道路區(qū)域的Wj,樣本集X中有Iii個(gè)樣本屬于wPnj個(gè)樣本屬于w』，則有rii+rij=M*N，計(jì)算 這兩個(gè)類別的均值向量如下：
步驟44,計(jì)算逆矩陣&1 ; 步驟45,求解樣本空間的最佳投影方向r: =S：{q\-q[), 步驟46,根據(jù)特征向量的投影位于分界點(diǎn)的哪一側(cè)，即判別特征向量的對應(yīng)點(diǎn)屬于道 路區(qū)域還是非道路區(qū)域。
9. 根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟5中，具體包括以下步驟： 步驟51，初始化迭代計(jì)數(shù)k= 1 ; 步驟52,從特征空間X中屬于道路區(qū)域的樣本中隨機(jī)選取y項(xiàng)并擬合一條曲線； 步驟53,給定偏差e和閾值t，且t_m>5。計(jì)算X中相對于模型的殘差在偏差e內(nèi)的 元素個(gè)數(shù)，如果元素個(gè)數(shù)大于閾值t，利用最小二乘法擬合模型曲線，且算法終止； 步驟54,給定算法迭代次數(shù)K，記r是一個(gè)隨機(jī)數(shù)據(jù)點(diǎn)在擬合模型的偏差e范圍內(nèi)的 概率，K= y;此時(shí)，令k=k+1，如果k〈K，跳轉(zhuǎn)至步驟52,直至算法終止，道路邊界擬合成 功。
【文檔編號】G06T7/00GK104504721SQ201510009063
【公開日】2015年4月8日 申請日期:2015年1月8日 優(yōu)先權(quán)日:2015年1月8日
【發(fā)明者】王智靈, 劉炫鈺, 梁華為, 梅濤 申請人:中國科學(xué)院合肥物質(zhì)科學(xué)研究院