技術(shù)特征：

1.一種無人駕駛貨車，包括貨車和道路檢測裝置，其中貨車包括：貨廂底板和貨車后框，所述貨車后框固定在貨廂底板上，貨車后框內(nèi)設(shè)有貨車后門，其特征在于：還包括電機(jī)、鏈條、接觸開關(guān)，所述電機(jī)設(shè)在貨車底板上，所述貨車后門下端與貨廂底板通過鉸鏈相連，所述貨車后框頂部、電機(jī)輸出軸、貨車后門上端均設(shè)有鏈輪，鏈條套在鏈輪上，所述接觸開關(guān)設(shè)在貨車后框上與貨車后門上端相對應(yīng)，接觸開關(guān)與電機(jī)相連控制電機(jī)工作。

2.根據(jù)權(quán)利要求1所述的一種無人駕駛貨車，其特征是，所述貨車后框的頂部設(shè)有臺階，所述貨車后門上端與臺階面相配合。

3.根據(jù)權(quán)利要求2所述的一種無人駕駛貨車，其特征是，所述貨車后門的側(cè)邊上設(shè)有與貨車的側(cè)廂體相配合的鎖扣。

4.根據(jù)權(quán)利要求3所述的一種無人駕駛貨車，其特征是，道路檢測裝置包括依次連接的圖像采集模塊、彩色圖像預(yù)處理模塊和道路自適應(yīng)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(yù)處理模塊用于對彩色圖像進(jìn)行投影預(yù)處理，預(yù)處理時(shí)采用HSV模型，彩色圖像的預(yù)處理結(jié)果根據(jù)亮度分量V的數(shù)值在色調(diào)分量H、飽和度分量S、亮度分量V三個分量之間選擇，當(dāng)存在飽和度過低或者亮度過低或者過高時(shí)，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(diào)分量H進(jìn)行目標(biāo)提??；

所述道路自適應(yīng)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(yīng)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(yù)處理模塊預(yù)處理后的圖像進(jìn)行粗分割，其對預(yù)處理后的圖像進(jìn)行直方圖構(gòu)造，并采用直方圖多閾值法、以波谷點(diǎn)的位置作為閾值對預(yù)處理后的圖像進(jìn)行粗分割，采用如下算法對所述波谷點(diǎn)進(jìn)行選擇：

設(shè)P_i為灰度值為i的像素點(diǎn)在預(yù)處理后的圖像中出現(xiàn)的頻率，讓P_i與其相鄰的局部鄰域P_t作比較，P_t＝{P_i-n,...,P_i-1,P_i+1,...P_i+n}，參數(shù)n的取值范圍為[4,8]，表示P_t左右鄰域像頻范圍，P_t中最小頻率值為P_tmin，次最小頻率值為P_tmins，若則i是波谷點(diǎn)，若則i不是波谷點(diǎn)，定義谷點(diǎn)函數(shù)v(i)：

$v\left(i\right)=\left\{\begin{array}{cc}1,& P_i\≤\sqrt{P_{tmin}\·P_{t\min s}}\\ 0,& P_i\>\sqrt{P_{tmin}\·P_{t\min s}}\end{array}\right.$

對選出的所有谷點(diǎn)v(i)＝1，增加距離約束條件和概率約束條件，若相鄰谷點(diǎn)i和j之間的距離表示為d＝|i-j|，概率差表示為g＝|P_i-P_j|，設(shè)定距離參數(shù)D來反映波谷點(diǎn)之間應(yīng)保持的最小距離，且D_min和D_max分別為相鄰波谷點(diǎn)最小距離和最大距離，定義距離約束函數(shù)d(i)：

$d\left(i\right)=\left\{\begin{array}{c}1,d\≥D\\ 0,d\<D\end{array}\right.$

設(shè)定概率差參數(shù)G來反映波谷點(diǎn)間的閾值差,且G_min和G_max分別為相鄰波谷點(diǎn)間的最小概率差和最大概率差，定義概率差約束函數(shù)g(i)：

$g\left(i\right)=\left\{\begin{array}{c}1,g\≥G\\ 0,g\<G\end{array}\right.$

定義波谷點(diǎn)選擇函數(shù)為:

x(i)＝v(i)×d(i)×g(i)

式中，當(dāng)x(i)＝1時(shí)，表示波谷點(diǎn)被選中；

(2)道路識別子模塊：用于通過多神經(jīng)網(wǎng)絡(luò)檢測的方式對經(jīng)直方圖閾值粗分割子模塊分割后的區(qū)域進(jìn)行識別，進(jìn)而在多神經(jīng)網(wǎng)絡(luò)中選擇合適的神經(jīng)網(wǎng)絡(luò)對道路區(qū)域進(jìn)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(jīng)網(wǎng)絡(luò)包括N個神經(jīng)網(wǎng)絡(luò)，N∈[3,5]，其中每個神經(jīng)網(wǎng)絡(luò)的正負(fù)訓(xùn)練樣本來自放置在不同區(qū)域的多個窗口，設(shè)所述多神經(jīng)網(wǎng)絡(luò)表示為{W₁(μ₁,δ₁),W₂(μ₂,δ₂),...,W_N(μ_N,δ_N)}，μ和δ分別表示對應(yīng)于神經(jīng)網(wǎng)絡(luò)的正訓(xùn)練樣本和負(fù)訓(xùn)練樣本，則定義網(wǎng)絡(luò)選取模型為：

W＝{W_k(μ_k,δ_k),f(μ_k)＝1,f(δ_k)＝0,k∈[1,N]}

其中，W為最終選取的合適網(wǎng)絡(luò)，W_k(μ_k,δ_k)表示合適的神經(jīng)網(wǎng)絡(luò)，f(μ_k)表示神經(jīng)網(wǎng)絡(luò)W_k(μ_k,δ_k)的正訓(xùn)練樣本窗口檢測結(jié)果為1，f(δ_k)表示W(wǎng)_k(μ_k,δ_k)的負(fù)訓(xùn)練樣本窗口檢測結(jié)果為0；

(3)網(wǎng)絡(luò)訓(xùn)練子模塊，用于在道路識別子模塊運(yùn)作的同時(shí)使用合適網(wǎng)絡(luò)的訓(xùn)練樣本窗口提取的特征對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練；

(4)車輛引導(dǎo)線提取子模塊：用于提取車輛引導(dǎo)線，所述車輛引導(dǎo)線定義為道路區(qū)域和非道路區(qū)域的分界線。

5.根據(jù)權(quán)利要求4所述的一種無人駕駛貨車，其特征是，所述彩色圖像預(yù)處理模塊中，進(jìn)行目標(biāo)提取時(shí)基于HSV空間中顏色分量投影模型，投影公式為：

$V(x,y)=\left\{\begin{array}{cc}V(x,y)& V(x,y)\≥T_{V_1}orV(x,y)\≤T_{V_2}orS(x,y)\<T_s\\ H(x,y)\×\mathrm{\σ}+\mathrm{\ξ}& \left(otherwise\right)\end{array}\right.$

式中，當(dāng)不滿足時(shí)，將色調(diào)分量H投影到V平面；V(x,y)表示亮度分量V上對應(yīng)的點(diǎn)，H(x,y)為色調(diào)分量H上對應(yīng)的點(diǎn)，σ表示用于避免色調(diào)分量H和亮度分量V重合的拉伸因子，ξ是投影以后數(shù)值的分段，ξ＞σ，T_S為設(shè)定的飽和度閾值，為設(shè)定的亮度閾值。

6.根據(jù)權(quán)利要求5所述的一種無人駕駛貨車，其特征是，所述飽和度閾值和亮度閾值的取值分別為：T_s＝20。

7.根據(jù)權(quán)利要求6所述的一種無人駕駛貨車，其特征是，所述網(wǎng)絡(luò)訓(xùn)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(gòu)成的18個小波濾波器進(jìn)行Gabor小波變換，提取預(yù)處理后的圖像的紋理特征，同時(shí)采用10窗口提取預(yù)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(jīng)網(wǎng)絡(luò)構(gòu)建單元，用于根據(jù)所述22維特征構(gòu)建神經(jīng)網(wǎng)絡(luò)，神經(jīng)網(wǎng)絡(luò)包括輸入層、中間層和輸出層，輸入層設(shè)置22個神經(jīng)元，輸出層設(shè)置1個神經(jīng)元，輸出為1時(shí)表示道路區(qū)域，輸出為0時(shí)表示非道路區(qū)域；

(3)網(wǎng)絡(luò)訓(xùn)練單元，用于在車輛運(yùn)動過程中每隔2s對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。