本發(fā)明涉及智能車(chē)
技術(shù)領(lǐng)域：
，具體涉及一種無(wú)人駕駛壓路機(jī)。
背景技術(shù)：
：汽車(chē)在給人們生活帶來(lái)極大方便的同時(shí)也帶來(lái)了很多社會(huì)問(wèn)題：汽車(chē)造成的道路交通事故逐年大幅度增加、汽車(chē)造成的道路擁堵日益嚴(yán)重，造成大量的人員傷亡和財(cái)產(chǎn)損失。研究高效的車(chē)輛自主導(dǎo)航技術(shù)，是降低交通事故發(fā)生率的有效手段。在眾多的可用于車(chē)輛導(dǎo)航的信息中，視覺(jué)信息作為道路及外部環(huán)境的感知來(lái)源具有其他信息無(wú)法比擬的優(yōu)勢(shì)，而對(duì)道路進(jìn)行檢測(cè)成為擺在其面前的第一大難題。壓路機(jī)在工程機(jī)械中屬于道路設(shè)備的范疇，廣泛用于高等級(jí)公路、鐵路、機(jī)場(chǎng)跑道、大壩、體育場(chǎng)等大型工程項(xiàng)目的填方壓實(shí)作業(yè)，可以碾壓沙性、半粘性及粘性土壤、路基穩(wěn)定土及瀝青混凝土路面層。技術(shù)實(shí)現(xiàn)要素：針對(duì)上述問(wèn)題，本發(fā)明提供一種無(wú)人駕駛壓路機(jī)。本發(fā)明的目的采用以下技術(shù)方案來(lái)實(shí)現(xiàn)：一種無(wú)人駕駛壓路機(jī)，包括壓路機(jī)和道路檢測(cè)裝置，其中壓路機(jī)包括：前鋼輪、前叉腳、前車(chē)架，所述的前鋼輪通過(guò)前叉腳連接有前車(chē)架，前車(chē)架尾部通過(guò)鉸接架連接有后車(chē)架，后車(chē)架通過(guò)后叉腳連接有后鋼輪，其特征在于：所述的前車(chē)架上部設(shè)置有駕駛棚，駕駛棚內(nèi)部設(shè)置有駕駛室，前車(chē)架左右兩端垂直設(shè)置有腳踏板，前車(chē)架與前鋼輪之間上下設(shè)置有兩個(gè)刮泥板支座，后車(chē)架與后鋼輪之間上下設(shè)置有兩個(gè)刮泥板支座。優(yōu)選地，所述的腳踏板焊接在側(cè)板的矩形長(zhǎng)孔內(nèi)。優(yōu)選地，其特征是，所述的刮泥板支座中部的長(zhǎng)槽孔通過(guò)兩個(gè)螺栓連接前車(chē)架，刮泥板支座頭部通過(guò)螺栓連接有刮泥板。優(yōu)選地，所述道路檢測(cè)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(cè)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(duì)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(gè)分量之間選擇，當(dāng)存在飽和度過(guò)低或者亮度過(guò)低或者過(guò)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)提取；所述道路自適應(yīng)檢測(cè)模塊用于檢測(cè)、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(cè)模塊包括：(1)直方圖閾值粗分割子模塊，用于對(duì)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(duì)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(duì)預(yù)處理后的圖像進(jìn)行粗分割，采用如下算法對(duì)所述波谷點(diǎn)進(jìn)行選擇：設(shè)Pi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Pi與其相鄰的局部鄰域Pt作比較，Pt＝{Pi-n,...,Pi-1,Pi+1,...Pi+n}，參數(shù)n的取值范圍為[4,8]，表示Pt左右鄰域像頻范圍，Pt中最小頻率值為Ptmin，次最小頻率值為Ptmins，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(i)=1,Pi≤Ptmin·Ptmins0,Pi>Ptmin·Ptmins]]>對(duì)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＝|Pi-Pj|，設(shè)定距離參數(shù)D來(lái)反映波谷點(diǎn)之間應(yīng)保持的最小距離，且Dmin和Dmax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(i)=1,d≥D0,d<D]]>設(shè)定概率差參數(shù)G來(lái)反映波谷點(diǎn)間的閾值差,且Gmin和Gmax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(i)=1,g≥G0,g<G]]>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；(5)道路識(shí)別子模塊：用于通過(guò)多神經(jīng)網(wǎng)絡(luò)檢測(cè)的方式對(duì)經(jīng)直方圖閾值粗分割子模塊分割后的區(qū)域進(jìn)行識(shí)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(duì)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(gè)神經(jīng)網(wǎng)絡(luò)，N∈[3,5]，其中每個(gè)神經(jīng)網(wǎng)絡(luò)的正負(fù)訓(xùn)練樣本來(lái)自放置在不同區(qū)域的多個(gè)窗口，設(shè)所述多神經(jīng)網(wǎng)絡(luò)表示為{W1(μ1,δ1),W2(μ2,δ2),...,WN(μN(yùn),δN)}，μ和δ分別表示對(duì)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＝{Wk(μk,δk),f(μk)＝1,f(δk)＝0,k∈[1,N]}其中，W為最終選取的合適網(wǎng)絡(luò)，Wk(μk,δk)表示合適的神經(jīng)網(wǎng)絡(luò)，f(μk)表示神經(jīng)網(wǎng)絡(luò)Wk(μk,δk)的正訓(xùn)練樣本窗口檢測(cè)結(jié)果為1，f(δk)表示W(wǎng)k(μk,δk)的負(fù)訓(xùn)練樣本窗口檢測(cè)結(jié)果為0；(6)網(wǎng)絡(luò)訓(xùn)練子模塊，用于在道路識(shí)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(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練；(7)車(chē)輛引導(dǎo)線提取子模塊：用于提取車(chē)輛引導(dǎo)線，所述車(chē)輛引導(dǎo)線定義為道路區(qū)域和非道路區(qū)域的分界線。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)=V(x,y)V(x,y)≥TV1orV(x,y)≤TV2orS(x,y)<TsH(x,y)×σ+ξ(otherwise)]]>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(duì)應(yīng)的點(diǎn)，H(x,y)為色調(diào)分量H上對(duì)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，TS為設(shè)定的飽和度閾值，為設(shè)定的亮度閾值。優(yōu)選地，所述飽和度閾值和亮度閾值的取值分別為：Ts＝20。其中，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(gè)尺度和6個(gè)方向構(gòu)成的18個(gè)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(jí)，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(gè)神經(jīng)元，輸出層設(shè)置1個(gè)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(chē)輛運(yùn)動(dòng)過(guò)程中每隔2s對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。本發(fā)明的有益效果為：1、HSV空間把亮度分量單獨(dú)分離出來(lái)，為色彩的處理和識(shí)別提供了方便，另外HSV空間主要是以對(duì)顏色的主觀感受來(lái)描述顏色，所以比較符合人的視覺(jué)特征，建立HSV空間中顏色分量投影模型，把H分量投影到V平面，魯棒性較好，而且比較穩(wěn)定，能夠準(zhǔn)確的表達(dá)目標(biāo)固有的顏色特征，經(jīng)過(guò)處理后的彩色圖像跟灰度圖像一樣，都是二維的，數(shù)據(jù)量較小，大大簡(jiǎn)化了圖像分析和處理的工作量；2、實(shí)際在道路圖像中，包含多個(gè)目標(biāo)，背景也較為復(fù)雜，在直方圖中可能出現(xiàn)具有多個(gè)波峰和波谷的情況，用單閾值分割不能有效的分割出目標(biāo)區(qū)域，直方圖中波峰位置表示對(duì)應(yīng)顏色的像素在圖像中出現(xiàn)的頻率較高，波谷位置表示對(duì)應(yīng)的顏色像素出現(xiàn)的頻率較小，因此把波谷點(diǎn)位置作為閾值進(jìn)行分割，可以得到比較完整的區(qū)域；相近的波峰點(diǎn)或波谷點(diǎn)都將被選擇出來(lái)，這種情況下添加了距離約束條件和概率差約束條件，選出其中合理的波谷點(diǎn)；3、設(shè)置道路識(shí)別子模塊，通過(guò)多神經(jīng)網(wǎng)絡(luò)檢測(cè)的方式對(duì)經(jīng)直方圖閾值粗分割子模塊分割后的區(qū)域進(jìn)行識(shí)別，選擇合適的神經(jīng)網(wǎng)絡(luò)對(duì)道路區(qū)域進(jìn)行合并，將剩余區(qū)域直接映射到非道路區(qū)域，并定義網(wǎng)絡(luò)選取模型，提高了識(shí)別的效率；4、在車(chē)輛運(yùn)動(dòng)過(guò)程中每隔2s對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，達(dá)到對(duì)道路進(jìn)行自適應(yīng)檢測(cè)的要求。附圖說(shuō)明利用附圖對(duì)本發(fā)明作進(jìn)一步說(shuō)明，但附圖中的實(shí)施例不構(gòu)成對(duì)本發(fā)明的任何限制，對(duì)于本領(lǐng)域的普通技術(shù)人員，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù)以下附圖獲得其它的附圖。圖1是本發(fā)明道路檢測(cè)裝置各模塊的連接示意圖。圖2是本發(fā)明壓路機(jī)示意圖。具體實(shí)施方式結(jié)合以下實(shí)施例對(duì)本發(fā)明作進(jìn)一步描述。實(shí)施例1參見(jiàn)圖1，圖2，本實(shí)施例一種無(wú)人駕駛壓路機(jī)，包括壓路機(jī)和道路檢測(cè)裝置，其中壓路機(jī)包括：前鋼輪、前叉腳、前車(chē)架，所述的前鋼輪通過(guò)前叉腳連接有前車(chē)架，前車(chē)架尾部通過(guò)鉸接架連接有后車(chē)架，后車(chē)架通過(guò)后叉腳連接有后鋼輪，其特征在于：所述的前車(chē)架上部設(shè)置有駕駛棚，駕駛棚內(nèi)部設(shè)置有駕駛室，前車(chē)架左右兩端垂直設(shè)置有腳踏板，前車(chē)架與前鋼輪之間上下設(shè)置有兩個(gè)刮泥板支座，后車(chē)架與后鋼輪之間上下設(shè)置有兩個(gè)刮泥板支座。優(yōu)選地，所述的腳踏板焊接在側(cè)板的矩形長(zhǎng)孔內(nèi)。優(yōu)選地，其特征是，所述的刮泥板支座中部的長(zhǎng)槽孔通過(guò)兩個(gè)螺栓連接前車(chē)架，刮泥板支座頭部通過(guò)螺栓連接有刮泥板。優(yōu)選地，所述道路檢測(cè)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(cè)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(duì)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(gè)分量之間選擇，當(dāng)存在飽和度過(guò)低或者亮度過(guò)低或者過(guò)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)提取；所述道路自適應(yīng)檢測(cè)模塊用于檢測(cè)、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(cè)模塊包括：(1)直方圖閾值粗分割子模塊，用于對(duì)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(duì)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(duì)預(yù)處理后的圖像進(jìn)行粗分割，采用如下算法對(duì)所述波谷點(diǎn)進(jìn)行選擇：設(shè)Pi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Pi與其相鄰的局部鄰域Pt作比較，Pt＝{Pi-n,...,Pi-1,Pi+1,...Pi+n}，參數(shù)n的取值范圍為[4,8]，表示Pt左右鄰域像頻范圍，Pt中最小頻率值為Ptmin，次最小頻率值為Ptmins，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(i)=1,Pi≤Ptmin·Ptmins0,Pi>Ptmin·Ptmins]]>對(duì)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＝|Pi-Pj|，設(shè)定距離參數(shù)D來(lái)反映波谷點(diǎn)之間應(yīng)保持的最小距離，且Dmin和Dmax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(i)=1,d≥D0,d<D]]>設(shè)定概率差參數(shù)G來(lái)反映波谷點(diǎn)間的閾值差,且Gmin和Gmax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(i)=1,g≥G0,g<G]]>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；(8)道路識(shí)別子模塊：用于通過(guò)多神經(jīng)網(wǎng)絡(luò)檢測(cè)的方式對(duì)經(jīng)直方圖閾值粗分割子模塊分割后的區(qū)域進(jìn)行識(shí)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(duì)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(gè)神經(jīng)網(wǎng)絡(luò)，神經(jīng)網(wǎng)絡(luò)數(shù)目N∈[3,5]，其中每個(gè)神經(jīng)網(wǎng)絡(luò)的正負(fù)訓(xùn)練樣本來(lái)自放置在不同區(qū)域的多個(gè)窗口，設(shè)所述多神經(jīng)網(wǎng)絡(luò)表示為{W1(μ1,δ1),W2(μ2,δ2),...,WN(μN(yùn),δN)}，μ和δ分別表示對(duì)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＝{Wk(μk,δk),f(μk)＝1,f(δk)＝0,k∈[1,N]}其中，W為最終選取的合適網(wǎng)絡(luò)，Wk(μk,δk)表示合適的神經(jīng)網(wǎng)絡(luò)，f(μk)表示神經(jīng)網(wǎng)絡(luò)Wk(μk,δk)的正訓(xùn)練樣本窗口檢測(cè)結(jié)果為1，f(δk)表示W(wǎng)k(μk,δk)的負(fù)訓(xùn)練樣本窗口檢測(cè)結(jié)果為0；(9)網(wǎng)絡(luò)訓(xùn)練子模塊，用于在道路識(shí)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(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練；(10)車(chē)輛引導(dǎo)線提取子模塊：用于提取車(chē)輛引導(dǎo)線，所述車(chē)輛引導(dǎo)線定義為道路區(qū)域和非道路區(qū)域的分界線。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)=V(x,y)V(x,y)≥TV1orV(x,y)≤TV2orS(x,y)<TsH(x,y)×σ+ξ(otherwise)]]>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(duì)應(yīng)的點(diǎn)，H(x,y)為色調(diào)分量H上對(duì)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，TS為設(shè)定的飽和度閾值，為設(shè)定的亮度閾值。優(yōu)選地，所述飽和度閾值和亮度閾值的取值分別為：Ts＝20。其中，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(gè)尺度和6個(gè)方向構(gòu)成的18個(gè)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(jí)，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(gè)神經(jīng)元，輸出層設(shè)置1個(gè)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(chē)輛運(yùn)動(dòng)過(guò)程中每隔2s對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。本實(shí)施例設(shè)置彩色圖像預(yù)處理模塊，大大簡(jiǎn)化了圖像分析和處理的工作量；在直方圖閾值粗分割子模塊中，把波谷點(diǎn)位置作為閾值進(jìn)行分割，可以得到比較完整的區(qū)域；設(shè)置道路識(shí)別子模塊，通過(guò)多神經(jīng)網(wǎng)絡(luò)檢測(cè)的方式對(duì)經(jīng)直方圖閾值粗分割子模塊分割后的區(qū)域進(jìn)行識(shí)別，選擇合適的神經(jīng)網(wǎng)絡(luò)對(duì)道路區(qū)域進(jìn)行合并，將剩余區(qū)域直接映射到非道路區(qū)域，并定義網(wǎng)絡(luò)選取模型，提高了識(shí)別的效率，同時(shí)在車(chē)輛運(yùn)動(dòng)過(guò)程中每隔2s對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，達(dá)到對(duì)道路進(jìn)行自適應(yīng)檢測(cè)的要求；本實(shí)施例參數(shù)n取值為4，N取值為3，檢測(cè)效率相對(duì)提高了3％。實(shí)施例2參見(jiàn)圖1，圖2，本實(shí)施例一種無(wú)人駕駛壓路機(jī)，包括壓路機(jī)和道路檢測(cè)裝置，其中壓路機(jī)包括：前鋼輪、前叉腳、前車(chē)架，所述的前鋼輪通過(guò)前叉腳連接有前車(chē)架，前車(chē)架尾部通過(guò)鉸接架連接有后車(chē)架，后車(chē)架通過(guò)后叉腳連接有后鋼輪，其特征在于：所述的前車(chē)架上部設(shè)置有駕駛棚，駕駛棚內(nèi)部設(shè)置有駕駛室，前車(chē)架左右兩端垂直設(shè)置有腳踏板，前車(chē)架與前鋼輪之間上下設(shè)置有兩個(gè)刮泥板支座，后車(chē)架與后鋼輪之間上下設(shè)置有兩個(gè)刮泥板支座。優(yōu)選地，所述的腳踏板焊接在側(cè)板的矩形長(zhǎng)孔內(nèi)。優(yōu)選地，其特征是，所述的刮泥板支座中部的長(zhǎng)槽孔通過(guò)兩個(gè)螺栓連接前車(chē)架，刮泥板支座頭部通過(guò)螺栓連接有刮泥板。優(yōu)選地，所述道路檢測(cè)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(cè)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(duì)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(gè)分量之間選擇，當(dāng)存在飽和度過(guò)低或者亮度過(guò)低或者過(guò)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?。凰龅缆纷赃m應(yīng)檢測(cè)模塊用于檢測(cè)、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(cè)模塊包括：(1)直方圖閾值粗分割子模塊，用于對(duì)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(duì)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(duì)預(yù)處理后的圖像進(jìn)行粗分割，采用如下算法對(duì)所述波谷點(diǎn)進(jìn)行選擇：設(shè)Pi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Pi與其相鄰的局部鄰域Pt作比較，Pt＝{Pi-n,...,Pi-1,Pi+1,...Pi+n}，參數(shù)n的取值范圍為[4,8]，表示Pt左右鄰域像頻范圍，Pt中最小頻率值為Ptmin，次最小頻率值為Ptmins，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(i)=1,Pi≤Ptmin·Ptmins0,Pi>Ptmin·Ptmins]]>對(duì)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＝|Pi-Pj|，設(shè)定距離參數(shù)D來(lái)反映波谷點(diǎn)之間應(yīng)保持的最小距離，且Dmin和Dmax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(i)=1,d≥D0,d<D]]>設(shè)定概率差參數(shù)G來(lái)反映波谷點(diǎn)間的閾值差,且Gmin和Gmax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(i)=1,g≥G0,g<G]]>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；(11)道路識(shí)別子模塊：用于通過(guò)多神經(jīng)網(wǎng)絡(luò)檢測(cè)的方式對(duì)經(jīng)直方圖閾值粗分割子模塊分割后的區(qū)域進(jìn)行識(shí)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(duì)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(gè)神經(jīng)網(wǎng)絡(luò)，神經(jīng)網(wǎng)絡(luò)數(shù)目N∈[3,5]，其中每個(gè)神經(jīng)網(wǎng)絡(luò)的正負(fù)訓(xùn)練樣本來(lái)自放置在不同區(qū)域的多個(gè)窗口，設(shè)所述多神經(jīng)網(wǎng)絡(luò)表示為{W1(μ1,δ1),W2(μ2,δ2),...,WN(μN(yùn),δN)}，μ和δ分別表示對(duì)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＝{Wk(μk,δk),f(μk)＝1,f(δk)＝0,k∈[1,N]}其中，W為最終選取的合適網(wǎng)絡(luò)，Wk(μk,δk)表示合適的神經(jīng)網(wǎng)絡(luò)，f(μk)表示神經(jīng)網(wǎng)絡(luò)Wk(μk,δk)的正訓(xùn)練樣本窗口檢測(cè)結(jié)果為1，f(δk)表示W(wǎng)k(μk,δk)的負(fù)訓(xùn)練樣本窗口檢測(cè)結(jié)果為0；(12)網(wǎng)絡(luò)訓(xùn)練子模塊，用于在道路識(shí)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(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練；(13)車(chē)輛引導(dǎo)線提取子模塊：用于提取車(chē)輛引導(dǎo)線，所述車(chē)輛引導(dǎo)線定義為道路區(qū)域和非道路區(qū)域的分界線。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)=V(x,y)V(x,y)≥TV1orV(x,y)≤TV2orS(x,y)<TsH(x,y)×σ+ξ(otherwise)]]>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(duì)應(yīng)的點(diǎn)，H(x,y)為色調(diào)分量H上對(duì)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，TS為設(shè)定的飽和度閾值，為設(shè)定的亮度閾值。優(yōu)選地，所述飽和度閾值和亮度閾值的取值分別為：Ts＝20。其中，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(gè)尺度和6個(gè)方向構(gòu)成的18個(gè)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(jí)，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(gè)神經(jīng)元，輸出層設(shè)置1個(gè)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(chē)輛運(yùn)動(dòng)過(guò)程中每隔2s對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。本實(shí)施例設(shè)置彩色圖像預(yù)處理模塊，大大簡(jiǎn)化了圖像分析和處理的工作量；在直方圖閾值粗分割子模塊中，把波谷點(diǎn)位置作為閾值進(jìn)行分割，可以得到比較完整的區(qū)域；設(shè)置道路識(shí)別子模塊，通過(guò)多神經(jīng)網(wǎng)絡(luò)檢測(cè)的方式對(duì)經(jīng)直方圖閾值粗分割子模塊分割后的區(qū)域進(jìn)行識(shí)別，選擇合適的神經(jīng)網(wǎng)絡(luò)對(duì)道路區(qū)域進(jìn)行合并，將剩余區(qū)域直接映射到非道路區(qū)域，并定義網(wǎng)絡(luò)選取模型，提高了識(shí)別的效率，同時(shí)在車(chē)輛運(yùn)動(dòng)過(guò)程中每隔2s對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，達(dá)到對(duì)道路進(jìn)行自適應(yīng)檢測(cè)的要求；本實(shí)施例參數(shù)n取值為5，N取值為3，檢測(cè)效率相對(duì)提高了3.2％。實(shí)施例3參見(jiàn)圖1，圖2，本實(shí)施例一種無(wú)人駕駛壓路機(jī)，包括壓路機(jī)和道路檢測(cè)裝置，其中壓路機(jī)包括：前鋼輪、前叉腳、前車(chē)架，所述的前鋼輪通過(guò)前叉腳連接有前車(chē)架，前車(chē)架尾部通過(guò)鉸接架連接有后車(chē)架，后車(chē)架通過(guò)后叉腳連接有后鋼輪，其特征在于：所述的前車(chē)架上部設(shè)置有駕駛棚，駕駛棚內(nèi)部設(shè)置有駕駛室，前車(chē)架左右兩端垂直設(shè)置有腳踏板，前車(chē)架與前鋼輪之間上下設(shè)置有兩個(gè)刮泥板支座，后車(chē)架與后鋼輪之間上下設(shè)置有兩個(gè)刮泥板支座。優(yōu)選地，所述的腳踏板焊接在側(cè)板的矩形長(zhǎng)孔內(nèi)。優(yōu)選地，其特征是，所述的刮泥板支座中部的長(zhǎng)槽孔通過(guò)兩個(gè)螺栓連接前車(chē)架，刮泥板支座頭部通過(guò)螺栓連接有刮泥板。優(yōu)選地，所述道路檢測(cè)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(cè)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(duì)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(gè)分量之間選擇，當(dāng)存在飽和度過(guò)低或者亮度過(guò)低或者過(guò)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(cè)模塊用于檢測(cè)、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(cè)模塊包括：(1)直方圖閾值粗分割子模塊，用于對(duì)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(duì)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(duì)預(yù)處理后的圖像進(jìn)行粗分割，采用如下算法對(duì)所述波谷點(diǎn)進(jìn)行選擇：設(shè)Pi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Pi與其相鄰的局部鄰域Pt作比較，Pt＝{Pi-n,...,Pi-1,Pi+1,...Pi+n}，參數(shù)n的取值范圍為[4,8]，表示Pt左右鄰域像頻范圍，Pt中最小頻率值為Ptmin，次最小頻率值為Ptmins，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(i)=1,Pi≤Ptmin·Ptmins0,Pi>Ptmin·Ptmins]]>對(duì)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＝|Pi-Pj|，設(shè)定距離參數(shù)D來(lái)反映波谷點(diǎn)之間應(yīng)保持的最小距離，且Dmin和Dmax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(i)=1,d≥D0,d<D]]>設(shè)定概率差參數(shù)G來(lái)反映波谷點(diǎn)間的閾值差,且Gmin和Gmax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(i)=1,g≥G0,g<G]]>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；(14)道路識(shí)別子模塊：用于通過(guò)多神經(jīng)網(wǎng)絡(luò)檢測(cè)的方式對(duì)經(jīng)直方圖閾值粗分割子模塊分割后的區(qū)域進(jìn)行識(shí)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(duì)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(gè)神經(jīng)網(wǎng)絡(luò)，神經(jīng)網(wǎng)絡(luò)數(shù)目N∈[3,5]，其中每個(gè)神經(jīng)網(wǎng)絡(luò)的正負(fù)訓(xùn)練樣本來(lái)自放置在不同區(qū)域的多個(gè)窗口，設(shè)所述多神經(jīng)網(wǎng)絡(luò)表示為{W1(μ1,δ1),W2(μ2,δ2),...,WN(μN(yùn),δN)}，μ和δ分別表示對(duì)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＝{Wk(μk,δk),f(μk)＝1,f(δk)＝0,k∈[1,N]}其中，W為最終選取的合適網(wǎng)絡(luò)，Wk(μk,δk)表示合適的神經(jīng)網(wǎng)絡(luò)，f(μk)表示神經(jīng)網(wǎng)絡(luò)Wk(μk,δk)的正訓(xùn)練樣本窗口檢測(cè)結(jié)果為1，f(δk)表示W(wǎng)k(μk,δk)的負(fù)訓(xùn)練樣本窗口檢測(cè)結(jié)果為0；(15)網(wǎng)絡(luò)訓(xùn)練子模塊，用于在道路識(shí)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(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練；(16)車(chē)輛引導(dǎo)線提取子模塊：用于提取車(chē)輛引導(dǎo)線，所述車(chē)輛引導(dǎo)線定義為道路區(qū)域和非道路區(qū)域的分界線。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)=V(x,y)V(x,y)≥TV1orV(x,y)≤TV2orS(x,y)<TsH(x,y)×σ+ξ(otherwise)]]>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(duì)應(yīng)的點(diǎn)，H(x,y)為色調(diào)分量H上對(duì)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，TS為設(shè)定的飽和度閾值，為設(shè)定的亮度閾值。優(yōu)選地，所述飽和度閾值和亮度閾值的取值分別為：Ts＝20。其中，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(gè)尺度和6個(gè)方向構(gòu)成的18個(gè)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(jí)，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(gè)神經(jīng)元，輸出層設(shè)置1個(gè)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(chē)輛運(yùn)動(dòng)過(guò)程中每隔2s對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。本實(shí)施例設(shè)置彩色圖像預(yù)處理模塊，大大簡(jiǎn)化了圖像分析和處理的工作量；在直方圖閾值粗分割子模塊中，把波谷點(diǎn)位置作為閾值進(jìn)行分割，可以得到比較完整的區(qū)域；設(shè)置道路識(shí)別子模塊，通過(guò)多神經(jīng)網(wǎng)絡(luò)檢測(cè)的方式對(duì)經(jīng)直方圖閾值粗分割子模塊分割后的區(qū)域進(jìn)行識(shí)別，選擇合適的神經(jīng)網(wǎng)絡(luò)對(duì)道路區(qū)域進(jìn)行合并，將剩余區(qū)域直接映射到非道路區(qū)域，并定義網(wǎng)絡(luò)選取模型，提高了識(shí)別的效率，同時(shí)在車(chē)輛運(yùn)動(dòng)過(guò)程中每隔2s對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，達(dá)到對(duì)道路進(jìn)行自適應(yīng)檢測(cè)的要求；本實(shí)施例參數(shù)n取值為6，N取值為4，檢測(cè)效率相對(duì)提高了3.5％。實(shí)施例4參見(jiàn)圖1，圖2，本實(shí)施例一種無(wú)人駕駛壓路機(jī)，包括壓路機(jī)和道路檢測(cè)裝置，其中壓路機(jī)包括：前鋼輪、前叉腳、前車(chē)架，所述的前鋼輪通過(guò)前叉腳連接有前車(chē)架，前車(chē)架尾部通過(guò)鉸接架連接有后車(chē)架，后車(chē)架通過(guò)后叉腳連接有后鋼輪，其特征在于：所述的前車(chē)架上部設(shè)置有駕駛棚，駕駛棚內(nèi)部設(shè)置有駕駛室，前車(chē)架左右兩端垂直設(shè)置有腳踏板，前車(chē)架與前鋼輪之間上下設(shè)置有兩個(gè)刮泥板支座，后車(chē)架與后鋼輪之間上下設(shè)置有兩個(gè)刮泥板支座。優(yōu)選地，所述的腳踏板焊接在側(cè)板的矩形長(zhǎng)孔內(nèi)。優(yōu)選地，其特征是，所述的刮泥板支座中部的長(zhǎng)槽孔通過(guò)兩個(gè)螺栓連接前車(chē)架，刮泥板支座頭部通過(guò)螺栓連接有刮泥板。優(yōu)選地，所述道路檢測(cè)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(cè)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(duì)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(gè)分量之間選擇，當(dāng)存在飽和度過(guò)低或者亮度過(guò)低或者過(guò)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)提取；所述道路自適應(yīng)檢測(cè)模塊用于檢測(cè)、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(cè)模塊包括：(1)直方圖閾值粗分割子模塊，用于對(duì)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(duì)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(duì)預(yù)處理后的圖像進(jìn)行粗分割，采用如下算法對(duì)所述波谷點(diǎn)進(jìn)行選擇：設(shè)Pi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Pi與其相鄰的局部鄰域Pt作比較，Pt＝{Pi-n,...,Pi-1,Pi+1,...Pi+n}，參數(shù)n的取值范圍為[4,8]，表示Pt左右鄰域像頻范圍，Pt中最小頻率值為Ptmin，次最小頻率值為Ptmins，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(i)=1,Pi≤Ptmin·Ptmins0,Pi>Ptmin·Ptmins]]>對(duì)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＝|Pi-Pj|，設(shè)定距離參數(shù)D來(lái)反映波谷點(diǎn)之間應(yīng)保持的最小距離，且Dmin和Dmax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(i)=1,d≥D0,d<D]]>設(shè)定概率差參數(shù)G來(lái)反映波谷點(diǎn)間的閾值差,且Gmin和Gmax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(i)=1,g≥G0,g<G]]>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；(17)道路識(shí)別子模塊：用于通過(guò)多神經(jīng)網(wǎng)絡(luò)檢測(cè)的方式對(duì)經(jīng)直方圖閾值粗分割子模塊分割后的區(qū)域進(jìn)行識(shí)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(duì)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(gè)神經(jīng)網(wǎng)絡(luò)，神經(jīng)網(wǎng)絡(luò)數(shù)目N∈[3,5]，其中每個(gè)神經(jīng)網(wǎng)絡(luò)的正負(fù)訓(xùn)練樣本來(lái)自放置在不同區(qū)域的多個(gè)窗口，設(shè)所述多神經(jīng)網(wǎng)絡(luò)表示為{W1(μ1,δ1),W2(μ2,δ2),...,WN(μN(yùn),δN)}，μ和δ分別表示對(duì)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＝{Wk(μk,δk),f(μk)＝1,f(δk)＝0,k∈[1,N]}其中，W為最終選取的合適網(wǎng)絡(luò)，Wk(μk,δk)表示合適的神經(jīng)網(wǎng)絡(luò)，f(μk)表示神經(jīng)網(wǎng)絡(luò)Wk(μk,δk)的正訓(xùn)練樣本窗口檢測(cè)結(jié)果為1，f(δk)表示W(wǎng)k(μk,δk)的負(fù)訓(xùn)練樣本窗口檢測(cè)結(jié)果為0；(18)網(wǎng)絡(luò)訓(xùn)練子模塊，用于在道路識(shí)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(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練；(19)車(chē)輛引導(dǎo)線提取子模塊：用于提取車(chē)輛引導(dǎo)線，所述車(chē)輛引導(dǎo)線定義為道路區(qū)域和非道路區(qū)域的分界線。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)=V(x,y)V(x,y)≥TV1orV(x,y)≤TV2orS(x,y)<TsH(x,y)×σ+ξ(otherwise)]]>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(duì)應(yīng)的點(diǎn)，H(x,y)為色調(diào)分量H上對(duì)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，TS為設(shè)定的飽和度閾值，為設(shè)定的亮度閾值。優(yōu)選地，所述飽和度閾值和亮度閾值的取值分別為：Ts＝20。其中，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(gè)尺度和6個(gè)方向構(gòu)成的18個(gè)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(jí)，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(gè)神經(jīng)元，輸出層設(shè)置1個(gè)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(chē)輛運(yùn)動(dòng)過(guò)程中每隔2s對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。本實(shí)施例設(shè)置彩色圖像預(yù)處理模塊，大大簡(jiǎn)化了圖像分析和處理的工作量；在直方圖閾值粗分割子模塊中，把波谷點(diǎn)位置作為閾值進(jìn)行分割，可以得到比較完整的區(qū)域；設(shè)置道路識(shí)別子模塊，通過(guò)多神經(jīng)網(wǎng)絡(luò)檢測(cè)的方式對(duì)經(jīng)直方圖閾值粗分割子模塊分割后的區(qū)域進(jìn)行識(shí)別，選擇合適的神經(jīng)網(wǎng)絡(luò)對(duì)道路區(qū)域進(jìn)行合并，將剩余區(qū)域直接映射到非道路區(qū)域，并定義網(wǎng)絡(luò)選取模型，提高了識(shí)別的效率，同時(shí)在車(chē)輛運(yùn)動(dòng)過(guò)程中每隔2s對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，達(dá)到對(duì)道路進(jìn)行自適應(yīng)檢測(cè)的要求；本實(shí)施例參數(shù)n取值為7，N取值為4，檢測(cè)效率相對(duì)提高了3.8％。實(shí)施例5參見(jiàn)圖1，圖2，本實(shí)施例一種無(wú)人駕駛壓路機(jī)，包括壓路機(jī)和道路檢測(cè)裝置，其中壓路機(jī)包括：前鋼輪、前叉腳、前車(chē)架，所述的前鋼輪通過(guò)前叉腳連接有前車(chē)架，前車(chē)架尾部通過(guò)鉸接架連接有后車(chē)架，后車(chē)架通過(guò)后叉腳連接有后鋼輪，其特征在于：所述的前車(chē)架上部設(shè)置有駕駛棚，駕駛棚內(nèi)部設(shè)置有駕駛室，前車(chē)架左右兩端垂直設(shè)置有腳踏板，前車(chē)架與前鋼輪之間上下設(shè)置有兩個(gè)刮泥板支座，后車(chē)架與后鋼輪之間上下設(shè)置有兩個(gè)刮泥板支座。優(yōu)選地，所述的腳踏板焊接在側(cè)板的矩形長(zhǎng)孔內(nèi)。優(yōu)選地，其特征是，所述的刮泥板支座中部的長(zhǎng)槽孔通過(guò)兩個(gè)螺栓連接前車(chē)架，刮泥板支座頭部通過(guò)螺栓連接有刮泥板。優(yōu)選地，所述道路檢測(cè)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(cè)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(duì)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(gè)分量之間選擇，當(dāng)存在飽和度過(guò)低或者亮度過(guò)低或者過(guò)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(cè)模塊用于檢測(cè)、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(cè)模塊包括：(1)直方圖閾值粗分割子模塊，用于對(duì)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(duì)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(duì)預(yù)處理后的圖像進(jìn)行粗分割，采用如下算法對(duì)所述波谷點(diǎn)進(jìn)行選擇：設(shè)Pi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Pi與其相鄰的局部鄰域Pt作比較，Pt＝{Pi-n,...,Pi-1,Pi+1,...Pi+n}，參數(shù)n的取值范圍為[4,8]，表示Pt左右鄰域像頻范圍，Pt中最小頻率值為Ptmin，次最小頻率值為Ptmins，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(i)=1,Pi≤Ptmin·Ptmins0,Pi>Ptmin·Ptmins]]>對(duì)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＝|Pi-Pj|，設(shè)定距離參數(shù)D來(lái)反映波谷點(diǎn)之間應(yīng)保持的最小距離，且Dmin和Dmax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(i)=1,d≥D0,d<D]]>設(shè)定概率差參數(shù)G來(lái)反映波谷點(diǎn)間的閾值差,且Gmin和Gmax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(i)=1,g≥G0,g<G]]>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；(20)道路識(shí)別子模塊：用于通過(guò)多神經(jīng)網(wǎng)絡(luò)檢測(cè)的方式對(duì)經(jīng)直方圖閾值粗分割子模塊分割后的區(qū)域進(jìn)行識(shí)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(duì)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(gè)神經(jīng)網(wǎng)絡(luò)，神經(jīng)網(wǎng)絡(luò)數(shù)目N∈[3,5]，其中每個(gè)神經(jīng)網(wǎng)絡(luò)的正負(fù)訓(xùn)練樣本來(lái)自放置在不同區(qū)域的多個(gè)窗口，設(shè)所述多神經(jīng)網(wǎng)絡(luò)表示為{W1(μ1,δ1),W2(μ2,δ2),...,WN(μN(yùn),δN)}，μ和δ分別表示對(duì)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＝{Wk(μk,δk),f(μk)＝1,f(δk)＝0,k∈[1,N]}其中，W為最終選取的合適網(wǎng)絡(luò)，Wk(μk,δk)表示合適的神經(jīng)網(wǎng)絡(luò)，f(μk)表示神經(jīng)網(wǎng)絡(luò)Wk(μk,δk)的正訓(xùn)練樣本窗口檢測(cè)結(jié)果為1，f(δk)表示W(wǎng)k(μk,δk)的負(fù)訓(xùn)練樣本窗口檢測(cè)結(jié)果為0；(21)網(wǎng)絡(luò)訓(xùn)練子模塊，用于在道路識(shí)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(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練；(22)車(chē)輛引導(dǎo)線提取子模塊：用于提取車(chē)輛引導(dǎo)線，所述車(chē)輛引導(dǎo)線定義為道路區(qū)域和非道路區(qū)域的分界線。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)=V(x,y)V(x,y)≥TV1orV(x,y)≤TV2orS(x,y)<TsH(x,y)×σ+ξ(otherwise)]]>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(duì)應(yīng)的點(diǎn)，H(x,y)為色調(diào)分量H上對(duì)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，TS為設(shè)定的飽和度閾值，為設(shè)定的亮度閾值。優(yōu)選地，所述飽和度閾值和亮度閾值的取值分別為：Ts＝20。其中，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(gè)尺度和6個(gè)方向構(gòu)成的18個(gè)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(jí)，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(gè)神經(jīng)元，輸出層設(shè)置1個(gè)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(chē)輛運(yùn)動(dòng)過(guò)程中每隔2s對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。本實(shí)施例設(shè)置彩色圖像預(yù)處理模塊，大大簡(jiǎn)化了圖像分析和處理的工作量；在直方圖閾值粗分割子模塊中，把波谷點(diǎn)位置作為閾值進(jìn)行分割，可以得到比較完整的區(qū)域；設(shè)置道路識(shí)別子模塊，通過(guò)多神經(jīng)網(wǎng)絡(luò)檢測(cè)的方式對(duì)經(jīng)直方圖閾值粗分割子模塊分割后的區(qū)域進(jìn)行識(shí)別，選擇合適的神經(jīng)網(wǎng)絡(luò)對(duì)道路區(qū)域進(jìn)行合并，將剩余區(qū)域直接映射到非道路區(qū)域，并定義網(wǎng)絡(luò)選取模型，提高了識(shí)別的效率，同時(shí)在車(chē)輛運(yùn)動(dòng)過(guò)程中每隔2s對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，達(dá)到對(duì)道路進(jìn)行自適應(yīng)檢測(cè)的要求；本實(shí)施例參數(shù)n取值為8，N取值為5，檢測(cè)效率相對(duì)提高了3.4％。最后應(yīng)當(dāng)說(shuō)明的是，以上實(shí)施例僅用以說(shuō)明本發(fā)明的技術(shù)方案，而非對(duì)本發(fā)明保護(hù)范圍的限制，盡管參照較佳實(shí)施例對(duì)本發(fā)明作了詳細(xì)地說(shuō)明，本領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解，可以對(duì)本發(fā)明的技術(shù)方案進(jìn)行修改或者等同替換，而不脫離本發(fā)明技術(shù)方案的實(shí)質(zhì)和范圍。當(dāng)前第1頁(yè)1 2 3