本發(fā)明涉及清潔車領(lǐng)域，具體涉及一種能夠自主導(dǎo)航清潔車。
背景技術(shù)：
：汽車在給人們生活帶來極大方便的同時(shí)也帶來了很多社會(huì)問題：汽車造成的道路交通事故逐年大幅度增加、汽車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。在眾多的可用于車輛導(dǎo)航的信息中，視覺信息作為道路及外部環(huán)境的感知來源具有其他信息無法比擬的優(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。清潔車是指用于清潔衛(wèi)生的多功能清潔手推車或用于搬運(yùn)物料的手推車統(tǒng)稱為清潔車，廣泛應(yīng)用于賓館、商場(chǎng)、商業(yè)樓、房地產(chǎn)、酒店、醫(yī)院、學(xué)校、辦公室、圖書館、展覽中心、俱樂部、會(huì)所等公共場(chǎng)所的清潔作業(yè)和物料的搬運(yùn)。技術(shù)實(shí)現(xiàn)要素：針對(duì)上述問題，本發(fā)明提供一種能夠自主導(dǎo)航清潔車。本發(fā)明的目的采用以下技術(shù)方案來實(shí)現(xiàn)：一種能夠自主導(dǎo)航清潔車，包括清潔車和道路檢測(cè)裝置，其中清潔車包括：兩個(gè)側(cè)部吸嘴，兩個(gè)所述側(cè)部吸嘴沿所述道路清潔車輛的行進(jìn)方向錯(cuò)開，使得兩個(gè)所述側(cè)部吸嘴的清潔范圍在所述道路清潔車輛的寬度方向的中部具有重疊區(qū)域。優(yōu)選地，每個(gè)所述側(cè)部吸嘴包括吸嘴主體，所述吸嘴主體形成為Y形結(jié)構(gòu)并包括主體部和從所述主體部水平向外斜伸的分支部。優(yōu)選地，所述分支部的長(zhǎng)度和/或相對(duì)于所述主體部的傾角不同。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(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。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，用于在車輛運(yùn)動(dòng)過程中每隔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，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)顏色的主觀感受來描述顏色，所以比較符合人的視覺特征，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，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、在車輛運(yùn)動(dòng)過程中每隔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。附圖說明利用附圖對(duì)本發(fā)明作進(jìn)一步說明，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)明清潔車示意圖。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1參見圖1，圖2，本實(shí)施例一種能夠自主導(dǎo)航清潔車，包括清潔車和道路檢測(cè)裝置，其中清潔車包括：兩個(gè)側(cè)部吸嘴，兩個(gè)所述側(cè)部吸嘴沿所述道路清潔車輛的行進(jìn)方向錯(cuò)開，使得兩個(gè)所述側(cè)部吸嘴的清潔范圍在所述道路清潔車輛的寬度方向的中部具有重疊區(qū)域。優(yōu)選地，每個(gè)所述側(cè)部吸嘴包括吸嘴主體，所述吸嘴主體形成為Y形結(jié)構(gòu)并包括主體部和從所述主體部水平向外斜伸的分支部。優(yōu)選地，所述分支部的長(zhǎng)度和/或相對(duì)于所述主體部的傾角不同。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(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。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，用于在車輛運(yùn)動(dòng)過程中每隔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)在車輛運(yùn)動(dòng)過程中每隔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2參見圖1，圖2，本實(shí)施例一種能夠自主導(dǎo)航清潔車，包括清潔車和道路檢測(cè)裝置，其中清潔車包括：兩個(gè)側(cè)部吸嘴，兩個(gè)所述側(cè)部吸嘴沿所述道路清潔車輛的行進(jìn)方向錯(cuò)開，使得兩個(gè)所述側(cè)部吸嘴的清潔范圍在所述道路清潔車輛的寬度方向的中部具有重疊區(qū)域。優(yōu)選地，每個(gè)所述側(cè)部吸嘴包括吸嘴主體，所述吸嘴主體形成為Y形結(jié)構(gòu)并包括主體部和從所述主體部水平向外斜伸的分支部。優(yōu)選地，所述分支部的長(zhǎng)度和/或相對(duì)于所述主體部的傾角不同。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。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，用于在車輛運(yùn)動(dòng)過程中每隔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)在車輛運(yùn)動(dòng)過程中每隔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3參見圖1，圖2，本實(shí)施例一種能夠自主導(dǎo)航清潔車，包括清潔車和道路檢測(cè)裝置，其中清潔車包括：兩個(gè)側(cè)部吸嘴，兩個(gè)所述側(cè)部吸嘴沿所述道路清潔車輛的行進(jìn)方向錯(cuò)開，使得兩個(gè)所述側(cè)部吸嘴的清潔范圍在所述道路清潔車輛的寬度方向的中部具有重疊區(qū)域。優(yōu)選地，每個(gè)所述側(cè)部吸嘴包括吸嘴主體，所述吸嘴主體形成為Y形結(jié)構(gòu)并包括主體部和從所述主體部水平向外斜伸的分支部。優(yōu)選地，所述分支部的長(zhǎng)度和/或相對(duì)于所述主體部的傾角不同。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(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。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，用于在車輛運(yùn)動(dòng)過程中每隔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)在車輛運(yùn)動(dòng)過程中每隔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4參見圖1，圖2，本實(shí)施例一種能夠自主導(dǎo)航清潔車，包括清潔車和道路檢測(cè)裝置，其中清潔車包括：兩個(gè)側(cè)部吸嘴，兩個(gè)所述側(cè)部吸嘴沿所述道路清潔車輛的行進(jìn)方向錯(cuò)開，使得兩個(gè)所述側(cè)部吸嘴的清潔范圍在所述道路清潔車輛的寬度方向的中部具有重疊區(qū)域。優(yōu)選地，每個(gè)所述側(cè)部吸嘴包括吸嘴主體，所述吸嘴主體形成為Y形結(jié)構(gòu)并包括主體部和從所述主體部水平向外斜伸的分支部。優(yōu)選地，所述分支部的長(zhǎng)度和/或相對(duì)于所述主體部的傾角不同。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?。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。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，用于在車輛運(yùn)動(dòng)過程中每隔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)在車輛運(yùn)動(dòng)過程中每隔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5參見圖1，圖2，本實(shí)施例一種能夠自主導(dǎo)航清潔車，包括清潔車和道路檢測(cè)裝置，其中清潔車包括：兩個(gè)側(cè)部吸嘴，兩個(gè)所述側(cè)部吸嘴沿所述道路清潔車輛的行進(jìn)方向錯(cuò)開，使得兩個(gè)所述側(cè)部吸嘴的清潔范圍在所述道路清潔車輛的寬度方向的中部具有重疊區(qū)域。優(yōu)選地，每個(gè)所述側(cè)部吸嘴包括吸嘴主體，所述吸嘴主體形成為Y形結(jié)構(gòu)并包括主體部和從所述主體部水平向外斜伸的分支部。優(yōu)選地，所述分支部的長(zhǎng)度和/或相對(duì)于所述主體部的傾角不同。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。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，用于在車輛運(yùn)動(dòng)過程中每隔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)在車輛運(yùn)動(dòng)過程中每隔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)說明的是，以上實(shí)施例僅用以說明本發(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