本發(fā)明具體涉及一種基于圖模型的道路檢測(cè)方法。

背景技術(shù)：

移動(dòng)機(jī)器人近年發(fā)展迅速且具有廣闊的應(yīng)用前景.室外移動(dòng)機(jī)器人作為移動(dòng)機(jī)器人的一種，具有重要的研究和應(yīng)用價(jià)值，一直是機(jī)器人領(lǐng)域的研究熱點(diǎn)。為實(shí)現(xiàn)室外移動(dòng)機(jī)器人自主導(dǎo)航，現(xiàn)有移動(dòng)機(jī)器人普遍裝備視覺(jué)傳感器。在機(jī)器人處理的眾多視覺(jué)信息中，道路信息是最關(guān)鍵的視覺(jué)信息之一。道路檢測(cè)技術(shù)是實(shí)現(xiàn)移動(dòng)機(jī)器人視覺(jué)導(dǎo)航的關(guān)鍵，也是實(shí)現(xiàn)機(jī)器人智能導(dǎo)航的核心技術(shù)之一。

現(xiàn)有室外移動(dòng)機(jī)器人道路檢測(cè)研究主要集中在結(jié)構(gòu)化道路檢測(cè)和非結(jié)構(gòu)化道路檢測(cè)兩個(gè)方面。結(jié)構(gòu)化道路是指具有明顯車道線和道路邊界的道路，如高速公路。結(jié)構(gòu)化道路檢測(cè)問(wèn)題可簡(jiǎn)化為道路車道線和道路邊界的檢測(cè)問(wèn)題，其相關(guān)技術(shù)研究時(shí)間較長(zhǎng)且已取得較豐碩的研究成果，有些技術(shù)已成功應(yīng)用到智能車的視覺(jué)導(dǎo)航系統(tǒng)。與結(jié)構(gòu)化道路相比，非結(jié)構(gòu)化道路一般是指沒(méi)有明顯車道線和清晰道路邊界的道路，如鄉(xiāng)村道路。

目前，針對(duì)非結(jié)構(gòu)化道路的道路檢測(cè)技術(shù)尚處于研究階段，其檢測(cè)方法主要包括基于模型的方法、基于特征的方法、基于學(xué)習(xí)的方法和其它檢測(cè)方法。由于非結(jié)構(gòu)化道路的復(fù)雜性和多樣性，目前尚不存在一種成熟且實(shí)用的非結(jié)構(gòu)化道路檢測(cè)方法.室外移動(dòng)機(jī)器人除應(yīng)用于具有明顯車道線的結(jié)構(gòu)化高速公路和完全非結(jié)構(gòu)化的野外環(huán)境外，城市環(huán)境、校園環(huán)境和居民區(qū)環(huán)境也是移動(dòng)機(jī)器人應(yīng)用的重要場(chǎng)所。使移動(dòng)機(jī)器人能低速運(yùn)行在這類環(huán)境下是機(jī)器人研究的重點(diǎn)之一。與高速公路和野外環(huán)境相比，上述環(huán)境中的道路具有其明顯的特點(diǎn)。如城市道路的路面普遍經(jīng)過(guò)硬化，路面較平整，一致性相對(duì)較好；道路中常有行人和車輛等障礙物，對(duì)道路形狀進(jìn)行建模較困難；道路結(jié)構(gòu)化程度介于結(jié)構(gòu)化和完全非結(jié)構(gòu)化道路之間，道路路況和結(jié)構(gòu)化程度差異較大等。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明要解決的技術(shù)問(wèn)題是提供一種基于圖模型的道路檢測(cè)方法。

一種基于圖模型的道路檢測(cè)方法，包括以下步驟：

s1：將道路圖像劃分為子圖，計(jì)算子圖特征向量，生成圖模型結(jié)點(diǎn)集；

s2：提出相近半徑概念，計(jì)算相近結(jié)點(diǎn)邊權(quán)值，生成圖模型邊集；

s3：采用基于最小生成樹的結(jié)點(diǎn)合并規(guī)則對(duì)圖模型結(jié)點(diǎn)進(jìn)行合并，實(shí)現(xiàn)道路圖像分割；

s4：通過(guò)設(shè)置取樣窗口，提取道路結(jié)點(diǎn)，分割出道路區(qū)域。

進(jìn)一步的，步驟s1的具體方法如下：

1）對(duì)道路圖像進(jìn)行高斯濾波，濾波函數(shù)如下:

；

2）假設(shè)濾波后的道路圖像im的大小為h×l，將im分割為p×q個(gè)子圖，每個(gè)子圖大小為m×n，即：

其中，；

3）假設(shè)分割后道路圖像的每個(gè)子圖含有t維特征，第κ維特征的取值范圍為，，則采用下式對(duì)進(jìn)行歸一化得到特征值：

，；

4）為每個(gè)子圖賦相應(yīng)的子圖序號(hào)，，采用上式對(duì)子圖的t為特征歸一化后，則子圖對(duì)應(yīng)的特征向量為：

；

5）定義道路圖像im的每個(gè)子圖為一個(gè)結(jié)點(diǎn)，子圖特征度量值為該結(jié)點(diǎn)特征值，可得im對(duì)應(yīng)的圖為g=(v，e)；g為無(wú)向圖，結(jié)點(diǎn)集合v為im中各子圖集合，即，邊集e中的每條邊表示相鄰兩個(gè)結(jié)點(diǎn)和的某種不相似度量，其中，，；生成道路圖像im所對(duì)應(yīng)圖g的結(jié)點(diǎn)集v及相應(yīng)的結(jié)點(diǎn)特征向量集合。

進(jìn)一步的，步驟s2的具體方法如下：

1）定義相近半徑，采用下式計(jì)算g中所有結(jié)點(diǎn)對(duì)應(yīng)的邊權(quán)值；

；

2）假設(shè)中心結(jié)點(diǎn)為，當(dāng)相近半徑為時(shí)，與相近的結(jié)點(diǎn)的個(gè)數(shù)為，可得道路圖像im所對(duì)應(yīng)圖g的邊集e。

進(jìn)一步的，步驟s3的具體方法如如下：

1）假設(shè)步驟s2計(jì)算得到圖g共有s條邊，則根據(jù)邊值大小對(duì)e中所有的邊按非遞減順序進(jìn)行排序，即；

2）初始化圖g的結(jié)點(diǎn)分類為，即g中的每個(gè)結(jié)點(diǎn)為一個(gè)分類；

3）按邊值非遞減的順序?qū)γ織l邊作如下判斷：

假設(shè)當(dāng)前g的分類為，邊分別連接內(nèi)的兩個(gè)結(jié)點(diǎn)分類和，根據(jù)下式分別計(jì)算和；

；

其中，為閾值函數(shù)，表示結(jié)點(diǎn)子集中結(jié)點(diǎn)的個(gè)數(shù)，為閾值參數(shù)；

若，則合并和；假設(shè)合并后的和為，則有，更新g的分類為；

4）對(duì)e中所有邊計(jì)算判斷后，可得到g最終的結(jié)點(diǎn)分類；因此，中每個(gè)結(jié)點(diǎn)分類，1≤i≤k都表示im中的一個(gè)圖像分割。

進(jìn)一步的，步驟s4的具體方法如下：

1）根據(jù)圖g的結(jié)點(diǎn)分類結(jié)果，為圖g中的每個(gè)結(jié)點(diǎn)賦相應(yīng)的分類號(hào)i，；

2）在圖g最底部的中心位置，提取的取樣窗口，統(tǒng)計(jì)窗口內(nèi)各結(jié)點(diǎn)的分類號(hào)，取結(jié)點(diǎn)數(shù)最多的分類號(hào)作為道路結(jié)點(diǎn)分類號(hào)；

3）將圖g中道路結(jié)點(diǎn)分類號(hào)所對(duì)應(yīng)的結(jié)點(diǎn)賦分類號(hào)為1，其它結(jié)點(diǎn)賦分類號(hào)為0；

4）通過(guò)上述步驟，可實(shí)現(xiàn)圖g中道路結(jié)點(diǎn)與非道路結(jié)點(diǎn)的二值化，從而實(shí)現(xiàn)道路圖像的二值化。

本發(fā)明的有益效果是：

本發(fā)明在采用基于圖模型方法對(duì)道路圖像進(jìn)行分割的基礎(chǔ)上，根據(jù)移動(dòng)機(jī)器人視覺(jué)導(dǎo)航的特點(diǎn)，能有效檢測(cè)出道路圖像中的道路區(qū)域；針對(duì)不同道路類型，通過(guò)設(shè)置相應(yīng)參數(shù)，該方法能用于不同類型的道路檢測(cè)。

具體實(shí)施方式

以下具體實(shí)施例對(duì)本發(fā)明作進(jìn)一步闡述，但不作為對(duì)本發(fā)明的限定。

一種基于圖模型的道路檢測(cè)方法，包括以下步驟：

s1：將道路圖像劃分為子圖，計(jì)算子圖特征向量，生成圖模型結(jié)點(diǎn)集；

s2：提出相近半徑概念，計(jì)算相近結(jié)點(diǎn)邊權(quán)值，生成圖模型邊集；

s3：采用基于最小生成樹的結(jié)點(diǎn)合并規(guī)則對(duì)圖模型結(jié)點(diǎn)進(jìn)行合并，實(shí)現(xiàn)道路圖像分割；

s4：通過(guò)設(shè)置取樣窗口，提取道路結(jié)點(diǎn)，分割出道路區(qū)域。

步驟s1的具體方法如下：

1）對(duì)道路圖像進(jìn)行高斯濾波，濾波函數(shù)如下:

；

2）假設(shè)濾波后的道路圖像im的大小為h×l，將im分割為p×q個(gè)子圖，每個(gè)子圖大小為m×n，即：

其中，；

3）假設(shè)分割后道路圖像的每個(gè)子圖含有t維特征，第κ維特征的取值范圍為，，則采用下式對(duì)進(jìn)行歸一化得到特征值：

，；

4）為每個(gè)子圖賦相應(yīng)的子圖序號(hào)，，采用上式對(duì)子圖的t為特征歸一化后，則子圖對(duì)應(yīng)的特征向量為：

；

5）定義道路圖像im的每個(gè)子圖為一個(gè)結(jié)點(diǎn)，子圖特征度量值為該結(jié)點(diǎn)特征值，可得im對(duì)應(yīng)的圖為g=(v，e)；g為無(wú)向圖，結(jié)點(diǎn)集合v為im中各子圖集合，即，邊集e中的每條邊表示相鄰兩個(gè)結(jié)點(diǎn)和的某種不相似度量，其中，，；生成道路圖像im所對(duì)應(yīng)圖g的結(jié)點(diǎn)集v及相應(yīng)的結(jié)點(diǎn)特征向量集合。

步驟s2的具體方法如下：

1）定義相近半徑，采用下式計(jì)算g中所有結(jié)點(diǎn)對(duì)應(yīng)的邊權(quán)值；

；

2）假設(shè)中心結(jié)點(diǎn)為，當(dāng)相近半徑為時(shí)，與相近的結(jié)點(diǎn)的個(gè)數(shù)為，可得道路圖像im所對(duì)應(yīng)圖g的邊集e。

步驟s3的具體方法如如下：

1）假設(shè)步驟s2計(jì)算得到圖g共有s條邊，則根據(jù)邊值大小對(duì)e中所有的邊按非遞減順序進(jìn)行排序，即；

2）初始化圖g的結(jié)點(diǎn)分類為，即g中的每個(gè)結(jié)點(diǎn)為一個(gè)分類；

3）按邊值非遞減的順序?qū)γ織l邊作如下判斷：

假設(shè)當(dāng)前g的分類為，邊分別連接內(nèi)的兩個(gè)結(jié)點(diǎn)分類和，根據(jù)下式分別計(jì)算和；

；

其中，為閾值函數(shù)，表示結(jié)點(diǎn)子集中結(jié)點(diǎn)的個(gè)數(shù)，為閾值參數(shù)；

若，則合并和；假設(shè)合并后的和為，則有，更新g的分類為；

4）對(duì)e中所有邊計(jì)算判斷后，可得到g最終的結(jié)點(diǎn)分類；因此，中每個(gè)結(jié)點(diǎn)分類，1≤i≤k都表示im中的一個(gè)圖像分割。

步驟s4的具體方法如下：

1）根據(jù)圖g的結(jié)點(diǎn)分類結(jié)果，為圖g中的每個(gè)結(jié)點(diǎn)賦相應(yīng)的分類號(hào)i，；

2）在圖g最底部的中心位置，提取的取樣窗口，統(tǒng)計(jì)窗口內(nèi)各結(jié)點(diǎn)的分類號(hào)，取結(jié)點(diǎn)數(shù)最多的分類號(hào)作為道路結(jié)點(diǎn)分類號(hào)；

3）將圖g中道路結(jié)點(diǎn)分類號(hào)所對(duì)應(yīng)的結(jié)點(diǎn)賦分類號(hào)為1，其它結(jié)點(diǎn)賦分類號(hào)為0；

4）通過(guò)上述步驟，可實(shí)現(xiàn)圖g中道路結(jié)點(diǎn)與非道路結(jié)點(diǎn)的二值化，從而實(shí)現(xiàn)道路圖像的二值化。