本發(fā)明涉及道路導(dǎo)航領(lǐng)域，尤其涉及一種基于圖像信息融合的非結(jié)構(gòu)化道路檢測(cè)方法及系統(tǒng)。

背景技術(shù)：

基于視覺的導(dǎo)航系統(tǒng)是模式識(shí)別、人工智能領(lǐng)域的研究重點(diǎn)，其可應(yīng)用于無(wú)人駕駛智能車。道路檢測(cè)技術(shù)是輔助駕駛、無(wú)人駕駛技術(shù)中的關(guān)鍵技術(shù)，能夠?yàn)闊o(wú)人駕駛智能車決策模塊提供必要的環(huán)境信息。由于導(dǎo)航設(shè)備具有局限性，視覺傳感器相對(duì)價(jià)廉且具有更大的應(yīng)用潛力，然而所述視覺傳感器受環(huán)境影響較大。

非結(jié)構(gòu)化道路是指結(jié)構(gòu)化程度低的道路，一般沒有車道線和清洗的道路邊緣；由于受陰影、水漬等的影響，非結(jié)構(gòu)化道路檢測(cè)相對(duì)困難，目前尚處于研究階段。非結(jié)構(gòu)化道路檢測(cè)方法可以大致分為基于道路特征的檢測(cè)、基于道路模型的檢測(cè)和基于機(jī)器學(xué)習(xí)的道路檢測(cè)等三大類。

基于道路特征的檢測(cè)方法主要通過提取道路的某些特征來(lái)檢測(cè)道路，這些特征可以是道路的顏色、灰度、紋理、邊緣或頻域特征等，主要優(yōu)點(diǎn)是對(duì)道路形狀不敏感，計(jì)算速度快、能夠保證實(shí)時(shí)性；缺點(diǎn)是對(duì)光影、裂痕和水跡較為敏感；基于slic超像素的k-means聚類算法，需要先驗(yàn)知識(shí)，通過調(diào)整參數(shù)將道路信息分成兩大類：可行駛區(qū)域和非行駛區(qū)域；然而由于圖像信息受光照和外界環(huán)境影響比較大，單純對(duì)圖像進(jìn)行預(yù)處理獲取道路邊緣或者通過分割獲取可行駛區(qū)域都不能得到穩(wěn)定、精確可靠的圖像數(shù)據(jù)。

因此，現(xiàn)有技術(shù)還有待于改進(jìn)和發(fā)展。

技術(shù)實(shí)現(xiàn)要素：

鑒于上述現(xiàn)有技術(shù)的不足，本發(fā)明的目的在于提供一種基于圖像信息融合的非結(jié)構(gòu)化道路檢測(cè)方法及系統(tǒng)，旨在解決現(xiàn)有非結(jié)構(gòu)化道路檢測(cè)方法無(wú)法得到穩(wěn)定、精確可靠的圖像數(shù)據(jù)的問題。

本發(fā)明的技術(shù)方案如下：

一種基于圖像信息融合的非結(jié)構(gòu)化道路檢測(cè)方法，其中，包括步驟：

a、通過攝像機(jī)實(shí)時(shí)獲取道路視頻圖像，并對(duì)所述道路視頻圖像進(jìn)行校正；

b、采用非結(jié)構(gòu)化道路邊緣檢測(cè)算法對(duì)校正后的道路視頻圖像進(jìn)行處理，獲得第一預(yù)瞄點(diǎn)；

c、采用非結(jié)構(gòu)化道路分割算法對(duì)校正后的道路視頻圖像進(jìn)行處理，獲得第二預(yù)瞄點(diǎn)；

d、采用最小二乘法對(duì)所述第一預(yù)瞄點(diǎn)和第二預(yù)瞄點(diǎn)進(jìn)行擬合，得到道路虛擬中心線。

所述的基于圖像信息融合的非結(jié)構(gòu)化道路檢測(cè)方法，其中，所述步驟b具體包括：

b1、對(duì)所述道路視頻圖像進(jìn)行灰度化和去噪預(yù)處理；

b2、采用canny算法檢測(cè)道路視頻圖像邊緣并進(jìn)行形態(tài)學(xué)修正；

b3、采用霍夫變換提取道路視頻圖像邊緣并計(jì)算得出第一預(yù)瞄點(diǎn)。

所述的基于圖像信息融合的非結(jié)構(gòu)化道路檢測(cè)方法，其中，所述步驟c具體包括：

c1、預(yù)先提取道路視頻圖像的顏色特征和空間特征；

c2、采用slic算法對(duì)道路視頻圖像進(jìn)行分割獲得超像素?cái)?shù)據(jù)；

c3、采用k-means聚類算法對(duì)道路視頻圖像進(jìn)行聚類并計(jì)算得出第二預(yù)瞄點(diǎn)。

所述的基于圖像信息融合的非結(jié)構(gòu)化道路檢測(cè)方法，其中，所述步驟c2具體包括：

c21、對(duì)道路視頻圖像中的像素點(diǎn)進(jìn)行初始化聚類處理獲得若干初始種子點(diǎn)；

c22、在道路視頻圖像3*3領(lǐng)域內(nèi)重新選擇種子點(diǎn)；

c23、在2s*2s的范圍內(nèi)搜索距離所述重新選擇的種子點(diǎn)最近的若干像素點(diǎn)，并對(duì)搜索到的像素點(diǎn)設(shè)置標(biāo)簽且歸為一類；

c24、當(dāng)同一個(gè)像素點(diǎn)同時(shí)被歸類到多個(gè)種子點(diǎn)時(shí)，則計(jì)算所述像素點(diǎn)與多個(gè)種子點(diǎn)之間的距離，將距離最小值對(duì)應(yīng)的種子點(diǎn)作為所述像素點(diǎn)的聚類中心；

c25、對(duì)所述聚類中心進(jìn)行步驟c22-c24的迭代處理，直到誤差收斂，得到最后分割的超像素?cái)?shù)據(jù)。

所述的基于圖像信息融合的非結(jié)構(gòu)化道路檢測(cè)方法，其中，所述步驟c3具體包括：

c31、隨機(jī)從所述超像素?cái)?shù)據(jù)中選取若干個(gè)聚類質(zhì)心點(diǎn)；

c32、遍歷所述超像素?cái)?shù)據(jù)，將每一個(gè)超像素?cái)?shù)據(jù)劃分到與其距離最近的質(zhì)心點(diǎn)，形成聚類；

c33、計(jì)算每個(gè)聚類的平均值并作為新的質(zhì)心點(diǎn)；

c34、重復(fù)所述步驟c32-c33，直到質(zhì)心點(diǎn)收斂，從而獲得第二預(yù)瞄點(diǎn)。

所述的基于圖像信息融合的非結(jié)構(gòu)化道路檢測(cè)方法，其中，所述步驟d中最小二乘法的公式為：；

；其中，點(diǎn)是多元函數(shù)，且滿足方程取得極小值；k=0，1，...n；當(dāng)線性無(wú)關(guān)時(shí)，就是所求的最小二乘解。

所述的基于圖像信息融合的非結(jié)構(gòu)化道路檢測(cè)方法，其中，所述步驟b1中的灰度化處理公式為：。

一種基于圖像信息融合的非結(jié)構(gòu)化道路檢測(cè)系統(tǒng)，其中，包括：

校正模塊，用于通過攝像機(jī)實(shí)時(shí)獲取道路視頻圖像，并對(duì)所述道路視頻圖像進(jìn)行校正；

第一計(jì)算模塊，用于采用非結(jié)構(gòu)化道路邊緣檢測(cè)算法對(duì)校正后的道路視頻圖像進(jìn)行處理，獲得第一預(yù)瞄點(diǎn)；

第二計(jì)算模塊，用于采用非結(jié)構(gòu)化道路分割算法對(duì)校正后的道路視頻圖像進(jìn)行處理，獲得第二預(yù)瞄點(diǎn)；

擬合模塊，用于采用最小二乘法對(duì)所述第一預(yù)瞄點(diǎn)和第二預(yù)瞄點(diǎn)進(jìn)行擬合，得到道路虛擬中心線。

所述的基于圖像信息融合的非結(jié)構(gòu)化道路檢測(cè)系統(tǒng)，其中，所述第一計(jì)算模塊具體包括：

預(yù)處理單元，用于對(duì)所述道路視頻圖像進(jìn)行灰度化和去噪預(yù)處理；

修正單元，用于采用canny算法檢測(cè)道路視頻圖像邊緣并進(jìn)行形態(tài)學(xué)修正；

第一計(jì)算單元，用于采用霍夫變換提取道路視頻圖像邊緣并計(jì)算得出第一預(yù)瞄點(diǎn)。

所述的基于圖像信息融合的非結(jié)構(gòu)化道路檢測(cè)系統(tǒng)，其中，所述第二計(jì)算模塊具體包括：

提取單元，用于預(yù)先提取道路視頻圖像的顏色特征和空間特征；

分割單元，用于采用slic算法對(duì)道路視頻圖像進(jìn)行分割獲得超像素?cái)?shù)據(jù)；

第二計(jì)算單元，用于采用k-means聚類算法對(duì)道路視頻圖像進(jìn)行聚類并計(jì)算得出第二預(yù)瞄點(diǎn)。

有益效果：本發(fā)明首先通過非結(jié)構(gòu)道路邊緣檢測(cè)算法和非結(jié)構(gòu)化道路分割算法分別計(jì)算出道路視頻圖像的第一預(yù)瞄點(diǎn)和第二預(yù)瞄點(diǎn)，然后通過信息融合技術(shù)對(duì)所述第一預(yù)瞄點(diǎn)和第二預(yù)瞄點(diǎn)進(jìn)行擬合得到道路視頻圖像的虛擬中心線；本發(fā)明通過上述計(jì)算處理可得到穩(wěn)定、精確可靠的圖像數(shù)據(jù)。

附圖說(shuō)明

圖1為本發(fā)明一種基于圖像信息融合的非結(jié)構(gòu)化道路檢測(cè)方法較佳實(shí)施例的流程圖；

圖2為本發(fā)明中對(duì)單目攝像機(jī)進(jìn)行標(biāo)定使用的棋盤示意圖；

圖3為本發(fā)明采用霍夫變換提取道路視頻圖像邊緣結(jié)果示意圖；

圖4為本發(fā)明采用基于slic的k-means聚類道路視頻圖像的結(jié)果示意圖；

圖5為本發(fā)明具體實(shí)施例中方向盤角度圖；

圖6為本發(fā)明具體實(shí)施例中外側(cè)道路gps坐標(biāo)示意圖；

圖7為本發(fā)明具體實(shí)施例中內(nèi)側(cè)道路gps坐標(biāo)示意圖；

圖8為本發(fā)明具體實(shí)施例中外側(cè)道路打角示意圖；

圖9為本發(fā)明具體實(shí)施例中內(nèi)側(cè)道路打角示意圖；

圖10為本發(fā)明具體實(shí)施例中道路外側(cè)導(dǎo)航行駛軌跡和圖像行駛軌跡對(duì)比示意圖；

圖11為本發(fā)明具體實(shí)施例中道路內(nèi)側(cè)導(dǎo)航行駛軌跡和圖像行駛軌跡對(duì)比示意圖；

圖12為本發(fā)明具體實(shí)施例中道路內(nèi)側(cè)導(dǎo)航軌跡偏差圖；

圖13為本發(fā)明具體實(shí)施例中道路外側(cè)導(dǎo)航軌跡偏差圖；

圖14為本發(fā)明一種基于圖像信息融合的非結(jié)構(gòu)化道路檢測(cè)系統(tǒng)較佳實(shí)施例的結(jié)構(gòu)框圖。

具體實(shí)施方式

本發(fā)明提供一種基于圖像信息融合的非結(jié)構(gòu)化道路檢測(cè)方法及系統(tǒng)，為使本發(fā)明的目的、技術(shù)方案及效果更加清楚、明確，以下對(duì)本發(fā)明進(jìn)一步詳細(xì)說(shuō)明。應(yīng)當(dāng)理解，此處所描述的具體實(shí)施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā)明。

請(qǐng)參閱圖1，圖1為本發(fā)明一種基于圖像信息融合的非結(jié)構(gòu)化道路檢測(cè)方法較佳實(shí)施例的流程圖，如圖所示，其中，包括步驟：

s100、通過攝像機(jī)實(shí)時(shí)獲取道路視頻圖像，并對(duì)所述道路視頻圖像進(jìn)行校正；

s200、采用非結(jié)構(gòu)化道路邊緣檢測(cè)算法對(duì)校正后的道路視頻圖像進(jìn)行處理，獲得第一預(yù)瞄點(diǎn)；

s300、采用非結(jié)構(gòu)化道路分割算法對(duì)校正后的道路視頻圖像進(jìn)行處理，獲得第二預(yù)瞄點(diǎn)；

s400、采用最小二乘法對(duì)所述第一預(yù)瞄點(diǎn)和第二預(yù)瞄點(diǎn)進(jìn)行擬合，得到道路虛擬中心線。

具體地，本發(fā)明提供的基于圖像信息融合的非結(jié)構(gòu)化道路檢測(cè)方法是在windows系統(tǒng)下的vs2010平臺(tái)上開發(fā)的；首先通過攝像機(jī)獲取道路視頻圖像，然后對(duì)所述道路視頻圖像進(jìn)行校正，并通過非結(jié)構(gòu)道路邊緣檢測(cè)算法和非結(jié)構(gòu)化道路分割算法分別計(jì)算出道路視頻圖像的第一預(yù)瞄點(diǎn)和第二預(yù)瞄點(diǎn)，最后通過信息融合技術(shù)對(duì)所述第一預(yù)瞄點(diǎn)和第二預(yù)瞄點(diǎn)進(jìn)行擬合得到道路視頻圖像的虛擬中心線，通過上述計(jì)算處理可得到穩(wěn)定、精確可靠的道路圖像數(shù)據(jù)；將所述道路圖像數(shù)據(jù)發(fā)送給無(wú)人巡邏車的決策模塊可完成視覺導(dǎo)航功能，從而實(shí)現(xiàn)無(wú)人巡邏車的自主駕駛。

在目前的智能駕駛領(lǐng)域中，所應(yīng)用到的攝像頭主要有單目攝像頭和雙目攝像頭兩類，這兩種攝像頭的測(cè)距原理完全不同，單目攝像頭需要對(duì)目標(biāo)先進(jìn)行識(shí)別，也就是說(shuō)單目攝像頭在測(cè)距前需要先識(shí)別障礙物是車、是人還是其他物體；雙目攝像頭則是直接通過兩幅圖像的視差計(jì)算來(lái)確定距離，其并不需要知道障礙物是什么，雙目攝像頭的難點(diǎn)在于計(jì)量量巨大，處理緩慢且成本高。

基于上述區(qū)別，本發(fā)明優(yōu)選單目攝像機(jī)去實(shí)時(shí)獲取道路視頻圖像，采用單目攝像頭可以提前判斷出障礙物，然后再測(cè)距，可增加智能駕駛的安全性能。

進(jìn)一步，在所述步驟s100中，本發(fā)明采用張正友相機(jī)標(biāo)定發(fā)對(duì)所述單目攝像機(jī)進(jìn)行標(biāo)定，如圖2所示，將所述單目攝像機(jī)對(duì)準(zhǔn)格式為10*10、邊長(zhǎng)為0.05m的黑白相見的平面棋盤，固定單目攝像機(jī)，手持棋盤以各種方向轉(zhuǎn)動(dòng)得到18張棋盤圖像，使用matlab工具箱獲得單目攝像機(jī)的內(nèi)外參數(shù)和畸變參數(shù)，根據(jù)所獲得的參數(shù)實(shí)現(xiàn)對(duì)單目攝像機(jī)進(jìn)行標(biāo)定；

具體來(lái)說(shuō)，攝像機(jī)通過小孔成像模型生成圖像平面，世界坐標(biāo)系下每一個(gè)坐標(biāo)點(diǎn)在圖像像素坐標(biāo)系下都有與之對(duì)應(yīng)的像素點(diǎn)，攝像機(jī)標(biāo)定的過程即為攝像機(jī)幾何模型參數(shù)求解的過程，通過算法的優(yōu)化可以提高相機(jī)矯正的精確度。相機(jī)參數(shù)分為相機(jī)外部參數(shù)、相機(jī)內(nèi)部參數(shù)以及相機(jī)畸變參數(shù)，由于徑向畸變對(duì)相機(jī)影響比較大其他畸變可以忽略不計(jì)。因此在matlab工具箱中僅僅計(jì)算了相機(jī)的徑向畸變參數(shù)。

設(shè)三維坐標(biāo)點(diǎn)為，對(duì)應(yīng)的二維相機(jī)平面像素坐標(biāo)點(diǎn)為，，令棋盤格平面z=0，，其中，k為相機(jī)的內(nèi)參數(shù)矩陣，s為尺度因子，r和t分別是攝像機(jī)坐標(biāo)系統(tǒng)下的旋轉(zhuǎn)和平移向量，h為單應(yīng)性矩陣。

三維坐標(biāo)點(diǎn)和圖像像素坐標(biāo)點(diǎn)已知，根據(jù)矩陣求解方法，當(dāng)圖像數(shù)目大于等于3時(shí)k可以求出唯一解，根據(jù)公式可以求出相機(jī)外參，利用徑向畸變估計(jì)可以得出相機(jī)徑向畸變系數(shù)。

進(jìn)一步，當(dāng)所述單目攝像機(jī)獲得道路視頻圖像后，可通過幾何校正法對(duì)圖像進(jìn)行校正，例如：可以預(yù)先建立圖像像點(diǎn)坐標(biāo)（行、列號(hào)）和物方（或參考圖）對(duì)應(yīng)點(diǎn)坐標(biāo)間的映射關(guān)系，解求映射關(guān)系中的未知參數(shù)，然后根據(jù)映射關(guān)系對(duì)圖像各個(gè)像素坐標(biāo)進(jìn)行校正；最后確定各像素的灰度值。

進(jìn)一步，在所述步驟s200中，當(dāng)?shù)缆芬曨l圖像校正后，采用非結(jié)構(gòu)化道路邊緣檢測(cè)算法對(duì)其進(jìn)行處理，獲得第一預(yù)瞄點(diǎn)，其具體包括步驟：

s210、對(duì)所述道路視頻圖像進(jìn)行灰度化和去噪預(yù)處理；

具體地，首先將所述道路視頻的彩色圖像轉(zhuǎn)變?yōu)榛叶葓D像，具體可采用加權(quán)平均法進(jìn)行轉(zhuǎn)換，轉(zhuǎn)換公式為：，即將r、g、b三個(gè)分量以不同的權(quán)值進(jìn)行加權(quán)平均；由于人眼對(duì)綠色的敏感度最高，對(duì)藍(lán)色的敏感度最低，因此，可按照所述公式對(duì)rgb三分量進(jìn)行加權(quán)平均得到合理的灰度圖像；進(jìn)一步，對(duì)所述道路視頻圖像進(jìn)行雙邊濾波處理，從而達(dá)到保邊去噪的目的。

s220、采用canny算法檢測(cè)道路視頻圖像邊緣并進(jìn)行形態(tài)學(xué)修正；

具體來(lái)說(shuō)，圖像邊緣檢測(cè)算法有sobel、prewitt、laplace和canny等多種，本發(fā)明優(yōu)選canny算法檢測(cè)道路視頻圖像邊緣并進(jìn)行形態(tài)學(xué)修正的，具體地，先對(duì)圖像進(jìn)行膨脹處理得到連續(xù)的道路邊緣，然后通過腐蝕處理去除圖像中的噪點(diǎn)。

s230、采用霍夫變換提取道路視頻圖像邊緣并計(jì)算得出第一預(yù)瞄點(diǎn)。

具體來(lái)說(shuō)，可通過霍夫變換提取道路視頻圖像的邊緣并計(jì)算得出第一預(yù)瞄點(diǎn)，繼而求出道路中心線，如圖3所示。

進(jìn)一步，在本發(fā)明中，所述步驟s300、采用非結(jié)構(gòu)化道路分割算法對(duì)校正后的道路視頻圖像進(jìn)行處理，獲得第二預(yù)瞄點(diǎn)，具體包括步驟：

s310、預(yù)先提取道路視頻圖像的顏色特征和空間特征；

具體來(lái)說(shuō)，顏色特征是一種全局特征，描述了圖像或圖像區(qū)域所對(duì)應(yīng)的景物的表面性質(zhì)，采用顏色直方圖去提取圖像的顏色特征；空間特征是指圖像中分割出來(lái)的多個(gè)目標(biāo)之間的互相的空間位置或相對(duì)方向關(guān)系，這些關(guān)系可分為連接/鄰接關(guān)系,交疊/重疊關(guān)系和包含/包容關(guān)系等，本發(fā)明首先通過對(duì)圖像進(jìn)行自動(dòng)分割，劃分出圖像中所包含的對(duì)象或顏色區(qū)域，然后根據(jù)這些區(qū)域提取圖像特征。

s320、采用slic算法對(duì)道路視頻圖像進(jìn)行分割獲得超像素?cái)?shù)據(jù)；

具體來(lái)說(shuō)，所述步驟s320包括：

s321、對(duì)道路視頻圖像中的像素點(diǎn)進(jìn)行初始化聚類處理獲得若干初始種子點(diǎn)；

s322、在道路視頻圖像3*3領(lǐng)域內(nèi)重新選擇種子點(diǎn)；

s323、在2s*2s的范圍內(nèi)搜索距離所述重新選擇的種子點(diǎn)最近的若干像素點(diǎn)，并對(duì)搜索到的像素點(diǎn)設(shè)置標(biāo)簽且歸為一類；

s324、當(dāng)同一個(gè)像素點(diǎn)同時(shí)被歸類到多個(gè)種子點(diǎn)時(shí)，則計(jì)算所述像素點(diǎn)與多個(gè)種子點(diǎn)之間的距離，將距離最小值對(duì)應(yīng)的種子點(diǎn)作為所述像素點(diǎn)的聚類中心；

s325、對(duì)所述聚類中心進(jìn)行步驟s222-s224的迭代處理，直到誤差收斂，得到最后分割的超像素?cái)?shù)據(jù)。

具體來(lái)說(shuō)，將圖像從rgb顏色空間轉(zhuǎn)換到cie-lab顏色空間，對(duì)應(yīng)每個(gè)像素的(l，a，b)顏色值和（x，y）坐標(biāo)組成一個(gè)五維向量v[l，a，b，x，y]，兩個(gè)像素的相似性即可由它們的向量距離來(lái)測(cè)量，距離越大，相似度越小；

本發(fā)明預(yù)先對(duì)道路視頻圖像中的像素點(diǎn)進(jìn)行初始化聚類處理獲得若干初始種子點(diǎn)，然后在道路視頻圖像3*3像素領(lǐng)域內(nèi)重新選擇種子點(diǎn)，然后在每個(gè)重新選擇的種子點(diǎn)周圍空間里搜索距離所述重新選擇的種子點(diǎn)最近的若干像素點(diǎn)，將搜索到的像素點(diǎn)設(shè)置標(biāo)簽并歸為一類，直到所有的像素點(diǎn)都?xì)w類完畢；具體地，可設(shè)定一個(gè)距離閾值，當(dāng)搜索到一個(gè)像素點(diǎn)與當(dāng)前重新選擇的種子點(diǎn)之間的距離小于所述距離閾值時(shí)，則將所述像素點(diǎn)歸為所述種子點(diǎn)一類；假設(shè)重新選擇的種子點(diǎn)有k個(gè)，道路視頻圖像有n個(gè)像素點(diǎn)，則每個(gè)種子點(diǎn)形成的聚類可包含n/k個(gè)像素點(diǎn)，每個(gè)聚類的邊長(zhǎng)大致為s=[n/k]^*0.5；較佳地，在重新選擇的種子點(diǎn)周圍2s*2s的范圍內(nèi)搜索與其距離最近的像素點(diǎn)；

進(jìn)一步，當(dāng)同一個(gè)像素點(diǎn)同時(shí)被歸類到多個(gè)種子點(diǎn)時(shí)，則計(jì)算所述像素點(diǎn)與多個(gè)種子點(diǎn)之間的距離，將距離最小值對(duì)應(yīng)的種子點(diǎn)作為所述像素點(diǎn)的聚類中心；同時(shí)對(duì)所述聚類中心進(jìn)行迭代處理，直到誤差收斂，得到最后的聚類，即超像素?cái)?shù)據(jù)。

s330、采用k-means聚類算法對(duì)道路視頻圖像進(jìn)行聚類并計(jì)算得出第二預(yù)瞄點(diǎn)；具體地，所述步驟s330包括：

s331、隨機(jī)從所述超像素?cái)?shù)據(jù)中選取若干個(gè)聚類質(zhì)心點(diǎn)；

s332、遍歷所述超像素?cái)?shù)據(jù)，將每一個(gè)超像素?cái)?shù)據(jù)劃分到與其距離最近的質(zhì)心點(diǎn)，形成聚類；

具體來(lái)說(shuō)，設(shè)置另一個(gè)距離閾值，計(jì)算所述質(zhì)心點(diǎn)與各個(gè)超像素?cái)?shù)據(jù)之間的距離，當(dāng)該距離值小于距離閾值時(shí)，則將所述超像素?cái)?shù)據(jù)劃分到該質(zhì)心點(diǎn)形成聚類。

s333、計(jì)算每個(gè)聚類的平均值并作為新的質(zhì)心點(diǎn)；

具體來(lái)說(shuō)，計(jì)算每個(gè)聚類中所有像素點(diǎn)的平均向量值，重新獲得新的質(zhì)心點(diǎn)。

s334、重復(fù)進(jìn)行步驟s332-s333的迭代處理，直到質(zhì)心點(diǎn)收斂，從而獲得第二預(yù)瞄點(diǎn)。

具體地說(shuō)，通過基于slic的k-means聚類算法對(duì)道路圖像進(jìn)行聚類，可將道路圖像數(shù)據(jù)分為可行駛區(qū)域和非行駛區(qū)域，如圖4所示。

更進(jìn)一步，在所述步驟s400中，設(shè)為最優(yōu)擬合曲線，其中，是待定系數(shù)，把求解最優(yōu)曲線的問題轉(zhuǎn)化為求待定系數(shù)的問題；所述最小二乘法的公式為：；

；其中，點(diǎn)是多元函數(shù)，且滿足方程取得極小值；k=0，1，...n；當(dāng)線性無(wú)關(guān)時(shí)，就是所求的最小二乘解；即為虛擬中心線。

通過采用所述最小二乘法對(duì)所述第一預(yù)瞄點(diǎn)和第二預(yù)瞄點(diǎn)進(jìn)行擬合處理，便可得到道路圖像的虛擬中心線。

進(jìn)一步，本發(fā)明通過一具體實(shí)施例對(duì)處理后的道路圖像數(shù)據(jù)進(jìn)行驗(yàn)證；將所述虛擬中心線角度信息發(fā)送至無(wú)人巡邏車下位機(jī)的決策模塊中，規(guī)定所述無(wú)人巡邏車的方向盤角度如圖5所示，所述無(wú)人巡邏車在行駛過程中，路段位置如圖6和圖7所示，發(fā)送下位機(jī)決策模塊的打角數(shù)據(jù)如圖8和圖9所示，圖10和圖11分別表示在路段圖6和圖7所示位置的導(dǎo)航行駛軌跡和使用圖像傳感器獲得的行駛軌跡的對(duì)比圖；圖12和圖13是分別對(duì)路段外側(cè)和路段內(nèi)側(cè)使用圖像傳感器和導(dǎo)航行駛對(duì)比軌跡偏差圖。

通過對(duì)比發(fā)現(xiàn)，本發(fā)明單純利用單目攝像頭，在較小的誤差范圍內(nèi)實(shí)現(xiàn)了道路導(dǎo)航，且相比于使用圖像傳感器，本發(fā)明的導(dǎo)航方式更加精確，因此本發(fā)明具有巨大的應(yīng)用價(jià)值。

進(jìn)一步，本發(fā)明還提供一種基于圖像信息融合的非結(jié)構(gòu)化道路檢測(cè)系統(tǒng)，其中，如圖14所示，包括：

校正模塊100，用于通過攝像機(jī)實(shí)時(shí)獲取道路視頻圖像，并對(duì)所述道路視頻圖像進(jìn)行校正；

第一計(jì)算模塊200，用于采用非結(jié)構(gòu)化道路邊緣檢測(cè)算法對(duì)校正后的道路視頻圖像進(jìn)行處理，獲得第一預(yù)瞄點(diǎn)；

第二計(jì)算模塊300，用于采用非結(jié)構(gòu)化道路分割算法對(duì)校正后的道路視頻圖像進(jìn)行處理，獲得第二預(yù)瞄點(diǎn)；

擬合模塊400，用于采用最小二乘法對(duì)所述第一預(yù)瞄點(diǎn)和第二預(yù)瞄點(diǎn)進(jìn)行擬合，得到道路虛擬中心線。

所述的基于圖像信息融合的非結(jié)構(gòu)化道路檢測(cè)系統(tǒng)，其中，所述第一計(jì)算模塊200具體包括：

預(yù)處理單元，用于對(duì)所述道路視頻圖像進(jìn)行灰度化和去噪預(yù)處理；

修正單元，用于采用canny算法檢測(cè)道路視頻圖像邊緣并進(jìn)行形態(tài)學(xué)修正；

第一計(jì)算單元，用于采用霍夫變換提取道路視頻圖像邊緣并計(jì)算得出第一預(yù)瞄點(diǎn)。

所述的基于圖像信息融合的非結(jié)構(gòu)化道路檢測(cè)系統(tǒng)，其中，所述第二計(jì)算模塊300具體包括：

提取單元，用于預(yù)先提取道路視頻圖像的顏色特征和空間特征；

分割單元，用于采用slic算法對(duì)道路視頻圖像進(jìn)行分割獲得超像素?cái)?shù)據(jù)；

第二計(jì)算單元，用于采用k-means聚類算法對(duì)道路視頻圖像進(jìn)行聚類并計(jì)算得出第二預(yù)瞄點(diǎn)。

綜上所述，本發(fā)明首先通過非結(jié)構(gòu)道路邊緣檢測(cè)算法和非結(jié)構(gòu)化道路分割算法分別計(jì)算出道路視頻圖像的第一預(yù)瞄點(diǎn)和第二預(yù)瞄點(diǎn)，然后通過信息融合技術(shù)對(duì)所述第一預(yù)瞄點(diǎn)和第二預(yù)瞄點(diǎn)進(jìn)行擬合得到道路視頻圖像的虛擬中心線；本發(fā)明通過上述計(jì)算處理可得到穩(wěn)定、精確可靠的圖像數(shù)據(jù)；進(jìn)一步，可將所述圖像數(shù)據(jù)應(yīng)用于無(wú)人巡邏車進(jìn)行導(dǎo)航，可降低研究成本，具有巨大的應(yīng)用價(jià)值。

應(yīng)當(dāng)理解的是，本發(fā)明的應(yīng)用不限于上述的舉例，對(duì)本領(lǐng)域普通技術(shù)人員來(lái)說(shuō)，可以根據(jù)上述說(shuō)明加以改進(jìn)或變換，所有這些改進(jìn)和變換都應(yīng)屬于本發(fā)明所附權(quán)利要求的保護(hù)范圍。