用于確定道路表面的狀況的系統(tǒng)和方法
【技術(shù)領(lǐng)域】
[0001 ]當(dāng)前公開總地涉及用于確定道路表面的狀況的系統(tǒng)和方法。
【背景技術(shù)】
[0002] 出于主動(dòng)安全、輔助駕駛和車輛穩(wěn)定性目的確定道路表面的狀況是有用的。例如， 確定道路表面是潮濕的或者被覆蓋在冰(例如薄冰)中允許車輛對該道路狀況作出響應(yīng)。
[0003] 許多先前的方法要求昂貴的硬件并且在某些照明狀況期間失靈。例如，某些先前 的方法在環(huán)境照明狀況變化(例如，太陽光，街燈等)時(shí)失靈，其使得這些方法不一致并且不 可靠。

【發(fā)明內(nèi)容】

[0004] 當(dāng)前技術(shù)涉及用于檢測道路表面的狀況的系統(tǒng)和方法。這些系統(tǒng)能夠使用經(jīng)濟(jì)的 發(fā)光源，諸如閃光燈或發(fā)光二極管(LED)。發(fā)光源使得這些系統(tǒng)和方法對于變化的環(huán)境狀況 是穩(wěn)健的。
[0005] 根據(jù)示例性的實(shí)施例，一種方法包括通過處理器訪問由相機(jī)產(chǎn)生的道路表面的圖 像。該圖像包括來自光源的圖案。該方法進(jìn)一步包括通過處理器確定圖像中的感興趣區(qū)和 圖像中的總區(qū)域。感興趣區(qū)包括來自圖像的像素并且基于來自光源的圖案。該總區(qū)域包括 來自圖像的像素并且包括感興趣區(qū)的至少部分和鄰近感興趣區(qū)的區(qū)域。該方法進(jìn)一步包括 基于感興趣區(qū)和總區(qū)域的特性提取特征向量，并且基于特征向量和分類器確定道路狀況。
[0006] 方案1. 一種方法，包括： 通過處理器訪問由相機(jī)產(chǎn)生的道路表面的圖像，其中，所述圖像包括來自光源的圖案； 通過處理器確定所述圖像中的感興趣區(qū)，所述感興趣區(qū)包括來自所述圖像的像素，其 中，所述感興趣區(qū)基于來自所述光源的圖案； 通過處理器確定所述圖像中的總區(qū)域，所述總區(qū)域包括來自所述圖像的像素，其中，所 述總區(qū)域包括所述感興趣區(qū)的至少部分以及鄰近所述感興趣區(qū)的區(qū)域； 基于所述感興趣區(qū)和總區(qū)域的特性提取特征向量;以及 通過將所述特征向量與分類器比較來確定道路狀況。
[0007] 方案2.根據(jù)方案1所述的方法，其中，所述感興趣區(qū)的像素是所述總區(qū)域的像素 的子集。
[0008] 方案3.根據(jù)方案1所述的方法，其中，所述分類器包括代表道路狀況的邊界。
[0009] 方案4.根據(jù)方案3所述的方法，其中，所述分類器包括代表是冰覆蓋的表面和水 覆蓋的表面之一的道路狀況的邊界。
[0010] 方案5.根據(jù)方案3所述的方法，其中，所述分類器是使用支持向量機(jī)技術(shù)和線性 判別分析技術(shù)之一產(chǎn)生的。
[0011] 方案6.根據(jù)方案1所述的方法，進(jìn)一步包括通過處理器將所述感興趣區(qū)和總區(qū)域 轉(zhuǎn)換為下列數(shù)值之一： 二元數(shù)值;和 使用高斯拉普拉斯算子過濾器產(chǎn)生的數(shù)值。
[0012]方案7.根據(jù)方案1所述的方法，其中，提取特征向量包括： 從所述感興趣區(qū)提取第一組特性； 從所述總區(qū)域提取第二組特性;以及 基于所述第一組特性和第二組特性產(chǎn)生特征向量。
[0013]方案8.根據(jù)方案7所述的方法，其中： 所述第一組特性包括所述感興趣區(qū)的強(qiáng)度的平均值； 所述第二組特性包括所述總區(qū)域的強(qiáng)度的平均值;以及 所述特征向量包括為所述感興趣區(qū)的強(qiáng)度的平均值除以所述總區(qū)域的強(qiáng)度的平均值 的第一特征。
[0014] 方案9.根據(jù)方案7所述的方法，其中： 所述第一組特性包括所述感興趣區(qū)的強(qiáng)度方差；以及 所述特征向量包括為所述感興趣區(qū)的強(qiáng)度方差的第一特征。
[0015] 方案10.根據(jù)方案7所述的方法，其中： 所述第一組特性包括所述感興趣區(qū)的強(qiáng)度方差； 所述第二組特性包括所述總區(qū)域的強(qiáng)度方差；以及 所述特征向量包括為所述感興趣區(qū)的強(qiáng)度方差除以所述總區(qū)域的強(qiáng)度方差的第一特 征。
[0016] 方案11.根據(jù)方案7所述的方法，所述特征向量包括為在被高斯拉普拉斯算子過 濾器處理之后所述感興趣區(qū)的最大響應(yīng)的第一特征。
[0017] 方案12.根據(jù)方案1所述的方法，其中，提取特征向量包括使用主成分分析技術(shù)選 擇特征子集。
[0018] 方案13.根據(jù)方案1所述的方法，其中，所述道路狀況是第一道路狀況，所述方法 進(jìn)一步包括： 訪問第二道路狀況；以及 基于至少第一道路狀況和第二道路狀況確定總體道路狀況跡象。
[0019] 方案14.根據(jù)方案13所述的方法，其中，所述感興趣區(qū)是第一感興趣區(qū)； 其中，所述第一道路狀況是基于所述第一感興趣區(qū)； 其中，所述第二道路狀況是基于第二感興趣區(qū)；以及 其中，所述第一感興趣區(qū)和第二感興趣區(qū)在時(shí)間和空間的至少一個(gè)上分布。
[0020] 方案15.根據(jù)方案14所述的方法，其中，所述第一感興趣區(qū)和第二感興趣區(qū)在所 述圖像中包括不同的像素。
[0021] 方案16.根據(jù)方案15所述的方法，其中，所述第一感興趣區(qū)和第二感興趣區(qū)基于 所述光源的圖案來選擇。
[0022] 方案17.根據(jù)方案14所述的方法，其中，所述第一感興趣區(qū)和第二感興趣區(qū)在不 同的圖像中，其中，所述不同的圖像是在不同的時(shí)間產(chǎn)生和由不同的相機(jī)產(chǎn)生中的至少一 個(gè)。
[0023]方案18. -種系統(tǒng)，用于車輛，包括： 光源，配置成在道路表面上提供光圖案； 相機(jī)，配置成產(chǎn)生道路表面的圖像，所述圖像包括光圖案； 處理器；以及 存儲器，包括： 指令，當(dāng)由所述處理器執(zhí)行時(shí)，導(dǎo)致所述處理器實(shí)施操作，所述操作包括： 訪問由所述相機(jī)產(chǎn)生的道路表面的圖像，所述圖像包括像素，所述像素的每一個(gè)具有 強(qiáng)度值； 從所述圖像確定感興趣區(qū)，所述感興趣區(qū)包括來自所述圖像的像素； 從所述圖像確定總區(qū)域，所述總區(qū)域包括來自所述圖像的像素，其中，所述總區(qū)域包括 在所述感興趣區(qū)中的像素和在所述圖像的鄰近所述感興趣區(qū)的區(qū)域中的像素； 基于所述感興趣區(qū)和總區(qū)域提取特征向量；以及 基于所述特征向量和分類器確定道路狀況。
[0024]方案19.根據(jù)方案18所述的系統(tǒng)，基于所述感興趣區(qū)和總區(qū)域提取特征向量包 括： 從所述感興趣區(qū)提取第一組特性;以及 從所述總區(qū)域提取第二組特性。
[0025]方案20. -種計(jì)算機(jī)可讀介質(zhì)，包括指令，當(dāng)由處理器執(zhí)行時(shí)導(dǎo)致所述處理器實(shí) 施操作，所述操作包括： 訪問由相機(jī)產(chǎn)生的道路表面的圖像，所述圖像包括像素，所述像素的每一個(gè)具有強(qiáng)度 值； 從所述圖像確定感興趣區(qū)，所述感興趣區(qū)包括來自所述圖像的像素； 從所述圖像確定總區(qū)域，所述總區(qū)域包括來自所述圖像的像素，其中，所述總區(qū)域包括 在所述感興趣區(qū)中的像素和在所述圖像的鄰近所述感興趣區(qū)的區(qū)域中的像素； 基于所述感興趣區(qū)和總區(qū)域提取特征向量；以及 基于所述特征向量和分類器確定道路狀況。
【附圖說明】
[0026]圖1示意地示出根據(jù)當(dāng)前公開的實(shí)施例的包括道路表面檢測系統(tǒng)的車輛。
[0027]圖2示出圖1的道路表面檢測系統(tǒng)的計(jì)算單元。
[0028]圖3示出道路狀況分析方法和分類器產(chǎn)生方法。
[0029]圖4示出圖1的道路表面檢測系統(tǒng)的相機(jī)的圖像。
[0030]圖5示出圖1的道路表面檢測系統(tǒng)的相機(jī)的圖像。
[0031]圖6示出圖1的道路表面檢測系統(tǒng)的相機(jī)的圖像。
[0032]圖7示出在潮濕道路狀況期間道路表面的訓(xùn)練(training)圖像。
[0033]圖8示出在薄冰道路狀況期間道路表面的訓(xùn)練圖像。
[0034]圖9示出在干燥道路狀況期間道路表面的訓(xùn)練圖像。
[0035]圖10示出在新雪道路狀況期間道路表面的訓(xùn)練圖像。
[0036]圖11示出在半融雪道路狀況期間道路表面的訓(xùn)練圖像。
[0037]圖12示出圖7的訓(xùn)練圖像作為二元訓(xùn)練圖像。
[0038] 圖13示出圖8的訓(xùn)練圖像作為二元訓(xùn)練圖像。
[0039] 圖14示出圖9的訓(xùn)練圖像作為二元訓(xùn)練圖像。
[0040] 圖15示出圖10的訓(xùn)練圖像作為二元訓(xùn)練圖像。
[0041]圖16示出圖11的訓(xùn)練圖像作為二元訓(xùn)練圖像。
[0042] 圖17是一組訓(xùn)練特征向量和代表分類器的邊界的圖形說明。
[0043] 圖18是多組訓(xùn)練特征向量和代表分類器的邊界的圖形說明。
[0044] 圖19示出隨時(shí)間產(chǎn)生的一系列圖像的感興趣區(qū)。
[0045] 這些圖不必按比例決定，并且一些特征可以被夸大或最小化，諸如來顯示特定部 件的細(xì)節(jié)。在一些情況下，公知的部件、系統(tǒng)、材料或方法