[发明专利]一种非结构化道路的检测方法

说明书

技术领域

本发明具体涉及一种非结构化道路的检测方法。

背景技术

近年来，无人车交通道路检测作为智能交通系统的一个重要应用方向已经成为学术界的研究热点。目前，对结构化道路环境的识别算法已经相对成熟，而对于非结构化道路环境来说，由于这类道路没有车道线和清晰的道路边界，加上户外的自然场景受季节、光照、阴影和水迹地等影响，道路区域和非道路区域难以区分，因此针对非结构化道路的检测技术尚处于研究阶段。

现阶段对非结构化道路的检测方法主要有基于道路特征的方法、基于道路模型的方法、基于神经网路的方法和基于支持向量机的方法。基于特征的方法根据道路的颜色、纹理特征与非道路进行区分，所需计算量大，并且对阴影和水迹较为敏感；基于模型的方法需要找出最匹配的道路模型，但在复杂场景下无法建立有效的模型；基于神经网络和基于支持向量机的方法都需要对样本进行大量的训练。

发明内容

本发明要解决的技术问题是提供一种非结构化道路的检测方法。

一种非结构化道路的检测方法，包括以下步骤：

S1：将单目摄像机采集的彩色图像，通过高斯金字塔进行降采样，金字塔由高斯平滑和向下降采样构成，转成灰度图像处理，压缩图像数据信息，对图像进行双边滤波，抑制噪声；

S2：采用基于小波变换求模极大值的方法对图像提取边缘；

S3：结合高斯函数设定阈值去除非道路边缘点；

S4：根据基于斜率和截距的K-means聚类算法实现道路的拟合。

进一步的，步骤S2的具体方法如下：

1）构造小波函数：

，

，其中，s为尺度；

2）对图像f行列进行卷积得到尺度s上的二维小波变换的2个分量、：

，

；

3）得到在尺度s下梯度矢量的模与幅角：

，

；

4）把像素点f(x,y)的梯度方向分成4种方向：①0°或180°的水平方向；②90°或270°的垂直方向；③45°或225°的正对角线方向，④135°或315°的负对角线方向；求出与该像素点梯度幅角大小最接近的方向；

5）对每一个像素点，依次比较该像素点的8领域梯度值，查找该像素点梯度在由步骤4）求出的幅值最接近的方向上是否为极大值，如果该值是极大值，记录该像素点梯度值，否则，把该像素点梯度值置零；

6）找到记录梯度中的最大值，然后以该值做归一化，比较每一个像素归一化的梯度值，当该梯度值大于某个阈值时，则认为是图像的真正边缘，否则视为图像的伪边缘。

进一步的，步骤S3的具体方法如下：

假设边缘点f(x,y)的幅值为G(x,y)，幅角为A(x,y)，边缘点f(s,t)是边缘点f(x,y)的8邻域点；如果边缘点f(x,y)的与8邻域点f(s,t)的梯度幅值与梯度方向满足：

；

；

并且：；

其中，；；T1，T2，T3，T4为幅度阈值；A1，A2为角度阈值；则保留该边缘点，并记录该边缘点的坐标(x,y)，否则将边缘点置0。

本发明的有益效果是：

本发明能在道路场景较为复杂的情况下更准确地实现非结构化道路检测，并提高实时性。

具体实施方式

以下具体实施例对本发明作进一步阐述，但不作为对本发明的限定。

一种非结构化道路的检测方法，包括以下步骤：

S1：将单目摄像机采集的彩色图像，通过高斯金字塔进行降采样，金字塔由高斯平滑和向下降采样构成，转成灰度图像处理，压缩图像数据信息，对图像进行双边滤波，抑制噪声；

S2：采用基于小波变换求模极大值的方法对图像提取边缘；

S3：结合高斯函数设定阈值去除非道路边缘点；

S4：根据基于斜率和截距的K-means聚类算法实现道路的拟合。

步骤S2的具体方法如下：

1）构造小波函数：

，

，其中，s为尺度；

2）对图像f行列进行卷积得到尺度s上的二维小波变换的2个分量、：

，

；

3）得到在尺度s下梯度矢量的模与幅角：

，

；

4）把像素点f(x,y)的梯度方向分成4种方向：①0°或180°的水平方向；②90°或270°的垂直方向；③45°或225°的正对角线方向，④135°或315°的负对角线方向；求出与该像素点梯度幅角大小最接近的方向；