[发明专利]一种基于 ANN 的剧烈光照环境下实时非结构化道路检测方法

说明书

一种基于ANN的剧烈光照环境下的非结构化道路检测方法，其特征在于，在剧烈变化的光照环境下，为减少光照对图像的影响，首先离线采集真实场景下的道路图像并计算每帧图像的平均灰度，合理确定平均灰度的校正目标范围，分别对每帧图像进行Gamma校正，用合适的函数拟合校正系数与平均灰度值之间的关系；在道路在线检测时，对输入的图像序列，使用拟合的Gamma校正函数进行自校正，再进行区域裁剪；再对裁剪后的图像网格化，获取每个小格的特征向量，并做样本标记，利用当前图像的样本信息，搭建ANN神经网络并在线训练、更新和预测，实时输出可行驶区域的检测结果。该方法对光照变化场景有较好的适应性，有效提高了非结构化道路检测的实时性、鲁棒性和准确性。

技术领域

本发明涉及室外非结构化道路检测领域，尤其涉及一种基于 ANN 的剧烈光照环境下实时非结构化道路检测方法。

背景技术

智能车辆和移动机器人自主导航系统的关键技术之一是基于视觉的道路检测。近年来，随着人工智能技术和计算机技术的不断发展，自主驾驶的相关研究也得到了飞速发展，其中，如何在复杂的自然环境下准确识别道前方道路是研究自主驾驶系统中的一个难题。对于城市道路交通环境，例如高速公路和城市街道等，其结构化程度较高，其道路检测的方法一般为车道线的检测。而对于室外非结构化道路，例如乡村道路等，因为受到自然环境中物候、光照、地形等影响，都会造成道路表面特征的改变，给非结构化道路检测带来一定挑战性。

如何从视觉传感器获取的彩色图像中提取道路信息是基于视觉的道路检测的关键。目前，针对非结构化道路检测算法，主要分为传统方法和非传统方法两类。传统方法主要包括基于道路特征的方法和基于道路模型的方法。基于道路特征的方法是根据道路的表面信息，如颜色、纹理、道路与非道路区域间有明显差异的原理，提取道路区域，这种方法有较高的鲁棒性，但计算量要求大；基于模型的道路检测方法，是预先假设道路模型，如抛物线、直线、交叉道路等模型，并根据图像匹配道路模型。后者虽只需要较少参数表示整个道路，但当道路不符合预先的假设模型时，匹配就会失败，因此如何选择模型和求解是该方法成功的关键。非传统方法主要是利用机器学习的方法，如支持向量机和神经网络等工具，进行道路检测。但在它们都需要大量的样本进行训练且训练耗时较长。

发明内容

鉴于上述现有技术的不足，本发明的目的在于提供一种基于 ANN 的剧烈光照环境下的实时非结构化道路检测方法，旨在解决现有的非结构化道路检测方法无法实时得到稳定、可靠、安全的道路可行驶区域的问题。

本发明的目的是通过以下技术方案来实现的：

一种基于 ANN 的剧烈光照环境下的实时非结构化道路检测方法，包括以下几个步骤：

步骤A：离线阶段，利用离线采集的真实视频数据，寻找合适的 Gamma 校正函数；

步骤B：通过摄像机实时获取道路图像，并对获取的图像进行预处理；

步骤C：对预处理之后的道路图像进行处理，获得当前图像的样本特征向量；

步骤D：利用步骤 C 中的图像样本信息，搭建ANN神经网络并进行在线训练、更新和预测，最终得到道路可行驶区域。

进一步的，所述步骤 A 包括以下子步骤：

A1：获取并记录视频图像序列的每帧的平均灰度值，并根据整体平均灰度情况，确定合理的校正灰度目标范围；

A2：对每帧图像进行 Gamma 校正，将图像的平均灰度校正至步骤 A1 确定的灰度目标范围内，并记录对应的 Gamma 校正系数；

A3：对记录的每帧图像的 Gamma 校正系数与平均灰度数据进行曲线拟合，确定Gamma校正系数与平均灰度之间的函数关系。

进一步的，所述步骤 B 包括以下子步骤：