[发明专利]一种实时鲁棒的非结构化道路检测方法

说明书

技术领域

本发明具体涉及一种实时鲁棒的非结构化道路检测方法。

背景技术

基于视觉的智能导航系统是机器视觉的一个重要应用领域。近年来，随着人们对智能导航系统需求的不断增加，如车辆自动停泊、军用无人驾驶坦克等，使得智能导航系统得到了飞速的发展。其中，如何在各种环境下准确地识别车辆前方道路是智能导航系统中的关键问题之一。

通常，现实中的道路分为结构化道路和非结构化道路，它们的主要区别为是否具有明显的道路标志。目前，针对非结构化道路识别算法主要分为基于特征和基于模型两类方法。基于特征的方法是根据道路表面特征如颜色、纹理等与非道路区域有明显差别的原理将道路区域分割出来，这种方法具有较高的鲁棒性，但计算量较大；基于模型的方法是先对道路模型作出假设，如直线、抛物线、样条曲线等模型，并根据道路图像匹配道路模型。由于后者只需较少的参数表示整个道路，对阴影、光照变化等有较强的抗干扰性，但当道路不符合预先的假设时，模型匹配就会失败。因此模型选择和求解是该方法成功与否的关键。

发明内容

本发明要解决的技术问题是提供一种实时鲁棒的非结构化道路检测方法。

一种实时鲁棒的非结构化道路检测方法，包括以下步骤：

S1：利用待处理图像的彩色信息对道路区域和非道路区域进行混合高斯建模；

S2：利用分块分类方法和分段方法提取道路边界点；

S3：选取三次B样条曲线模型作为道路模型，使用最小二乘法求解道路模型，完成对道路双边界的拟合。

进一步的，混合高斯建模具体方法如下：

1）均值和协方差使用下式来计算：

；

；

其中，x代表聚类中的像素点；

2）采用Bayes决策规则计算待处理图像中每个像素隶属道路区域的概率和非道路区域概率，下列各式为道路区域概率的计算方法：

；

；

；

；

其中，先验概率和为道路区域和非道路区域占样大小的比例。

进一步的，分块分类方法如下：

1）首先将图像进行分块；

2）接着利用混合高斯模型方法分别对每一个分块的四个角点区域进行道路和非道路区域的判别，如果角点区域中大多数像素为道路像素，则该角点区域为道路区域，否则为非道路区域；

3）最后根据四个角点区域的分类情况对每个分块分类；具体分类情况如下：

a)若四个角点区域都为道路区域，则该分块为道路区域；

b)若四个角点都为非道路区域，则该分块为非道路区域；

c)若区域不符合a)、b)，则标记为混合区域。

进一步的，分段方法如下：

1）对图像中所有混合区域分块的待处理线段上的像素点进行道路和非道路像素的判别；

2）从图像底部的第一个扫描线开始，从左向右依次扫描每一个像素点；取扫描线上连续的道路像素点集作为候选道路子线段，得到扫描线上的候选道路子线段集；

3）将扫描点向上移动，转到步骤2），进行下一轮扫描线上像素的扫描，直到处理完图像中所有的扫描线；

4）归并扫描线上相邻端点距离较近的候选道路子线段；依此类推，对所有的扫描线上的候选道路子线段集进行归并处理，得到道路线段集；

5）对于每条扫描线上的道路线段，提取线段的左右边界点，得到左右边界点集合。

本发明的有益效果是：

本发明利用分块分段混合高斯模型方法进行道路区域和非道路区域的分割，既保证了混合高斯模型方法鲁棒性的特点，又降低了该方法的计算复杂性；同时还融合了B样条曲线模型进行道路边界的拟合，进一步增强了算法对阴影、光照变化等干扰因素的抗干扰能力。该方法实时性好，对阴影、光照变化等影响具有较强的抗干扰性。

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。

一种实时鲁棒的非结构化道路检测方法，包括以下步骤：

S1：利用待处理图像的彩色信息对道路区域和非道路区域进行混合高斯建模；

S2：利用分块分类方法和分段方法提取道路边界点；

S3：选取三次B样条曲线模型作为道路模型，使用最小二乘法求解道路模型，完成对道路双边界的拟合。

混合高斯建模具体方法如下：

1）均值和协方差使用下式来计算：

；

；

其中，x代表聚类中的像素点；