一种融合区域和边缘信息的道路检测算法制造技术

本发明专利技术公开了一种融合区域和边缘信息的道路检测算法，首先采集道路图像使用自适应中值滤波去噪增强得到增强图像；在RGB彩色空间中选择增强图像的R分量，并采用最大类间方差Otsu法实现图像的道路区域分割得到二值分割图像，并用串行数学形态学优化二值分割图像；然后采用最优边缘检测Canny算子检测二值分割图像得到道路边缘检测信息，并采用最大类间方差法计算最优边缘检测Canny算子中的双阈值；最后利用二值分割图像与道路边缘检测信息获取图像中的道路边界线。本发明专利技术提供的算法利用图像处理技术检测并提取道路信息，以用于电缆隧道机器人的自主导航系统，是一种自适应道路边界线分割融合方法，该融合算法能获得平滑准确的道路边缘。

A road detection algorithm based on region and edge information fusion

The invention discloses a detection algorithm fusion region and edge information of the road, the first road image acquisition using adaptive median filtering denoising enhanced image enhancement; selective enhancement R component images in RGB color space, and uses Otsu Otsu method to achieve image segmentation of Road area and get two value image segmentation with the serial and mathematical morphology to optimize two value image segmentation; then the optimal edge detection operator Canny detection value of two segmented image edge detection of road information, and calculate the optimal edge detection of double threshold Canny operator using the Otsu method; finally, using the two value image segmentation edge detection and road information acquisition in road image the boundary line. Processing technology to detect the image and extract road information provided by the invention of the algorithm for autonomous navigation system for cable tunnel robot, is a kind of adaptive road boundary segmentation fusion method, the fusion algorithm can obtain the accurate road edge smoothing.

【技术实现步骤摘要】

本专利技术涉及机器人控制领域，特别是一种融合区域和边缘信息的道路检测算法。
技术介绍
视觉导航是智能移动式机器人研究领域内的一种重要技术和研究热点。检测和提取道路导引线是视觉导航和自主行走的前提。与结构化的道路相比，非结构化的道路具有一定的复杂性和多样性，并且道路场景具有随机性，目前对该类型道路的检测还没有一种适应性很强的算法。一般的道路检测算法或者基于区域分割或者基于边缘检测。区域分割一般基于图像的全局特征，将背景区域和目标区域分割出来，但分割出的边缘位置不是很精确。边缘检测一般基于图像的局部特征，能得到比较精确的边缘位置，但往往也检测除了很多冗余的边缘。在基于电缆隧道机器人导航下的环境下，电缆隧道相当于需要提取的导航道路，同样需要对该种道路进行区域分割和边缘检测，因此，需要一种能获得分割效果较好的道路边界方法，利用方法可对其他类似的非结构化道路环境进行道路边界分割。
技术实现思路
本专利技术的目的是需要一种能融合区域和边缘信息的道路检测算法对非结构化道路环境进行道路边界分割。本专利技术的目的是通过以下技术方案来实现的：本专利技术提供的融合区域和边缘信息的道路检测算法，包括以下步骤：S1：采集道路图像使用自适应中值滤波去噪增强得到增强图像；S2：在RGB彩色空间中选择增强图像的R分量，并采用最大类间方差Otsu法实现图像的道路区域分割得到二值分割图像，并用串行数学形态学优化二值分割图像；S3：采用最优边缘检测Canny算子检测二值分割图像得到道路边缘检测信息，并采用最大类间方差法计算最优边缘检测Canny算子中的双阈值；S4：利用二值分割图像与道路边缘检测信息获取图像中的道路边界线。进一步，所述步骤S1中的自适应中值滤波具体步骤如下：步骤A：按照以下公式计算：A1＝zmed-zmin，A2＝zmed-zmax；其中，A1表示模板内像素灰度中值与像素灰度最小值间的差；zmed表示模板内像素灰度的中值；zmin表示模板内像素灰度的最小值；A2表示模板内像素灰度的中值与最大值间的差；zmax表示模板内像素灰度的最大值；判断是否满足以下关系式：A1＞0且A2＜0，如果满足，则进入步骤B；如果不满足，则增大Sxy的值，判断模板尺寸Sxy≤Smax，如果满足，则返回去执行A，如果不满足，则输出值zxy；其中，Sxy为中心在像素点(x,y)时对应的模板窗口；模板窗口内像素的最小值zmin＝min(Sxy)；模板窗口内像素的最大值zmax＝max(Sxy)；模板窗口内像素的中值zmed＝med(Sxy)；zxy为像素点(x,y)处的灰度像素值；Smax表示Sxy允许的灰度像素值；步骤B：按照以下公式计算B1：B1＝zxy-zmin，A2＝zxy-zmax；其中，B1表示表示模板中心坐标像素灰度值与模板内像素灰度最小值间的差；判断是否满足以下关系式：若B1＞0且B2＜0，如果满足，则输出zxy；如果不满足，则输出zmed；步骤C：判断步骤A和B中的zmed和zxy是否为一个脉冲噪声，如果都不是脉冲噪声，则输出当前像素值；如果否，则输出邻域中值。进一步，所述步骤S2中的最大类间方差Otsu法实现图像的道路区域分割得到二值分割图像中的分割阈值，是按照以下步骤来获取的：S21：将图像划分为L个灰度级；S22：计算属于灰度级i的像素个数ni，以及各灰度级出现的概率为： p i = n i N ; ]]>其中，为整张图像的像素数；S23：把图像中的像素用阈值T分成两类C0和C1，灰度级在[0,T-1]内的像素属于C0，灰度级在[T,L-1]内的像素属于C1，S24：计算区域C0和C1的概率分别为：S25：区域C0和C1的平均灰度值分别为：S26：整幅图像的平均灰度为：其中，T为阈值，T的取值范围是[0,L-1]；S27：计算阈值为T时的类间方差：σ2(T)＝P0(μ0-μ)2+P1(μ1-μ)2＝P0P1(μ0-μ1)2；S28：获取当σ2(T)取最大值时的T并作为最大类间方差Otsu法的分割阈值。进一步，所述步骤S3中的双阈值包括高门限值和低门限值；具体是按照以下步骤来获取：采用Otsu算法来计算获得最佳阈值，并将最佳阈值作为Canny算子的高门限值；按照以下公式计算所述低门限值：Tl＝(0.4～0.6)Th，其中，Tl表示低门限值，Th表示高门限值。进一步，所述道路边缘检测信息是按照以下步骤来获取的：S31：获取二值分割图像中的像素点的梯度幅值，并以下方式进行处理：S32：如果像素点处的梯度幅值大于设定的高门限值，则像素点为边缘点；S33：如果像素点处的梯度幅值小于设定的低门限值，则像素点为非边缘点；S34：如果像素点处的梯度幅值介于高、低门限值之间，则增加约束条件：S35：如果像素点处的梯度大于高门限值的像素点的邻域内时，则像素点为边缘点；否则弃掉像素点。进一步，所述步骤S4中的道路边界线是按照以下步骤来获取的：S41：设定分割区域的边界可信区域；S42：获取分割区域的二值分割图；S43：在二值分割图中按行扫描，当扫描到黑白变化的像素点时，则以像素点为中心左右 扩展M个像素作为道路边界点的边界可信区域[i-M,i+M]；直至搜索完毕获得边界可信区域；S44：在二值分割图像中，逐个扫描可信区域[i-M,i+M]中的像素点，若在第K个可信区域内首次扫描到边缘点，则全部将其视为边界点；S45：在第K+1个可信区域中进行搜索边缘点，则对边缘点进行如下判断：S451：如果在边缘点中存在处于上一被标记为道路边界点的邻域内，则将标记为道路边界点；S452：如果边缘点都不处于上一被标记为道路边界点的邻域内，则将全部边缘点记为边界点；S453：逐个搜索每一个边界可信区域，并标记出所有道路边界点，得到道路边界线；其中，i表示图像矩阵的横坐标；M表示常量,自己视情况设置；K表示变量，第K个可信区域。由于采用了上述技术方案，本专利技术具有如下的优点：本专利技术提供的融合区域和边缘信息的道路检测算法，针对非结构化环境下的道路即电缆隧道道路，利用图像处理技术检测并提取道路信息，以用于电缆隧道机器人的自主导航系统。首先，对采集的道路图像使用自适应中值滤波去噪增强；其次，选择在RGB彩色空间的R分量图中应用最大类间方差Otsu法实现道路区域分割，并用串行数学形态学对分割二值图进一步优化；然后采用最优边缘检测Canny算子检测道路边缘，并采用最大类间方差法自动计算Canny算子中的双阈值，实现自适应性；最后利用区域分割与边缘检测各自的优势，；融合区域和边缘信息对道路边界线进行检测；经过实验验证，该融合算法能获得平滑准确的道路边缘。道路检测算法是视觉导航中的重要部分，道路边界线提取的准确度决定着整个系统的性能。以电缆隧道道路为实验对象，研究分析了区域分割和边缘检测的效果图，利用二者的互补特性，设计了一种融合区域与边缘信息的边界检测算法。上述实验证明，该融合算法能够检测出位置精确、平滑的道路边界线。本专利技术的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可本文档来自技高网...

【技术保护点】
一种融合区域和边缘信息的道路检测算法，其特征在于：包括以下步骤：S1：采集道路图像使用自适应中值滤波去噪增强得到增强图像；S2：在RGB彩色空间中选择增强图像的R分量，并采用最大类间方差Otsu法实现图像的道路区域分割得到二值分割图像，并用串行数学形态学优化二值分割图像；S3：采用最优边缘检测Canny算子检测二值分割图像得到道路边缘检测信息，并采用最大类间方差法计算最优边缘检测Canny算子中的双阈值；S4：利用二值分割图像与道路边缘检测信息获取图像中的道路边界线。

【技术特征摘要】
1.一种融合区域和边缘信息的道路检测算法，其特征在于：包括以下步骤：S1：采集道路图像使用自适应中值滤波去噪增强得到增强图像；S2：在RGB彩色空间中选择增强图像的R分量，并采用最大类间方差Otsu法实现图像的道路区域分割得到二值分割图像，并用串行数学形态学优化二值分割图像；S3：采用最优边缘检测Canny算子检测二值分割图像得到道路边缘检测信息，并采用最大类间方差法计算最优边缘检测Canny算子中的双阈值；S4：利用二值分割图像与道路边缘检测信息获取图像中的道路边界线。2.如权利要求1所述的融合区域和边缘信息的道路检测算法，其特征在于：所述步骤S1中的自适应中值滤波具体步骤如下：步骤A：按照以下公式计算：A1＝zmed-zmin，A2＝zmed-zmax；其中，A1表示模板内像素灰度中值与像素灰度最小值间的差；zmed表示模板内像素灰度的中值；zmin表示模板内像素灰度的最小值；A2表示模板内像素灰度的中值与最大值间的差；zmax表示模板内像素灰度的最大值；判断是否满足以下关系式：A1>0且A2<0，如果满足，则进入步骤B；如果不满足，则增大Sxy的值，判断模板尺寸Sxy≤Smax，如果满足，则返回去执行A，如果不满足，则输出值zxy；其中，Sxy为中心在像素点(x,y)时对应的模板窗口；模板窗口内像素的最小值zmin＝min(Sxy)；模板窗口内像素的最大值zmax＝max(Sxy)；模板窗口内像素的中值zmed＝med(Sxy)；zxy为像素点(x,y)处的灰度像素值；Smax表示Sxy允许的灰度像素值；步骤B：按照以下公式计算B1：B1＝zxy-zmin，A2＝zxy-zmax；其中，B1表示表示模板中心坐标像素灰度值与模板内像素灰度最小值间的差；判断是否满足以下关系式：若B1>0且B2<0，如果满足，则输出zxy；如果不满足，则输出zmed；步骤C：判断步骤A和B中的zmed和zxy是否为一个脉冲噪声，如果都不是脉冲噪声，则输出当前像素值；如果否，则输出邻域中值。3.如权利要求1所述的融合区域和边缘信息的道路检测算法，其特征在于：所述步骤S2中的最大类间方差Otsu法实现图像的道路区域分割得到二值分割图像中的分割阈值，是按照以下步骤来获取的：S21：将图像划分为L个灰度级；S22：计算属于灰度级i的像素个数ni，以及各灰度级出现的概率为： p i = n i N ; ]]>其中，为整张...

【专利技术属性】
技术研发人员：周小龙，伏进，吴彬，宫林，万欣，石为人，王成疆，王大洪，肖杰，李新平，刘垒，李杰，林日，
申请(专利权)人：国网重庆市电力公司电力科学研究院，国网重庆市电力公司，国家电网公司，深圳市先进智能技术研究所，
类型：发明
国别省市：重庆;50