一种道路减速带检测方法及系统技术方案

本发明专利技术公开了一种道路减速带检测方法及系统，方法包括：获取待检测的道路图像；从所述图像提取出用于表征所述图像特征的特征数据；将得到的针对所述图像的特征数据输入到预先训练好的分类器内，得到由所述分类器输出的用于指示所述图像是否存在减速带的分类结果。本方法及系统对于不同地区可以通过采集本地区的道路图像作为样本图像来训练用于对图像分类的分类器，针对不同地区能够使用相应训练得到的分类器来检测图像是否包含减速带，因而与现有技术相比适用性强。

【技术实现步骤摘要】
一种道路减速带检测方法及系统
本专利技术涉及图像处理
，特别是涉及一种道路减速带检测方法及系统。
技术介绍
伴随着人工智能技术的快速发展，车辆的自动驾驶方案引起了车辆领域以及交通领域的广泛研究和关注。目前，无人驾驶汽车已经在一些地方开始试用，虽然当前无人驾驶车辆还无法普及，但实现无人驾驶所涉及的各项技术已经在一些领域应用。实现无人驾驶首先需要的是车辆能够自动感知周围环境，车辆在道路上行驶必须能够获取和识别各种道路信息，比如路面标示的减速带是车辆行驶过程中需要能够识别的道路信息之一。现有技术中，对拍摄的检测区域图像，使用边缘检测方法从图像中获取减速带的几何形状，将获得的几何形状对应转换为脉冲波形，当得到的脉冲波形存在连续的预设数量个矩形波时，认为检测区域存在减速带。但是，各地使用的交通减速带的形状存在差异，上述基于几何特征的减速带检测方法在一些地方能够得到良好的效果，而在一些地方不适用，因此上述基于提取几何特征的减速带检测方法不具有普遍适用性。
技术实现思路
鉴于此，本专利技术的目的是提供一种道路减速带检测方法及系统，实现对获取的图像检测是否存在减速带，与现有技术相比适用性强。由上述技术方案可知，本专利技术提供如下技术方案：一种道路减速带检测方法，包括：获取待检测的道路图像；从所述图像提取出用于表征所述图像特征的特征数据；将得到的针对所述图像的特征数据输入到预先训练好的分类器内，得到由所述分类器输出的用于指示所述图像是否存在减速带的分类结果。优选的，从所述图像提取出用于表征所述图像特征的特征数据包括：将所述图像输入到预先训练好的卷积神经网络内，得到由所述卷积神经网络输出的、从所述图像提取出的用于表征所述图像特征的特征数据。优选的，在将所述图像输入到预先训练好的卷积神经网络内之前还包括：调整所述图像的图像分辨率，使所述图像的图像分辨率符合预设要求。优选的，调整所述图像的图像分辨率，使所述图像的图像分辨率符合预设要求包括：分别计算所述图像与目标图像的长度比和宽度比，表示为m/a和n/b，其中，所述图像的图像分辨率为m*n，所述目标图像的分辨率为a*b；计算目标图像上像素点(i，j)在所述图像上的坐标，表示为(i*m/a，j*n/b)，在所述图像上将该点设为点P(x，y)；在所述图像上寻找出距离点P最近的四个像素点，得到的四个像素点表示为Q11(x1，y1)、Q12(x1，y2)、Q21(x2，y1)和Q22(x2，y2)；在所述图像中沿x轴方向进行线性插值，得到：其中，R1＝(x，y1)；其中，R2＝(x，y2)；在所述图像中沿y轴方向进行线性插值，得到：结合以上各式得到：其中，f(x，y)表示图像上像素点P(x，y)在目标图像上对应像素点(i，j)的坐标值。优选的，预先训练好的所述卷积神经网络包括五层卷积层和三层全连接层，各所述卷积层分别使用不同的卷积核对图像进行卷积运算；第一层全连接层用于对第五层卷积层输出的每一特征图分别进行一次全卷积运算，由神经元输出运算结果，并对输出的所有运算结果处理得到一列多维数据；第二层全连接层用于对所述第一层全连接层输出的一列多维数据进行全连接而重新生成一列多维数据；第三层全连接层用于将所述第二层全连接层生成的一列多维数据与预设数量个神经元进行全连接，得到一列维数为所述预设数量的数据；由所述第一层全连接层、所述第二层全连接层或者所述第三层全连接层中任意一层输出的数据作为输入所述分类器的特征数据。优选的，从所述图像提取出用于表征所述图像特征的特征数据包括：从所述图像提取方向梯度直方图特征、局部二值模式特征或者Haar特征。优选的，建立所述分类器的方法包括：设定超平面(w，b)，w表示所述超平面的法向量，训练数据集表示为T＝{(x1,y1)，(x2,y2)，…，(xN,yN)}，其中xi表示由第i个样本图像提取得到的特征数据，yi∈y＝{-1,1}，当第i个样本图像中含有减速带时yi＝1，当第i个样本图像中没有减速带时yi＝0，i＝1,2,…,N，N表示训练数据集包括的样本图像的总数量；构建以下方程并求解以下方程在约束条件下的最优解，求解获得的最优解表示为w*、b*：其中，约束条件为yi(w·xi+b)-1≥0，i＝1,2,…,N；得到分类超平面，表示为w*·x+b*＝0，并得到分类决策函数表示为：f(x)＝sign(w*·x+b*)。优选的，训练所述分类器的方法包括：获取样本图像，所述样本图像包括正样本图像和负样本图像，正样本图像是指含有减速带的图像，负样本图像是指不含减速带的图像；对样本图像集中用于训练分类器的样本图像提取出用于表征图像特征的特征数据，并利用得到的特征数据对预先构建的分类器进行训练；对样本图像集中用于测试分类器的样本图像提取出用于表征图像特征的特征数据，并利用得到的特征数据对训练后的分类器进行测试。一种道路减速带检测系统，用于执行以上所述道路减速带检测方法。由上述技术方案可知，本专利技术所提供的一种道路减速带检测方法及系统，首先获取待检测的道路图像，然后从所述图像提取出用于表征所述图像特征的特征数据，进一步将得到的针对所述图像的特征数据输入到预先训练好的分类器内，得到由分类器输出的用于指示所述图像是否存在减速带的分类结果。本专利技术提供的道路减速带检测方法及系统，首先提取待检测图像的特征数据，然后利用特征数据，使用预先训练好的分类器对待检测图像分类，而得到待检测图像是否存在减速带的分类结果，对于不同地区可以通过采集本地区的道路图像作为样本图像来训练用于对图像分类的分类器，针对不同地区能够使用相应训练得到的分类器来检测图像是否包含减速带，因此针对不同地区都适用，因而与现有技术相比适用性强。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术实施例提供的一种道路减速带检测方法的流程图；图2为本专利技术实施例中计算图像上像素点P在目标图像上对应像素点的坐标时进行双线性插值的示意图；图3为本专利技术实施例提供的一种道路减速带检测方法中训练分类器的方法流程图。具体实施方式为了使本
的人员更好地理解本专利技术中的技术方案，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本专利技术保护的范围。请参考图1，本实施例提供的一种道路减速带检测方法包括以下步骤：S10：获取待检测的道路图像。在车辆行驶过程中，摄像装置拍摄道路视频或者拍摄道路图像，本步骤首先从拍摄的视频流或者道路图像中获取要检测的图像。在实际应用中，可以通过车辆上设置的行车记录仪拍摄获得道路图像。S11：从所述图像提取出用于表征所述图像特征的特征数据。作为一种优选实施方式，本方法可以使用预先训练好的卷积神经网络对图像提取特征数据，具体包括：将所述图像输入到预先训练好的卷积神经网络内，得到由所述卷积神经网络输出的、从所本文档来自技高网...

【技术保护点】
1.一种道路减速带检测方法，其特征在于，包括：获取待检测的道路图像；从所述图像提取出用于表征所述图像特征的特征数据；将得到的针对所述图像的特征数据输入到预先训练好的分类器内，得到由所述分类器输出的用于指示所述图像是否存在减速带的分类结果。

【技术特征摘要】
1.一种道路减速带检测方法，其特征在于，包括：获取待检测的道路图像；从所述图像提取出用于表征所述图像特征的特征数据；将得到的针对所述图像的特征数据输入到预先训练好的分类器内，得到由所述分类器输出的用于指示所述图像是否存在减速带的分类结果。2.根据权利要求1所述的道路减速带检测方法，其特征在于，从所述图像提取出用于表征所述图像特征的特征数据包括：将所述图像输入到预先训练好的卷积神经网络内，得到由所述卷积神经网络输出的、从所述图像提取出的用于表征所述图像特征的特征数据。3.根据权利要求2所述的道路减速带检测方法，其特征在于，在将所述图像输入到预先训练好的卷积神经网络内之前还包括：调整所述图像的图像分辨率，使所述图像的图像分辨率符合预设要求。4.根据权利要求3所述的道路减速带检测方法，其特征在于，调整所述图像的图像分辨率，使所述图像的图像分辨率符合预设要求包括：分别计算所述图像与目标图像的长度比和宽度比，表示为m/a和n/b，其中，所述图像的图像分辨率为m*n，所述目标图像的分辨率为a*b；计算目标图像上像素点(i，j)在所述图像上的坐标，表示为(i*m/a，j*n/b)，在所述图像上将该点设为点P(x，y)；在所述图像上寻找出距离点P最近的四个像素点，得到的四个像素点表示为Q11(x1，y1)、Q12(x1，y2)、Q21(x2，y1)和Q22(x2，y2)；在所述图像中沿x轴方向进行线性插值，得到：其中，R1＝(x，y1)；其中，R2＝(x，y2)；在所述图像中沿y轴方向进行线性插值，得到：结合以上各式得到：其中，f(x，y)表示图像上像素点P(x，y)在目标图像上对应像素点(i，j)的坐标值。5.根据权利要求2所述的道路减速带检测方法，其特征在于，预先训练好的所述卷积神经网络包括五层卷积层和三层全连接层，各所述卷积层分别使用不同的卷积核对图像进行卷积运算；第一层全连接层用于对第五层卷积层输出的每一特征图分别进行一次全卷积运算，由神经元输出运算结果，并对输出的所有运算结果处理得到一列多维数据；第二层全...

【专利技术属性】
技术研发人员：董俊，张学习，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：广东,44