基于机器视觉的道路检测方法技术

本发明专利技术提供了一种基于机器视觉的道路检测方法，其基于平行主动轮廓模型包括如下步骤：S1：获取图像；S2：道路结构信息恢复；S3：使用平行主动轮廓模型进行道路边界检测；S4：把检测结果映射到原始图像上。本发明专利技术即可用于结构化道路的边界检测也可以用于非结构化道路的边界检测。由于平行性约束的引入，可以提高在存在遮挡或者道路破损等道路场景中道路检测的准确率。本发明专利技术中提出的基于梯度场的平行主动轮廓模型可以进一步提高方法的抗造性以及降低由于阴影造成的检测错误。

【技术实现步骤摘要】
【专利摘要】本专利技术提供了一种，其基于平行主动轮廓模型包括如下步骤：S1：获取图像；S2：道路结构信息恢复；S3：使用平行主动轮廓模型进行道路边界检测；S4：把检测结果映射到原始图像上。本专利技术即可用于结构化道路的边界检测也可以用于非结构化道路的边界检测。由于平行性约束的引入，可以提高在存在遮挡或者道路破损等道路场景中道路检测的准确率。本专利技术中提出的基于梯度场的平行主动轮廓模型可以进一步提高方法的抗造性以及降低由于阴影造成的检测错误。【专利说明】
本专利技术涉及图像模式识别领域，特别涉及一种。该方法首先通过图像处理方法恢复道路的结构信息，然后在此基础上通过本专利技术提出的平行主动轮廓模型进行道路边界检测。
技术介绍
基于机器视觉的道路检测是通过计算机视觉技术对含有道路场景的图像序列进行道路区域或者道路边界的检测和定位。这些图像序列通常是通过安装在移动车辆上的摄像机获取。道路检测在智能交通、车辆安全辅助驾驶以及无人驾驶汽车等领域都具有重要的作用。 实际的道路可以分为结构化道路和非结构化道路。结构化道路是指那些具有完整道路边界标示线的高速公路或者普通公路。这些标示线可以简化道路的检测方法，并且使检测方法具有较高的检出度和准确率。而非机构化道路是指那些不具有道路标示线的普通公路和乡村道路。这类道路没有清晰的道路边界线，不利于检测方法的设计。但是在边界周围也存在明显的颜色或者纹理变化，这些信息为使用道路检测方法进行正确检测带来了可能。 常用的基于视觉的道路检测方法可以分为三类:基于特征的检测方法，基于模型估计的检测方法以及基于机器学习的检测方法。基于特征的道路检测方法通常提取道路的边沿特征，然后使用直线或者曲线拟合的方法来得到道路的边界信息。该类方法主要应用于结构化道路的检测上，并且取得了较好的效果。基于模型的道路检测方法首先需要对道路进行建模，然后使用参数估计方法对模型参数进行估算，从而完成道路检测。基于机器学习的道路检测方法通过大量数据的学习，训练出不同的分类器。然后使用训练好的分类器对待测图像进行分类。该类方法很难满足实时性的要求，并且在不同类型的道路上适应性较差。 本专利技术提出的用于道路检测的平行主动轮廓模型，该方法属于基于模型的检测方法。本专利技术使用平行抛物线对道路进行建模，并且使用主动轮廓模型获取局部最优的模型参数。但是由于安装在车辆上的摄像机在拍摄路面信息时都具有一定的俯视角。由于该俯视角的存在，在拍摄得到的图像中会产生透视效应。在透视图中道路的左右边界的平行性结构变为梯形的左右两边，破坏了平行性结构，如图2所示。梯形的结构不利于使用机器视觉方法进行描述，在本专利技术中使用图像处理方法恢复道路的平行性信息，如图3所示。平行性主动轮廓模型在已有主动轮廓模型的基础上添加平行性约束。由于平行约束的引入，道路左右边界的结构信息互相补充，可以更好处理道路单边遮挡或者道路破损的道路场景，也可以获取提高模型的收敛速度。 经对现有技术的文献检索发现:Wang等在“Image and Vis1n Computing”(2004年 22 卷 269-280 页)上发表的 “Lane detect1n and tracking using B-Snake” 跟本专利技术提出的方法类似，该文也是采用主动轮廓模型进行道路检测。但是该文中使用CHEVP方法对主动轮廓模型进行初始化，然后在透视图上通过GVF方法计算图像的梯度场，最终在该梯度场上直接进行主动轮廓模型的迭代。基于CHEVP方法的主动轮廓模型的初始化严重依赖于节点检测的准确性。CHEVP方法中较小的检测误差，都可能最终得到完全不同的检测结果。而且由于主动轮廓模型完全依赖于梯度场，原始图像中由于道路区域的特性，有大片区域不具有丰富的梯度信息。虽然该文中采用GVF方法来对梯度信息进行优化，从而扩大局部梯度信息区域，但是由于GVF的计算复杂度比较高，不利于满足道路检测方法的实时性的要求。而且在该文中使用的主动轮廓模型并没有使用道路左右边界的对称性信息。
技术实现思路
本专利技术针对现有技术存在的以上缺陷，提出了一种基于平行主动轮廓模型的道路检测方法。该方法使用拉伸力对开环主动轮廓模型进行初始化，从而使该模型不依赖于CHEVP方法的节点检测结果。在主动轮廓模型的迭代过程中，通过引入平行属性，从而该模型可以从左右两条边界中获取外力，从而减低对单一区域梯度信息的需求。 根据本专利技术提供的一种，包括如下步骤: S1:通过摄像机获取道路场景图像1Tig ； S2:根据路场景图像1Tig恢复道路的结构信息图像Ipcts ; S3:使用平行主动轮廓模型在图像Ipots上进行道路检测；其中，所述平行主动轮廓模型，是在两条独立的开环主动轮廓模型的基础上通过添加平行性约束得到的一组模型，所述平行主动轮廓模型通过两条开环主动轮廓模型周边的内力和外力共同作用，并且由于平行性约束，最终得到两条平行的二次曲线； S4:把收敛后的平行主动轮廓模型通过逆透视映射转换到1Tig上，从而得到最终的道路边界的检测结果。 优选地，在步骤S2中使用图像处理方法来恢复道路的结构信息。 优选地，在步骤S3中使用平行主动轮廓模型进行道路检测包含以下几个步骤: S31:使用拉伸力Fsta对开环主动轮廓模型进行初始化； S32:分别计算Ipots中(X，y)分量上的梯度场(Gx，Gy)，作为开环主动轮廓模型的外部能量函数； S33:根据步骤S32中的初始化得到的开环主动轮廓模型，计算利用开环主动轮廓模型像素位置的一阶和二阶导数作为开环主动轮廓模型内部能量函数；非循环矩阵被用于产生开环主动轮廓模型。 S34:根据步骤S32的外部能量函数和步骤S33中的内部能量函数，计算开环主动轮廓模型的移动矢量； S35:根据移动矢量计算开环主动轮廓模型的当前位置，并使用最小二乘法对平行抛物线进行拟合； S36:判断步骤S35得到的结果与上次迭代结果的相似性，如果相似度小于阈值k则从S31重新开始迭代过程，其中，k为并行曲线的差值，以像素为单位，一般设为10。。 优选地，在步骤S4中使用逆透视映射把步骤S3中的检测结果映射到原始图像 I orig 中? 优选地，在步骤S33中，使用非循环矩阵用于移除传统主动轮廓模型中头尾的约束，从而生成开环的主动轮廓模型。 优选地，开环主动轮廓模型使用平行性信息进行约束。 优选地，所述图像Ipeis是俯视角为90度时获得道路平面的视角图像，该90度的俯视角保持道路左右边界的平行性属性。 优选地，所述拉伸力是通过计算开环主动轮廓模型的头尾两个顶点对在位置像素值与背景像素值的相似性，从而保证这两个顶点收敛到梯度最小的区域。 优选地，所述平行抛物线是基于平行性约束的二次曲线，所述基于平行性约束的二次曲线通过最小二乘法进行估计。 与现有技术相比，本专利技术具有如下的有益效果: 本专利技术通过图像处理方法恢复道路边界的平行性信息，并且在恢复后的图像中采用本专利技术提出平行主动轮廓模型进行道路边界检测。本专利技术即可用于结构化道路的边界检测也可以用于非结构化道路的边界检测。由于平行性约束的引入，可以提高在存在遮挡或者道路破损等道路场景中道路检测的准确率。本专利技术中提出本文档来自技高网...

【技术保护点】
一种基于机器视觉的道路检测方法，其特征在于，包括如下步骤： S1：通过摄像机获取道路场景图像Iorig； S2：根据路场景图像Iorig恢复道路的结构信息图像Ipers； S3：使用平行主动轮廓模型在图像Ipers上进行道路检测；其中，所述平行主动轮廓模型，是在两条独立的开环主动轮廓模型的基础上通过添加平行性约束得到的一组模型，所述平行主动轮廓模型通过两条开环主动轮廓模型周边的内力和外力共同作用，并且由于平行性约束，最终得到两条平行的二次曲线； S4：把收敛后的平行主动轮廓模型通过逆透视映射转换到Iorig上，从而得到最终的道路边界的检测结果。

【技术特征摘要】

【专利技术属性】
技术研发人员：李向阳，方向忠，王慈，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：上海;31