一种基于Gabor小波变换纹理描述的非结构化道路检测方法技术

本发明专利技术涉及一种基于Gabor小波变换纹理描述的非结构化道路检测方法，是应用在智能汽车平台上的一种道路检测方法。本发明专利技术针对原始道路图像进行Gabor小波变换，将获取的小波模系数的均值和标准方差作为二维特征向量，利用Fisher线性判别分类(FLD)算法对特征向量进行分类处理，获取道路部分，最后采用随机抽样一致性(RANSAC)算法，对道路边界进行拟合，检测出道路边界。本发明专利技术能够准确的反映实际的路面情况，精确的检测道路边界线，具有良好的环境自适应能力，增强了道路边界检测的鲁棒性和抗干扰能力。

【技术实现步骤摘要】
【专利摘要】本专利技术涉及，是应用在智能汽车平台上的一种道路检测方法。本专利技术针对原始道路图像进行Gabor小波变换，将获取的小波模系数的均值和标准方差作为二维特征向量，利用Fisher线性判别分类(FLD)算法对特征向量进行分类处理，获取道路部分，最后采用随机抽样一致性(RANSAC)算法，对道路边界进行拟合，检测出道路边界。本专利技术能够准确的反映实际的路面情况，精确的检测道路边界线，具有良好的环境自适应能力，增强了道路边界检测的鲁棒性和抗干扰能力。【专利说明】一种基于Gabor小波变换纹理描述的非结构化道路检测方 法
本专利技术属于图像处理技术和模式识别
，具体地涉及一种基于Gabor小波 变换纹理描述的非结构化道路检测方法。
技术介绍
近些年，随着车辆自主驾驶系统的发展，国内外很多研宄人员提出了相关的非结 构化道路检测算法。总的来说，基于单目视觉的道路检测方法基本上可归结为三大类方法， 一类是基于特征的识别方法，一类是基于模型的方法，还有一类是基于光照不变性的方法。 基于特征的识别方法主要是结合道路边界图像的一些特征，如颜色特征、灰度梯度特征等， 从所获取的图像中识别出道路边界。基于特征的识别方法可分为：基于灰度特征、基于彩色 特征和基于消失点的识别方法。基于模型的道路识别是指基于不同的道路模型，如直线模 型，采用不同的识别技术，如神经网络技术来对道路边界进行识别的方法。基于视觉的道路 检测在对图像像素进行分类时，常常由于光照条件导致的类内方差有差异，而造成误检，于 是近三年来，基于光源不变性的道路识别方法成为研宄人员的一个研宄热点。 本专利技术涉及一种基于Gabor变换的道路检测方法，是应用在智能汽车平台上的一 种道路检测方法。本专利技术提出了一种Gabor纹理特征提取方法，针对原始道路图像进行 Gabor变换，将获取的小波模系数的均值和标准方差作为二维特征向量，利用Fisher线性 判别分类（FLD)算法对特征向量进行分类处理，获取道路部分，最后采用随机抽样一致性 (RANSAC)算法，对道路边界进行拟合，检测出道路边界。
技术实现思路
本专利技术的目的在于提供一种基于Gabor小波变换纹理描述的非结构化道路检测 方法，实现对于非结构化道路的检测，降低光照对视觉检测的影响。 本专利技术采用的技术方案为：一种基于Gabor小波变换纹理描述的非结构化道路检 测方法，该方法包括以下步骤： 步骤1，对于前方道路图像，采用二维离散高斯函数进行滤波平滑处理，基于平滑 后图像，进行空间转换，即从RGB空间转换至HSI空间，得到HSI空间上的前方道路图像； 步骤2,对于HSI前方道路图像，采用Gabor滤波器组进行滤波处理，获取Gabor纹 理特征在不同尺度和不同方向下的实部和相应的虚部； 步骤3,利用获取的实部和虚部计算Gabor小波模的系数，计算小波模系数的均值 和标准方差； 步骤4,利用小波模系数的均值和标准方差构建特征向量，采用Fisher线性判别 分类器（FisherLinearDiscriminant，FLD)对特征向量进行分类，分为道路区域和非道路 区域两个部分； 步骤5,对于分类后得到的属于道路区域的离散点，采用随机抽样一致性（random sampleconsensus，RANSAC)算法进行道路边界拟合，最终获得检测的道路边界。 本专利技术与现有技术相比的优点在于： (1)、本专利技术综合采用Gabor小波变化描述道路纹理，能够处理非结构化道路的边 界识别问题。 (2)、本专利技术采用对图像的颜色空间转换技术，能够降低光照和阴影对非结构化道 路的边界识别的影响。 (3)、本专利技术采用RANSAC算法拟合道路边界的技术，能够减弱道路边界噪声点对 道路边界拟合结果的影响。 【专利附图】【附图说明】 图1是表示基于本专利技术的实施方式涉及的智能车辆的示意图。 图2是表示基于本专利技术的实施方式的流程图。 图3是表示基于本专利技术的实施方式涉及的原始道路示意图。 图4是表示基于本专利技术的实施方式的道路图像预处理的流程图。 图5是表示基于Gabor变换后的道路图像分割效果图。 图6是表示基于RANSAC算法拟合道路边界的效果图。 【具体实施方式】 为使本专利技术的目的、技术方案和优点更加清楚明白，以下结合具体实施步骤，并配 合附图，对本专利技术进一步详细说明。 本专利技术的实施方式涉及的智能车辆如图1所示。 图2是本专利技术基于Gabor变换道路边界检测方法的流程图，如图2所示，所述的基 于Gabor变换的道路边界检测方法包括以下步骤： 步骤1，对于前方道路图像，如图3所示，采用二维离散高斯函数进行滤波平滑处 理，基于平滑后图像，进行空间转换，即从RGB空间转换至HSI空间，得到HSI空间上的前方 道路图像； 图4是图像预处理流程图，如图4所示，所述步骤1进一步包括以下步骤： 步骤11，为了使接下来的处理具有更优的性能，采用3*3的高斯模板进行平滑处 理，其中，使用的二维高斯函数G(x，y)如下所示： 【权利要求】1. ，其特征在于，该方法 包括以下步骤： 步骤1，对于前方道路图像，采用二维离散高斯函数进行滤波平滑处理，基于平滑后图 像，进行空间转换，从RGB空间转换至HSI空间，得到HSI空间上的前方道路图像； 步骤2,对于HIS空间上的前方道路图像，采用Gabor小波滤波器组进行滤波处理，获取Gabor纹理特征在不同尺度和不同方向下的实部和虚部； 步骤3,利用获取的实部和虚部计算Gabor小波模的系数，并计算小波模系数的均值和 标准方差； 步骤4,利用小波模系数的均值和标准方差构建特征向量，采用Fisher线性判别分类 器（FisherLinearDiscriminant，FLD)对特征向量进行分类，分为道路区域和非道路区域 两个部分； 步骤5,对于分类后得到的属于道路区域的离散点，采用随机抽样一致性（random sampleconsensus，RANSAC)算法进行道路边界拟合，最终获得检测的道路边界。2. 根据权利要求1所述的方法，其特征在于，所述步骤1进一步包括以下步骤： 步骤11，对所获取的前方道路图像，采用高斯模板进行平滑处理； 步骤12,对平滑后得到的图像，从RGB空间转换至HSI空间。3. 根据权利要求2所述的方法，其特征在于，所述步骤11中，二维高斯函数G(x，y)如 下所示：其中，〇表示高斯滤波器的宽度，用来决定高斯平滑的程度，〇越大，高斯滤波器的频 带越宽，平滑效果越好。4. 根据权利要求2所述的方法，其特征在于，所述步骤12中，色彩空间转换采用下述公 式计算得到： 对于一幅RGB图像，将其转换至HSI空间，各分量由以下方法得到：5. 根据权利要求1所述的方法，其特征在于，所述步骤2中，具体方法为： 步骤21，将Gabor函数作为母波函数，对其进行适度的尺度变换和旋转变换，得到一组 自相似的滤波器，二维Gabor函数g(x，y)可以表示为：将g(X，y)作为母波函数，通过对其进行适当的尺度扩张和旋转变换，可以得到一组自 相似的滤波器，即Gabor小波，表达方式如下： g本文档来自技高网...

【技术保护点】
一种基于Gabor小波变换纹理描述的非结构化道路检测方法，其特征在于，该方法包括以下步骤：步骤1，对于前方道路图像，采用二维离散高斯函数进行滤波平滑处理，基于平滑后图像，进行空间转换，从RGB空间转换至HSI空间，得到HSI空间上的前方道路图像；步骤2，对于HIS空间上的前方道路图像，采用Gabor小波滤波器组进行滤波处理，获取Gabor纹理特征在不同尺度和不同方向下的实部和虚部；步骤3，利用获取的实部和虚部计算Gabor小波模的系数，并计算小波模系数的均值和标准方差；步骤4，利用小波模系数的均值和标准方差构建特征向量，采用Fisher线性判别分类器(Fisher Linear Discriminant，FLD)对特征向量进行分类，分为道路区域和非道路区域两个部分；步骤5，对于分类后得到的属于道路区域的离散点，采用随机抽样一致性(random sample consensus，RANSAC)算法进行道路边界拟合，最终获得检测的道路边界。

【技术特征摘要】

【专利技术属性】
技术研发人员：王智灵，刘炫钰，梁华为，梅涛，
申请(专利权)人：中国科学院合肥物质科学研究院，
类型：发明
国别省市：安徽;34