基于单目视觉的道路检测方法技术

本发明专利技术公开了一种基于单目视觉的在线道路检测方法，主要包括：(1)对第一帧图像进行道路边缘区域正负样本采样，并在选取得到的正负样本中提取局部特征描述子，使用结构支持向量机作为分类器训练得到初始帧样本的分类平面；(2)对于后续测试帧图像，利用上一帧的道路区域位置确定测试帧的候选样本采样区域，并利用前一帧训练得到的结构支持向量机确定测试帧中样本的道路归属。同时采用随机抽样一致性方法用两条相交直线拟合道路边缘位置，最终确定道路区域。利用本发明专利技术，可以得到道路的准确位置，从而为汽车辅助驾驶，行人车辆检测等提供有效的先验信息。

【技术实现步骤摘要】

本专利技术属于计算机视觉和机器学习
，特别涉及一种基于单目视觉的在线道路检测方法。
技术介绍
近年来，随着公路里程数和汽车数量的不断增加，交通事故造成的人员伤亡和财产损失也在快速增加。2012年我国因交通事故死亡人数达5.9万人，直接财产损失11.7亿元。在此背景下，汽车辅助驾驶系统，包括车道偏离预警、行人预警、异常检测等，能够有效提高汽车驾驶安全，降低人员伤亡和财产损失。该系统的一项关键技术就是道路检测，因为道路检测可以为汽车辅助驾驶系统提供关键的约束信息。根据使用的传感器类型划分，道路检测技术可以分为主动式道路检测和被动式道路检测。其中主动式道路检测指的是使用主动传感器(如激光雷达)直接获取场景的第三维信息，然后通过检测平面区域进一步确定道路区域。这种主动式方法虽然可以得到较好的结果，但是场景中多个传感器使用时会存在相互干扰，除此之外，主动式传感器造价昂贵，不适宜大范围推广。而基于单目摄像头的被动式检测方法造价低，便于推广。因此我们选择被动式道路检测方法，即基于单目视觉的道路检测方法。目前，通过单目视觉进行道路检测的方法主要分为两类：第一种是基于特征描述的方法。这类方法手动选取或自动学习图像的有效特征表达，通过分类器或者贝叶斯方法确定道路区域或者道路边缘位置。J.Alvarez等人在文献“J.Alvarez and A.Lopez.Road Detection based on Illuminant Invariance.IEEE Transactions on Intelligent Transportation Systems,12(1):184-193,2011”中提出了光照不变特征用于道路检测。该方法通过摄像机参数得到光照不变特征，然后用似然分类器确定道路区域。此方法需要知道摄像机的内参，但是一般情况下这些参数需要通过标定获取。第二种是基于道路模型的方法。这类方法根据先验知识，通过用直线、二次函数或其他函数拟合确定道路边界，从而确定道路区域。王永忠等人申请的
专利技术“基于Haar纹理的非结构化道路检测方法”(申请号：2012103158588申请日：2012.08.30申请公布号：CN102915441A)中公开了一种基于Haar特征的道路检测方法。该方法首先通过设计哈尔小波(Haar)矩形模板，实现哈尔小波纹理特征的快速提取，并通过正交校正，在角度和距离的约束下，结合像素点纹理方向，采用投票机制确定道路消失点，最后利用道路的色彩信息和方向一致性信息实现道路检测。该方法存在的不足是默认假设道路边界可以通过同顶点的两条射线拟合，在道路明显弯曲的情况下检测精度偏低。
技术实现思路
本专利技术的目的在于针对上述现有方法的不足，提出一种基于单目视觉的道路检测方法，通过分类器检测道路边界，从而提高道路检测精度。本专利技术的技术方案是：一种基于单目视觉的道路检测方法，其特殊之处在于：包括以下步骤：1)对于输入图像序列的第一帧，手动选取道路边缘位置，然后进行正负类样本选取，根据采样得到的正负类样本，提取局部特征描述子，计算每个样本的特征表达，组成训练数据集；2)对于步骤1)中得到的样本特征表达的训练数据集，使用结构支持向量机作为分类器，训练求解得到分类器的超平面参数；3)对于后续帧图像，选取前一帧道路边缘位置的一个邻域作为该帧道路边缘位置的候选区域，均匀采样选取测试像素点，根据步骤1)中的样本特征表达方法，用局部特征描述子描述测试像素点；根据步骤2)使用的分类器，计算所有测试像素点的分类结果，根据测试得到的正类样本位置，得到正类样本二值图；4)使用超像素分割方法计算候选区域的边缘二值图，和正类样本二值图进行“或”操作，得到候选边缘像素点集合；采用随机抽样一致性方法，通过两条相交的直线拟合得到最终的道路边缘位置，拟合直线相交区域的内部即为该帧图像的道路检测结果；5)根据直线拟合结果和分类器分类结果，确定错误划分的像素点，全部重新加入训练数据集，更新分类器；6)对于最新输入的帧图像，重复步骤2)到步骤5)，完成所有图像的道路检测。基于以上步骤，还可以包括步骤7)：根据手动标记结果，计算道路区域检测的精确度。优选的步骤1)中正类样本的选取是对边缘位置的像素点均匀采样；负类样本的选取是在距离道路边缘位置一定像素的区域内，随机选取样本点。优选的步骤1)中采样时进行了正负类样本平衡处理。正类样本的数目和负类样本的数目都是2000。所述步骤1)中的局部特征描述子包括尺度不变特征转换、方向梯度直方图和局部二值模式。本专利技术的优点是：1)本专利技术采用了在线更新分类器的方法，可以适应道路场景发生变换的情形；2)本专利技术采用了结构支持向量机作为分类器，考虑了正负类样本数据分布的结构特性，进一步增强了分类精度；3)本专利技术选取了分类出错的样本点更新训练数据集，使得训练过程更具有针对性，提高了道路检测精度。附图说明图1为本专利技术基于单目视觉的道路检测方法流程图；图2为本专利技术在四组测试数据集上的道路检测结果。具体实施方式下面结合图1对本专利技术做出进一步说明。本专利技术提出一种基于单目视觉在线学习的道路检测方法。该方法通过使用在线结构性支持向量机(Structured Support Vector Machine，简称SSVM)获取输入数据的结构分布，同时在线更新分类器使其可以适应环境变化。结合图1，输入视频，I＝{It|t＝1,2……,n本文档来自技高网...

【技术保护点】
一种基于单目视觉的道路检测方法，其特征在于：包括以下步骤：1)对于输入图像序列的第一帧，手动选取道路边缘位置，然后进行正负类样本选取，根据采样得到的正负类样本，提取局部特征描述子，计算每个样本的特征表达，组成训练数据集；2)对于步骤1)中得到的样本特征表达的训练数据集，使用结构支持向量机作为分类器，训练求解得到分类器的超平面参数；3)对于后续帧图像，选取前一帧道路边缘位置的一个邻域作为该帧道路边缘位置的候选区域，均匀采样选取测试像素点，根据步骤1)中的样本特征表达方法，用局部特征描述子描述测试像素点；根据步骤2)使用的分类器，计算所有测试像素点的分类结果，根据测试得到的正类样本位置，得到正类样本二值图；4)使用超像素分割方法计算候选区域的边缘二值图，和正类样本二值图进行“或”操作，得到候选边缘像素点集合；采用随机抽样一致性方法，通过两条相交的直线拟合得到最终的道路边缘位置，拟合直线相交区域的内部即为该帧图像的道路检测结果；5)根据直线拟合结果和分类器分类结果，确定错误划分的像素点，全部重新加入训练数据集，更新分类器；6)对于最新输入的帧图像，重复步骤2)到步骤5)，完成所有图像的道路检测。...

【技术特征摘要】
1.一种基于单目视觉的道路检测方法，其特征在于：包括以下步骤：1)对于输入图像序列的第一帧，手动选取道路边缘位置，然后进行正负类样本选取，根据采样得到的正负类样本，提取局部特征描述子，计算每个样本的特征表达，组成训练数据集；2)对于步骤1)中得到的样本特征表达的训练数据集，使用结构支持向量机作为分类器，训练求解得到分类器的超平面参数；3)对于后续帧图像，选取前一帧道路边缘位置的一个邻域作为该帧道路边缘位置的候选区域，均匀采样选取测试像素点，根据步骤1)中的样本特征表达方法，用局部特征描述子描述测试像素点；根据步骤2)使用的分类器，计算所有测试像素点的分类结果，根据测试得到的正类样本位置，得到正类样本二值图；4)使用超像素分割方法计算候选区域的边缘二值图，和正类样本二值图进行“或”操作，得到候选边缘像素点集合；采用随机抽样一致性方法，通过两条相交的直线拟合得到最终的道路边缘位置，拟合直线相交区域的内部即为该帧图像的道路检测结果；5)根据直...

【专利技术属性】
技术研发人员：袁媛，王琦，姜志宇，
申请(专利权)人：中国科学院西安光学精密机械研究所，
类型：发明
国别省市：陕西;61