【技术实现步骤摘要】
一种抗阴影干扰的路面状态在线检测方法
[0001]本专利技术涉及智能车辆安全控制
，尤其是涉及一种抗阴影干扰的路面状态在线检测方法。
技术介绍
[0002]道路检测是智能车辆环境感知的重要内容，也是实现自动驾驶的基础，无论是在结构化还是在非结构化的道路上，道路上环境都是复杂多变的，这也使得车辆对路面状态的检测面临严峻考验。
[0003]路面状态的变化不仅会直接影响智能车辆运动控制系统的性能，还会影响决策与规划系统，因此，路面状态类型的准确辨识对车辆主动安全系统在雨雪等恶劣天气的性能表现至关重要。现有的路面状态检测方法主要包括基于车辆动力学响应的方法以及基于机器视觉的方法，其中，基于车辆动力学响应的方法具有成本低廉、鲁棒性强、不易受其他环境因素干扰的优点，但是此类方法获得准确辨识结果的前提是需要足够的激励条件，这容易使车辆失稳；而基于机器视觉的方法不依赖于车辆动力学模型，辨识快速，无需满足一定的激励条件，且辨识结果具有预测性，然而大多数该类方法仅考虑理想环境条件下的辨识，极大地限制了在真实驾驶场景中的应用，此外，...
【技术保护点】
【技术特征摘要】
1.一种抗阴影干扰的路面状态在线检测方法，其特征在于，包括以下步骤：S1、收集不同场景工况下的路面图像及路面阴影图像历史数据，通过离线训练，分别得到路面区域分割模型、路面阴影检测模型和路面状态分类模型；S2、获取实际路面图像，基于路面区域分割模型、路面阴影检测模型和路面状态分类模型，得到该实际路面图像对应的路面状态检测结果。2.根据权利要求1所述的一种抗阴影干扰的路面状态在线检测方法，其特征在于，所述步骤S1具体包括以下步骤：S11、收集不同场景工况下的路面图像，并在各路面图像上对应标注路面区域和非路面区域，以建立路面区域分割训练数据集，利用路面区域分割训练数据集对第一神经网络进行端到端的训练，得到训练完成的路面区域分割模型；S12、收集不同场景工况下的路面阴影图像，并在各阴影图像上标注阴影区域和非阴影区域，以建立阴影检测训练数据集，利用阴影检测训练数据集对第二神经网络进行端到端的训练，得到训练完成的路面阴影检测模型；S13、对收集的路面图像标注真实的路面状态类型，将已标注路面状态类型的路面图像依次输入训练完成的路面区域分割模型与路面阴影检测模型，得到无阴影覆盖的路面区域图像；从无阴影覆盖的路面区域图像中提取出路面区域，以建立路面状态分类训练数据集，利用路面状态分类训练数据集对第三神经网络进行端到端的训练，得到训练完成的路面状态分类模型。3.根据权利要求2所述的一种抗阴影干扰的路面状态在线检测方法，其特征在于，所述步骤S11在各路面图像上对应标注路面区域和非路面区域的具体过程为：将路面图像中非路面区域像素点的值设置为0、路面区域像素点的值设置为255，并对非路面区域和路面区域进行图像二值化处理，以区分标注。4.根据权利要求2所述的一种抗阴影干扰的路面状态在线检测方法，其特征在于，所述步骤S12在各阴影图像上标注阴影区域和非阴影区域的具体过程为：将非阴影区域像素点的值设置为0、阴影区域像素点的值设置为255。5.根据权利要求1所述的一种抗阴影干扰的路面状态在线检测方法，其特征在于，所述步骤S2具体包括以下步骤：S21、获取车辆行驶过程中前方的实际路面图像；S22、将获取的实际路面图像输入路面区域分割模型与路面阴影检测模型，并融合输出结果，将该实际路面图像分割为无阴影覆盖的候选路面区域和非候选路面区域；S23、提取分割完成路面图像中的候选路面区域网格，得到路面分类数据集，将路面分类数据集输入路面状态分类模型，得到每个网格的路面状态类型置信度；S24、将每个网格的路面状态类型置信度进行融合，得到不同路面状态类型融合后的置信度，选取数值最大的融合置信度对应的路面状态类型，并根据延迟时间进行时空同步处理，以得到当前车辆即将历经的路面状态类型。6.根据权利要求5所述的一种抗阴影干扰的路面状态在线检测方法，其特征在于，所述步骤S23中提取分割完成路面图像中候选路面区域网格的具体过程为：S231：利用网格对分割完成的路面图像进行划分，其中，网格的初始尺寸为m1，a<m1<b，a
和b均小于路面图像的最小尺寸；S232：若每个网格四个角点处的像素值均为255，则判断该网格为候选路面区域，否则判断该网格为非候选路面区域；S233：统计被判定为路面区域的网格个数，若统计的网格个数大于设定阈值个数，则结束当前提取路面区域网格的处理过程，否则按照预设的步长减小网格尺寸，返回执行步...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。