[发明专利]基于自适应边缘配准的非结构化道路检测方法

说明书

技术领域

本发明涉及一种用于智能车辆自主导航的非结构化道路检测方法，具体涉及一种基于自适应边缘配准的非结构化道路检测方法。

背景技术

基于视觉的非结构化道路检测是智能车辆自主导航研究的热点之一。与基于多传感器信息融合的导航方法相比，以道路检测为核心的视觉导航方法无疑提供了更为廉价的解决方案。以目前美国国防部高级研究规划局（DARPA）组织的Grand Challenge智能车辆越野挑战赛为例，参加比赛的车辆大都安装了价格昂贵的非视觉传感器系统，其造价远远超过了汽车本身，这为以后该项研究在民用领域的应用埋下了隐患。视觉导航技术由于受到机器视觉和认知技术发展水平的制约，尚无法使智能车辆真正独立于驾驶人员的干预。然而，通过道路检测判断智能车辆偏离车道的状态并及时提醒能够有效避免由于驾驶员注意力不集中引发的各类交通事故（约占总交通事故的80%）。

目前的道路大致可分为两类：结构化道路与非结构化道路。其中结构化道路通常指高速公路或级别较高的公路，该道路具有清晰的分道线标志或规则的边界形状。非结构化道路一般是指城市非主干车道以及其他没有明显分道线标志的道路类型(如校园、居民小区、乡村道路等)。非结构化道路具有形状不规则、没有分道线标志、路面容易存在破损和裂痕、局部颜色或纹理特征不均匀、以及光影影响严重等问题。

面向非结构化道路视觉检测的方法大致可分为三类：道路特征方法、道路模型方法和神经网络方法。道路特征方法主要通过提取和定位道路的某些特征（如道路的颜色、灰度、纹理、边缘或频域特征等）来检测道路。该方法利用特征分类实现对道路区域和非道路区域的分割，主要优点是对道路形状不敏感，需要的先验知识少；缺点是对光影、裂痕等较为敏感，处理计算量较大。道路模型方法（如直线模型、B-Snake曲线模型和统计模型等）则事先建立道路的参数模型，通过图像分析确定模型参数，从而得到关于道路的全部信息。该类方法检测出的道路区域较为完整，但是对于复杂的路面形状无法建立准确的模型。神经网络的方法利用神经网络的学习特性，不需要道路的先验知识，但是道路识别的结果依赖于训练时采用的样本，需要大量的训练集。

非结构化道路的视觉检测问题可以归结为机器视觉的图像分割问题。目前针对图像分割问题提出了很多方法，其中阈值法因其计算简单，不需人工干预等优点被广泛采用。阈值法是利用图像中目标与背景在特征上的差异，通过选取合适的阈值进行图像分割的方法。最具代表性的阈值法有Otsu阈值法（最大类间方差法）、最大熵法、灰度直方图法、最小错误法以及各类方法在二维、多维上的扩展。上述方法在单阈值分割的应用较多，有的已经拓广到多阈值分割领域。

发明内容

发明目的：针对现有技术中的不足，本发明的目的是提供一种基于自适应边缘配准的非结构化道路检测方法，以实现提高道路区域分割和边界跟踪的精度，有效克服道路缺损、光影、照度变化等不利因素的影响。

技术方案：为了实现上述发明目的，本发明采用的技术方案为：

针对现有的非结构化道路的特点，应满足如下合理条件：1）道路区域和非道路区域的特征差异条件：在本发明中主要指灰度上的差异；2）道路的“同质”条件：不管是水泥路、柏油路还是乡间的泥土路和砂石路，道路区域的大部分区域都具有灰度均匀性和渐变性的特点；3）图像中的特定区域可被视为道路区域：该条件为大致判断道路区域的特征信息提供了可能，目前已有很多物理实现的方法。

一种基于自适应边缘配准的非结构化道路检测方法，为Otsu边缘与加权Canny边缘的配准方法，Otsu方法作为一种自适应阈值搜索方法，只能获得道路区域和非道路区域的大致分割结果，而无法获得精确的道路边界。由于人类对于客观事物的认知除了颜色、灰度、纹理等特征外，在很大程度上依赖于事物的轮廓与形状。因此特定边缘可视为道路与非道路的精确分界。本发明借助于Otsu边缘与加权Canny边缘的配准获得精确的道路边界，从而将区域分割与边缘检测有效结合，确保算法的鲁棒性与精确性。具体如下：

（1）加权Canny边缘检测

目前已经提出了很多经典的边缘检测算子如Roberts算子、Sobel算子、Laplacian算子、LOG算子、Canny算子等。其中Canny算子是一个具有滤波、增强和检测的多阶段优化算子，提取的边缘比较完整，位置比较准确，能够检测出图像较细的边缘部分。因此采用Canny算子实现边缘提取的功能。