[发明专利]一种道路分割方法

说明书

技术领域

本发明涉及车辆辅助驾驶技术领域，特别是一种用于道路检测系统的道路分割方法。

背景技术

汽车工业的发展已经有100多年的历史，汽车的出现极大的改善了人们的生产和生活方式，促进了社会经济的发展。汽车在为人类生活带来便利的同时也带来了诸多问题，比如交通事故频发，能源消耗过快，环境污染严重等。在交通拥堵的市区，驾驶员平均每分钟需要完成20-30个手脚协调动作来实现车辆的操控，因此交通拥堵状况下驾驶任务是相当繁复的。随着社会的发展，人们对汽车在安全性、环保性、经济性和舒适性上的要求也越来越高。传感器、计算机、自动控制、人工智能和机器视觉等技术在不断的发展和革新，并且在交通运输工程中越来越多的应用。这种背景催生了智能型车辆的研发，使车辆具备自主驾驶和辅助驾驶的功能，以实现安全、节能、便捷、舒适的驾驶体验。

道路检测系统是智能车辆辅助驾驶系统的重要组成部分。智能车辆通过道路检测系统来获取可通行区域和车身相对道路边界的位置和姿态。所以，通过道路检测可以实现辅助车辆导航，车道偏离预警，车道保持，自适应巡航，监测驾驶员的驾驶状况，预测驾驶员的行为意图等诸多辅助驾驶功能。

目前大部分的道路检测方法是基于计算机视觉的。在这些方法中，将道路区域像素点与其它区域像素点分开的过程称之为道路分割。道路分割是一个富有挑战性的问题：一方面，由于路面材质、天气条件、光照变化等因素的影响，路面具有各种各样的外观；另一方面，随着车辆的运动，路面和背景是在动态变化的，并且路面上一般存在着车辆和行人等干扰因素。上述因素容易对道路分割的准确性造成影响，为道路分割带来了极大困难。

发明内容

(一)要解决技术问题

本发明的目的是要解决目前的道路分割方法容易受到环境因素干扰的技术问题，因此，本发明提出一种鲁棒的道路分割方法。

(二)技术方案

为解决上述技术问题，本发明提出一种道路分割方法，包括步骤如下：

步骤S1：离线训练多层感知机(Multilayer Perceptron，MLP)，来拟合相邻像素点的特征到n-link权值的映射关系，用以估计n-link权值，离线训练Gentle Adaboost(GAB)分类器，来拟合像素点的邻域特征到t-link权值的映射关系，用以估计t-link权值；

步骤S2：利用训练好的MLP和GAB分别估计n-link权值和t-link权值，采用s-t图的图割方法在线对道路图像进行分割，获得道路图像中的道路区域。

(三)有益效果

本发明在图割的方法框架下进行道路分割，紧密地联合了道路图像中的全局信息和局部信息，对局部干扰有较好的鲁棒性；本发明通过MLP来拟合相邻像素点的特征与n-link权值之间的映射关系，能够弥补传统的基于图割的方法中使用相邻像素点的对比度计算n-link权值的方式易受环境因素干扰的缺点；本发明通过GAB来拟合像素点的邻域特征到t-link权值的映射关系，可以减弱路面外观多变和背景动态变化特性对于道路分割的影响，提高分割的准确性。因此，本发明对道路环境中的干扰因素具有较好的鲁棒性。

附图说明

图1为本发明道路分割的流程图；

图2为本发明s-t图中邻接节点的连接示意图；

图3为本发明s-t图连接示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。

本发明提出了一种用于道路分割的n-link权值可学习的图割法，将道路图像用s-t图(s-t Graph)表示，在图割(Graph Cut)的方法框架下实现道路图像分割，如图1所示，所述方法包括：

步骤S1：离线训练MLP，来拟合相邻像素点的特征到n-link权值的映射关系，用以估计n-link权值，离线训练GAB，来拟合像素点的邻域特征到t-link权值的映射关系，用以估计t-link(Terminal Link)权值。

步骤S2：利用训练好的MLP和GAB分别估计n-link权值和t-link权值，采用s-t图的图割方法在线对道路图像进行分割，获得道路图像中的道路区域。