[发明专利]一种基于机器学习识别与图像分割的盲道识别定位算法

权利要求书

1.一种基于机器学习识别与图像分割的盲道图像定位算法，其特征在于：首先通过双目摄像头采集道路图片进行盲道检测，利用双目视觉得到的三维信息对采集到的图像进行处理，把倾斜视角下的道路图像转换为鸟瞰视角图像，消除射影变换带来的盲道失真；进而利用变换后的图像作为训练的正负样本，通过LBP算子提取样本图像纹理特征向量，利用Adaboost算法离线训练盲道识别分类器，然后利用分类器在线识别盲道区域；最后对识别结果进行形态学操作，利用标记分水岭算法精确分割盲道区域，通过canny算子与霍夫变换确定盲道区域边界线，并定位盲道中心线。

2.根据权利要求1所述的利用双目视觉信息将倾斜视角下的道路图像转换为鸟瞰视角步骤包括：

步骤一：利用双目摄像头对盲道进行拍摄，获取盲道的左、右相机图像；

步骤二：利用双目视觉信息计算得到盲道所在平面的法向量

步骤三：根据法向量通过两次旋转与一次平移将相机坐标系O_cX_cY_cZ_c转换到鸟瞰坐系O_bX_bY_bZ_b，把倾斜视角下的道路图像转换为鸟瞰视角，消除射影变换带来的盲道失真。

3.根据权利要求1所述的采集训练图像正负样本，通过LBP算子提取样本纹理的特征向量，利用Adaboost算法训练盲道识别分类器，然后利用分类器在线识别盲道区域的步骤包括：

步骤一：对包含盲道的鸟瞰图进行标记，作为正样本，不含盲道的整幅图片作为负样本。

步骤二：利用LBP算子对采集的正负样本逐个提取特征向量，用此向量来描述样本的纹理特征。

步骤三：将上一步提取到的正负样本的特征向量作为训练数据，设置相应的分类器训练参数，训练盲道识别分类器。

步骤四：对一幅新的图像，采用滑动窗口遍历整幅图像，并将每个窗口区域输入到训练好的盲道级联分类器中，若某个区域通过了所有层的强分类器，则标记此区域为盲道，若整幅图像的所有区域都未被标记，则认为此图像中不存在盲道。

4.根据权利要求1所述的对识别结果进行形态学操作，利用标记分水岭算法精确分割盲道区域，通过canny算子与霍夫变换确定盲道区域边界线，并定位盲道中心线的步骤包括。

步骤一：根据识别结果得到前景图像。获取上一步盲道分类器识别的盲道区域结果，选取识别矩形框的最大内接圆作为确信的盲道区域，并将圆内的像素赋值为255，其它区域像素赋值为0，得到前景图像。

步骤二：在前景图像的基础上获取背景图像。背景图像中主要标记确信的非盲道区域和需要标记分水岭划分准确分界线的未知区域。在前景图像上，通过深度膨胀来获得一个超过前景大小的区域，并对整幅图像进行阈值处理，将白色区域的像素值转换为0，定义为未知区域，而将黑色区域的像素值转换成128，定义为非盲道区域，即得到了背景图像。

步骤三：利用标记分水岭算法分割盲道区域。将前景、背景及未知区域合成为一个标记图像，将标记图像与梯度图像作为标记分水岭算法的输入。标记分水岭算法根据标记得到的先验知识，从前景区域和背景区域开始同时向未知区域进行生长，直到达到两个区域的分界为止，最终水坝的位置便是所需要得到的盲道边界，从而分割出盲道区域。

步骤四：确定盲道区域中心线。根据标记分水岭分割结果，采用Canny算子检测区域的边缘，得到盲道区域边缘线。对边缘图像采用Hough变换检测盲道边界所在直线，并根据两条边界确定盲道的中心线。将检测到的中心线再经由单应矩阵逆变换到原图像，最终实现盲道在图像中的定位。