[发明专利]基于颜色密度特征的道路图像聚类方法及道路识别的方法

说明书

本发明涉及四足机器人技术领域，特别涉及一种基于颜色密度特征的道路图像聚类方法及道路识别的方法。图像聚类方法以颜色为基础特征，通过定义并提取图像的颜色密度作为图像聚类分割的依据，再通过多次聚类，减轻或者消除由于光照变化、阴影、路面颜色不一致等对道路识别的影响，使在环境变化情况下也能对道路区域进行聚类。本发明提供的道路识别的方法，基于颜色密度特征的道路图像聚类方法，通过对误分割的干扰区域再聚类，完成非结构化道路的识别，解决了在由于不规则块状的阴影或地面随机出现的与道路颜色不一致的不规则颜色块所导致的误分类问题；本发明提供的技术方案为四足机器人对野外非结构化道路环境识别提供了有效方案，具有重要价值。

技术领域

本发明涉及四足机器人技术领域，特别涉及一种基于颜色密度特征的道路图像聚类方法及道路识别的方法。

背景技术

在复杂的野外环境中，为了实现四足机器人在非结构化崎岖的路面上自主行走，需对道路进行准确识别，以辅助人类完成野外物资运输、巡逻、勘探等工作任务。虽然野外不规则道路与周围环境背景在整体颜色特征上存在差异，但由于受到光照条件变化、不确定物体倒影、道路杂草等影响，道路的颜色一致性并不理想。此外，非结构化道路并非理想的直线带状，其道路形状的不规则性也给道路准确识别带来困难。

在非结构化道路识别中，常见的方法有直接基于图像颜色道路识别、基于道路轮廓提取道路识别等。在采用颜色识别的过程中，现有的方法多采用基于K-means聚类、模糊聚类、直接设置颜色阈值进行图像分割等方法，当道路颜色一致性较好情况下具有较好的识别效果。但是，在野外环境道路中由于受到变化的光线、道路阴影、路面颜色不一致等因素的影响，道路很难具有一致的颜色特征，因此上述聚类方法道路识别的适应性和准确率都不理想。

若采用直接检测道路轮廓特征进行识别，当道路边界明显且具有较好的连续性时可通过霍夫直线变换、多次样条曲线拟合等提取道路边界线，从而实现对道路的识别，该方法对结构化道路具有较好的效果，然而野外非结构化道路形状和边界大多情况下是不确定、不规则的且环境中干扰物(如树木主干)的直线轮廓极易对道路边界线识别造成干扰和误分类，因此效果不佳。

发明内容

为解决减轻或者消除由于光照变化、阴影、路面颜色不一致等对道路识别的影响，本发明提供一种基于颜色密度特征的道路图像聚类方法，包括以下步骤：

S100、采集野外非结构化道路图像，将RGB颜色空间图像转换为Lab颜色空间图像；

S200、提取Lab颜色空间图像的每个像素点的颜色密度特征，并对密度特征值进行降序排列；

S300、提取排序后前U个密度特征值所对应的像素点作为聚类中心；

S400、对非聚类中心的像素点进行归类操作，从而完成基于颜色密度特征聚类的图像分割。

在上述方案的基础上，进一步地，S100中，按照以下公式将RGB颜色空间图像转换为Lab颜色空间图像：

其中：

式中X_n，Y_n，Z_n的值分别为0.9505，1，1.089。

在上述方案的基础上，进一步地，S200中，提取颜色密度特征的方法包括：

S210、定义颜色密度特征：

设在图像中的像素点p，K为该像素点邻域，通过统计像素点p的邻域K内与该像素点颜色相近的像素点个数n为其密度值，设密度为ρ，则ρ＝n，像素点p的密度ρ的定义如下公式所示：