[发明专利]一种基于路面图像多纹理特征融合的路面类型识别方法

说明书

本发明属于智能汽车环境感知技术领域，具体为一种基于路面图像多纹理特征融合的路面类型识别方法，包括步骤一：通过车载摄像头收集沥青、水泥、雪地、碎石这四种汽车行驶常见路面的图像信息；步骤二：对收集到的图像进行增广处理和灰度化处理；步骤三：使用圆形LBP算子提取路面图像的LBP特征；步骤四：使用小波散射框架提取路面图像的小波纹理特征；步骤五：将这两种路面纹理特征进行融合，形成图像数据集的特征矩阵，并在特征矩阵最后一列打上标签；步骤六：在Matlab中使用有监督的机器学习训练模型对数据进行分类，选取其中准确率最高的分类器作为本方法的分类器模型，其结构合理，有效地提高了当前路面类型识别的精确度。

技术领域

本发明涉及智能汽车环境感知技术领域，具体为一种基于路面图像多纹理特征融合的路面类型识别方法。

背景技术

目前使用迁移学习进行路面类型识别的已成为主流，并取得了一定的研究成果。但是目前所使用的研究方法中尚未广泛引入具有明显区别特征的路面纹理特征。如公开号为CN112329533A的中国专利单独使用了卷积神经网络进行局部路面附着系数估计，其识别过程忽略了局部纹理特征，且识别结果解释性较差。事实上，在基于视觉进行识别的领域，图像纹理特征的应用较为广泛。其中，小波纹理特征具有平移不变性以及对于局部边缘特征具有良好感知性的优点，可以很好的解决传统神经网络在车身颠簸造成的像素位移问题，在基于视觉的路面类型识别时有良好的表现。如公开号为CN1O1510309A的中国专利利用复小波纹理特征对SAR图像实现了初始分割与特征统一；公开号为CN109508980A的专利利用人脸小波纹理特征实现了基于视觉的身份识别。但是小波纹理特征对于局部特征感知过于敏感会影响路面类型识别的准确度和稳定度。因此我们使用lbp算子提取的路面纹理特征与小波纹理特征相融合，有效的提高了识别效果。

发明内容

本部分的目的在于概述本发明的实施方式的一些方面以及简要介绍一些较佳实施方式。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于现有路面类型识别方法中存在的问题，提出了本发明。

因此，本发明的目的是提供一种基于路面图像多纹理特征融合的路面类型识别方法，提高智能车实时识别路面类型的精度，为决策控制提供重要信息支持，对于提高智能车的安全性、舒适性等有着重要意义。

为解决上述技术问题，根据本发明的一个方面，本发明提供了如下技术方案：

一种基于路面图像多纹理特征融合的路面类型识别方法，其包括如下步骤：

步骤一：通过车载摄像头收集沥青、水泥、雪地、碎石这四种汽车行驶常见路面的图像信息；

步骤二：对收集到的图像进行增广处理和灰度化处理；

步骤三：使用圆形LBP算子提取路面图像的LBP特征；

步骤四：使用小波散射框架提取路面图像的小波纹理特征；

步骤五：将这两种路面纹理特征进行融合，形成图像数据集的特征矩阵，并在特征矩阵最后一列打上标签；

步骤六：在Matlab中使用有监督的机器学习训练模型对数据进行分类，选取其中准确率最高的分类器作为本方法的分类器模型。

作为本发明所述的一种基于路面图像多纹理特征融合的路面类型识别方法的一种优选方案，其中：步骤三的具体提取步骤如下：

(1)计算预处理后路面图像中每个像素点的ULBP值

利用Ojala所提出的LBP算子的等价性，定义U来表征一个LBP特征值的二进制序列中0和1转换的次数；

对每个标准化后的预处理的图像使用上述算子进行计算，得到每个像素的ULBP值；