[发明专利]一种能够自主导航洒水车

摘要

本发明一种能够自主导航洒水车，包括洒水车和与洒水车相连的道路检测装置，其中，道路检测装置包括依次连接的图像采集模块、彩色图像预处理模块和道路自适应检测模块，所述道路自适应检测模块用于检测、合并道路区域，并将剩余区域全部映射到非道路区域中，道路自适应检测模块包括直方图阈值粗分割子模块、道路识别子模块、网络训练子模块和车辆引导线提取子模块；本发明大大简化了图像分析和处理的工作量，可以得到比较完整的区域，且识别效率高，达到了对道路进行自适应检测的要求。

主权项

一种能够自主导航洒水车，包括洒水车和道路检测装置，其中洒水车包括：洒水车主体、水箱、速度传感器以及主控板，所述道路检测装置包括依次连接的图像采集模块、彩色图像预处理模块和道路自适应检测模块；所述图像采集模块用于采集外界信息的彩色图像；所述彩色图像预处理模块用于对彩色图像进行投影预处理，预处理时采用HSV模型，彩色图像的预处理结果根据亮度分量V的数值在色调分量H、饱和度分量S、亮度分量V三个分量之间选择，当存在饱和度过低或者亮度过低或者过高时，图像分割主要依靠亮度分量V的信息，其余情况下，采用色调分量H进行目标提取；所述道路自适应检测模块用于检测、合并道路区域，并将剩余区域全部映射到非道路区域中；所述道路自适应检测模块包括：(1)直方图阈值粗分割子模块，用于对由彩色图像预处理模块预处理后的图像进行粗分割，其对预处理后的图像进行直方图构造，并采用直方图多阈值法、以波谷点的位置作为阈值对预处理后的图像进行粗分割，采用如下算法对所述波谷点进行选择：设Pi为灰度值为i的像素点在预处理后的图像中出现的频率，让Pi与其相邻的局部邻域Pt作比较，Pt＝{Pi‑n,...,Pi‑1,Pi+1,...Pi+n}，参数n的取值范围为[4,8]，表示Pt左右邻域像频范围，Pt中最小频率值为Ptmin，次最小频率值为Ptmins，若则i是波谷点，若则i不是波谷点，定义谷点函数v(i)：v(i)=1,Pi≤Ptmin·Ptmins0,Pi>Ptmin·Ptmins]]>对选出的所有谷点v(i)＝1，增加距离约束条件和概率约束条件，若相邻谷点i和j之间的距离表示为d＝|i‑j|，概率差表示为g＝|Pi‑Pj|，设定距离参数D来反映波谷点之间应保持的最小距离，且Dmin和Dmax分别为相邻波谷点最小距离和最大距离，定义距离约束函数d(i)：d(i)=1,d≥D0,d<D]]>设定概率差参数G来反映波谷点间的阈值差,且Gmin和Gmax分别为相邻波谷点间的最小概率差和最大概率差，定义概率差约束函数g(i)：g(i)=1,g≥G0,g<G]]>定义波谷点选择函数为:x(i)＝v(i)×d(i)×g(i)式中，当x(i)＝1时，表示波谷点被选中；(2)道路识别子模块：用于通过多神经网络检测的方式对经直方图阈值粗分割子模块分割后的区域进行识别，进而在多神经网络中选择合适的神经网络对道路区域进行合并，并将剩余区域直接映射到非道路区域，所述多神经网络包括N个神经网络，N∈[3,5]，其中每个神经网络的正负训练样本来自放置在不同区域的多个窗口，设所述多神经网络表示为{W1(μ1,δ1),W2(μ2,δ2),...,WN(μN,δN)}，μ和δ分别表示对应于神经网络的正训练样本和负训练样本，则定义网络选取模型为：W＝{Wk(μk,δk),f(μk)＝1,f(δk)＝0,k∈[1,N]}其中，W为最终选取的合适网络，Wk(μk,δk)表示合适的神经网络，f(μk)表示神经网络Wk(μk,δk)的正训练样本窗口检测结果为1，f(δk)表示Wk(μk,δk)的负训练样本窗口检测结果为0；(3)网络训练子模块，用于在道路识别子模块运作的同时使用合适网络的训练样本窗口提取的特征对神经网络进行训练；(4)车辆引导线提取子模块：用于提取车辆引导线，所述车辆引导线定义为道路区域和非道路区域的分界线；所述彩色图像预处理模块中，进行目标提取时基于HSV空间中颜色分量投影模型，投影公式为：V(x,y)=V(x,y)V(x,y)≥TV1orV(x,y)≤TV2orS(x,y)<TsH(x,y)×σ+ξ(otherwise)]]>式中，当不满足时，将色调分量H投影到V平面；V(x,y)表示亮度分量V上对应的点，H(x,y)为色调分量H上对应的点，σ表示用于避免色调分量H和亮度分量V重合的拉伸因子，ξ是投影以后数值的分段，ξ>σ，TS为设定的饱和度阈值，为设定的亮度阈值；所述饱和度阈值和亮度阈值的取值分别为：Ts＝20；所述网络训练子模块包括：(1)特征提取单元，其采用3个尺度和6个方向构成的18个小波滤波器进行Gabor小波变换，提取预处理后的图像的纹理特征，同时采用10窗口提取预处理后的图像的颜色特征，并量化为4级，以得到22维特征；(2)神经网络构建单元，用于根据所述22维特征构建神经网络，神经网络包括输入层、中间层和输出层，输入层设置22个神经元，输出层设置1个神经元，输出为1时表示道路区域，输出为0时表示非道路区域；(3)网络训练单元，用于在车辆运动过程中每隔2s对神经网络进行训练。