一種能夠自主導航灑水車的制作方法
【專利摘要】本發明一種能夠自主導航灑水車，包括灑水車和與灑水車相連的道路檢測裝置，其中，道路檢測裝置包括依次連接的圖像采集模塊、彩色圖像預處理模塊和道路自適應檢測模塊，所述道路自適應檢測模塊用于檢測、合并道路區域，并將剩余區域全部映射到非道路區域中，道路自適應檢測模塊包括直方圖閾值粗分割子模塊、道路識別子模塊、網絡訓練子模塊和車輛引導線提取子模塊；本發明大大簡化了圖像分析和處理的工作量，可以得到比較完整的區域，且識別效率高，達到了對道路進行自適應檢測的要求。
【專利說明】
一種能夠自主導航灑水車
技術領域
[0001] 本發明涉及灑水車領域，具體涉及一種能夠自主導航灑水車。
【背景技術】
[0002] 汽車在給人們生活帶來極大方便的同時也帶來了很多社會問題:汽車造成的道路 交通事故逐年大幅度增加、汽車造成的道路擁堵日益嚴重，造成大量的人員傷亡和財產損 失。研究高效的車輛自主導航技術，是降低交通事故發生率的有效手段。在眾多的可用于車 輛導航的信息中，視覺信息作為道路及外部環境的感知來源具有其他信息無法比擬的優 勢，而對道路進行檢測成為擺在其面前的第一大難題。
[0003] 灑水車又稱為噴灑車、多功能灑水車、園林綠化灑水車、水罐車、運水車。灑水車適 合于各種路面沖洗，樹木、綠化帶、草坪綠化，道路、廠礦企業施工建設，高空建筑沖洗。具有 灑水、壓塵、高、低位噴灑，農藥噴灑、護欄沖洗等功能，還具有運水、排水，應急消防等功能。
【發明內容】
[0004] 針對上述問題，本發明提供一種能夠自主導航灑水車。
[0005] 本發明的目的采用以下技術方案來實現：
[0006] -種能夠自主導航灑水車，包括灑水車和道路檢測裝置，其中灑水車包括:灑水車 主體、水箱、速度傳感器以及主控板。
[0007] 優選地，所述灑水車主體的兩側設有若干個噴水頭;所述若干個噴水頭分別通過 電磁閥與水箱連接;所述主控板包括電源、單片機控制電路以及A/D轉換模塊;所述速度傳 感器通過A/D轉換模塊與單片機控制電路的輸入端連接;所述電磁閥與單片機控制電路的 輸出端連接。
[0008] 優選地，所述電源為直流開關電源。
[0009]優選地，所述道路檢測裝置包括依次連接的圖像采集模塊、彩色圖像預處理模塊 和道路自適應檢測模塊；
[0010]所述圖像采集模塊用于采集外界信息的彩色圖像；
[0011]所述彩色圖像預處理模塊用于對彩色圖像進行投影預處理，預處理時采用HSV模 型，彩色圖像的預處理結果根據亮度分量V的數值在色調分量H、飽和度分量S、亮度分量V三 個分量之間選擇，當存在飽和度過低或者亮度過低或者過高時，圖像分割主要依靠亮度分 量V的信息，其余情況下，采用色調分量Η進行目標提取；
[0012]所述道路自適應檢測模塊用于檢測、合并道路區域，并將剩余區域全部映射到非 道路區域中；所述道路自適應檢測模塊包括：
[0013] (1)直方圖閾值粗分割子模塊，用于對由彩色圖像預處理模塊預處理后的圖像進 行粗分割，其對預處理后的圖像進行直方圖構造，并采用直方圖多閾值法、以波谷點的位置 作為閾值對預處理后的圖像進行粗分割，采用如下算法對所述波谷點進行選擇：
[0014] 設?,為灰度值為i的像素點在預處理后的圖像中出現的頻率，讓?,與其相鄰的局部 鄰域pt作比較，Pt={Pi-n，.. .，Pi-^Pi+l·，. . .Pi+n}，參數η的取值范圍為[4,8]，表示pt左右鄰 域像頻范圍，Pt中最小頻率值為Ptmin，次最小頻率值為Ptmins
則i是波谷 點，
，則i不是波谷點，定義谷點函數v(i):
[0016]對選出的所有谷點v(i) = l，增加距離約束條件和概率約束條件，若相鄰谷點i和j 之間的距離表示為d= | i-j |，概率差表示為g= iPi-Pjl，設定距離參數D來反映波谷點之間 應保持的最小距離，
，Dmi4romax分別為相鄰波谷點最小距離和最大 距離，定義距離約束函數d(i):
[0018]設定概率差參數G來反映波谷點間的閾值差，
，Gmin 和Gmax分別為相鄰波谷點間的最小概率差和最大概率差，定義概率差約束函數g( i):
[0020] 定義波谷點選擇函數為：
[0021] x(i)=v(i) Xd(i) Xg(i)
[0022]式中，當x(i) = l時，表示波谷點被選中；
[0023] (5)道路識別子模塊：用于通過多神經網絡檢測的方式對經直方圖閾值粗分割子 模塊分割后的區域進行識別，進而在多神經網絡中選擇合適的神經網絡對道路區域進行合 并，并將剩余區域直接映射到非道路區域，所述多神經網絡包括N個神經網絡，Ne[3,5]，其 中每個神經網絡的正負訓練樣本來自放置在不同區域的多個窗口，設所述多神經網絡表示 為{Wi(yi，δι)，W2(li2，δ2)，· · ·，？Ν(μΝ, δΝ)}，μ和δ分別表不對應于神經網絡的正訓練樣本和負 訓練樣本，則定義網絡選取模型為：
[0024] ff= {ffk(yk,5k) ,f (yk) = 1 ,f (5k) =0,ke [1 ,Ν]}
[0025] 其中，W為最終選取的合適網絡，Wk(yk?表示合適的神經網絡，f(y k)表示神經網 絡Wk(yk，3k)的正訓練樣本窗口檢測結果為1，f (δι〇表不Wk(yk，3k)的負訓練樣本窗口檢測結 果為〇;
[0026] (6)網絡訓練子模塊，用于在道路識別子模塊運作的同時使用合適網絡的訓練樣 本窗口提取的特征對神經網絡進行訓練；
[0027] (7)車輛引導線提取子模塊:用于提取車輛引導線，所述車輛引導線定義為道路區 域和非道路區域的分界線。
[0028]所述彩色圖像預處理模塊中，進行目標提取時基于HSV空間中顏色分量投影模型， 投影公式為：
[0030] 式中，當不滿足以7^/f(v,_v)s 7；Γ時，將色調分量Η投影到V平
面;V(x，y)表示亮度分量V上對應的點，H(x，y)為色調分量Η上對應的點，σ表示用于避免色 調分量Η和亮度分量V重合的拉伸因子，ξ是投影以后數值的分段，ξ>〇，Τ5為設定的飽和度 閾值，A、Α為設定的亮度閾值。
[0031 ]優選地，所述飽和度閾值和亮度閾值的取值分別為 [0032]其中，所述網絡訓練子模塊包括：
[0033] (1)特征提取單元，其采用3個尺度和6個方向構成的18個小波濾波器進行Gabor小 波變換，提取預處理后的圖像的紋理特征，同時采用10窗口提取預處理后的圖像的顏色特 征，并量化為4級，以得到22維特征；
[0034] (2)神經網絡構建單元，用于根據所述22維特征構建神經網絡，神經網絡包括輸入 層、中間層和輸出層，輸入層設置22個神經元，輸出層設置1個神經元，輸出為1時表示道路 區域，輸出為〇時表示非道路區域；
[0035] (3)網絡訓練單元，用于在車輛運動過程中每隔2s對神經網絡進行訓練。
[0036]本發明的有益效果為：
[0037] 1、HSV空間把亮度分量單獨分離出來，為色彩的處理和識別提供了方便，另外HSV 空間主要是以對顏色的主觀感受來描述顏色，所以比較符合人的視覺特征，建立HSV空間中 顏色分量投影模型，把Η分量投影到V平面，魯棒性較好，而且比較穩定，能夠準確的表達目 標固有的顏色特征，經過處理后的彩色圖像跟灰度圖像一樣，都是二維的，數據量較小，大 大簡化了圖像分析和處理的工作量；
[0038] 2、實際在道路圖像中，包含多個目標，背景也較為復雜，在直方圖中可能出現具有 多個波峰和波谷的情況，用單閾值分割不能有效的分割出目標區域，直方圖中波峰位置表 示對應顏色的像素在圖像中出現的頻率較高，波谷位置表示對應的顏色像素出現的頻率較 小，因此把波谷點位置作為閾值進行分割，可以得到比較完整的區域;相近的波峰點或波谷 點都將被選擇出來，這種情況下添加了距離約束條件和概率差約束條件，選出其中合理的 波谷點；
[0039] 3、設置道路識別子模塊，通過多神經網絡檢測的方式對經直方圖閾值粗分割子模 塊分割后的區域進行識別，選擇合適的神經網絡對道路區域進行合并，將剩余區域直接映 射到非道路區域，并定義網絡選取模型，提高了識別的效率；
[0040] 4、在車輛運動過程中每隔2s對神經網絡進行訓練，達到對道路進行自適應檢測的 要求。
【附圖說明】
[0041] 利用附圖對本發明作進一步說明，但附圖中的實施例不構成對本發明的任何限 制，對于本領域的普通技術人員，在不付出創造性勞動的前提下，還可以根據以下附圖獲得 其它的附圖。
[0042] 圖1是本發明道路檢測裝置各模塊的連接示意圖。
[0043]圖2是本發明灑水車示意圖。
【具體實施方式】
[0044]結合以下實施例對本發明作進一步描述。
[0045] 實施例1
[0046] 參見圖1，圖2,本實施例一種能夠自主導航灑水車，包括灑水車和道路檢測裝置， 其中灑水車包括:灑水車主體、水箱、速度傳感器以及主控板。
[0047] 優選地，所述灑水車主體的兩側設有若干個噴水頭;所述若干個噴水頭分別通過 電磁閥與水箱連接;所述主控板包括電源、單片機控制電路以及A/D轉換模塊;所述速度傳 感器通過A/D轉換模塊與單片機控制電路的輸入端連接;所述電磁閥與單片機控制電路的 輸出端連接。
[0048] 優選地，所述電源為直流開關電源。
[0049] 優選地，所述道路檢測裝置包括依次連接的圖像采集模塊、彩色圖像預處理模塊 和道路自適應檢測模塊；
[0050]所述圖像采集模塊用于采集外界信息的彩色圖像；
[0051]所述彩色圖像預處理模塊用于對彩色圖像進行投影預處理，預處理時采用HSV模 型，彩色圖像的預處理結果根據亮度分量V的數值在色調分量H、飽和度分量S、亮度分量V三 個分量之間選擇，當存在飽和度過低或者亮度過低或者過高時，圖像分割主要依靠亮度分 量V的信息，其余情況下，采用色調分量Η進行目標提取；
[0052]所述道路自適應檢測模塊用于檢測、合并道路區域，并將剩余區域全部映射到非 道路區域中；所述道路自適應檢測模塊包括：
[0053] (1)直方圖閾值粗分割子模塊，用于對由彩色圖像預處理模塊預處理后的圖像進 行粗分割，其對預處理后的圖像進行直方圖構造，并采用直方圖多閾值法、以波谷點的位置 作為閾值對預處理后的圖像進行粗分割，采用如下算法對所述波谷點進行選擇：
[0054] SPi為灰度值為i的像素點在預處理后的圖像中出現的頻率，讓?:與其相鄰的局部 鄰域Pt作比較，Pt={Pi-n，.. .，Pi-. . .Pi+n}，參數η的取值范圍為[4,8]，表示pt左右鄰 域像頻范圍，P沖最小頻率值為Ptmin，次最小頻率值為Ptmins，
，則i是波谷 點，
則i不是波谷點，定義谷點函數v(i):
[0056]對選出的所有谷點v(i) = l，增加距離約束條件和概率約束條件，若相鄰谷點i和j 之間的距離表示為d= | i-j |，概率差表示為g= iPi-Pjl，設定距離參數D來反映波谷點之間 應保持的最小距離，
，Dmi4PDmax分別為相鄰波谷點最小距離和最大 距離，定義距離約束函數d(i):
[0058]設定概率差參數G來反映波谷點間的閾值差，
和Gmax分別為相鄰波谷點間的最小概率差和最大概率差，定義概率差約束函數g( i):
[0060] 定義波谷點選擇函數為：
[0061] x(i)=v(i) Xd(i) Xg(i)
[0062]式中，當x(i) = l時，表示波谷點被選中；
[0063] (8)道路識別子模塊：用于通過多神經網絡檢測的方式對經直方圖閾值粗分割子 模塊分割后的區域進行識別，進而在多神經網絡中選擇合適的神經網絡對道路區域進行合 并，并將剩余區域直接映射到非道路區域，所述多神經網絡包括N個神經網絡，神經網絡數 目Ne[3,5]，其中每個神經網絡的正負訓練樣本來自放置在不同區域的多個窗口，設所述 多神經網絡表不為{Wi(yi，5i)，ψ2(μ2，δ2)，· · ·，？Ν(μΝ，δΝ)}，μ和δ分別表不對應于神經網絡的 正訓練樣本和負訓練樣本，則定義網絡選取模型為：
[0064] ff= {ffk(yk,5k) ,f (yk) = 1 ,f (5k) =0,ke [1 ,Ν]}
[0065] 其中，W為最終選取的合適網絡，Wk(ykJk)表示合適的神經網絡，f(y k)表示神經網 絡Wk(yk，3k)的正訓練樣本窗口檢測結果為1，f (δι〇表不Wk(yk，3k)的負訓練樣本窗口檢測結 果為〇;
[0066] (9)網絡訓練子模塊，用于在道路識別子模塊運作的同時使用合適網絡的訓練樣 本窗口提取的特征對神經網絡進行訓練；
[0067] (10)車輛引導線提取子模塊：用于提取車輛引導線，所述車輛引導線定義為道路 區域和非道路區域的分界線。
[0068]所述彩色圖像預處理模塊中，進行目標提取時基于HSV空間中顏色分量投影模型， 投影公式為：
[0070] 式中，當不滿足/'時，將色調分量Η投影到V平 面;V(x，y)表示亮度分量V上對應的點，H(x，y)為色調分量Η上對應的點，σ表示用于避免色 調分量Η和亮度分量V重合的拉伸因子，ξ是投影以后數值的分段，ξ>〇，Τ5為設定的飽和度 閾值，A、^為設定的亮度閾值。
[0071] 優選地，所述飽和度閾值和亮度閾值的取值分別為=230,7；: =10,7： =20·· [0072]其中，所述網絡訓練子模塊包括：
[0073] (1)特征提取單元，其采用3個尺度和6個方向構成的18個小波濾波器進行Gabor小 波變換，提取預處理后的圖像的紋理特征，同時采用10窗口提取預處理后的圖像的顏色特 征，并量化為4級，以得到22維特征；
[0074] (2)神經網絡構建單元，用于根據所述22維特征構建神經網絡，神經網絡包括輸入 層、中間層和輸出層，輸入層設置22個神經元，輸出層設置1個神經元，輸出為1時表示道路 區域，輸出為〇時表示非道路區域；
[0075] (3)網絡訓練單元，用于在車輛運動過程中每隔2s對神經網絡進行訓練。
[0076]本實施例設置彩色圖像預處理模塊，大大簡化了圖像分析和處理的工作量;在直 方圖閾值粗分割子模塊中，把波谷點位置作為閾值進行分割，可以得到比較完整的區域;設 置道路識別子模塊，通過多神經網絡檢測的方式對經直方圖閾值粗分割子模塊分割后的區 域進行識別，選擇合適的神經網絡對道路區域進行合并，將剩余區域直接映射到非道路區 域，并定義網絡選取模型，提高了識別的效率，同時在車輛運動過程中每隔2s對神經網絡進 行訓練，達到對道路進行自適應檢測的要求;本實施例參數η取值為4，N取值為3，檢測效率 相對提尚了3%。
[0077] 實施例2
[0078] 參見圖1，圖2,本實施例一種能夠自主導航灑水車，包括灑水車和道路檢測裝置， 其中灑水車包括:灑水車主體、水箱、速度傳感器以及主控板。
[0079] 優選地，所述灑水車主體的兩側設有若干個噴水頭;所述若干個噴水頭分別通過 電磁閥與水箱連接;所述主控板包括電源、單片機控制電路以及A/D轉換模塊;所述速度傳 感器通過A/D轉換模塊與單片機控制電路的輸入端連接;所述電磁閥與單片機控制電路的 輸出端連接。
[0080] 優選地，所述電源為直流開關電源。
[0081] 優選地，所述道路檢測裝置包括依次連接的圖像采集模塊、彩色圖像預處理模塊 和道路自適應檢測模塊；
[0082] 所述圖像采集模塊用于采集外界信息的彩色圖像；
[0083]所述彩色圖像預處理模塊用于對彩色圖像進行投影預處理，預處理時采用HSV模 型，彩色圖像的預處理結果根據亮度分量V的數值在色調分量Η、飽和度分量S、亮度分量V三 個分量之間選擇，當存在飽和度過低或者亮度過低或者過高時，圖像分割主要依靠亮度分 量V的信息，其余情況下，采用色調分量Η進行目標提取；
[0084]所述道路自適應檢測模塊用于檢測、合并道路區域，并將剩余區域全部映射到非 道路區域中；所述道路自適應檢測模塊包括：
[0085] (1)直方圖閾值粗分割子模塊，用于對由彩色圖像預處理模塊預處理后的圖像進 行粗分割，其對預處理后的圖像進行直方圖構造，并采用直方圖多閾值法、以波谷點的位置 作為閾值對預處理后的圖像進行粗分割，采用如下算法對所述波谷點進行選擇：
[0086]設?,為灰度值為i的像素點在預處理后的圖像中出現的頻率，讓?,與其相鄰的局部 鄰域Pt作比較，Pt={Pi-n，.. .，Pi-. . .Pi+n}，參數η的取值范圍為[4,8]，表示pt左右鄰 域像頻范圍，Pt中最小頻率值為Ptmin，次最小頻率值為Ptmins:
，則i是波谷 點：
，則i不是波谷點，定義谷點函數v( i):
[0088]對選出的所有谷點v(i) = l，增加距離約束條件和概率約束條件，若相鄰谷點i和j 之間的距離表示為d= | i-j |，概率差表示為g= iPi-Pjl，設定距離參數D來反映波谷點之間 應保持的最小距離
，Dmi4PDmax分別為相鄰波谷點最小距離和最大 距離，定義距離約束函數d(i):
[0090]設定概率差參數G來反映波谷點間的閾值差，
和Gmax分別為相鄰波谷點間的最小概率差和最大概率差，定義概率差約束函數g( i):
[0092] 定義波谷點選擇函數為：
[0093] x(i)=v(i) Xd(i) Xg(i)
[0094]式中，當x(i) = l時，表示波谷點被選中；
[0095] (11)道路識別子模塊:用于通過多神經網絡檢測的方式對經直方圖閾值粗分割子 模塊分割后的區域進行識別，進而在多神經網絡中選擇合適的神經網絡對道路區域進行合 并，并將剩余區域直接映射到非道路區域，所述多神經網絡包括N個神經網絡，神經網絡數 目Ne[3,5]，其中每個神經網絡的正負訓練樣本來自放置在不同區域的多個窗口，設所述 多神經網絡表不為{Wi(yi，5i)，ψ2(μ2，δ2)，· · ·，？Ν(μΝ，δΝ)}，μ和δ分別表不對應于神經網絡的 正訓練樣本和負訓練樣本，則定義網絡選取模型為：
[0096] ff= {ffk(yk,5k) ,f (yk) = 1 ,f (5k) =0,ke [1 ,Ν]}
[0097] 其中，W為最終選取的合適網絡，Wk(ykJk)表示合適的神經網絡，f(y k)表示神經網 絡Wk(yk，3k)的正訓練樣本窗口檢測結果為1，f (δι〇表不Wk(yk，3k)的負訓練樣本窗口檢測結 果為〇;
[0098] (12)網絡訓練子模塊，用于在道路識別子模塊運作的同時使用合適網絡的訓練樣 本窗口提取的特征對神經網絡進行訓練；
[0099] (13)車輛引導線提取子模塊：用于提取車輛引導線，所述車輛引導線定義為道路 區域和非道路區域的分界線。
[0100] 所述彩色圖像預處理模塊中，進行目標提取時基于HSV空間中顏色分量投影模型， 投影公式為：
[0102] 式中，當不滿足7(1,)，)27；,1〇7|(_\：,>^7^〇;-5<(1 >13/)<7時，將色調分量!1投影到￥平 面;V(x，y)表示亮度分量V上對應的點，H(x，y)為色調分量Η上對應的點，σ表示用于避免色 調分量Η和亮度分量V重合的拉伸因子，ξ是投影以后數值的分段，ξ>〇，Τ5為設定的飽和度 閾值，&、&為設定的亮度閾值。
[0103] 優選地，所述飽和度閾值和亮度閾值的取值分別為:弋=230//7 =10/7： =20。
[0104] 其中，所述網絡訓練子模塊包括：
[0105] (1)特征提取單元，其采用3個尺度和6個方向構成的18個小波濾波器進行Gabor小 波變換，提取預處理后的圖像的紋理特征，同時采用10窗口提取預處理后的圖像的顏色特 征，并量化為4級，以得到22維特征；
[0106] (2)神經網絡構建單元，用于根據所述22維特征構建神經網絡，神經網絡包括輸入 層、中間層和輸出層，輸入層設置22個神經元，輸出層設置1個神經元，輸出為1時表示道路 區域，輸出為〇時表示非道路區域；
[0107] (3)網絡訓練單元，用于在車輛運動過程中每隔2s對神經網絡進行訓練。
[0108] 本實施例設置彩色圖像預處理模塊，大大簡化了圖像分析和處理的工作量;在直 方圖閾值粗分割子模塊中，把波谷點位置作為閾值進行分割，可以得到比較完整的區域;設 置道路識別子模塊，通過多神經網絡檢測的方式對經直方圖閾值粗分割子模塊分割后的區 域進行識別，選擇合適的神經網絡對道路區域進行合并，將剩余區域直接映射到非道路區 域，并定義網絡選取模型，提高了識別的效率，同時在車輛運動過程中每隔2S對神經網絡進 行訓練，達到對道路進行自適應檢測的要求;本實施例參數η取值為5，N取值為3，檢測效率 相對提高了3.2%。
[0109] 實施例3
[0110] 參見圖1，圖2,本實施例一種能夠自主導航灑水車，包括灑水車和道路檢測裝置， 其中灑水車包括:灑水車主體、水箱、速度傳感器以及主控板。
[0111] 優選地，所述灑水車主體的兩側設有若干個噴水頭;所述若干個噴水頭分別通過 電磁閥與水箱連接;所述主控板包括電源、單片機控制電路以及A/D轉換模塊;所述速度傳 感器通過A/D轉換模塊與單片機控制電路的輸入端連接;所述電磁閥與單片機控制電路的 輸出端連接。
[0112] 優選地，所述電源為直流開關電源。
[0113] 優選地，所述道路檢測裝置包括依次連接的圖像采集模塊、彩色圖像預處理模塊 和道路自適應檢測模塊；
[0114]所述圖像采集模塊用于采集外界信息的彩色圖像；
[0115]所述彩色圖像預處理模塊用于對彩色圖像進行投影預處理，預處理時采用HSV模 型，
[0116] 彩色圖像的預處理結果根據亮度分量V的數值在色調分量Η、飽和度分量S、亮度分 量V三個分量之間選擇，當存在飽和度過低或者亮度過低或者過高時，圖像分割主要依靠亮 度分量V的信息，其余情況下，采用色調分量Η進行目標提取；
[0117] 所述道路自適應檢測模塊用于檢測、合并道路區域，并將剩余區域全部映射到非 道路區域中；所述道路自適應檢測模塊包括：
[0118] (1)直方圖閾值粗分割子模塊，用于對由彩色圖像預處理模塊預處理后的圖像進 行粗分割，其對預處理后的圖像進行直方圖構造，并采用直方圖多閾值法、以波谷點的位置 作為閾值對預處理后的圖像進行粗分割，采用如下算法對所述波谷點進行選擇：
[0119] SPi為灰度值為i的像素點在預處理后的圖像中出現的頻率，讓?1與其相鄰的局部 鄰域Pt作比較，Pt={Pi-n，.. .，Pi-. . .Pi+n}，參數η的取值范圍為[4,8]，表示pt左右鄰 域像頻范圍，Pt中最小頻率值為Ptmin，次最小頻率值為Ptmins，
，則i是波谷 點，
，則i不是波谷點，定義谷點函數v(i):
[0121]對選出的所有谷點v(i) = l，增加距離約束條件和概率約束條件，若相鄰谷點i和j 之間的距離表示為d= | i-j |，概率差表示為g= iPi-Pjl，設定距離參數D來反映波谷點之間 應保持的最小距離
，Dmi4romax分別為相鄰波谷點最小距離和最大 距離，定義距離約束函數d(i):
[0123]設定概率差參數G來反映波谷點間的閾值差
，Gmin 和Gmax分別為相鄰波谷點間的最小概率差和最大概率差，定義概率差約束函數g( i):
[0125] 定義波谷點選擇函數為：
[0126] x(i)=v(i) Xd(i) Xg(i)
[0127] 式中，當x(i) = l時，表示波谷點被選中；
[0128] (14)道路識別子模塊:用于通過多神經網絡檢測的方式對經直方圖閾值粗分割子 模塊分割后的區域進行識別，進而在多神經網絡中選擇合適的神經網絡對道路區域進行合 并，并將剩余區域直接映射到非道路區域，所述多神經網絡包括N個神經網絡，神經網絡數 目Ne[3,5]，其中每個神經網絡的正負訓練樣本來自放置在不同區域的多個窗口，設所述 多神經網絡表不為{Wi(yi，5i)，ψ2(μ2，δ2)，· · ·，？Ν(μΝ，δΝ)}，μ和δ分別表不對應于神經網絡的 正訓練樣本和負訓練樣本，則定義網絡選取模型為：
[0129] ff= {ffk(yk,5k) ,f (yk) = 1 ,f (5k) =0,ke [1 ,Ν]}
[0130] 其中，W為最終選取的合適網絡，Wk(yk?表示合適的神經網絡，f(y k)表示神經網 絡Wk(yk，3k)的正訓練樣本窗口檢測結果為1，f (δι〇表不Wk(yk，3k)的負訓練樣本窗口檢測結 果為〇;
[0131] (15)網絡訓練子模塊，用于在道路識別子模塊運作的同時使用合適網絡的訓練樣 本窗口提取的特征對神經網絡進行訓練；
[0132] (16)車輛引導線提取子模塊：用于提取車輛引導線，所述車輛引導線定義為道路 區域和非道路區域的分界線。
[0133] 所述彩色圖像預處理模塊中，進行目標提取時基于HSV空間中顏色分量投影模型， 投影公式為：
[0135] 式中，當不滿足7>rS(T..r)<廠時，將色調分量Η投影到V平 面;V(x，y)表示亮度分量V上對應的點，H(x，y)為色調分量Η上對應的點，σ表示用于避免色 調分量Η和亮度分量V重合的拉伸因子，ξ是投影以后數值的分段，ξ>〇，Τ5為設定的飽和度 閾值，Α、巧2為設定的亮度閾值。
[0136] 優選地，所述飽和度閾值和亮度閾值的取值分別為:? =230,7】：=10,7: =20。：
[0137] 其中，所述網絡訓練子模塊包括：
[0138] (1)特征提取單元，其采用3個尺度和6個方向構成的18個小波濾波器進行Gabor小 波變換，提取預處理后的圖像的紋理特征，同時采用10窗口提取預處理后的圖像的顏色特 征，并量化為4級，以得到22維特征；
[0139] (2)神經網絡構建單元，用于根據所述22維特征構建神經網絡，神經網絡包括輸入 層、中間層和輸出層，輸入層設置22個神經元，輸出層設置1個神經元，輸出為1時表示道路 區域，輸出為〇時表示非道路區域；
[0140] (3)網絡訓練單元，用于在車輛運動過程中每隔2s對神經網絡進行訓練。
[0141]本實施例設置彩色圖像預處理模塊，大大簡化了圖像分析和處理的工作量;在直 方圖閾值粗分割子模塊中，把波谷點位置作為閾值進行分割，可以得到比較完整的區域;設 置道路識別子模塊，通過多神經網絡檢測的方式對經直方圖閾值粗分割子模塊分割后的區 域進行識別，選擇合適的神經網絡對道路區域進行合并，將剩余區域直接映射到非道路區 域，并定義網絡選取模型，提高了識別的效率，同時在車輛運動過程中每隔2s對神經網絡進 行訓練，達到對道路進行自適應檢測的要求;本實施例參數η取值為6，N取值為4，檢測效率 相對提高了3.5%。
[0142] 實施例4
[0143] 參見圖1，圖2,本實施例一種能夠自主導航灑水車，包括灑水車和道路檢測裝置， 其中灑水車包括:灑水車主體、水箱、速度傳感器以及主控板。
[0144] 優選地，所述灑水車主體的兩側設有若干個噴水頭;所述若干個噴水頭分別通過 電磁閥與水箱連接;所述主控板包括電源、單片機控制電路以及A/D轉換模塊;所述速度傳 感器通過A/D轉換模塊與單片機控制電路的輸入端連接;所述電磁閥與單片機控制電路的 輸出端連接。
[0145] 優選地，所述電源為直流開關電源。
[0146] 優選地，所述道路檢測裝置包括依次連接的圖像采集模塊、彩色圖像預處理模塊 和道路自適應檢測模塊；
[0147] 所述圖像采集模塊用于采集外界信息的彩色圖像；
[0148] 所述彩色圖像預處理模塊用于對彩色圖像進行投影預處理，預處理時采用HSV模 型，
[0149] 彩色圖像的預處理結果根據亮度分量V的數值在色調分量Η、飽和度分量S、亮度分 量V三個分量之間選擇，當存在飽和度過低或者亮度過低或者過高時，圖像分割主要依靠亮 度分量V的信息，其余情況下，采用色調分量Η進行目標提取；
[0150] 所述道路自適應檢測模塊用于檢測、合并道路區域，并將剩余區域全部映射到非 道路區域中；所述道路自適應檢測模塊包括：
[0151] (1)直方圖閾值粗分割子模塊，用于對由彩色圖像預處理模塊預處理后的圖像進 行粗分割，其對預處理后的圖像進行直方圖構造，并采用直方圖多閾值法、以波谷點的位置 作為閾值對預處理后的圖像進行粗分割，采用如下算法對所述波谷點進行選擇：
[0152]設?,為灰度值為i的像素點在預處理后的圖像中出現的頻率，讓?,與其相鄰的局部 鄰域Pt作比較，Pt={Pi-n，.. .，Pi-^Pi+l·，. . .Pi+n}，參數η的取值范圍為[4,8]，表示pt左右鄰 域像頻范圍，Pt中最小頻率值為Ptmin，次最小頻率值為Ptmins:
，則i是波谷 點
，則i不是波谷點，定義谷點函數v(i):
[0154]對選出的所有谷點v(i) = l，增加距離約束條件和概率約束條件，若相鄰谷點i和j 之間的距離表示為d= | i-j |，概率差表示為g= iPi-Pjl，設定距離參數D來反映波谷點之間 應保持的最小距離
，Dmi4romax分別為相鄰波谷點最小距離和最大 距離，定義距離約束函數d(i):
[0156]設定概率差參數G來反映波谷點間的閾值差：
，Gmin 和Gmax分別為相鄰波谷點間的最小概率差和最大概率差，定義概率差約束函數g( i):
[0158] 定義波谷點選擇函數為：
[0159] x(i)=v(i)Xd(i)Xg(i)
[0160] 式中，當x(i) = l時，表示波谷點被選中；
[0161] (17)道路識別子模塊:用于通過多神經網絡檢測的方式對經直方圖閾值粗分割子 模塊分割后的區域進行識別，進而在多神經網絡中選擇合適的神經網絡對道路區域進行合 并，并將剩余區域直接映射到非道路區域，所述多神經網絡包括N個神經網絡，神經網絡數 目Ne[3,5]，其中每個神經網絡的正負訓練樣本來自放置在不同區域的多個窗口，設所述 多神經網絡表不為{Wi(yi，5i)，ψ2(μ2，δ2)，· · ·，？Ν(μΝ，δΝ)}，μ和δ分別表不對應于神經網絡的 正訓練樣本和負訓練樣本，則定義網絡選取模型為：
[0162] ff= {ffk(yk,5k) ,f (yk) = 1 ,f (5k) =0,ke [1 ,Ν]}
[0163] 其中，W為最終選取的合適網絡，Wk(yk?表示合適的神經網絡，f(y k)表示神經網 絡Wk(yk，3k)的正訓練樣本窗口檢測結果為1，f (δι〇表不Wk(yk，3k)的負訓練樣本窗口檢測結 果為〇;
[0164] (18)網絡訓練子模塊，用于在道路識別子模塊運作的同時使用合適網絡的訓練樣 本窗口提取的特征對神經網絡進行訓練；
[0165] (19)車輛引導線提取子模塊：用于提取車輛引導線，所述車輛引導線定義為道路 區域和非道路區域的分界線。
[0166] 所述彩色圖像預處理模塊中，進行目標提取時基于HSV空間中顏色分量投影模型， 投影公式為：
[0168] 式中，當不滿足以.\少'>7；彳0;1(1,.)；)<7；.2〇成(1,4<2^時，將色調分量!1投影到￥平 面;V(x，y)表示亮度分量V上對應的點，H(x，y)為色調分量Η上對應的點，σ表示用于避免色 調分量Η和亮度分量V重合的拉伸因子，ξ是投影以后數值的分段，ξ> 〇，Τ5為設定的飽和度 閾值，巧、仏為設定的亮度閾值。
[0169] 優選地，所述飽和度閾值和亮度閾值的取值分別為=230，1 =10,7； =20。
[0170] 其中，所述網絡訓練子模塊包括：
[0171] (1)特征提取單元，其采用3個尺度和6個方向構成的18個小波濾波器進行Gabor小 波變換，提取預處理后的圖像的紋理特征，同時采用10窗口提取預處理后的圖像的顏色特 征，并量化為4級，以得到22維特征；
[0172] (2)神經網絡構建單元，用于根據所述22維特征構建神經網絡，神經網絡包括輸入 層、中間層和輸出層，輸入層設置22個神經元，輸出層設置1個神經元，輸出為1時表示道路 區域，輸出為〇時表示非道路區域；
[0173] (3)網絡訓練單元，用于在車輛運動過程中每隔2s對神經網絡進行訓練。
[0174]本實施例設置彩色圖像預處理模塊，大大簡化了圖像分析和處理的工作量;在直 方圖閾值粗分割子模塊中，把波谷點位置作為閾值進行分割，可以得到比較完整的區域;設 置道路識別子模塊，通過多神經網絡檢測的方式對經直方圖閾值粗分割子模塊分割后的區 域進行識別，選擇合適的神經網絡對道路區域進行合并，將剩余區域直接映射到非道路區 域，并定義網絡選取模型，提高了識別的效率，同時在車輛運動過程中每隔2s對神經網絡進 行訓練，達到對道路進行自適應檢測的要求;本實施例參數η取值為7，N取值為4，檢測效率 相對提尚了3.8%。
[0175] 實施例5
[0176] 參見圖1，圖2,本實施例一種能夠自主導航灑水車，包括灑水車和道路檢測裝置， 其中灑水車包括:灑水車主體、水箱、速度傳感器以及主控板。
[0177] 優選地，所述灑水車主體的兩側設有若干個噴水頭;所述若干個噴水頭分別通過 電磁閥與水箱連接;所述主控板包括電源、單片機控制電路以及A/D轉換模塊;所述速度傳 感器通過A/D轉換模塊與單片機控制電路的輸入端連接;所述電磁閥與單片機控制電路的 輸出端連接。
[0178] 優選地，所述電源為直流開關電源。
[0179] 優選地，所述道路檢測裝置包括依次連接的圖像采集模塊、彩色圖像預處理模塊 和道路自適應檢測模塊；
[0180] 所述圖像采集模塊用于采集外界信息的彩色圖像；
[0181]所述彩色圖像預處理模塊用于對彩色圖像進行投影預處理，預處理時采用HSV模 型，
[0182]彩色圖像的預處理結果根據亮度分量V的數值在色調分量Η、飽和度分量S、亮度分 量V三個分量之間選擇，當存在飽和度過低或者亮度過低或者過高時，圖像分割主要依靠亮 度分量V的信息，其余情況下，采用色調分量Η進行目標提取；
[0183] 所述道路自適應檢測模塊用于檢測、合并道路區域，并將剩余區域全部映射到非 道路區域中；所述道路自適應檢測模塊包括：
[0184] (1)直方圖閾值粗分割子模塊，用于對由彩色圖像預處理模塊預處理后的圖像進 行粗分割，其對預處理后的圖像進行直方圖構造，并采用直方圖多閾值法、以波谷點的位置 作為閾值對預處理后的圖像進行粗分割，采用如下算法對所述波谷點進行選擇：
[0185] SPi為灰度值為i的像素點在預處理后的圖像中出現的頻率，讓?1與其相鄰的局部 鄰域Pt作比較，Pt={Pi-n，.. .，Pi-. . .Pi+n}，參數η的取值范圍為[4,8]，表示pt左右鄰 域像頻范圍，Pt中最小頻率值為Ptmin，次最小頻率值為Ptmins:
，.則i是波谷 點：
，則i不是波谷點，定義谷點函數v(i):
[0187]對選出的所有谷點v(i) = l，增加距離約束條件和概率約束條件，若相鄰谷點i和j 之間的距離表示為d= | i-j |，概率差表示為g= iPi-Pjl，設定距離參數D來反映波谷點之間 應保持的最小距離，
，Dmi4PDmax分別為相鄰波谷點最小距離和最大 距離，定義距離約束函數d(i):
[0189]設定概率差參數G來反映波谷點間的閾值差，
Gmin 和Gmax分別為相鄰波谷點間的最小概率差和最大概率差，定義概率差約束函數g( i):
[0191] 定義波谷點選擇函數為：
[0192] x(i)=v(i) Xd(i) Xg(i)
[0193] 式中，當x(i) = l時，表示波谷點被選中；
[0194] (20)道路識別子模塊:用于通過多神經網絡檢測的方式對經直方圖閾值粗分割子 模塊分割后的區域進行識別，進而在多神經網絡中選擇合適的神經網絡對道路區域進行合 并，并將剩余區域直接映射到非道路區域，所述多神經網絡包括N個神經網絡，神經網絡數 目Ne[3,5]，其中每個神經網絡的正負訓練樣本來自放置在不同區域的多個窗口，設所述 多神經網絡表不為{Wi(yi，5i)，ψ2(μ2，δ2)，· · ·，？Ν(μΝ，δΝ)}，μ和δ分別表不對應于神經網絡的 正訓練樣本和負訓練樣本，則定義網絡選取模型為：
[0195] ff= {ffk(yk,5k) ,f (yk) = 1 ,f (5k) =0,ke [1 ,Ν]}
[0196] 其中，W為最終選取的合適網絡，Wk(yk?表示合適的神經網絡，f(yk)表示神經網 絡Wk(yk，3k)的正訓練樣本窗口檢測結果為1，f (δι〇表不Wk(yk，3k)的負訓練樣本窗口檢測結 果為〇;
[0197] (21)網絡訓練子模塊，用于在道路識別子模塊運作的同時使用合適網絡的訓練樣 本窗口提取的特征對神經網絡進行訓練；
[0198] (22)車輛引導線提取子模塊：用于提取車輛引導線，所述車輛引導線定義為道路 區域和非道路區域的分界線。
[0199] 所述彩色圖像預處理模塊中，進行目標提取時基于HSV空間中顏色分量投影模型， 投影公式為：
[0201] 式中，當不滿足：Γη〇/Ι(χ,3，)^Γ；?(χ, j；)< Γ時，將色調分量Η投影到V平 面;V(x，y)表示亮度分量V上對應的點，H(x，y)為色調分量Η上對應的點，σ表示用于避免色 調分量Η和亮度分量V重合的拉伸因子，ξ是投影以后數值的分段，ξ>〇，Τ5為設定的飽和度 閾值，％、仏為設定的亮度閾值。
[0202] 優選地，所述飽和度閾值和亮度閾值的取值分別為=10//_: =20" [0203]其中，所述網絡訓練子模塊包括：
[0204] (1)特征提取單元，其采用3個尺度和6個方向構成的18個小波濾波器進行Gabor小 波變換，提取預處理后的圖像的紋理特征，同時采用10窗口提取預處理后的圖像的顏色特 征，并量化為4級，以得到22維特征；
[0205] (2)神經網絡構建單元，用于根據所述22維特征構建神經網絡，神經網絡包括輸入 層、中間層和輸出層，輸入層設置22個神經元，輸出層設置1個神經元，輸出為1時表示道路 區域，輸出為〇時表示非道路區域；
[0206] (3)網絡訓練單元，用于在車輛運動過程中每隔2s對神經網絡進行訓練。
[0207]本實施例設置彩色圖像預處理模塊，大大簡化了圖像分析和處理的工作量;在直 方圖閾值粗分割子模塊中，把波谷點位置作為閾值進行分割，可以得到比較完整的區域;設 置道路識別子模塊，通過多神經網絡檢測的方式對經直方圖閾值粗分割子模塊分割后的區 域進行識別，選擇合適的神經網絡對道路區域進行合并，將剩余區域直接映射到非道路區 域，并定義網絡選取模型，提高了識別的效率，同時在車輛運動過程中每隔2s對神經網絡進 行訓練，達到對道路進行自適應檢測的要求;本實施例參數η取值為8，N取值為5，檢測效率 相對提尚了3.4%。
[0208]最后應當說明的是，以上實施例僅用以說明本發明的技術方案，而非對本發明保 護范圍的限制，盡管參照較佳實施例對本發明作了詳細地說明，本領域的普通技術人員應 當理解，可以對本發明的技術方案進行修改或者等同替換，而不脫離本發明技術方案的實 質和范圍。
【主權項】
1. 一種能夠自主導航灑水車，包括灑水車和道路檢測裝置，其中灑水車包括:灑水車主 體、水箱、速度傳感器以及主控板。2. 根據權利要求1所述的一種能夠自主導航灑水車，其特征是，所述灑水車主體的兩側 設有若干個噴水頭;所述若干個噴水頭分別通過電磁閥與水箱連接;所述主控板包括電源、 單片機控制電路以及A/D轉換模塊;所述速度傳感器通過A/D轉換模塊與單片機控制電路的 輸入端連接;所述電磁閥與單片機控制電路的輸出端連接。3. 根據權利要求2所述的一種能夠自主導航灑水車，其特征是，所述電源為直流開關電 源。4. 根據權利要求3所述的一種能夠自主導航灑水車，其特征是，道路檢測裝置包括依次 連接的圖像采集模塊、彩色圖像預處理模塊和道路自適應檢測模塊； 所述圖像采集模塊用于采集外界信息的彩色圖像； 所述彩色圖像預處理模塊用于對彩色圖像進行投影預處理，預處理時采用HSV模型，彩 色圖像的預處理結果根據亮度分量V的數值在色調分量H、飽和度分量S、亮度分量V三個分 量之間選擇，當存在飽和度過低或者亮度過低或者過高時，圖像分割主要依靠亮度分量V的 信息，其余情況下，采用色調分量Η進行目標提取； 所述道路自適應檢測模塊用于檢測、合并道路區域，并將剩余區域全部映射到非道路 區域中；所述道路自適應檢測模塊包括： (1)直方圖閾值粗分割子模塊，用于對由彩色圖像預處理模塊預處理后的圖像進行粗 分割，其對預處理后的圖像進行直方圖構造，并采用直方圖多閾值法、以波谷點的位置作為 閾值對預處理后的圖像進行粗分割，采用如下算法對所述波谷點進行選擇： 設卩:為灰度值為i的像素點在預處理后的圖像中出現的頻率，讓Ρ:與其相鄰的局部鄰域 Pt作比較，Pt= {Pi-n，.. .，Pi-iPin，. . .Pi+n}，參數η的取值范圍為[4,8]，表示Pt左右鄰域像 頻范圍，Pt中最小頻率值為Ptmin，次最小頻率值為Ptmins，則i是波谷點， 'Ui不是波谷點，定義谷點函數v(i):對選出的所有谷點v(i) = l，增加距離約束條件和概率約束條件，若相鄰谷點i和j之間 的距離表示為d= | i-j |，概率差表示為g= lPi-匕|，設定距離參數D來反映波谷點之間應保 持的最小距離，Tmin和Dmax分別為相鄰波谷點最小距離和最大距 離，定義距離約束函數d(i):設定概率差參數G來反映波谷點間的閾值差， 分別為相鄰波谷點間的最小概率差和最大概率差，定義概率差約束函數g(i):定義波谷點選擇函數為： x(i)=v(i)Xd(i)Xg(i) 式中，當x(i) = l時，表示波谷點被選中； (2) 道路識別子模塊：用于通過多神經網絡檢測的方式對經直方圖閾值粗分割子模塊 分割后的區域進行識別，進而在多神經網絡中選擇合適的神經網絡對道路區域進行合并， 并將剩余區域直接映射到非道路區域，所述多神經網絡包括N個神經網絡，Ne[3,5]，其中 每個神經網絡的正負訓練樣本來自放置在不同區域的多個窗口，設所述多神經網絡表示為 {￥ι(μι，δι)，^2(μ2，δ2)，…，？Ν(μΝ，δΝ)}，μ和δ分別表不對應于神經網絡的正訓練樣本和負訓 練樣本，則定義網絡選取模型為： ff= {ffk(yk,5k) ,f (yk) = l,f(5k) = 0,ke[l,N]} 其中，W為最終選取的合適網絡，Wk(ykJk)表示合適的神經網絡，f(yk)表示神經網絡Wk (W^k)的正訓練樣本窗口檢測結果為l，f(Sk)表示Wk(y k^k)的負訓練樣本窗口檢測結果為 〇； (3) 網絡訓練子模塊，用于在道路識別子模塊運作的同時使用合適網絡的訓練樣本窗 口提取的特征對神經網絡進行訓練； (4) 車輛引導線提取子模塊:用于提取車輛引導線，所述車輛引導線定義為道路區域和 非道路區域的分界線。5. 根據權利要求4所述的一種能夠自主導航灑水車，其特征是，所述彩色圖像預處理模 塊中，進行 目標提取時基于HSV空間中顏色分量投影模型，投影公式為：式中，當不滿足7；，1^，兄^7；^;古(^)< Γ時，將色調分量Η投影到V平面；V (X，y)表示亮度分量V上對應的點，Η( X，y)為色調分量Η上對應的點，σ表示用于避免色調分 量Η和亮度分量V重合的拉伸因子，ξ是投影以后數值的分段，ξ>〇，Τ5為設定的飽和度閾值， A、4為設定的亮度閾值。6. 根據權利要求5所述的一種能夠自主導航灑水車，其特征是，所述飽和度閾值和亮度 閾值的取值分別為：廠=l〇,Ts = 20。7. 根據權利要求6所述的一種能夠自主導航灑水車，其特征是，所述網絡訓練子模塊包 括： (1) 特征提取單元，其采用3個尺度和6個方向構成的18個小波濾波器進行Gabor小波變 換，提取預處理后的圖像的紋理特征，同時采用10窗口提取預處理后的圖像的顏色特征，并 量化為4級，以得到22維特征； (2) 神經網絡構建單元，用于根據所述22維特征構建神經網絡，神經網絡包括輸入層、 中間層和輸出層，輸入層設置22個神經元，輸出層設置1個神經元，輸出為1時表示道路區 域，輸出為〇時表示非道路區域； (3)網絡訓練單元，用于在車輛運動過程中每隔2s對神經網絡進行訓練。
【文檔編號】G01C21/34GK105926523SQ201610514377
【公開日】2016年9月7日
【申請日】2016年7月1日
【發明人】不公告發明人
【申請人】蔡雄