一種基于Gabor小波變換紋理描述的非結構化道路檢測方法
【專利摘要】本發明涉及一種基于Gabor小波變換紋理描述的非結構化道路檢測方法，是應用在智能汽車平臺上的一種道路檢測方法。本發明針對原始道路圖像進行Gabor小波變換，將獲取的小波模系數的均值和標準方差作為二維特征向量，利用Fisher線性判別分類(FLD)算法對特征向量進行分類處理，獲取道路部分，最后采用隨機抽樣一致性(RANSAC)算法，對道路邊界進行擬合，檢測出道路邊界。本發明能夠準確的反映實際的路面情況，精確的檢測道路邊界線，具有良好的環境自適應能力，增強了道路邊界檢測的魯棒性和抗干擾能力。
【專利說明】一種基于Gabor小波變換紋理描述的非結構化道路檢測方 法
【技術領域】
[0001] 本發明屬于圖像處理技術和模式識別【技術領域】，具體地涉及一種基于Gabor小波 變換紋理描述的非結構化道路檢測方法。
【背景技術】
[0002] 近些年，隨著車輛自主駕駛系統的發展，國內外很多研宄人員提出了相關的非結 構化道路檢測算法。總的來說，基于單目視覺的道路檢測方法基本上可歸結為三大類方法， 一類是基于特征的識別方法，一類是基于模型的方法，還有一類是基于光照不變性的方法。 基于特征的識別方法主要是結合道路邊界圖像的一些特征，如顏色特征、灰度梯度特征等， 從所獲取的圖像中識別出道路邊界。基于特征的識別方法可分為：基于灰度特征、基于彩色 特征和基于消失點的識別方法。基于模型的道路識別是指基于不同的道路模型，如直線模 型，采用不同的識別技術，如神經網絡技術來對道路邊界進行識別的方法。基于視覺的道路 檢測在對圖像像素進行分類時，常常由于光照條件導致的類內方差有差異，而造成誤檢，于 是近三年來，基于光源不變性的道路識別方法成為研宄人員的一個研宄熱點。
[0003] 本發明涉及一種基于Gabor變換的道路檢測方法，是應用在智能汽車平臺上的一 種道路檢測方法。本發明提出了一種Gabor紋理特征提取方法，針對原始道路圖像進行 Gabor變換，將獲取的小波模系數的均值和標準方差作為二維特征向量，利用Fisher線性 判別分類（FLD)算法對特征向量進行分類處理，獲取道路部分，最后采用隨機抽樣一致性 (RANSAC)算法，對道路邊界進行擬合，檢測出道路邊界。
【發明內容】
[0004] 本發明的目的在于提供一種基于Gabor小波變換紋理描述的非結構化道路檢測 方法，實現對于非結構化道路的檢測，降低光照對視覺檢測的影響。
[0005] 本發明采用的技術方案為：一種基于Gabor小波變換紋理描述的非結構化道路檢 測方法，該方法包括以下步驟：
[0006] 步驟1，對于前方道路圖像，采用二維離散高斯函數進行濾波平滑處理，基于平滑 后圖像，進行空間轉換，即從RGB空間轉換至HSI空間，得到HSI空間上的前方道路圖像；
[0007] 步驟2,對于HSI前方道路圖像，采用Gabor濾波器組進行濾波處理，獲取Gabor紋 理特征在不同尺度和不同方向下的實部和相應的虛部；
[0008] 步驟3,利用獲取的實部和虛部計算Gabor小波模的系數，計算小波模系數的均值 和標準方差；
[0009] 步驟4,利用小波模系數的均值和標準方差構建特征向量，采用Fisher線性判別 分類器（FisherLinearDiscriminant，FLD)對特征向量進行分類，分為道路區域和非道路 區域兩個部分；
[0010] 步驟5,對于分類后得到的屬于道路區域的離散點，采用隨機抽樣一致性（random sampleconsensus，RANSAC)算法進行道路邊界擬合，最終獲得檢測的道路邊界。
[0011] 本發明與現有技術相比的優點在于：
[0012] (1)、本發明綜合采用Gabor小波變化描述道路紋理，能夠處理非結構化道路的邊 界識別問題。
[0013] (2)、本發明采用對圖像的顏色空間轉換技術，能夠降低光照和陰影對非結構化道 路的邊界識別的影響。
[0014] (3)、本發明采用RANSAC算法擬合道路邊界的技術，能夠減弱道路邊界噪聲點對 道路邊界擬合結果的影響。
【專利附圖】
【附圖說明】
[0015] 圖1是表示基于本發明的實施方式涉及的智能車輛的示意圖。
[0016] 圖2是表示基于本發明的實施方式的流程圖。
[0017] 圖3是表示基于本發明的實施方式涉及的原始道路示意圖。
[0018] 圖4是表示基于本發明的實施方式的道路圖像預處理的流程圖。
[0019] 圖5是表示基于Gabor變換后的道路圖像分割效果圖。
[0020] 圖6是表示基于RANSAC算法擬合道路邊界的效果圖。
【具體實施方式】
[0021] 為使本發明的目的、技術方案和優點更加清楚明白，以下結合具體實施步驟，并配 合附圖，對本發明進一步詳細說明。
[0022] 本發明的實施方式涉及的智能車輛如圖1所示。
[0023] 圖2是本發明基于Gabor變換道路邊界檢測方法的流程圖，如圖2所示，所述的基 于Gabor變換的道路邊界檢測方法包括以下步驟：
[0024] 步驟1，對于前方道路圖像，如圖3所示，采用二維離散高斯函數進行濾波平滑處 理，基于平滑后圖像，進行空間轉換，即從RGB空間轉換至HSI空間，得到HSI空間上的前方 道路圖像；
[0025] 圖4是圖像預處理流程圖，如圖4所示，所述步驟1進一步包括以下步驟：
[0026] 步驟11，為了使接下來的處理具有更優的性能，采用3*3的高斯模板進行平滑處 理，其中，使用的二維高斯函數G(x，y)如下所示：
[0027]
【權利要求】
1. 一種基于Gabor小波變換紋理描述的非結構化道路檢測方法，其特征在于，該方法 包括以下步驟： 步驟1，對于前方道路圖像，采用二維離散高斯函數進行濾波平滑處理，基于平滑后圖 像，進行空間轉換，從RGB空間轉換至HSI空間，得到HSI空間上的前方道路圖像； 步驟2,對于HIS空間上的前方道路圖像，采用Gabor小波濾波器組進行濾波處理，獲取Gabor紋理特征在不同尺度和不同方向下的實部和虛部； 步驟3,利用獲取的實部和虛部計算Gabor小波模的系數，并計算小波模系數的均值和 標準方差； 步驟4,利用小波模系數的均值和標準方差構建特征向量，采用Fisher線性判別分類 器（FisherLinearDiscriminant，FLD)對特征向量進行分類，分為道路區域和非道路區域 兩個部分； 步驟5,對于分類后得到的屬于道路區域的離散點，采用隨機抽樣一致性（random sampleconsensus，RANSAC)算法進行道路邊界擬合，最終獲得檢測的道路邊界。
2. 根據權利要求1所述的方法，其特征在于，所述步驟1進一步包括以下步驟： 步驟11，對所獲取的前方道路圖像，采用高斯模板進行平滑處理； 步驟12,對平滑后得到的圖像，從RGB空間轉換至HSI空間。
3. 根據權利要求2所述的方法，其特征在于，所述步驟11中，二維高斯函數G(x，y)如 下所示：
其中，〇表示高斯濾波器的寬度，用來決定高斯平滑的程度，〇越大，高斯濾波器的頻 帶越寬，平滑效果越好。
4. 根據權利要求2所述的方法，其特征在于，所述步驟12中，色彩空間轉換采用下述公 式計算得到： 對于一幅RGB圖像，將其轉換至HSI空間，各分量由以下方法得到：
5. 根據權利要求1所述的方法，其特征在于，所述步驟2中，具體方法為： 步驟21，將Gabor函數作為母波函數，對其進行適度的尺度變換和旋轉變換，得到一組 自相似的濾波器，二維Gabor函數g(x，y)可以表示為：
將g(X，y)作為母波函數，通過對其進行適當的尺度擴張和旋轉變換，可以得到一組自 相似的濾波器，即Gabor小波，表達方式如下： gmn(x，y) =a-mg(x'，y'），a>l，m和n為常數， 其中X' =a-m(xcos9+ysin9 )，y' =a-m(_xsin9+ycos9 )，9 =nJT/N，N表不總的 方向數目，nG[〇,N]，m和n分別代表相應的尺度和方向，a_m是尺度因子，通過改變m和n 的值，即可得到一組方向和尺度都不相同的濾波器，參數的選擇參考具體實施步驟； 步驟23,由于Gabor濾波器組的非正交性，濾波后的圖像中會存在冗余信息，為了消除 冗余信息，在設計濾波器時，要確保Gabor濾波器組的響應在頻譜上半峰幅值能相互接觸， 且互不重疊，記UpU1分別表示高頻和低頻的中心頻率，M為多分辨率分解的尺度數，N為所 有的方向數，〇 ^"分別表示尺度為m和方向為n時空間域中高斯函數的帶寬，上 述公式中用到的參數分別定義如下： Uh=EIm-1U1,
6.根據權利要求1所述的方法，其特征在于，所述步驟3中，具體方法為： 步驟31，對于道路前方圖像F(x，y)，其Gabor小波變換可以表示為：
式中*代表其共軛復數； 步驟32,基于局部紋理區域具有空間一致性的假設，相應的小波變換系數模的均值Himn 和標準方差〇mn分別表示如下： mmn=If|Gmn(x,y)Idxdy,
7. 根據權利要求1所述的方法，其特征在于，所述步驟4中，具體方法為：用!11"和〇mn 作為分量，構建特征向量X，即： X- [m〇〇) 0 〇〇)rn〇i> 0 〇d? ? ? >rn(M-i) (n-i)> 0 (m-i) (n-i)] °
8. 根據權利要求I所述的方法，其特征在于，所述步驟4中，具體包括以下步驟： 步驟41，輸入含有M*N個樣本組成的訓練樣本集X， X- [m〇〇) 0 〇〇)rn〇i> 0 〇d? ? ? >rn(M-i) (n-i)> 0 (m-i) (n-i)] ? 步驟42,用&和、分別表示將樣本集X劃分的兩個類別，即屬于道路區域的wi和屬于 非道路區域的Wj,樣本集X中有Iii個樣本屬于wPnj個樣本屬于w』，則有rii+rij=M*N，計算 這兩個類別的均值向量如下：
步驟44,計算逆矩陣&1 ; 步驟45,求解樣本空間的最佳投影方向r: =S：{q\-q[), 步驟46,根據特征向量的投影位于分界點的哪一側，即判別特征向量的對應點屬于道 路區域還是非道路區域。
9. 根據權利要求1所述的方法，其特征在于，所述步驟5中，具體包括以下步驟： 步驟51，初始化迭代計數k= 1 ; 步驟52,從特征空間X中屬于道路區域的樣本中隨機選取y項并擬合一條曲線； 步驟53,給定偏差e和閾值t，且t_m>5。計算X中相對于模型的殘差在偏差e內的 元素個數，如果元素個數大于閾值t，利用最小二乘法擬合模型曲線，且算法終止； 步驟54,給定算法迭代次數K，記r是一個隨機數據點在擬合模型的偏差e范圍內的 概率，K= y;此時，令k=k+1，如果k〈K，跳轉至步驟52,直至算法終止，道路邊界擬合成 功。
【文檔編號】G06T7/00GK104504721SQ201510009063
【公開日】2015年4月8日 申請日期:2015年1月8日 優先權日:2015年1月8日
【發明者】王智靈, 劉炫鈺, 梁華為, 梅濤 申請人:中國科學院合肥物質科學研究院