一種基于圖模型的道路檢測方法與流程

本發明具體涉及一種基于圖模型的道路檢測方法。

背景技術：

移動機器人近年發展迅速且具有廣闊的應用前景.室外移動機器人作為移動機器人的一種，具有重要的研究和應用價值，一直是機器人領域的研究熱點。為實現室外移動機器人自主導航，現有移動機器人普遍裝備視覺傳感器。在機器人處理的眾多視覺信息中，道路信息是最關鍵的視覺信息之一。道路檢測技術是實現移動機器人視覺導航的關鍵，也是實現機器人智能導航的核心技術之一。

現有室外移動機器人道路檢測研究主要集中在結構化道路檢測和非結構化道路檢測兩個方面。結構化道路是指具有明顯車道線和道路邊界的道路，如高速公路。結構化道路檢測問題可簡化為道路車道線和道路邊界的檢測問題，其相關技術研究時間較長且已取得較豐碩的研究成果，有些技術已成功應用到智能車的視覺導航系統。與結構化道路相比，非結構化道路一般是指沒有明顯車道線和清晰道路邊界的道路，如鄉村道路。

目前，針對非結構化道路的道路檢測技術尚處于研究階段，其檢測方法主要包括基于模型的方法、基于特征的方法、基于學習的方法和其它檢測方法。由于非結構化道路的復雜性和多樣性，目前尚不存在一種成熟且實用的非結構化道路檢測方法.室外移動機器人除應用于具有明顯車道線的結構化高速公路和完全非結構化的野外環境外，城市環境、校園環境和居民區環境也是移動機器人應用的重要場所。使移動機器人能低速運行在這類環境下是機器人研究的重點之一。與高速公路和野外環境相比，上述環境中的道路具有其明顯的特點。如城市道路的路面普遍經過硬化，路面較平整，一致性相對較好；道路中常有行人和車輛等障礙物，對道路形狀進行建模較困難；道路結構化程度介于結構化和完全非結構化道路之間，道路路況和結構化程度差異較大等。

技術實現要素：

本發明要解決的技術問題是提供一種基于圖模型的道路檢測方法。

一種基于圖模型的道路檢測方法，包括以下步驟：

s1：將道路圖像劃分為子圖，計算子圖特征向量，生成圖模型結點集；

s2：提出相近半徑概念，計算相近結點邊權值，生成圖模型邊集；

s3：采用基于最小生成樹的結點合并規則對圖模型結點進行合并，實現道路圖像分割；

s4：通過設置取樣窗口，提取道路結點，分割出道路區域。

進一步的，步驟s1的具體方法如下：

1）對道路圖像進行高斯濾波，濾波函數如下:

；

2）假設濾波后的道路圖像im的大小為h×l，將im分割為p×q個子圖，每個子圖大小為m×n，即：

其中，；

3）假設分割后道路圖像的每個子圖含有t維特征，第κ維特征的取值范圍為，，則采用下式對進行歸一化得到特征值：

，；

4）為每個子圖賦相應的子圖序號，，采用上式對子圖的t為特征歸一化后，則子圖對應的特征向量為：

；

5）定義道路圖像im的每個子圖為一個結點，子圖特征度量值為該結點特征值，可得im對應的圖為g=(v，e)；g為無向圖，結點集合v為im中各子圖集合，即，邊集e中的每條邊表示相鄰兩個結點和的某種不相似度量，其中，，；生成道路圖像im所對應圖g的結點集v及相應的結點特征向量集合。

進一步的，步驟s2的具體方法如下：

1）定義相近半徑，采用下式計算g中所有結點對應的邊權值；

；

2）假設中心結點為，當相近半徑為時，與相近的結點的個數為，可得道路圖像im所對應圖g的邊集e。

進一步的，步驟s3的具體方法如如下：

1）假設步驟s2計算得到圖g共有s條邊，則根據邊值大小對e中所有的邊按非遞減順序進行排序，即；

2）初始化圖g的結點分類為，即g中的每個結點為一個分類；

3）按邊值非遞減的順序對每條邊作如下判斷：

假設當前g的分類為，邊分別連接內的兩個結點分類和，根據下式分別計算和；

；

其中，為閾值函數，表示結點子集中結點的個數，為閾值參數；

若，則合并和；假設合并后的和為，則有，更新g的分類為；

4）對e中所有邊計算判斷后，可得到g最終的結點分類；因此，中每個結點分類，1≤i≤k都表示im中的一個圖像分割。

進一步的，步驟s4的具體方法如下：

1）根據圖g的結點分類結果，為圖g中的每個結點賦相應的分類號i，；

2）在圖g最底部的中心位置，提取的取樣窗口，統計窗口內各結點的分類號，取結點數最多的分類號作為道路結點分類號；

3）將圖g中道路結點分類號所對應的結點賦分類號為1，其它結點賦分類號為0；

4）通過上述步驟，可實現圖g中道路結點與非道路結點的二值化，從而實現道路圖像的二值化。

本發明的有益效果是：

本發明在采用基于圖模型方法對道路圖像進行分割的基礎上，根據移動機器人視覺導航的特點，能有效檢測出道路圖像中的道路區域；針對不同道路類型，通過設置相應參數，該方法能用于不同類型的道路檢測。

具體實施方式

以下具體實施例對本發明作進一步闡述，但不作為對本發明的限定。

一種基于圖模型的道路檢測方法，包括以下步驟：

s1：將道路圖像劃分為子圖，計算子圖特征向量，生成圖模型結點集；

s2：提出相近半徑概念，計算相近結點邊權值，生成圖模型邊集；

s3：采用基于最小生成樹的結點合并規則對圖模型結點進行合并，實現道路圖像分割；

s4：通過設置取樣窗口，提取道路結點，分割出道路區域。

步驟s1的具體方法如下：

1）對道路圖像進行高斯濾波，濾波函數如下:

；

2）假設濾波后的道路圖像im的大小為h×l，將im分割為p×q個子圖，每個子圖大小為m×n，即：

其中，；

3）假設分割后道路圖像的每個子圖含有t維特征，第κ維特征的取值范圍為，，則采用下式對進行歸一化得到特征值：

，；

4）為每個子圖賦相應的子圖序號，，采用上式對子圖的t為特征歸一化后，則子圖對應的特征向量為：

；

5）定義道路圖像im的每個子圖為一個結點，子圖特征度量值為該結點特征值，可得im對應的圖為g=(v，e)；g為無向圖，結點集合v為im中各子圖集合，即，邊集e中的每條邊表示相鄰兩個結點和的某種不相似度量，其中，，；生成道路圖像im所對應圖g的結點集v及相應的結點特征向量集合。

步驟s2的具體方法如下：

1）定義相近半徑，采用下式計算g中所有結點對應的邊權值；

；

2）假設中心結點為，當相近半徑為時，與相近的結點的個數為，可得道路圖像im所對應圖g的邊集e。

步驟s3的具體方法如如下：

1）假設步驟s2計算得到圖g共有s條邊，則根據邊值大小對e中所有的邊按非遞減順序進行排序，即；

2）初始化圖g的結點分類為，即g中的每個結點為一個分類；

3）按邊值非遞減的順序對每條邊作如下判斷：

假設當前g的分類為，邊分別連接內的兩個結點分類和，根據下式分別計算和；

；

其中，為閾值函數，表示結點子集中結點的個數，為閾值參數；

若，則合并和；假設合并后的和為，則有，更新g的分類為；

4）對e中所有邊計算判斷后，可得到g最終的結點分類；因此，中每個結點分類，1≤i≤k都表示im中的一個圖像分割。

步驟s4的具體方法如下：

1）根據圖g的結點分類結果，為圖g中的每個結點賦相應的分類號i，；

2）在圖g最底部的中心位置，提取的取樣窗口，統計窗口內各結點的分類號，取結點數最多的分類號作為道路結點分類號；

3）將圖g中道路結點分類號所對應的結點賦分類號為1，其它結點賦分類號為0；

4）通過上述步驟，可實現圖g中道路結點與非道路結點的二值化，從而實現道路圖像的二值化。