本发明涉及智能汽车辅助驾驶技术领域，具体涉及的是一种面向智能车辆驾驶模式切换的道路环境图像分类方法。
背景技术：
近年来，汽车智能化技术发展迅速。在SAE制定的汽车智能化技术分级标准中，辅助驾驶技术与部分自动驾驶技术已进入到产业化阶段；有条件的自动驾驶与高度自动化驾驶技术进入测试验证阶段。而图像处理与识别技术在智能驾驶辅助系统与无人驾驶车辆上应用逐渐增强。基于视觉传感器能够获得各种道路环境信息。车辆通过对环境信息的感知，可以识别不同的道路场景；针对不同的道路场景，车辆可以自主的切换不同的驾驶模式，自适应改变系统的决策控制方案，进而调整车辆自身的行驶状态和执行与道路工况相应的操作指令，实现高效、节能、环保的驾驶功能。
技术实现要素：
本发明的主要目的在于发明一种面向智能车辆驾驶模式切换的道路环境图像分类方法，旨在实现车辆在行驶时的道路环境识别，即车辆在行驶过程中能不断感知和判断周围的环境信息的方法，使车辆能够更为安全、高效的通过相应的道路环境。
为实现上述目的，本发明提供的一种面向智能车辆驾驶模式切换的道路环境图像分类方法，包括以下步骤：
步骤一、道路环境视频图像采集，获得车辆行驶过程中车辆前方和周围的道路环境图像；
步骤二、对所述步骤一采集的道路环境图像进行预处理，并获得对应的灰度图像；
步骤三、提取与表达所述步骤二获得的灰度图像的纹理与梯度特征信息；
步骤四、对所述步骤三提取的灰度图像的特征信息进行分类和识别，进行道路环境的有效识别。
进一步地，所述步骤二包括以下过程：
2.1)利用改进的Gamma矫正算法，对所述步骤一采集的道路环境图像进行光照补偿；
2.2)对经过光照补偿后的图像进行灰度处理，获得灰度图像；
2.3)对灰度图像采用高斯滤波进行滤波处理。
进一步地，所述步骤三包括以下过程：
基于所述步骤二处理后的图像，构建图像的多尺度局部二值模式表达特征，同时构建图像的积分方向梯度直方图表达特征；将构建的图像的多尺度局部二值模式表达特征与积分方向梯度直方图表达特征进行结合形成新的特征向量，采用主成分分析方法，提取并构建图像的特征表达向量。
更进一步地，所述步骤三具体包括以下步骤：
3.1)将所述步骤二处理后的图像划分成m*n的网格子区域，针对m*n的每个区域，计算多尺度局部二值模式特征，同时计算该区域的积分方向梯度直方图特征；
3.2)进一步将所述多尺度局部二值模式特征与积分方向梯度直方图特征结合，构建该子区域的局部纹理与梯度特征向量，将该图像m*n的网格子区域的局部纹理与梯度特征联立，构建整幅图像的全局特征向量；
3.3)采用主成分分析方法对构建的整幅图像的全局特征向量进行降维处理，对全局特征向量进行特征提取，求取空间变换特征矩阵，将样本特征从高维空间映射到低维空间，将变换后的特征作为图像样本的表达特征。
进一步地，所述步骤四包括以下过程：
4.1)针对城市道路、高速公路、乡村道路、野外环境四类行车环境，分别采集四种类型的道路场景样本图像，构建面向智能车辆的道路环境识别训练样本库；
4.2)经过所述步骤一、步骤二、步骤三，对样本图像进行处理，提取训练样本图像特征，作为SVM分类器模型的基础训练样本，进而构建分类器模型；
4.3)采用交叉验证方法对SVM分类器模型参数进行优化，实现分类器的优化设计；
4.4)将车载摄像设备实时采集的图像样本进行对应的特征表达与提取后输入到交通场景分类器模型中，进行城市道路、高速公路、乡村道路、野外环境的实时行车环境的识别分类。
本发明具有以下优点：
本发明提供的方法可实现行车环境的实时自动识别，可为智能驾驶辅助系统与无人驾驶车辆针对不同的道路工况进行驾驶模式的切换，自适应优化系统的决策控制方案，进而调整车辆自身的行驶状态和执行与道路工况相应的操作指令，实现高效、节能、环保的驾驶功能。
附图说明
图1为本发明的流程图。
具体实施方式
以下结合附图详细介绍本发明的技术方案：
一种面向智能车辆驾驶模式切换的道路环境图像分类方法，如图1所示，包括以下步骤：
步骤一、道路环境视频图像采集，获得车辆行驶过程中车辆前方和周围的道路环境图像。
步骤二、对步骤一采集的道路环境图像进行预处理，并获得对应的灰度图像。
(1)由于车载视频是全天候采集环境信息的，因此图像受光照影响较大。通过车载单目视觉采集到的室外环境图像并进行光照分析，提出光照补偿方法。为尽可能减小光照因素的影响，提高图像识别与分类系统的准确性，利用改进的Gamma矫正算法，对光照不均匀的图像进行光照补偿；
(2)对经过光照补偿后的图像进行进一步的灰度处理，获得灰度图像；
(3)最后对灰度图像采用高斯滤波，进行滤波处理。
步骤三、提取与表达所述步骤二获得的灰度图像的纹理与梯度特征信息。
(1)基于所述步骤二处理后的图像，构建图像的多尺度局部二值模式表达特征，同时构建图像的积分方向梯度直方图表达特征：
将处理过后的图像划分成m*n的网格子区域，针对m*n的每个区域，计算多尺度局部二值模式特征，同时计算该区域的积分方向梯度直方图特征。
(2)将构建的图像的多尺度局部二值模式表达特征与积分方向梯度直方图表达特征进行结合形成新的特征向量：
进一步将二者结合构建该子区域的局部纹理与梯度特征向量。然后将该图像m*n的网格子区域的局部纹理与梯度特征联立，构建整幅图像的全局特征向量。
(3)采用主成分分析方法，提取并构建图像的特征表达向量：
由于多尺度局部二值模式特征与积分方向梯度直方图特征均为高维度特征，同时图像又包含m*n的网格子区域，因此整幅图像的全局特征向量很显然是一个高维度特征向量。如果用此特征作为训练样本的表达特征进而构建分类器模型，将大幅度增添运算负担。因此采用主成分分析方法进行降维处理，对图像的全局特征向量进行特征提取，求取空间变换特征矩阵，将样本特征从高维空间映射到低维空间。将变换后的特征作为图像样本的表达特征。
步骤四、对提取的灰度图像的特征信息进行分类和识别，进行道路环境的有效识别。
(1)针对城市道路、高速公路、乡村道路、野外环境等四类行车环境，采集四种类型的道路场景样本图像，构建面向智能车辆的道路环境识别训练样本库。
(2)结合上述步骤一至步骤三中的方法对样本图像进行处理，提取训练样本图像特征，由此作为SVM(支持向量机)分类器模型的基础训练样本，进而构建分类器模型。为达到相对较优的分类效果。
(3)采用交叉验证方法对SVM分类器模型参数进行优化，实现分类器的优化设计。
(4)将车载摄像设备实时采集的图像样本进行对应的特征表达与提取后输入到交通场景分类器模型中，进行城市道路、高速公路、乡村道路、野外环境等实时行车环境的识别分类。
本方法可实现行车环境的实时自动识别，可为智能驾驶辅助系统与无人驾驶车辆针对不同的道路工况进行驾驶模式的切换，自适应优化系统的决策控制方案，进而调整车辆自身的行驶状态和执行与道路工况相应的操作指令，实现高效、节能、环保的驾驶功能。