用于确定道路表面的状况的系统和方法
【技术领域】
[0001 ]当前公开总地涉及用于确定道路表面的状况的系统和方法。
【背景技术】
[0002] 出于主动安全、辅助驾驶和车辆稳定性目的确定道路表面的状况是有用的。例如， 确定道路表面是潮湿的或者被覆盖在冰(例如薄冰)中允许车辆对该道路状况作出响应。
[0003] 许多先前的方法要求昂贵的硬件并且在某些照明状况期间失灵。例如，某些先前 的方法在环境照明状况变化(例如，太阳光，街灯等)时失灵，其使得这些方法不一致并且不 可靠。
【发明内容】
[0004] 当前技术涉及用于检测道路表面的状况的系统和方法。这些系统能够使用经济的 发光源，诸如闪光灯或发光二极管(LED)。发光源使得这些系统和方法对于变化的环境状况 是稳健的。
[0005] 根据示例性的实施例，一种方法包括通过处理器访问由相机产生的道路表面的图 像。该图像包括来自光源的图案。该方法进一步包括通过处理器确定图像中的感兴趣区和 图像中的总区域。感兴趣区包括来自图像的像素并且基于来自光源的图案。该总区域包括 来自图像的像素并且包括感兴趣区的至少部分和邻近感兴趣区的区域。该方法进一步包括 基于感兴趣区和总区域的特性提取特征向量，并且基于特征向量和分类器确定道路状况。
[0006] 方案1. 一种方法，包括： 通过处理器访问由相机产生的道路表面的图像，其中，所述图像包括来自光源的图案； 通过处理器确定所述图像中的感兴趣区，所述感兴趣区包括来自所述图像的像素，其 中，所述感兴趣区基于来自所述光源的图案； 通过处理器确定所述图像中的总区域，所述总区域包括来自所述图像的像素，其中，所 述总区域包括所述感兴趣区的至少部分以及邻近所述感兴趣区的区域； 基于所述感兴趣区和总区域的特性提取特征向量;以及 通过将所述特征向量与分类器比较来确定道路状况。
[0007] 方案2.根据方案1所述的方法，其中，所述感兴趣区的像素是所述总区域的像素 的子集。
[0008] 方案3.根据方案1所述的方法，其中，所述分类器包括代表道路状况的边界。
[0009] 方案4.根据方案3所述的方法，其中，所述分类器包括代表是冰覆盖的表面和水 覆盖的表面之一的道路状况的边界。
[0010] 方案5.根据方案3所述的方法，其中，所述分类器是使用支持向量机技术和线性 判别分析技术之一产生的。
[0011] 方案6.根据方案1所述的方法，进一步包括通过处理器将所述感兴趣区和总区域 转换为下列数值之一： 二元数值;和 使用高斯拉普拉斯算子过滤器产生的数值。
[0012]方案7.根据方案1所述的方法，其中，提取特征向量包括： 从所述感兴趣区提取第一组特性； 从所述总区域提取第二组特性;以及 基于所述第一组特性和第二组特性产生特征向量。
[0013]方案8.根据方案7所述的方法，其中： 所述第一组特性包括所述感兴趣区的强度的平均值； 所述第二组特性包括所述总区域的强度的平均值;以及 所述特征向量包括为所述感兴趣区的强度的平均值除以所述总区域的强度的平均值 的第一特征。
[0014] 方案9.根据方案7所述的方法，其中： 所述第一组特性包括所述感兴趣区的强度方差；以及 所述特征向量包括为所述感兴趣区的强度方差的第一特征。
[0015] 方案10.根据方案7所述的方法，其中： 所述第一组特性包括所述感兴趣区的强度方差； 所述第二组特性包括所述总区域的强度方差；以及 所述特征向量包括为所述感兴趣区的强度方差除以所述总区域的强度方差的第一特 征。
[0016] 方案11.根据方案7所述的方法，所述特征向量包括为在被高斯拉普拉斯算子过 滤器处理之后所述感兴趣区的最大响应的第一特征。
[0017] 方案12.根据方案1所述的方法，其中，提取特征向量包括使用主成分分析技术选 择特征子集。
[0018] 方案13.根据方案1所述的方法，其中，所述道路状况是第一道路状况，所述方法 进一步包括： 访问第二道路状况；以及 基于至少第一道路状况和第二道路状况确定总体道路状况迹象。
[0019] 方案14.根据方案13所述的方法，其中，所述感兴趣区是第一感兴趣区； 其中，所述第一道路状况是基于所述第一感兴趣区； 其中，所述第二道路状况是基于第二感兴趣区；以及 其中，所述第一感兴趣区和第二感兴趣区在时间和空间的至少一个上分布。
[0020] 方案15.根据方案14所述的方法，其中，所述第一感兴趣区和第二感兴趣区在所 述图像中包括不同的像素。
[0021] 方案16.根据方案15所述的方法，其中，所述第一感兴趣区和第二感兴趣区基于 所述光源的图案来选择。
[0022] 方案17.根据方案14所述的方法，其中，所述第一感兴趣区和第二感兴趣区在不 同的图像中，其中，所述不同的图像是在不同的时间产生和由不同的相机产生中的至少一 个。
[0023]方案18. -种系统，用于车辆，包括： 光源，配置成在道路表面上提供光图案； 相机，配置成产生道路表面的图像，所述图像包括光图案； 处理器；以及 存储器，包括： 指令，当由所述处理器执行时，导致所述处理器实施操作，所述操作包括： 访问由所述相机产生的道路表面的图像，所述图像包括像素，所述像素的每一个具有 强度值； 从所述图像确定感兴趣区，所述感兴趣区包括来自所述图像的像素； 从所述图像确定总区域，所述总区域包括来自所述图像的像素，其中，所述总区域包括 在所述感兴趣区中的像素和在所述图像的邻近所述感兴趣区的区域中的像素； 基于所述感兴趣区和总区域提取特征向量；以及 基于所述特征向量和分类器确定道路状况。
[0024]方案19.根据方案18所述的系统，基于所述感兴趣区和总区域提取特征向量包 括： 从所述感兴趣区提取第一组特性;以及 从所述总区域提取第二组特性。
[0025]方案20. -种计算机可读介质，包括指令，当由处理器执行时导致所述处理器实 施操作，所述操作包括： 访问由相机产生的道路表面的图像，所述图像包括像素，所述像素的每一个具有强度 值； 从所述图像确定感兴趣区，所述感兴趣区包括来自所述图像的像素； 从所述图像确定总区域，所述总区域包括来自所述图像的像素，其中，所述总区域包括 在所述感兴趣区中的像素和在所述图像的邻近所述感兴趣区的区域中的像素； 基于所述感兴趣区和总区域提取特征向量；以及 基于所述特征向量和分类器确定道路状况。
【附图说明】
[0026]图1示意地示出根据当前公开的实施例的包括道路表面检测系统的车辆。
[0027]图2示出图1的道路表面检测系统的计算单元。
[0028]图3示出道路状况分析方法和分类器产生方法。
[0029]图4示出图1的道路表面检测系统的相机的图像。
[0030]图5示出图1的道路表面检测系统的相机的图像。
[0031]图6示出图1的道路表面检测系统的相机的图像。
[0032]图7示出在潮湿道路状况期间道路表面的训练(training)图像。
[0033]图8示出在薄冰道路状况期间道路表面的训练图像。
[0034]图9示出在干燥道路状况期间道路表面的训练图像。
[0035]图10示出在新雪道路状况期间道路表面的训练图像。
[0036]图11示出在半融雪道路状况期间道路表面的训练图像。
[0037]图12示出图7的训练图像作为二元训练图像。
[0038] 图13示出图8的训练图像作为二元训练图像。
[0039] 图14示出图9的训练图像作为二元训练图像。
[0040] 图15示出图10的训练图像作为二元训练图像。
[0041]图16示出图11的训练图像作为二元训练图像。
[0042] 图17是一组训练特征向量和代表分类器的边界的图形说明。
[0043] 图18是多组训练特征向量和代表分类器的边界的图形说明。
[0044] 图19示出随时间产生的一系列图像的感兴趣区。
[0045] 这些图不必按比例决定，并且一些特征可以被夸大或最小化，诸如来显示特定部 件的细节。在一些情况下，公知的部件、系统、材料或方法