一种道路分割方法
【专利摘要】本发明公开一种道路分割方法，包括步骤S1：离线训练n-link权值估计器，获得n-link权值估计器，离线训练t-link权值估计器，获得t-link权值估计器；步骤S2：利用n-link权值估计器和t-link权值估计器分别估计n-link权值和t-link权值，在图割的方法框架下，在线对道路图像进行分割，获得道路图像中的道路区域。所提出的道路分割方法中，采用统计学习方法来拟合相邻像素点的特征到n-link权值、t-link权值之间的映射关系，然后用训练好的n-link和t-link权值估计器来估计n-link和t-link权值，最后用最大流/最小割算法获得s-t图的最小割，得到道路区域。本发明对道路环境中的干扰因素具有较好的鲁棒性。
【专利说明】一种道路分割方法
【技术领域】
[0001] 本发明涉及车辆辅助驾驶【技术领域】，特别是一种用于道路检测系统的道路分割方 法。
【背景技术】
[0002] 汽车工业的发展已经有100多年的历史，汽车的出现极大的改善了人们的生产和 生活方式，促进了社会经济的发展。汽车在为人类生活带来便利的同时也带来了诸多问题， 比如交通事故频发，能源消耗过快，环境污染严重等。在交通拥堵的市区，驾驶员平均每分 钟需要完成20-30个手脚协调动作来实现车辆的操控，因此交通拥堵状况下驾驶任务是相 当繁复的。随着社会的发展，人们对汽车在安全性、环保性、经济性和舒适性上的要求也越 来越高。传感器、计算机、自动控制、人工智能和机器视觉等技术在不断的发展和革新，并且 在交通运输工程中越来越多的应用。这种背景催生了智能型车辆的研发，使车辆具备自主 驾驶和辅助驾驶的功能，以实现安全、节能、便捷、舒适的驾驶体验。
[0003] 道路检测系统是智能车辆辅助驾驶系统的重要组成部分。智能车辆通过道路检测 系统来获取可通行区域和车身相对道路边界的位置和姿态。所以，通过道路检测可以实现 辅助车辆导航，车道偏离预警，车道保持，自适应巡航，监测驾驶员的驾驶状况，预测驾驶员 的行为意图等诸多辅助驾驶功能。
[0004] 目前大部分的道路检测方法是基于计算机视觉的。在这些方法中，将道路区域像 素点与其它区域像素点分开的过程称之为道路分割。道路分割是一个富有挑战性的问题： 一方面，由于路面材质、天气条件、光照变化等因素的影响，路面具有各种各样的外观；另一 方面，随着车辆的运动，路面和背景是在动态变化的，并且路面上一般存在着车辆和行人等 干扰因素。上述因素容易对道路分割的准确性造成影响，为道路分割带来了极大困难。
【发明内容】
[0005] (一）要解决技术问题
[0006] 本发明的目的是要解决目前的道路分割方法容易受到环境因素干扰的技术问题， 因此，本发明提出一种鲁棒的道路分割方法。
[0007] (二）技术方案
[0008] 为解决上述技术问题，本发明提出一种道路分割方法，包括步骤如下：
[0009] 步骤S1 :离线训练n-link权值估计器，获得n-link权值估计器，离线训练t-link 权值估计器，获得t-1 ink权值估计器；
[0010] 步骤S2 :利用n-link权值估计器和t-link权值估计器分别估计n-link权值和 t-link权值，在图割的方法框架下，在线对道路图像进行分割，获得道路图像中的道路区 域。
[0011] (三）有益效果
[0012] 本发明在图割的方法框架下进行道路分割，紧密地联合了道路图像中的全局信息 和局部信息，对局部干扰有较好的鲁棒性；本发明通过统计学习方法来拟合相邻像素点的 特征与n-link权值之间的映射关系，能够弥补传统的基于图割的方法中使用相邻像素点 的对比度计算n-link权值的方式易受环境因素干扰的缺点，进一步增强了道路分割的鲁 棒性。因此，本发明对道路环境中的干扰因素具有较好的鲁棒性。
【专利附图】
【附图说明】
[0013] 图1为本发明道路分割的流程图；
[0014] 图2为本发明s_t图中邻接节点的连接示意图；
[0015] 图3为本发明s-t图连接示意图。
【具体实施方式】
[0016] 为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照 附图，对本发明进一步详细说明。
[0017] 本发明提出了一种用于道路分割的n-link权值可学习的图割法，将道路图像用 s-t图（s-t Graph)表示，在图割（Graph Cut)的方法框架下实现道路图像分割，如图1所 示，所述方法包括：
[0018] 步骤S1 :离线训练n-link (Neighboring Link)权值估计器，获得n-link权值估 计器，离线训练t-link(Terminal Link)权值估计器，获得t-link权值估计器；n-link权 值估计器是用统计学习方法来拟合相邻像素点的特征到n-link权值的映射关系。t-link 权值估计器是用统计学习方法拟合像素点的邻域特征到t-link权值的映射关系。
[0019] 步骤S2 :利用n-link权值估计器和t-link权值估计器，分别估计n-link权值和 t-link权值，在图割的方法框架下，在线对道路图像进行分割，获得道路图像中的道路区 域。
[0020] 所述的图割是一种基于图论的组合优化方法，在计算机视觉领域具有广泛的 应用。当图割应用于图像分割时，用s-t图表征待分割的图像，运用最大流/最小割 (Max-flow/Min-cut)算法求取s-t图的最小割。求取最小割的过程等同于最小化一个能量 函数的过程，获得最小割即可得到图像在该能量函数下的最优分割。
[0021] 所述n-link权值估计器训练过程包括以下步骤：
[0022] 步骤S1A :从标注过的道路图像样本集中提取训练样本；
[0023] 由于道路图像中像素点众多，没有必要提取标注好的图像中的所有像素点作为训 练样本。一方面，提取过多的样本会带来计算量的剧增；另一方面，过多的样本会使n-link 权值估计器难以聚焦在一些干扰因素上，比如阴影，光斑，车道标记等。所以，需要采用一种 采样策略从标注好的图像中提取样本。正样本只从路面区域中相邻的像素点，负样本提取 自道路的边界处。不从非道路区域提取正样本是因为我们不关心非道路区域的n-link权 值，并且减少数据的多样性有利于n-link权值估计器的收敛。本发明中依据一定的概率从 道路区域中的高对比度区域、高亮度区域和一般区域随机抽取正样本，所依据的概率决定 了各区域样本在正样本中的比例，进而决定了 n-link权值估计器对于各种不同道路条件 适应能力的强弱。道路边界上的像素点都被作为负样本，因为这些像素点的数目远远小于 道路区域像素点的数目。正样本对应的估计器输出权值为1，负样本对应的估计器输出权值 为0。所提取的每一个训练样本都是一个?οχ 1维的特征向量，所包括的特征及其定义如表 1所示。
[0024] 表1多层感知机的输入特征
[0025]
【权利要求】
1. 一种道路分割方法，包括步骤如下： 步骤S1 :离线训练n-link权值估计器，获得n-link权值估计器，离线训练t-link权 值估计器，获得t-1 ink权值估计器； 步骤S2 :利用n-link权值估计器和t-link权值估计器分别估计n-link权值和t-link 权值，在图割的方法框架下，在线对道路图像进行分割，获得道路图像中的道路区域。
2. 如权利要求1所述的道路分割方法，其特征在于，所述道路图像用s_t图表示。
3. 如权利要求1所述的道路分割方法，其特征在于，所述n-link权值估计器是用统计 学习方法来拟合相邻像素点的特征到n-link权值的映射关系。
4. 如权利要求1所述的道路分割方法，其特征在于，所述训练n-link权值估计器的过 程包括以下步骤： 步骤S1A :从标注过的道路图像样本集中提取训练样本； 步骤S1B :利用提取的训练样本训练n-link权值估计器，直至n-link估计器的误差在 能接受的范围内，获得n-link权值估计器的参数。
5. 如权利要求1所述的道路分割方法，其特征在于，所述t-link权值估计器是用统计 学习方法拟合像素点的邻域特征到t-link权值的映射关系。
6. 如权利要求1所述的道路分割方法，其特征在于，所述训练t-link权值估计器的过 程包括以下步骤： 步骤Sla :从标注过的道路图像样本集中提取训练样本； 步骤Sib :利用提取的训练样本训练t-link权值估计器，直至t-link权值估计器的误 差在能接受的范围内，获得t-link权值估计器的参数。
7. 如权利要求1所述的道路分割方法，其特征在于，所述在线对道路图像进行分割的 过程包括以下步骤： 步骤S21 :通过车载的图像传感器获取道路图像； 步骤S22 :构建s-t图，将道路图像中每个像素点设为邻接节点，邻接节点通过四连通 或者八连通的方式与相邻节点连接，源节点代表道路区域并设为前景，汇节点代表非道路 区域并设为背景，每个邻接节点分别与源节点和汇节点相连； 步骤S23 :利用训练好的n-link权值估计器分别估计道路图像I中每个邻接节点与其 相邻节点之间的连接边的权值； 步骤S24 :利用训练好的t-link权值估计器分别估计道路图像中每个邻接节点与源节 点连接边的权值、每个邻接节点与汇节点连接边的权值； 步骤S25 :利用最大流/最小割算法求取构建的s-t图的最小割，获得道路图像中每个 像素点的类标签
，其中，N为道路图像中像素点的个 数，li为像素点i的类标签，li = 1代表像素点i为道路区域像素点，否则为非道路区域像 素点。
【文档编号】G06T7/00GK104091344SQ201410350481
【公开日】2014年10月8日 申请日期:2014年7月22日 优先权日:2014年7月22日
【发明者】汤淑明, 袁俊 申请人:中国科学院自动化研究所