一种基于Gabor小波变换纹理描述的非结构化道路检测方法
【专利摘要】本发明涉及一种基于Gabor小波变换纹理描述的非结构化道路检测方法，是应用在智能汽车平台上的一种道路检测方法。本发明针对原始道路图像进行Gabor小波变换，将获取的小波模系数的均值和标准方差作为二维特征向量，利用Fisher线性判别分类(FLD)算法对特征向量进行分类处理，获取道路部分，最后采用随机抽样一致性(RANSAC)算法，对道路边界进行拟合，检测出道路边界。本发明能够准确的反映实际的路面情况，精确的检测道路边界线，具有良好的环境自适应能力，增强了道路边界检测的鲁棒性和抗干扰能力。
【专利说明】一种基于Gabor小波变换纹理描述的非结构化道路检测方 法
【技术领域】
[0001] 本发明属于图像处理技术和模式识别【技术领域】，具体地涉及一种基于Gabor小波 变换纹理描述的非结构化道路检测方法。
【背景技术】
[0002] 近些年，随着车辆自主驾驶系统的发展，国内外很多研宄人员提出了相关的非结 构化道路检测算法。总的来说，基于单目视觉的道路检测方法基本上可归结为三大类方法， 一类是基于特征的识别方法，一类是基于模型的方法，还有一类是基于光照不变性的方法。 基于特征的识别方法主要是结合道路边界图像的一些特征，如颜色特征、灰度梯度特征等， 从所获取的图像中识别出道路边界。基于特征的识别方法可分为：基于灰度特征、基于彩色 特征和基于消失点的识别方法。基于模型的道路识别是指基于不同的道路模型，如直线模 型，采用不同的识别技术，如神经网络技术来对道路边界进行识别的方法。基于视觉的道路 检测在对图像像素进行分类时，常常由于光照条件导致的类内方差有差异，而造成误检，于 是近三年来，基于光源不变性的道路识别方法成为研宄人员的一个研宄热点。
[0003] 本发明涉及一种基于Gabor变换的道路检测方法，是应用在智能汽车平台上的一 种道路检测方法。本发明提出了一种Gabor纹理特征提取方法，针对原始道路图像进行 Gabor变换，将获取的小波模系数的均值和标准方差作为二维特征向量，利用Fisher线性 判别分类（FLD)算法对特征向量进行分类处理，获取道路部分，最后采用随机抽样一致性 (RANSAC)算法，对道路边界进行拟合，检测出道路边界。
【发明内容】
[0004] 本发明的目的在于提供一种基于Gabor小波变换纹理描述的非结构化道路检测 方法，实现对于非结构化道路的检测，降低光照对视觉检测的影响。
[0005] 本发明采用的技术方案为：一种基于Gabor小波变换纹理描述的非结构化道路检 测方法，该方法包括以下步骤：
[0006] 步骤1，对于前方道路图像，采用二维离散高斯函数进行滤波平滑处理，基于平滑 后图像，进行空间转换，即从RGB空间转换至HSI空间，得到HSI空间上的前方道路图像；
[0007] 步骤2,对于HSI前方道路图像，采用Gabor滤波器组进行滤波处理，获取Gabor纹 理特征在不同尺度和不同方向下的实部和相应的虚部；
[0008] 步骤3,利用获取的实部和虚部计算Gabor小波模的系数，计算小波模系数的均值 和标准方差；
[0009] 步骤4,利用小波模系数的均值和标准方差构建特征向量，采用Fisher线性判别 分类器（FisherLinearDiscriminant，FLD)对特征向量进行分类，分为道路区域和非道路 区域两个部分；
[0010] 步骤5,对于分类后得到的属于道路区域的离散点，采用随机抽样一致性（random sampleconsensus，RANSAC)算法进行道路边界拟合，最终获得检测的道路边界。
[0011] 本发明与现有技术相比的优点在于：
[0012] (1)、本发明综合采用Gabor小波变化描述道路纹理，能够处理非结构化道路的边 界识别问题。
[0013] (2)、本发明采用对图像的颜色空间转换技术，能够降低光照和阴影对非结构化道 路的边界识别的影响。
[0014] (3)、本发明采用RANSAC算法拟合道路边界的技术，能够减弱道路边界噪声点对 道路边界拟合结果的影响。
【专利附图】
【附图说明】
[0015] 图1是表示基于本发明的实施方式涉及的智能车辆的示意图。
[0016] 图2是表示基于本发明的实施方式的流程图。
[0017] 图3是表示基于本发明的实施方式涉及的原始道路示意图。
[0018] 图4是表示基于本发明的实施方式的道路图像预处理的流程图。
[0019] 图5是表示基于Gabor变换后的道路图像分割效果图。
[0020] 图6是表示基于RANSAC算法拟合道路边界的效果图。
【具体实施方式】
[0021] 为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施步骤，并配 合附图，对本发明进一步详细说明。
[0022] 本发明的实施方式涉及的智能车辆如图1所示。
[0023] 图2是本发明基于Gabor变换道路边界检测方法的流程图，如图2所示，所述的基 于Gabor变换的道路边界检测方法包括以下步骤：
[0024] 步骤1，对于前方道路图像，如图3所示，采用二维离散高斯函数进行滤波平滑处 理，基于平滑后图像，进行空间转换，即从RGB空间转换至HSI空间，得到HSI空间上的前方 道路图像；
[0025] 图4是图像预处理流程图，如图4所示，所述步骤1进一步包括以下步骤：
[0026] 步骤11，为了使接下来的处理具有更优的性能，采用3*3的高斯模板进行平滑处 理，其中，使用的二维高斯函数G(x，y)如下所示：
[0027]
【权利要求】
1. 一种基于Gabor小波变换纹理描述的非结构化道路检测方法，其特征在于，该方法 包括以下步骤： 步骤1，对于前方道路图像，采用二维离散高斯函数进行滤波平滑处理，基于平滑后图 像，进行空间转换，从RGB空间转换至HSI空间，得到HSI空间上的前方道路图像； 步骤2,对于HIS空间上的前方道路图像，采用Gabor小波滤波器组进行滤波处理，获取Gabor纹理特征在不同尺度和不同方向下的实部和虚部； 步骤3,利用获取的实部和虚部计算Gabor小波模的系数，并计算小波模系数的均值和 标准方差； 步骤4,利用小波模系数的均值和标准方差构建特征向量，采用Fisher线性判别分类 器（FisherLinearDiscriminant，FLD)对特征向量进行分类，分为道路区域和非道路区域 两个部分； 步骤5,对于分类后得到的属于道路区域的离散点，采用随机抽样一致性（random sampleconsensus，RANSAC)算法进行道路边界拟合，最终获得检测的道路边界。
2. 根据权利要求1所述的方法，其特征在于，所述步骤1进一步包括以下步骤： 步骤11，对所获取的前方道路图像，采用高斯模板进行平滑处理； 步骤12,对平滑后得到的图像，从RGB空间转换至HSI空间。
3. 根据权利要求2所述的方法，其特征在于，所述步骤11中，二维高斯函数G(x，y)如 下所示：
其中，〇表示高斯滤波器的宽度，用来决定高斯平滑的程度，〇越大，高斯滤波器的频 带越宽，平滑效果越好。
4. 根据权利要求2所述的方法，其特征在于，所述步骤12中，色彩空间转换采用下述公 式计算得到： 对于一幅RGB图像，将其转换至HSI空间，各分量由以下方法得到：
5. 根据权利要求1所述的方法，其特征在于，所述步骤2中，具体方法为： 步骤21，将Gabor函数作为母波函数，对其进行适度的尺度变换和旋转变换，得到一组 自相似的滤波器，二维Gabor函数g(x，y)可以表示为：
将g(X，y)作为母波函数，通过对其进行适当的尺度扩张和旋转变换，可以得到一组自 相似的滤波器，即Gabor小波，表达方式如下： gmn(x，y) =a-mg(x'，y'），a>l，m和n为常数， 其中X' =a-m(xcos9+ysin9 )，y' =a-m(_xsin9+ycos9 )，9 =nJT/N，N表不总的 方向数目，nG[〇,N]，m和n分别代表相应的尺度和方向，a_m是尺度因子，通过改变m和n 的值，即可得到一组方向和尺度都不相同的滤波器，参数的选择参考具体实施步骤； 步骤23,由于Gabor滤波器组的非正交性，滤波后的图像中会存在冗余信息，为了消除 冗余信息，在设计滤波器时，要确保Gabor滤波器组的响应在频谱上半峰幅值能相互接触， 且互不重叠，记UpU1分别表示高频和低频的中心频率，M为多分辨率分解的尺度数，N为所 有的方向数，〇 ^"分别表示尺度为m和方向为n时空间域中高斯函数的带宽，上 述公式中用到的参数分别定义如下： Uh=EIm-1U1,
6.根据权利要求1所述的方法，其特征在于，所述步骤3中，具体方法为： 步骤31，对于道路前方图像F(x，y)，其Gabor小波变换可以表示为：
式中*代表其共轭复数； 步骤32,基于局部纹理区域具有空间一致性的假设，相应的小波变换系数模的均值Himn 和标准方差〇mn分别表示如下： mmn=If|Gmn(x,y)Idxdy,
7. 根据权利要求1所述的方法，其特征在于，所述步骤4中，具体方法为：用!11"和〇mn 作为分量，构建特征向量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. 根据权利要求I所述的方法，其特征在于，所述步骤4中，具体包括以下步骤： 步骤41，输入含有M*N个样本组成的训练样本集X， X- [m〇〇) 0 〇〇)rn〇i> 0 〇d? ? ? >rn(M-i) (n-i)> 0 (m-i) (n-i)] ? 步骤42,用&和、分别表示将样本集X划分的两个类别，即属于道路区域的wi和属于 非道路区域的Wj,样本集X中有Iii个样本属于wPnj个样本属于w』，则有rii+rij=M*N，计算 这两个类别的均值向量如下：
步骤44,计算逆矩阵&1 ; 步骤45,求解样本空间的最佳投影方向r: =S：{q\-q[), 步骤46,根据特征向量的投影位于分界点的哪一侧，即判别特征向量的对应点属于道 路区域还是非道路区域。
9. 根据权利要求1所述的方法，其特征在于，所述步骤5中，具体包括以下步骤： 步骤51，初始化迭代计数k= 1 ; 步骤52,从特征空间X中属于道路区域的样本中随机选取y项并拟合一条曲线； 步骤53,给定偏差e和阈值t，且t_m>5。计算X中相对于模型的残差在偏差e内的 元素个数，如果元素个数大于阈值t，利用最小二乘法拟合模型曲线，且算法终止； 步骤54,给定算法迭代次数K，记r是一个随机数据点在拟合模型的偏差e范围内的 概率，K= y;此时，令k=k+1，如果k〈K，跳转至步骤52,直至算法终止，道路边界拟合成 功。
【文档编号】G06T7/00GK104504721SQ201510009063
【公开日】2015年4月8日 申请日期:2015年1月8日 优先权日:2015年1月8日
【发明者】王智灵, 刘炫钰, 梁华为, 梅涛 申请人:中国科学院合肥物质科学研究院