本发明属于计算机视觉领域，特别涉及一种非结构化道路识别方法。
背景技术：
当前，世界正处在一个“智能化时代”，包括智能化信息获取、智能信息处理与智能人机交互技术在内的智能技术正在也将继续深刻改变人们的生活。我国提出“中国制造2025”的战略部署，其核心也是提升制造业的智能化水平。
传统智能技术在给经济社会带来巨大变化的同时，还存在着诸多发展瓶颈。这些瓶颈已很难应对现代信息社会对海量复杂信息处理的要求，因此新一代智能革命正呼之欲出。近年来，随着脑认知和神经科学的发展，国内外学术界都已经意识到，智能技术可以从脑科学和神经科学获得启发，发展新的理论与方法，提高机器的智能水平。基于对人脑信息处理机制及人类智能的研究，将可能发展出一套类脑智能计算理论与技术，引领未来信息技术向智能化的发展方向迈进。自动导航机器人(Automatic navigation robot，ANR)成为智能时代研究的热点，而基于视觉的道路识别是其中的关键技术。通过视觉道路识别技术计算出机器人前方可也行走的道路区域，机器人根据这个区域规划下一步的状态。
目前道路识别主要分为：结构化的道路识别，非结构化道路识别。结构化道路指的是边缘比较规则，路面平坦，有明显的车道线及其它人工标记的行车道路。例如：高速公路、城市干道等。对于结构化道路的识别有比较成熟的技术方案。非结构化道路的特点是：道路边缘线退化、道路表面有覆盖物、非路与路的界限不明显等。这些复杂的环境使得非结构化道路检测技术非常困难。
目前基于非结构化的道路识别有模式识别技术贝叶斯分类，基于神经网络的道路跟踪，道路消失点检测等。上述方法在非结构化道路识别方面虽然能了一些成效，但也存在一些识别不精确、适用范围有限、计算时间长等问题。因此，我们需要一种在复杂场景中准确、快速的道路识别技术。
申请号为“201510443994.9”的专利申请公开了一种基于非结构化的道路识别方法及装置。其道路识别方法首先获取车辆行驶过程中的前方图像；对所述图像进行预处理，得到道路轮廓图像；提取所述道路轮廓图像中的道路特征信息；根据所述道路轮廓图像中的道路特征信息，识别所述道路轮廓图像中的道路。该申请通过预处理直接得到轮廓图像，没有经过有效的处理，导致轮廓图像的受噪声污染比较严重，不能有效的反应道路区域的轮廓；用亮度信息作为区分道路和非道路的轮廓，容易受到环境的影响；使用模板匹配增大了工作量，对新环境算法的有效性叶将削弱，同时由于非结构化道路可能存在光照、阴影、水迹、落叶等复杂情况，使模板的效果大大降低，检测速度也得不到保证。
基于道路轮廓提取和模板匹配的道路识别方法存在一定缺陷。在野外自然环境下，非结构化道路的情况比较复杂，道路区域和非道路区域分界不明显，彩色信息是区分道路和非路的重要特征。又由于不可预测和不可操纵的天气环境因素影响，亮度的改变非常大，而色度的改变则相对较小。因此，可以重点对色度信息进行阈值分割，而将亮度信息仅作参考。
技术实现要素：
本发明的目的在于克服现有技术的不足，提供一种基于融合区域特征和边缘特征的非结构化道路识别算法，在区域分割和边缘检测中分别采用OTSU和多方向的sobel算子边缘检测算法，具有较小的时间复杂度，算法对于新的环境也有较好的识别效果，其鲁棒性大大增强，提高了计算的精确度和有效性的非结构化道路识别方法。
本发明的目的是通过以下技术方案来实现的：一种非结构化道路识别方法，包括以下步骤：
S1、获取移动机器人在行驶过程前方的彩色图像，对获取的彩色图像进行预处理；
S2、对预处理得到的图像进行区域分割；
S3、对预处理后的图像进行边缘检测；
S4、对边缘检测得到的图像进行融合提取，得到道路区域。
进一步地，所述步骤S1包括以下子步骤：
S11、从移动机器人前方摄像头获取20米以内的前景图像；
S12、将获取的图像初始大小归一化为宽度1280个像素和高度960个像素；
S13、将图像以2x2的窗口内求平均，对得到的图像再进行二次抽样，最后图像的大小固定在320x240；
S14、对320x240的图像用Laplacian二阶微分算子进行锐化操作；
S15、转换到HSI颜色空间，将RGB图像转换到HSI空间，将H和S分量的像素值的取值范围归一化为[0，255]；
RGB颜色空间转换到HSI颜色空间的公式为：
其中，V1、V2为包含颜色色调信息的中间变量，H、S、I分别表示HSI颜色空间的分量，R、G、B分别表示RGB颜色空间的分量。
进一步地，所述步骤S2包括以下子步骤：
S21、把HSI中H和S分量分离出来，分别对这两个分量采用OTSU分割算法；
S22、对S分量分割结果进行形态学闭合操作，对H分量分割结果进行形态学开启操作；
S23、合并S和H分量分割结果：如果道路区域H值比非路区域H值低，将S分量和H分量分割结果进行与操作，即在S分量和H分量中均为道路区域的对应区域才判为道路区域；如果道路区域H值比非路区域H值高，将H分量分割图像反色后再与S分量进行与操作；
S24、对S23得到的图像进行中值滤波。
进一步地，所述步骤S3包括以下子步骤：
S31、使用多方向sobel算子计算HSI三个分量的局部最大强度，sobel算子用水平方向、垂直方向模板，计算图像中为(x,y)位置的梯度，得到基于sobel算子梯度边缘检测结果，边缘强度计算公式为：
VS(x,y)＝|I(x-1,y-1)+2I(x-1,y)+I(x-1,y+1)
-I(x+1,y-1)-2I(x+1,y)-I(x+1,y+1)|
HS(x,y)＝|I(x-1,y-1)+2I(x,y-1)+I(x+1,y-1)
-I(x-1,y+1)-2I(x,y+1)-I(x+1,y+1)|
其中，VS(x,y)表示像素点(x,y)垂直方向上的边缘强度，HS(x,y)表示像素点(x,y)水平方向上的边缘强度，I(x,y)表示像素点(x,y)的像素值；
然后将每个(x,y)局部强度中最大的值定义为该点的局部最大像素，获得彩色图像HSI空间每个分量的局部最大强度图；
S32、计算局部最大强度阈值T，采用信息熵来获得阈值，即当边缘像素和非边缘像素这两个类别的信息熵之和得到最大的时候，对应的T即为所求阈值；
局部最大强度图中当某像素局部最大强度不小于T时判为边缘像素，否则为非边缘像素；
S33、采用或运算合并H、S、I三个边缘特征，得到彩色边缘，即(x,y)的三个分量中的一个为边缘，则合并图像中对应点就为边缘。
进一步地，所述步骤S4包括以下子步骤：
S41、融合区域分割和边缘检测结果，修正误判区域；融合区域分割获得的彩色图像的道路区域和边缘检测获得的彩色边缘：从区域分割图像的下端开始向上扫描，当道路宽度小于100个像素值时，开始测试宽度的变化，宽度达到最小并且对应的边缘检测结果为边缘，判断为误判区域，将该道路修改为非道路区域；
S42、对S41得到的图像进行连通性测试，得到最终的道路区域。
本发明的有益效果是：提出了一种基于融合区域特征和边缘特征的非结构化道路识别算法；首先获取移动机器人前方的彩色图像，对获取的彩色图像进行预处理；然后对图像进行区域分割，同时提取边缘特征；最后融合区域分割和边缘特征信息，得到道路区域。在区域分割和边缘检测中分别采用OTSU和多方向的sobel算子边缘检测算法，具有较小的时间复杂度，算法对于新的环境也有较好的识别效果，其鲁棒性大大增强，能够排除光照、阴影、水迹、落叶等等环境因素对计算结果的影响，提高计算的精确度和有效性。
附图说明
图1为本发明的非结构化道路识别方法流程图。
具体实施方式
本发明采用融合区域特征和边缘特征准确地道路识别。针对野外复杂的道路情况(如光照、阴影、水迹、落叶、部分遮挡)，在移动机器人获取图像时尽可能取得高分辨率图像，在光照比较暗的情况下，摄像头会自动打开红外灯，获取的信息量就更多。在预处理阶段，需要对获取的上述图像在基本不影响道路识别的基础上，进行尺度变换、归一化像素值的取值范围，消除部分噪声对图像的影响，转变图像到我们需要的颜色空间，对所述道路图像增强，使后面的边缘检测效果更明显。在区域分割阶段，由于自然环境中不可预测和不可操纵的天气环境因素影响，亮度的改变非常大，而色度的改变则相对较小。因此，可以重点对色度信息进行闭值分割，而亮度信息仅作参考。HSI颜色空间的亮度信息和彩色信息是分开的。有上述两方面原因，本发明采用HSI颜色空间的色度色调和饱和度来进行道路图像闭值分割，分割算法采用基于色度最大类间方差的自适应阈值分割算法(OTSU)算法。在边缘检测阶段，由于彩色图像能够比灰度图像提供更多的信息,所以本发明期望从彩色边缘检测过程中提取更详细的边缘信息，本发明在用基于梯度算子(sobel)的方法。分别在三个分量上进行边缘检测，然后将三分量合并的方法不能满足在复杂道路环境下非结构化道路检测要求。为了更准确地提取道路图像边缘信息,算法应当有足够好的检测效果，同时又没有太大的计算量。本文发明使用多方向sobel算子的最优阈值边缘检测算法。在融合提取阶段，结合前面的区域分割图像和边缘特征图像，得到最后道路在图像中的区域。下面结合附图进一步说明本发明的技术方案。
如图1所示，一种非结构化道路识别方法，包括以下步骤：
S1、获取移动机器人在行驶过程前方的彩色图像，对获取的彩色图像进行预处理；包括以下子步骤：
S11、从移动机器人前方摄像头获取20米以内的前景图像；
S12、将获取的图像初始大小归一化为宽度1280个像素和高度960个像素；
S13、将图像以2x2的窗口内求平均，对得到的图像再进行二次抽样，最后图像的大小固定在320x240，最终结果在不模糊数据的前提下，很好地降低了分辨率和噪声；
S14、为了进一步提高道路与非路的轮廓，对320x240的图像用Laplacian二阶微分算子进行锐化操作；
S15、转换到HSI颜色空间，将RGB图像转换到HSI空间，将H和S分量的像素值的取值范围归一化为[0，255]；
RGB颜色空间转换到HSI颜色空间的公式为：
其中，V1、V2为包含颜色色调信息的中间变量，H、S、I分别表示HSI颜色空间的分量，R、G、B分别表示RGB颜色空间的分量；
S2、对预处理得到的图像进行区域分割；包括以下子步骤：
S21、把HSI中H和S分量分离出来，分别对这两个分量采用OTSU分割算法；
S22、对S分量分割结果进行形态学闭合操作，对H分量分割结果进行形态学开启操作；
S23、合并S和H分量分割结果：如果道路区域H值比非路区域H值低，将S分量和H分量分割结果进行与操作，即在S分量和H分量中均为道路区域的对应区域才判为道路区域；如果道路区域H值比非路区域H值高，将H分量分割图像反色后再与S分量进行与操作；
S24、对S23得到的图像进行中值滤波。
S3、对预处理后的图像进行边缘检测；包括以下子步骤：
S31、使用多方向sobel算子计算HSI三个分量的局部最大强度，sobel算子用水平方向、垂直方向模板，计算图像中为(x,y)位置的梯度，得到基于sobel算子梯度边缘检测结果，边缘强度计算公式为：
VS(x,y)＝|I(x-1,y-1)+2I(x-1,y)+I(x-1,y+1)
-I(x+1,y-1)-2I(x+1,y)-I(x+1,y+1)|
HS(x,y)＝|I(x-1,y-1)+2I(x,y-1)+I(x+1,y-1)
-I(x-1,y+1)-2I(x,y+1)-I(x+1,y+1)|
其中，VS(x,y)表示像素点(x,y)垂直方向上的边缘强度，HS(x,y)表示像素点(x,y)水平方向上的边缘强度，I(x,y)表示像素点(x,y)的像素值；
然后将每个(x,y)局部强度中最大的值定义为该点的局部最大像素，获得彩色图像HSI空间每个分量的局部最大强度图；
S32、计算局部最大强度阈值T，采用信息熵来获得阈值，即当边缘像素和非边缘像素这两个类别的信息熵之和得到最大的时候，对应的T即为所求阈值；
局部最大强度图中当某像素局部最大强度不小于T时判为边缘像素，否则为非边缘像素；
S33、采用或运算合并H、S、I三个边缘特征，得到彩色边缘，即(x,y)的三个分量中的一个为边缘，则合并图像中对应点就为边缘。
S4、对边缘检测得到的图像进行融合提取，得到道路区域；包括以下子步骤：
S41、融合区域分割和边缘检测结果，修正误判区域；融合区域分割获得的彩色图像的道路区域和边缘检测获得的彩色边缘：从区域分割图像的下端开始向上扫描，当道路宽度小于100个像素值时，开始测试宽度的变化，宽度达到最小并且对应的边缘检测结果为边缘，判断为误判区域，将该道路修改为非道路区域；
S42、对S41得到的图像进行连通性测试，得到最终的道路区域。