一种基于图模型的道路检测方法与流程

文档序号：11251358阅读：296来源：国知局

本发明具体涉及一种基于图模型的道路检测方法。

背景技术：

移动机器人近年发展迅速且具有广阔的应用前景.室外移动机器人作为移动机器人的一种，具有重要的研究和应用价值，一直是机器人领域的研究热点。为实现室外移动机器人自主导航，现有移动机器人普遍装备视觉传感器。在机器人处理的众多视觉信息中，道路信息是最关键的视觉信息之一。道路检测技术是实现移动机器人视觉导航的关键，也是实现机器人智能导航的核心技术之一。

现有室外移动机器人道路检测研究主要集中在结构化道路检测和非结构化道路检测两个方面。结构化道路是指具有明显车道线和道路边界的道路，如高速公路。结构化道路检测问题可简化为道路车道线和道路边界的检测问题，其相关技术研究时间较长且已取得较丰硕的研究成果，有些技术已成功应用到智能车的视觉导航系统。与结构化道路相比，非结构化道路一般是指没有明显车道线和清晰道路边界的道路，如乡村道路。

目前，针对非结构化道路的道路检测技术尚处于研究阶段，其检测方法主要包括基于模型的方法、基于特征的方法、基于学习的方法和其它检测方法。由于非结构化道路的复杂性和多样性，目前尚不存在一种成熟且实用的非结构化道路检测方法.室外移动机器人除应用于具有明显车道线的结构化高速公路和完全非结构化的野外环境外，城市环境、校园环境和居民区环境也是移动机器人应用的重要场所。使移动机器人能低速运行在这类环境下是机器人研究的重点之一。与高速公路和野外环境相比，上述环境中的道路具有其明显的特点。如城市道路的路面普遍经过硬化，路面较平整，一致性相对较好；道路中常有行人和车辆等障碍物，对道路形状进行建模较困难；道路结构化程度介于结构化和完全非结构化道路之间，道路路况和结构化程度差异较大等。

技术实现要素：

本发明要解决的技术问题是提供一种基于图模型的道路检测方法。

一种基于图模型的道路检测方法，包括以下步骤：

s1：将道路图像划分为子图，计算子图特征向量，生成图模型结点集；

s2：提出相近半径概念，计算相近结点边权值，生成图模型边集；

s3：采用基于最小生成树的结点合并规则对图模型结点进行合并，实现道路图像分割；

s4：通过设置取样窗口，提取道路结点，分割出道路区域。

进一步的，步骤s1的具体方法如下：

1）对道路图像进行高斯滤波，滤波函数如下:

；

2）假设滤波后的道路图像im的大小为h×l，将im分割为p×q个子图，每个子图大小为m×n，即：

其中，；

3）假设分割后道路图像的每个子图含有t维特征，第κ维特征的取值范围为，，则采用下式对进行归一化得到特征值：

，；

4）为每个子图赋相应的子图序号，，采用上式对子图的t为特征归一化后，则子图对应的特征向量为：

；

5）定义道路图像im的每个子图为一个结点，子图特征度量值为该结点特征值，可得im对应的图为g=(v，e)；g为无向图，结点集合v为im中各子图集合，即，边集e中的每条边表示相邻两个结点和的某种不相似度量，其中，，；生成道路图像im所对应图g的结点集v及相应的结点特征向量集合。

进一步的，步骤s2的具体方法如下：

1）定义相近半径，采用下式计算g中所有结点对应的边权值；

；

2）假设中心结点为，当相近半径为时，与相近的结点的个数为，可得道路图像im所对应图g的边集e。

进一步的，步骤s3的具体方法如如下：

1）假设步骤s2计算得到图g共有s条边，则根据边值大小对e中所有的边按非递减顺序进行排序，即；

2）初始化图g的结点分类为，即g中的每个结点为一个分类；

3）按边值非递减的顺序对每条边作如下判断：

假设当前g的分类为，边分别连接内的两个结点分类和，根据下式分别计算和；

；

其中，为阈值函数，表示结点子集中结点的个数，为阈值参数；

若，则合并和；假设合并后的和为，则有，更新g的分类为；

4）对e中所有边计算判断后，可得到g最终的结点分类；因此，中每个结点分类，1≤i≤k都表示im中的一个图像分割。

进一步的，步骤s4的具体方法如下：

1）根据图g的结点分类结果，为图g中的每个结点赋相应的分类号i，；

2）在图g最底部的中心位置，提取的取样窗口，统计窗口内各结点的分类号，取结点数最多的分类号作为道路结点分类号；

3）将图g中道路结点分类号所对应的结点赋分类号为1，其它结点赋分类号为0；

4）通过上述步骤，可实现图g中道路结点与非道路结点的二值化，从而实现道路图像的二值化。

本发明的有益效果是：

本发明在采用基于图模型方法对道路图像进行分割的基础上，根据移动机器人视觉导航的特点，能有效检测出道路图像中的道路区域；针对不同道路类型，通过设置相应参数，该方法能用于不同类型的道路检测。

具体实施方式

以下具体实施例对本发明作进一步阐述，但不作为对本发明的限定。