CN105069410A - 基于非结构化的道路识别方法及装置 - Google Patents
基于非结构化的道路识别方法及装置 Download PDFInfo
- Publication number
- CN105069410A CN105069410A CN201510443994.9A CN201510443994A CN105069410A CN 105069410 A CN105069410 A CN 105069410A CN 201510443994 A CN201510443994 A CN 201510443994A CN 105069410 A CN105069410 A CN 105069410A
- Authority
- CN
- China
- Prior art keywords
- road
- image
- characteristic information
- profile image
- link characteristic
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于非结构化的道路识别方法,获取车辆行驶过程中的前方图像;对所述前方图像进行预处理,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。本发明还公开了一种基于非结构化的道路识别装置。本发明通过对非结构化道路的识别,提高了汽车在非结构化道路行驶过程中的道路识别的准确性。
Description
技术领域
本发明涉及智能汽车辅助驾驶技术领域,尤其涉及一种基于非结构化的道路识别方法及装置。
背景技术
随着科学技术的发展,汽车领域的各种技术越来越成熟,汽车已经逐渐进入了各个家庭当中,目前,汽车行驶的道路主要包括结构化道路和非结构化道路两种,所述结构化道路就是城市道路,也就是有车道线的道路,在结构化道路中行驶时,车辆只要行驶在规定的车道线内即可。而非结构化道路即乡村道路中,道路的是没有车道线的,汽车在这种非结构化道路中行驶时,无法通过车道线确定汽车的行驶区域,只能是人为确定车辆的行驶区域,导致汽车行驶过程中道路识别的准确性低。
发明内容
本发明的主要目的在于提出一种基于非结构化的道路识别方法及装置,旨在解决汽车在非结构化道路中行驶时,道路识别的准确性低的技术问题。
为实现上述目的,本发明提供的一种基于非结构化的道路识别方法,所述道路识别方法包括以下步骤:
获取车辆行驶过程中的前方图像;
对所述前方图像进行预处理,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。
优选地,所述对所述前方图像进行预处理,得到道路轮廓图像的步骤包括:
对所述前方图像进行边缘检测,生成所述前方图像的边缘图像;
根据所述边缘图像中的道路区域与非道路区域的亮度差异,确定道路区域与非道路区域之间的边界轮廓;
基于所述边界轮廓得到道路轮廓图像。
优选地,所述提取所述道路轮廓图像中的道路特征信息的步骤包括:
通过预设的滤波器对所述道路轮廓图像进行滤波处理,获取所述道路轮廓图像的特征图像;
提取所述特征图像中的道路特征信息。
优选地,所述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的步骤包括:
将所述道路轮廓图像中的道路特征信息与预设的Adaboost迭代算法分类器中的道路样本集进行比对;
获取所述道路样本集中与所述道路特征信息匹配的道路样本;
根据获取的所述道路样本,确定所述道路轮廓图像中的道路。
优选地,所述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的步骤之后,所述道路识别方法还包括:
获取所述道路轮廓图像中的道路特征信息,并提取所述道路特征信息的道路特征向量;
根据提取的所述道路特征向量建立所述Adaboost分类器的道路样本;
将建立的所述道路样本加入所述Adaboost分类器的道路样本集中,更新所述道路样本集。
此外,为实现上述目的,本发明还提出一种基于非结构化的道路识别装置,所述道路识别装置包括:
获取模块,用于获取车辆行驶过程中的前方图像;
预处理模块,用于对所述前方图像进行预处理,得到道路轮廓图像;
提取模块,用于提取所述道路轮廓图像中的道路特征信息;
识别模块,用于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。
优选地,所述预处理模块包括:
生成单元,用于对所述前方图像进行边缘检测,生成所述前方图像的边缘图像;
第一确定单元,用于根据所述边缘图像中的道路区域与非道路区域的亮度差异,确定道路区域与非道路区域之间的边界轮廓;
处理单元,用于基于所述边界轮廓得到道路轮廓图像。
优选地,所述提取模块包括:
第一获取单元,用于通过预设的滤波器对所述道路轮廓图像进行滤波处理,获取所述道路轮廓图像的特征图像;
提取单元,用于提取所述特征图像中的道路特征信息。
优选地,所述识别模块包括:
比对单元,用于将所述道路轮廓图像中的道路特征信息与预设的Adaboost迭代算法分类器中的道路样本集进行比对;
第二获取单元,用于获取所述道路样本集中与所述道路特征信息匹配的道路样本;
第二确定单元,用于根据获取的所述道路样本,确定所述道路轮廓图像中的道路。
优选地,所述获取模块,还用于获取所述道路轮廓图像中的道路特征信息;
所述提取模块,还用于提取所述道路特征信息的道路特征向量;
所述道路识别装置还包括:
建立模块,用于根据提取的所述道路特征向量建立所述Adaboost分类器的道路样本;
更新模块,用于将建立的所述道路样本加入所述Adaboost分类器的道路样本集中,更新所述道路样本集。
本发明提出的道路识别方法及装置,汽车在非结构化道路的行驶过程中,通过对前方图像的预处理,得到道路轮廓图像,然后提取所述道路轮廓图像中的道路特征信息,最后根据所述道路特征信息,识别出所述道路轮廓图像中的道路,而不是仅仅通过人为确定汽车的行驶区域,本方案基于道路特征信息识别出前方图像的道路,提高了车辆行驶过程中道路识别的准确性。
附图说明
图1为本发明基于非结构化的道路识别方法较佳实施例的流程示意图;
图2为本发明对所述前方图像进行预处理较佳实施例的流程示意图;
图3为本发明提取所述道路轮廓图像中的道路特征信息较佳实施例的流程示意图;
图4为本发明识别所述道路轮廓图像中的道路较佳实施例的流程示意图;
图5为本发明基于非结构化的道路识别装置较佳实施例的功能模块示意图;
图6为图5中预处理模块的细化功能模块示意图;
图7为图5中提取模块的细化功能模块示意图;
图8为图5中识别模块的细化功能模块示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明提供一种基于非结构化的道路识别方法。
参照图1,图1为本发明道路识别方法较佳实施例的流程示意图。
本实施例提出一种基于非结构化道路识别方法,所述道路识别方法包括:
步骤S10,获取车辆行驶过程中的前方图像;
在本实施例中,通过车辆预设的摄像机获取行驶过程中的前方图像,所述摄像机可为前景摄像机或全景摄像机。所述获取的前方图像优选离车辆摄像机预设距离内的图像,如距离车辆50米的前方图像。
步骤S20,对所述前方图像进行预处理,得到道路轮廓图像;
通过预设的摄像机获取到所述前方图像后,对所述前方图像进行预处理,预处理过程包括:先对所述前方图像进行滤波处理除去噪点干扰,然后通过图像边缘检测方法处理所述除去噪点的前方图像,以生成边缘图像,最后根据所述边缘图像中显示边界轮廓获取道路轮廓图像。所述边缘检测包括Prewitt算法、Sobel算法、Laplacian算法或Canny算法。同理,可也通过二值化处理的方式对所述前方图像进行二值化处理,以生成二值化图像,可以理解,二值化处理优选采用动态双阈值算法,即将所述图像处理成灰度图,生成只包含两种像素点的图像,两种像素点分别为0和255,两种像素点分别为道路区域的像素点和非道路区域像素点,通过二值化处理后的图像,形成道路区域与非道路区域,然后通过所述道路区域与非道路区域的亮度差异,可以确定所述道路区域与所述非道路区域之间的边界轮廓,根据确定的所述边界轮廓即可得到道路轮廓图像了。
步骤S30,提取所述道路轮廓图像中的道路特征信息;
在本实施例中,对所述道路轮廓图像进行道路检测,优选采用所述道路轮廓图像中的灰度特征、颜色特征和纹理特征等道路特征信息进行检测。所述灰度特征优选通过Otsu算法将所述道路轮廓图像按照灰度特征分成图像和背景两类,以提取图像类的特征信息作为道路特征信息。而彩色图像中包含的信息远远多于灰度图像的信息,因此可采用基于彩色特征的图像分割算法如支持向量机算法进行图像分割,以提取所述道路轮廓图像中的道路特征信息。在纹理特征中进行道路检测时,优选通过Gabor滤波器描述图像的局部纹理特征,然后结合图像消失点进行道路边界的检测和识别,以提取所述道路轮廓图像中的道路特征信息。
步骤S40,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。
在本实施例中,可通过SVM分类器建立训练样本集对所述道路轮廓图像中的道路特征信息进行识别,也可通过Adaboost分类器训练样本集对所述道路轮廓图像中的道路特征信息进行识别,以识别所述道路轮廓图像中的道路。可以理解的是,可事先通过实验采集各种路况下的道路图像,并对所有图像进行手工标定得到道路区域,然后基于坐标信息、颜色信息、亮度信息和面积信息等多特征的组合通过Adaboost分类器得到识别路和非路的离线分类器,然后通过所述离线分类器对车辆行驶过程中前方图像进行道路的识别。进一步地,为了提高道路识别速度和准确度,在行驶的过程中还可考虑采用在线训练方法对所述道路识别分类器进行不断更新以提高检测的精度。
本实施例提出的道路识别方法,汽车在非结构化道路的行驶过程中,通过对前方图像的预处理,得到道路轮廓图像,然后提取所述道路轮廓图像中的道路特征信息,最后根据所述道路特征信息,识别出所述道路轮廓图像中的道路,而不是仅仅通过人为确定汽车的行驶区域,本方案基于道路特征信息识别出前方图像的道路,提高了车辆行驶过程中道路识别的准确性。
进一步地,为提高道路识别的准确性,参照图2,基于第一实施例提出本发明道路识别方法的第二实施例,在本实施例中,所述步骤S20包括:
步骤S21,对所述前方图像进行边缘检测,生成所述前方图像的边缘图像;
步骤S22,根据所述边缘图像中的道路区域与非道路区域的亮度差异,确定道路区域与非道路区域之间的边界轮廓;
步骤S23,基于所述边界轮廓得到道路轮廓图像。
在本实施例中,先通过边缘检测算法中的Canny算子或Sobel算子进行图像的边缘检测,生成所述前方图像的边缘图像,通过边缘检测算法增加了图像中不同区域的亮度差异,即增加了不同区域的对比度,通过两个区域的对比度增强边界特征,然后通过边界差异确定道路区域与非道路区域之间的边界轮廓,最后基于所述边界轮廓得到道路轮廓图像。本实施例优选采用Canny算法中的算子对所述前方图像进行边缘检测,所述Canny算子的处理过程包括:1)通过高斯滤波器对所述图像进行平滑处理以去除噪声点;2)求取包括正确边缘点在内的多数多重边缘点;3)对梯度方向进行非极大值抑制处理;4)通过滞后阈值处理对各个离散边缘点进行接连,以得到道路轮廓图像。
进一步地,为提高道路识别的准确性,参照图3,基于第一实施例提出本发明道路识别方法的第三实施例,在本实施例中,所述步骤S30包括:
步骤S31,通过预设的滤波器对所述道路轮廓图像进行滤波处理,获取所述道路轮廓图像的特征图像;
步骤S32,提取所述特征图像中的道路特征信息。
在本实施例中,优选通过预设的滤波器如Gabor滤波器对所述道路轮廓图像进行滤波处理,获取获取所述道路轮廓图像的特征图像,所述Gabor滤波器对图像的处理方式优选为对图像进行局部特征滤波,以提取所述图像的纹理特征,将所述纹理特征作为所述特征图像中的道路特征信息。可以理解的是,由于纹理特征受光照和色彩的影响较小,使得以纹理特征进行道路检测的方式比以颜色特征进行道路检测的方式准确性更高。当然,也可根据具体需要提取所述图像的颜色信息或灰度信息等作为道路特征信息,进一步地,还可提取颜色信息、灰度信息及/或纹理特征的结合作为道路特征信息,使得道路识别更加准确。
进一步地,为提高道路识别的准确性,参照图4,基于第一实施例提出本发明道路识别方法的第四实施例,在本实施例中,所述步骤S40包括:
步骤S41,将所述道路轮廓图像中的道路特征信息与预设的Adaboost迭代算法分类器中的道路样本集进行比对;
步骤S42,获取所述道路样本集中与所述道路特征信息匹配的道路样本;
步骤S43,根据获取的所述道路样本,确定所述道路轮廓图像中的道路。
在本实施例中,在获取到所述道路轮廓图像中的道路特征信息时,优选将获取的所述道路特征信息与预设的Adaboost迭代算法分类器中的道路样本集进行比对,所述Adaboost分类器为离线分类器,即所述Adaboost分类器事已经包含多个道路样本集,且多个道路样本集都是之前就已经训练好,根据所述Adaboost分类器的道路样本集,获取所述道路轮廓图像中的道路特征信息在所述道路样本集中对应的样本,在获取到所述道路样本集中与所述道路特征信息匹配的道路样本时,根据获取的所述道路样本,确定所述道路轮廓图像中的道路,即根据所述道路样本,就可以识别出所述道路轮廓图像中的道路了。
进一步地,为提高道路识别的准确性,基于第一实施例提出本发明道路识别方法的第五实施例,在本实施例中,所述步骤S40之后,所述道路识别方法还包括:
获取所述道路轮廓图像中的道路特征信息,并提取所述道路特征信息的道路特征向量;
根据提取的所述道路特征向量建立所述Adaboost分类器的道路样本;
将建立的所述道路样本加入所述Adaboost分类器的道路样本集中,更新所述道路样本集。
在本实施例中,获取到所述道路轮廓图像中的道路特征信息后,可提取所述道路特征信息的道路特征向量,根据提取的所述道路特征向量建立所述Adaboost分类器的道路样本,最后将建立的所述道路样本加入所述Adaboost分类器的道路样本集中,更新所述道路样本集,实现了在道路识别过程中,可根据实时获取的道路特征信息训练Adaboost分类器,即根据所述道路特征信息的道路特征向量建立所述Adaboost分类器的道路样本,最后根据建立的道路样本,更新所述Adaboost分类器原有的道路样本集中,使得道路样本集中的样本数量更多,提高了道路识别的准确性。也就是为了适应不同的道路环境,在行驶过程中通过从得到的道路区域图像中不断提取各种特征信息来对道路分类器进行在线更新从而提高算法的适应性。
本发明进一步提供一种基于非结构化的道路识别装置。
参照图5,图5为本发明道路识别装置第一实施例的功能模块示意图。
需要强调的是,对本领域的技术人员来说,图5所示功能模块图仅仅是一个较佳实施例的示例图,本领域的技术人员围绕图5所示的道路识别装置的功能模块,可轻易进行新的功能模块的补充;各功能模块的名称是自定义名称,仅用于辅助理解该道路识别装置的各个程序功能块,不用于限定本发明的技术方案,本发明技术方案的核心是,各自定义名称的功能模块所要达成的功能。
本实施例提出一种道路识别装置,所述道路识别装置包括:
获取模块10,用于获取车辆行驶过程中的前方图像;
在本实施例中,通过所述获取模块10获取行驶过程中的前方图像,所述获取模块10可为前景摄像机或全景摄像机。所述获取模块10获取的前方图像优选离车辆摄像机预设距离内的图像,如距离车辆50米的前方图像。
预处理模块20,用于对所述前方图像进行预处理,得到道路轮廓图像;
通过所述获取模块10获取到所述前方图像后,所述预处理模块20对所述前方图像进行预处理,所述预处理模块20预处理过程包括:先对所述前方图像除进行滤波处理去噪点干扰,然后通过图像边缘检测方法处理所述除去噪点的前方图像,以生成边缘图像,最后根据所述边缘图像中显示边界轮廓获取道路轮廓图像。所述边缘检测包括Prewitt算法、Sobel算法、Laplacian算法或Canny算法。同理,可也通过二值化处理的方式对所述前方图像进行二值化处理,以生成二值化图像,可以理解,二值化处理优选采用动态双阈值算法,即将所述图像处理成灰度图,生成只包含两种像素点的图像,两种像素点分别为0和255,两种像素点分别为道路区域的像素点和非道路区域像素点,通过二值化处理后的图像,形成道路区域与非道路区域,然后通过所述道路区域与非道路区域的亮度差异,可以确定所述道路区域与所述非道路区域之间的边界轮廓,根据确定的所述边界轮廓即可得到道路轮廓图像了。
提取模块30,用于提取所述道路轮廓图像中的道路特征信息;
在本实施例中,对所述道路轮廓图像进行道路检测,优选所述提取模块30采用所述道路轮廓图像中的灰度特征、颜色特征和纹理特征等道路特征信息进行检测。所述灰度特征优选通过Otsu算法将所述道路轮廓图像按照灰度特征分成图像和背景两类,然后所述提取模块30提取图像类的特征信息作为道路特征信息。而彩色图像中包含的信息远远多于灰度图像的信息,因此可采用基于彩色特征的图像分割算法如支持向量机算法进行图像分割,然后所述提取模块30提取所述道路轮廓图像中的道路特征信息。在纹理特征中进行道路检测时,优选通过Gabor滤波器描述图像的局部纹理特征,并结合图像消失点进行道路边界的检测和识别,然后所述提取模块30提取所述道路轮廓图像中的道路特征信息。
识别模块40,用于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。
在本实施例中,所述识别模块40可通过SVM分类器建立训练样本集对所述道路轮廓图像中的道路特征信息进行识别,所述识别模块40也可通过Adaboost分类器训练样本集对所述道路轮廓图像中的道路特征信息进行识别,以识别所述道路轮廓图像中的道路。可以理解的是,可事先通过实验采集各种路况下的道路图像,并对所有图像进行手工标定得到道路区域,然后基于坐标信息、颜色信息、亮度信息和面积信息等多特征的组合通过Adaboost分类器得到识别路和非路的离线分类器,然后通过所述离线分类器对车辆行驶过程中前方图像进行道路的识别。进一步地,为了提高道路识别速度和准确度,在行驶的过程中还可考虑采用在线训练方法对所述道路识别分类器进行不断更新以提高检测的精度。
本实施例提出的道路识别装置,汽车在非结构化道路的行驶过程中,通过对前方图像的预处理,得到道路轮廓图像,然后提取所述道路轮廓图像中的道路特征信息,最后根据所述道路特征信息,识别出所述道路轮廓图像中的道路,而不是仅仅通过人为确定汽车的行驶区域,本方案基于道路特征信息识别出前方图像的道路,提高了车辆行驶过程中道路识别的准确性。
进一步地,为提高道路识别的准确性,参照图6,基于第一实施例提出本发明道路识别装置的第二实施例,在本实施例中,所述预处理模块20包括:
生成单元21,用于对所述前方图像进行边缘检测,生成所述前方图像的边缘图像;
第一确定单元22,用于根据所述边缘图像中的道路区域与非道路区域的亮度差异,确定道路区域与非道路区域之间的边界轮廓;
处理单元23,用于基于所述边界轮廓得到道路轮廓图像。
在本实施例中,所述生成单元21先通过边缘检测算法中的Canny算子或Sobel算子进行图像的边缘检测,生成所述前方图像的边缘图像,通过边缘检测算法增加了图像中不同区域的亮度差异,即增加了不同区域的对比度,通过两个区域的对比度增强边界特征,然后所述第一确定单元22通过边界差异确定道路区域与非道路区域之间的边界轮廓,最后所述处理单元23基于所述边界轮廓得到道路轮廓图像。本实施例优选采用Canny算法中的算子对所述边缘图像进行边缘检测,所述Canny算子的处理过程包括:1)通过高斯滤波器对所述图像进行平滑处理以去除噪声点;2)求取包括正确边缘点在内的多数多重边缘点;3)对梯度方向进行非极大值抑制处理;4)通过滞后阈值处理对各个离散边缘点进行接连,以得到道路轮廓图像。
进一步地,为提高道路识别的准确性,参照图7,基于第一实施例提出本发明道路识别装置的第三实施例,在本实施例中,所述提取模块30包括:
第一获取单元31,用于通过预设的滤波器对所述道路轮廓图像进行滤波处理,获取所述道路轮廓图像的特征图像;
提取单元32,用于提取所述特征图像中的道路特征信息。
在本实施例中,优选通过预设的滤波器如Gabor滤波器对所述道路轮廓图像进行滤波处理,然后第一获取单元31获取获取所述道路轮廓图像的特征图像,所述Gabor滤波器对图像的处理方式优选为对图像进行局部特征滤波,以供所述提取单元32提取所述图像的纹理特征,将所述纹理特征作为所述特征图像中的道路特征信息。可以理解的是,由于纹理特征受光照和色彩的影响较小,使得以纹理特征进行道路检测的方式比以颜色特征进行道路检测的方式准确性更高。当然,也可根据具体需要提取所述图像的颜色信息或灰度信息等作为道路特征信息,进一步地,还可提取颜色信息、灰度信息及/或纹理特征的结合作为道路特征信息,使得道路识别更加准确。
进一步地,为提高道路识别的准确性,参照图8,基于第一实施例提出本发明道路识别装置的第四实施例,在本实施例中,所述识别模块40包括:
比对单元41,用于将所述道路轮廓图像中的道路特征信息与预设的Adaboost迭代算法分类器中的道路样本集进行比对;
第二获取单元42,用于获取所述道路样本集中与所述道路特征信息匹配的道路样本;
第二确定单元43,用于根据获取的所述道路样本,确定所述道路轮廓图像中的道路。
在本实施例中,在获取到所述道路轮廓图像中的道路特征信息时,优选所述比对单元41将获取的所述道路特征信息与预设的Adaboost迭代算法分类器中的道路样本集进行比对,所述Adaboost分类器为离线分类器,即所述Adaboost分类器事已经包含多个道路样本集,且多个道路样本集都是之前就已经训练好,根据所述Adaboost分类器的道路样本集,所述第二获取单元42获取所述道路轮廓图像中的道路特征信息在所述道路样本集中对应的样本,在所述第二获取单元42获取到所述道路样本集中与所述道路特征信息匹配的道路样本时,根据获取的所述道路样本,所述第二确定单元43确定所述道路轮廓图像中的道路,即根据所述道路样本,就可以识别出所述道路轮廓图像中的道路了。
进一步地,为提高道路识别的准确性,基于第一实施例提出本发明道路识别装置的第五实施例,在本实施例中,
所述获取模块10,还用于获取所述道路轮廓图像中的道路特征信息;
所述提取模块30,还用于提取所述道路特征信息的道路特征向量;
所述道路识别装置还包括:
建立模块,用于根据提取的所述道路特征向量建立所述Adaboost分类器的道路样本;
更新模块,用于将建立的所述道路样本加入所述Adaboost分类器的道路样本集中,更新所述道路样本集。
在本实施例中,所述获取模块10获取到所述道路轮廓图像中的道路特征信息后,所述提取模块30提取所述道路特征信息的道路特征向量,所述建立模块根据提取的所述道路特征向量建立所述Adaboost分类器的道路样本,最后将建立的所述道路样本加入所述Adaboost分类器的道路样本集中,所述更新模块更新所述道路样本集,实现了在道路识别过程中,可根据实时获取的道路特征信息训练Adaboost分类器,即根据所述道路特征信息的道路特征向量建立所述Adaboost分类器的道路样本,最后根据建立的道路样本,更新所述Adaboost分类器原有的道路样本集中,使得道路样本集中的样本数量更多,提高了道路识别的准确性。也就是为了适应不同的道路环境,在行驶过程中通过从得到的道路区域图像中不断提取各种特征信息来对道路分类器进行在线更新从而提高算法的适应性。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其它变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者***不仅包括那些要素,而且还包括没有明确列出的其它要素,或者是还包括为这种过程、方法、物品或者***所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者***中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其它相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种基于非结构化的道路识别方法,其特征在于,所述道路识别方法包括:
获取车辆行驶过程中的前方图像;
对所述前方图像进行预处理,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。
2.如权利要求1所述的道路识别方法,其特征在于,所述对所述前方图像进行预处理,得到道路轮廓图像的步骤包括:
对所述前方图像进行边缘检测,生成所述前方图像的边缘图像;
根据所述边缘图像中的道路区域与非道路区域的亮度差异,确定道路区域与非道路区域之间的边界轮廓;
基于所述边界轮廓得到道路轮廓图像。
3.如权利要求1所述的道路识别方法,其特征在于,所述提取所述道路轮廓图像中的道路特征信息的步骤包括:
通过预设的滤波器对所述道路轮廓图像进行滤波处理,获取所述道路轮廓图像的特征图像;
提取所述特征图像中的道路特征信息。
4.如权利要求1所述的道路识别方法,其特征在于,所述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的步骤包括:
将所述道路轮廓图像中的道路特征信息与预设的Adaboost迭代算法分类器中的道路样本集进行比对;
获取所述道路样本集中与所述道路特征信息匹配的道路样本;
根据获取的所述道路样本,确定所述道路轮廓图像中的道路。
5.如权利要求1-4任一项所述的道路识别方法,其特征在于,所述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的步骤之后,所述道路识别方法还包括:
获取所述道路轮廓图像中的道路特征信息,并提取所述道路特征信息的道路特征向量;
根据提取的所述道路特征向量建立所述Adaboost分类器的道路样本;
将建立的所述道路样本加入所述Adaboost分类器的道路样本集中,更新所述道路样本集。
6.一种基于非结构化的道路识别装置,其特征在于,所述道路识别装置包括:
获取模块,用于获取车辆行驶过程中的前方图像;
预处理模块,用于对所述前方图像进行预处理,得到道路轮廓图像;
提取模块,用于提取所述道路轮廓图像中的道路特征信息;
识别模块,用于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。
7.如权利要求6所述的道路识别装置,其特征在于,所述预处理模块包括:
生成单元,用于对所述前方图像进行边缘检测,生成所述前方图像的边缘图像;
第一确定单元,用于根据所述边缘图像中的道路区域与非道路区域的亮度差异,确定道路区域与非道路区域之间的边界轮廓;
处理单元,用于基于所述边界轮廓得到道路轮廓图像。
8.如权利要求6所述的道路识别装置,其特征在于,所述提取模块包括:
第一获取单元,用于通过预设的滤波器对所述道路轮廓图像进行滤波处理,获取所述道路轮廓图像的特征图像;
提取单元,用于提取所述特征图像中的道路特征信息。
9.如权利要求6所述的道路识别装置,其特征在于,所述识别模块包括:
比对单元,用于将所述道路轮廓图像中的道路特征信息与预设的Adaboost迭代算法分类器中的道路样本集进行比对;
第二获取单元,用于获取所述道路样本集中与所述道路特征信息匹配的道路样本;
第二确定单元,用于根据获取的所述道路样本,确定所述道路轮廓图像中的道路。
10.如权利要求6-8任一项所述的道路识别装置,其特征在于,
所述获取模块,还用于获取所述道路轮廓图像中的道路特征信息;
所述提取模块,还用于提取所述道路特征信息的道路特征向量;
所述道路识别装置还包括:
建立模块,用于根据提取的所述道路特征向量建立所述Adaboost分类器的道路样本;
更新模块,用于将建立的所述道路样本加入所述Adaboost分类器的道路样本集中,更新所述道路样本集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510443994.9A CN105069410A (zh) | 2015-07-24 | 2015-07-24 | 基于非结构化的道路识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510443994.9A CN105069410A (zh) | 2015-07-24 | 2015-07-24 | 基于非结构化的道路识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105069410A true CN105069410A (zh) | 2015-11-18 |
Family
ID=54498772
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510443994.9A Pending CN105069410A (zh) | 2015-07-24 | 2015-07-24 | 基于非结构化的道路识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105069410A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105931216A (zh) * | 2016-04-05 | 2016-09-07 | 李红伟 | 一种基于图像处理技术的机场道面破损检测方法 |
CN113313071A (zh) * | 2021-06-28 | 2021-08-27 | 浙江同善人工智能技术有限公司 | 一种道路区域识别方法及*** |
CN115408487A (zh) * | 2022-11-02 | 2022-11-29 | 湖南君瀚信息技术有限公司 | 一种基于fpga的无人车实时周视全景自主识别*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101339616A (zh) * | 2008-08-12 | 2009-01-07 | 北京中星微电子有限公司 | 道路识别方法及装置 |
CN102254161A (zh) * | 2011-07-15 | 2011-11-23 | 王世峰 | 基于路面轮廓及路面图像特征的路面类型识别方法及装置 |
CN102521566A (zh) * | 2011-11-25 | 2012-06-27 | 中国科学院光电技术研究所 | 一种地面自主设备用低功耗实时道路自动识别装置 |
CN104504721A (zh) * | 2015-01-08 | 2015-04-08 | 中国科学院合肥物质科学研究院 | 一种基于Gabor小波变换纹理描述的非结构化道路检测方法 |
-
2015
- 2015-07-24 CN CN201510443994.9A patent/CN105069410A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101339616A (zh) * | 2008-08-12 | 2009-01-07 | 北京中星微电子有限公司 | 道路识别方法及装置 |
CN102254161A (zh) * | 2011-07-15 | 2011-11-23 | 王世峰 | 基于路面轮廓及路面图像特征的路面类型识别方法及装置 |
CN102521566A (zh) * | 2011-11-25 | 2012-06-27 | 中国科学院光电技术研究所 | 一种地面自主设备用低功耗实时道路自动识别装置 |
CN104504721A (zh) * | 2015-01-08 | 2015-04-08 | 中国科学院合肥物质科学研究院 | 一种基于Gabor小波变换纹理描述的非结构化道路检测方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105931216A (zh) * | 2016-04-05 | 2016-09-07 | 李红伟 | 一种基于图像处理技术的机场道面破损检测方法 |
CN113313071A (zh) * | 2021-06-28 | 2021-08-27 | 浙江同善人工智能技术有限公司 | 一种道路区域识别方法及*** |
CN115408487A (zh) * | 2022-11-02 | 2022-11-29 | 湖南君瀚信息技术有限公司 | 一种基于fpga的无人车实时周视全景自主识别*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bilal et al. | Real-time lane detection and tracking for advanced driver assistance systems | |
CN106652465B (zh) | 一种道路异常驾驶行为的识别方法及*** | |
CN105069415B (zh) | 车道线检测方法和装置 | |
Huang et al. | Vehicle detection and inter-vehicle distance estimation using single-lens video camera on urban/suburb roads | |
CN111563412B (zh) | 一种基于参数空间投票和贝塞尔拟合的快速车道线检测方法 | |
CN104700072B (zh) | 基于车道线历史帧的识别方法 | |
Kortli et al. | A novel illumination-invariant lane detection system | |
CN108052904B (zh) | 车道线的获取方法及装置 | |
CN103996053A (zh) | 基于机器视觉的车道偏离报警方法 | |
CN104299008A (zh) | 基于多特征融合的车型分类方法 | |
CN112001216A (zh) | 一种基于计算机的汽车行驶车道检测*** | |
CN105095869A (zh) | 行人检测方法及装置 | |
CN105426863A (zh) | 检测车道线的方法和装置 | |
CN107704833A (zh) | 一种基于机器学习的前方车辆检测与跟踪方法 | |
CN106022268A (zh) | 一种限速标识的识别方法和装置 | |
CN101369312B (zh) | 检测图像中交叉口的方法和设备 | |
Chen et al. | Front vehicle detection and distance estimation using single-lens video camera | |
CN105069410A (zh) | 基于非结构化的道路识别方法及装置 | |
CN105512662A (zh) | 一种无牌车辆检测方法及装置 | |
FAN et al. | Robust lane detection and tracking based on machine vision | |
CN108090425B (zh) | 一种车道线检测方法、装置及终端 | |
Moizumi et al. | Traffic light detection considering color saturation using in-vehicle stereo camera | |
CN113297939A (zh) | 障碍物检测方法、***、终端设备及存储介质 | |
CN116071713A (zh) | 斑马线确定方法、装置、电子设备和介质 | |
Heidarizadeh | Preprocessing Methods of Lane Detection and Tracking for Autonomous Driving |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20151118 |
|
RJ01 | Rejection of invention patent application after publication |