CN113011392B - 一种基于路面图像多纹理特征融合的路面类型识别方法 - Google Patents
一种基于路面图像多纹理特征融合的路面类型识别方法 Download PDFInfo
- Publication number
- CN113011392B CN113011392B CN202110448106.8A CN202110448106A CN113011392B CN 113011392 B CN113011392 B CN 113011392B CN 202110448106 A CN202110448106 A CN 202110448106A CN 113011392 B CN113011392 B CN 113011392B
- Authority
- CN
- China
- Prior art keywords
- road surface
- image
- pavement
- wavelet
- texture
- 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.)
- Active
Links
Images
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明属于智能汽车环境感知技术领域,具体为一种基于路面图像多纹理特征融合的路面类型识别方法,包括步骤一:通过车载摄像头收集沥青、水泥、雪地、碎石这四种汽车行驶常见路面的图像信息;步骤二:对收集到的图像进行增广处理和灰度化处理;步骤三:使用圆形LBP算子提取路面图像的LBP特征;步骤四:使用小波散射框架提取路面图像的小波纹理特征;步骤五:将这两种路面纹理特征进行融合,形成图像数据集的特征矩阵,并在特征矩阵最后一列打上标签;步骤六:在Matlab中使用有监督的机器学习训练模型对数据进行分类,选取其中准确率最高的分类器作为本方法的分类器模型,其结构合理,有效地提高了当前路面类型识别的精确度。
Description
技术领域
本发明涉及智能汽车环境感知技术领域,具体为一种基于路面图像多纹理特征融合的路面类型识别方法。
背景技术
目前使用迁移学***移不变性以及对于局部边缘特征具有良好感知性的优点,可以很好的解决传统神经网络在车身颠簸造成的像素位移问题,在基于视觉的路面类型识别时有良好的表现。如公开号为CN1O1510309A的中国专利利用复小波纹理特征对SAR图像实现了初始分割与特征统一;公开号为CN109508980A的专利利用人脸小波纹理特征实现了基于视觉的身份识别。但是小波纹理特征对于局部特征感知过于敏感会影响路面类型识别的准确度和稳定度。因此我们使用lbp算子提取的路面纹理特征与小波纹理特征相融合,有效的提高了识别效果。
发明内容
本部分的目的在于概述本发明的实施方式的一些方面以及简要介绍一些较佳实施方式。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊,而这种简化或省略不能用于限制本发明的范围。
鉴于现有路面类型识别方法中存在的问题,提出了本发明。
因此,本发明的目的是提供一种基于路面图像多纹理特征融合的路面类型识别方法,提高智能车实时识别路面类型的精度,为决策控制提供重要信息支持,对于提高智能车的安全性、舒适性等有着重要意义。
为解决上述技术问题,根据本发明的一个方面,本发明提供了如下技术方案:
一种基于路面图像多纹理特征融合的路面类型识别方法,其包括如下步骤:
步骤一:通过车载摄像头收集沥青、水泥、雪地、碎石这四种汽车行驶常见路面的图像信息;
步骤二:对收集到的图像进行增广处理和灰度化处理;
步骤三:使用圆形LBP算子提取路面图像的LBP特征;
步骤四:使用小波散射框架提取路面图像的小波纹理特征;
步骤五:将这两种路面纹理特征进行融合,形成图像数据集的特征矩阵,并在特征矩阵最后一列打上标签;
步骤六:在Matlab中使用有监督的机器学习训练模型对数据进行分类,选取其中准确率最高的分类器作为本方法的分类器模型。
作为本发明所述的一种基于路面图像多纹理特征融合的路面类型识别方法的一种优选方案,其中:步骤三的具体提取步骤如下:
(1)计算预处理后路面图像中每个像素点的ULBP值
利用Ojala所提出的LBP算子的等价性,定义U来表征一个LBP特征值的二进制序列中0和1转换的次数;
对每个标准化后的预处理的图像使用上述算子进行计算,得到每个像素的ULBP值;
(2)将图像分为多个互不重复的区域,计算出每个区域中所含有的不同的ULBP值的数量,制成一个直方图。
作为本发明所述的一种基于路面图像多纹理特征融合的路面类型识别方法的一种优选方案,其中:步骤四的具体提取步骤如下:
(1)对于小波散射框架中的参数选取的母小波基函数ψ,选用平均滤波矩阵作为高斯划分的过滤器,在加载小波散射网络框架时,设置其尺度不变性超参数为150,其余参数均取为相应网络的默认数值;
(2)加载小波散射网络框架,记录变化过程中的散射变换系数,该系数即为路面图像的纹理特征;
(3)对所获取的散射系数矩阵进行平均值降维处理,从而形成当前图像的特征矩阵;
(4)整合所有图像的特征矩阵即获得整个数据集的特征。
作为本发明所述的一种基于路面图像多纹理特征融合的路面类型识别方法的一种优选方案,其中:步骤六分类器模型的应用过程包括如下步骤:
(1)定义车载摄像头的帧数为每秒10帧,避免帧数过低导致的实时检测误差,也避免帧数过高导致的计算次数过大,曝光时间设为0.01秒,防止过曝光时间过长而使图像的清晰度降低;
(2)使用车载摄像机实时捕获当前行驶路面图像;
(3)将捕获到的路面图像输入到前述模型中,经过模型的计算输出当前路面类型。
与现有技术相比,本发明的有益效果是:通过该一种基于路面图像多纹理特征融合的路面类型识别方法的设置,结构设计合理,通过使用lbp算子提取的路面纹理特征与小波纹理特征相融合,有效的提高了识别效果,提高智能车实时识别路面类型的精度,为决策控制提供重要信息支持,对于提高智能车的安全性、舒适性等有着重要意义。
附图说明
为了更清楚地说明本发明实施方式的技术方案,下面将结合附图和详细实施方式对本发明进行详细说明,显而易见地,下面描述中的附图仅仅是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。其中:
图1为本发明应用场景结构示意图;
图2为本发明步骤流程结构示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图对本发明的具体实施方式做详细的说明。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施方式的限制。
其次,本发明结合示意图进行详细描述,在详述本发明实施方式时,为便于说明,表示器件结构的剖面图会不依一般比例作局部放大,而且所述示意图只是示例,其在此不应限制本发明保护的范围。此外,在实际制作中应包含长度、宽度及深度的三维空间尺寸。
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明的实施方式作进一步地详细描述。
本发明提供如下技术方案:一种基于路面图像多纹理特征融合的路面类型识别方法,包括如下步骤:
步骤一:通过车载摄像头收集沥青、水泥、雪地、碎石这四种汽车行驶常见路面的图像信息;
步骤二:对收集到的图像进行增广处理和灰度化处理;
步骤三:使用圆形LBP算子提取路面图像的LBP特征;
步骤四:使用小波散射框架提取路面图像的小波纹理特征;
步骤五:将这两种路面纹理特征进行融合,形成该图像数据集的特征矩阵,并在特征矩阵最后一列打上标签;
步骤六:在Matlab中使用有监督的机器学习训练模型对数据进行分类,选取其中准确率最高的分类器作为本方法的分类器模型;
具体的,步骤三的具体提取步骤如下:
(1)计算预处理后路面图像中每个像素点的ULBP值
利用Ojala所提出的LBP算子的等价性,定义U来表征一个LBP特征值的二进制序列中0和1转换的次数;根据U的运算结果将LBP特征值分类两类,定义ULBP如下:
对每个标准化后的预处理的图像使用上述算子进行计算,得到每个像素的ULBP值。
(2)将图像分为多个互不重复的区域,计算出每个区域中所含有的不同的ULBP值的数量,制成一个直方图。
具体的,步骤四的具体提取步骤如下:
(1)对于小波散射框架中的参数选取的母小波基函数ψ,选用平均滤波矩阵作为高斯划分的过滤器。在加载小波散射网络框架时,设置其尺度不变性超参数为150,其余参数均取为相应网络的默认数值;
(2)加载小波散射网络框架,记录变化过程中的散射变换系数,该系数即为路面图像的纹理特征;
(3)对所获取的散射系数矩阵进行平均值降维处理,从而形成当前图像的特征矩阵;
(4)整合所有图像的特征矩阵即获得整个数据集的特征特征。
具体的,步骤六分类器模型的应用过程包括如下步骤:
(1)定义车载摄像头的帧数为每秒10帧,避免帧数过低导致的实时检测误差,也避免帧数过高导致的计算次数过大。曝光时间设为0.01秒,防止过曝光时间过长而使图像的清晰度降低;
(2)使用车载摄像机实时捕获当前行驶路面图像;
(3)将捕获到的路面图像输入到前述模型中,经过模型的计算输出当前路面类型。
虽然在上文中已经参考实施方式对本发明进行了描述,然而在不脱离本发明的范围的情况下,可以对其进行各种改进并且可以用等效物替换其中的部件。尤其是,只要不存在结构冲突,本发明所披露的实施方式中的各项特征均可通过任意方式相互结合起来使用,在本说明书中未对这些组合的情况进行穷举性的描述仅仅是出于省略篇幅和节约资源的考虑。因此,本发明并不局限于文中公开的特定实施方式,而是包括落入权利要求的范围内的所有技术方案。
Claims (4)
1.一种基于路面图像多纹理特征融合的路面类型识别方法,其特征在于:包括如下步骤:
步骤一:通过车载摄像头收集沥青、水泥、雪地、碎石这四种汽车行驶常见路面的图像信息;
步骤二:对收集到的图像进行增广处理和灰度化处理;
步骤三:使用圆形LBP算子提取路面图像的LBP特征;
步骤四:使用小波散射框架提取路面图像的小波纹理特征;
步骤五:将这两种路面纹理特征进行融合,形成图像数据集的特征矩阵,并在特征矩阵最后一列打上标签;
步骤六:在Matlab中使用有监督的机器学习训练模型对数据进行分类,选取其中准确率最高的分类器作为本方法的分类器模型。
2.根据权利要求1所述的一种基于路面图像多纹理特征融合的路面类型识别方法,其特征在于:步骤三的具体提取步骤如下:
(1)计算预处理后路面图像中每个像素点的ULBP值
利用Ojala所提出的LBP算子的等价性,定义U来表征一个LBP特征值的二进制序列中0和1转换的次数;
对每个标准化后的预处理的图像使用上述算子进行计算,得到每个像素的ULBP值;
(2)将图像分为多个互不重复的区域,计算出每个区域中所含有的不同的ULBP值的数量,制成一个直方图。
3.根据权利要求1所述的一种基于路面图像多纹理特征融合的路面类型识别方法,其特征在于:步骤四的具体提取步骤如下:
(1)对于小波散射框架中的参数选取的母小波基函数ψ,选用平均滤波矩阵作为高斯划分的过滤器;在加载小波散射网络框架时,设置其尺度不变性超参数为150,其余参数均取为相应网络的默认数值;
(2)加载小波散射网络框架,记录变化过程中的散射变换系数,该系数即为路面图像的纹理特征;
(3)对所获取的散射系数矩阵进行平均值降维处理,从而形成当前图像的特征矩阵;
(4)整合所有图像的特征矩阵即获得整个数据集的特征。
4.根据权利要求1所述的一种基于路面图像多纹理特征融合的路面类型识别方法,其特征在于:步骤六分类器模型的应用过程包括如下步骤:
(1)定义车载摄像头的帧数为每秒10帧,避免帧数过低导致的实时检测误差,也避免帧数过高导致的计算次数过大;曝光时间设为0.01秒,防止过曝光时间过长而使图像的清晰度降低;
(2)使用车载摄像机实时捕获当前行驶路面图像;
(3)将捕获到的路面图像输入到前述模型中,经过模型的计算输出当前路面类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110448106.8A CN113011392B (zh) | 2021-04-25 | 2021-04-25 | 一种基于路面图像多纹理特征融合的路面类型识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110448106.8A CN113011392B (zh) | 2021-04-25 | 2021-04-25 | 一种基于路面图像多纹理特征融合的路面类型识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113011392A CN113011392A (zh) | 2021-06-22 |
CN113011392B true CN113011392B (zh) | 2023-04-18 |
Family
ID=76389360
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110448106.8A Active CN113011392B (zh) | 2021-04-25 | 2021-04-25 | 一种基于路面图像多纹理特征融合的路面类型识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113011392B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114081462B (zh) * | 2021-11-19 | 2023-06-09 | 齐齐哈尔大学 | 一种基于多维度生理信息的心脏健康监护*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103218831A (zh) * | 2013-04-21 | 2013-07-24 | 北京航空航天大学 | 一种基于轮廓约束的视频运动目标分类识别方法 |
CN103530645A (zh) * | 2013-09-25 | 2014-01-22 | 北京工商大学 | 基于局部二值模式和Zernike矩的纹理图像分类方法及*** |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060146062A1 (en) * | 2004-12-30 | 2006-07-06 | Samsung Electronics Co., Ltd. | Method and apparatus for constructing classifiers based on face texture information and method and apparatus for recognizing face using statistical features of face texture information |
CN101339616B (zh) * | 2008-08-12 | 2012-11-28 | 北京中星微电子有限公司 | 道路识别方法及装置 |
CN102254161B (zh) * | 2011-07-15 | 2012-12-19 | 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 |
GB201316372D0 (en) * | 2013-09-13 | 2013-10-30 | Eip | Image processing |
CN103955691A (zh) * | 2014-05-08 | 2014-07-30 | 中南大学 | 一种多分辨率lbp的纹理特征提取方法 |
CN105069796B (zh) * | 2015-08-12 | 2017-11-21 | 西安电子科技大学 | 基于小波散射网络的sar图像分割方法 |
CN107392142B (zh) * | 2017-07-19 | 2020-11-13 | 广东工业大学 | 一种真伪人脸识别方法及其装置 |
CN108960060A (zh) * | 2018-06-01 | 2018-12-07 | 东南大学 | 一种无人驾驶车辆路面纹理识别***及方法 |
CN108985158A (zh) * | 2018-06-08 | 2018-12-11 | 汉腾汽车有限公司 | 一种路面识别***及方法 |
CN111105389B (zh) * | 2019-11-21 | 2023-12-05 | 天津大学 | 融合Gabor滤波器与卷积神经网络的路面裂缝的检测方法 |
CN110969171A (zh) * | 2019-12-12 | 2020-04-07 | 河北科技大学 | 基于改进卷积神经网络的图像分类模型、方法及应用 |
-
2021
- 2021-04-25 CN CN202110448106.8A patent/CN113011392B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103218831A (zh) * | 2013-04-21 | 2013-07-24 | 北京航空航天大学 | 一种基于轮廓约束的视频运动目标分类识别方法 |
CN103530645A (zh) * | 2013-09-25 | 2014-01-22 | 北京工商大学 | 基于局部二值模式和Zernike矩的纹理图像分类方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN113011392A (zh) | 2021-06-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109101924B (zh) | 一种基于机器学习的路面交通标志识别方法 | |
CN108830188B (zh) | 基于深度学习的车辆检测方法 | |
Kashyap et al. | Automatic number plate recognition | |
CN105956560B (zh) | 一种基于池化多尺度深度卷积特征的车型识别方法 | |
CN105825502B (zh) | 一种基于显著性指导的词典学习的弱监督图像解析方法 | |
CN107273896A (zh) | 一种基于图像识别的车牌检测识别方法 | |
CN104715252B (zh) | 一种动态模板结合像素点的车牌字符分割方法 | |
CN108564088A (zh) | 车牌识别方法、装置、设备及可读存储介质 | |
CN105261017A (zh) | 基于路面约束的图像分割法提取行人感兴趣区域的方法 | |
CN107103317A (zh) | 基于图像融合和盲反卷积的模糊车牌图像识别算法 | |
CN107506765B (zh) | 一种基于神经网络的车牌倾斜校正的方法 | |
CN110163069B (zh) | 用于辅助驾驶的车道线检测方法 | |
CN107038416B (zh) | 一种基于二值图像改进型hog特征的行人检测方法 | |
CN104200228B (zh) | 一种安全带识别方法与*** | |
CN106886778B (zh) | 一种监控场景下车牌字符分割与识别方法 | |
CN110706235B (zh) | 一种基于双级级联分割的远红外行人检测方法 | |
CN109840483B (zh) | 一种滑坡裂缝检测与识别的方法及装置 | |
CN106529532A (zh) | 一种基于积分特征通道与灰度投影的车牌识别*** | |
CN105760858A (zh) | 一种基于类Haar中间层滤波特征的行人检测方法及装置 | |
CN104050684B (zh) | 一种基于在线训练的视频运动目标分类方法与*** | |
CN104978567A (zh) | 基于场景分类的车辆检测方法 | |
CN104598885A (zh) | 街景图像中的文字标牌检测与定位方法 | |
CN106919902A (zh) | 一种基于cnn的车辆识别和轨迹追踪方法 | |
CN106295645A (zh) | 一种车牌字符识别方法和装置 | |
CN116030396B (zh) | 一种用于视频结构化提取的精确分割方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |