一種能夠自主導(dǎo)航巡邏車的制作方法
【專利摘要】本發(fā)明一種能夠自主導(dǎo)航巡邏車，包括巡邏車和與巡邏車相連的道路檢測裝置，其中，道路檢測裝置包括依次連接的圖像采集模塊、彩色圖像預(yù)處理模塊和道路自適應(yīng)檢測模塊，所述道路自適應(yīng)檢測模塊用于檢測、合并道路區(qū)域，并將剩余區(qū)域全部映射到非道路區(qū)域中，道路自適應(yīng)檢測模塊包括直方圖閾值粗分割子模塊、道路識別子模塊、網(wǎng)絡(luò)訓(xùn)練子模塊和車輛引導(dǎo)線提取子模塊；本發(fā)明大大簡化了圖像分析和處理的工作量，可以得到比較完整的區(qū)域，且識別效率高，達到了對道路進行自適應(yīng)檢測的要求。
【專利說明】
一種能夠自主導(dǎo)航巡邏車
技術(shù)領(lǐng)域
[0001] 本發(fā)明涉及巡邏車領(lǐng)域，具體涉及一種能夠自主導(dǎo)航巡邏車。
【背景技術(shù)】
[0002] 汽車在給人們生活帶來極大方便的同時也帶來了很多社會問題:汽車造成的道路 交通事故逐年大幅度增加、汽車造成的道路擁堵日益嚴重，造成大量的人員傷亡和財產(chǎn)損 失。研究高效的車輛自主導(dǎo)航技術(shù)，是降低交通事故發(fā)生率的有效手段。在眾多的可用于車 輛導(dǎo)航的信息中，視覺信息作為道路及外部環(huán)境的感知來源具有其他信息無法比擬的優(yōu) 勢，而對道路進行檢測成為擺在其面前的第一大難題。
[0003] 巡邏車是一種為治安，維和人員專門設(shè)計開發(fā)的車。該車是特別適于公安巡邏、步 行街、高爾夫球場、旅游景點、各大型企業(yè)、機關(guān)單位、公園、娛樂場所、體育場館、大專院校、 醫(yī)院、療養(yǎng)院、車站、機場、碼頭等領(lǐng)域的交通工具。

【發(fā)明內(nèi)容】

[0004] 針對上述問題，本發(fā)明提供一種能夠自主導(dǎo)航巡邏車。
[0005] 本發(fā)明的目的采用以下技術(shù)方案來實現(xiàn)：
[0006] -種能夠自主導(dǎo)航巡邏車，包括巡邏車和道路檢測裝置，其中巡邏車包括:底盤， 車輪，頂蓋，座椅和動力系統(tǒng)。
[0007] 優(yōu)選地，所述底盤內(nèi)設(shè)有蓄電池，所述蓄電池和動力系統(tǒng)連接，所述底盤下面安裝 有車輪，所述底盤上面安裝有支架，所述支架上設(shè)有太陽能電池板，所述太陽能電池板與蓄 電池相連接。
[0008] 優(yōu)選地，所述支架上設(shè)有可拆卸的頂蓋，所述頂蓋位于太陽能電池板的頂部。
[0009] 優(yōu)選地，所述道路檢測裝置包括依次連接的圖像采集模塊、彩色圖像預(yù)處理模塊 和道路自適應(yīng)檢測模塊；
[0010]所述圖像采集模塊用于采集外界信息的彩色圖像；
[0011]所述彩色圖像預(yù)處理模塊用于對彩色圖像進行投影預(yù)處理，預(yù)處理時采用HSV模 型，彩色圖像的預(yù)處理結(jié)果根據(jù)亮度分量V的數(shù)值在色調(diào)分量H、飽和度分量S、亮度分量V三 個分量之間選擇，當(dāng)存在飽和度過低或者亮度過低或者過高時，圖像分割主要依靠亮度分 量V的信息，其余情況下，采用色調(diào)分量Η進行目標(biāo)提??；
[0012]所述道路自適應(yīng)檢測模塊用于檢測、合并道路區(qū)域，并將剩余區(qū)域全部映射到非 道路區(qū)域中；所述道路自適應(yīng)檢測模塊包括：
[0013] (1)直方圖閾值粗分割子模塊，用于對由彩色圖像預(yù)處理模塊預(yù)處理后的圖像進 行粗分割，其對預(yù)處理后的圖像進行直方圖構(gòu)造，并采用直方圖多閾值法、以波谷點的位置 作為閾值對預(yù)處理后的圖像進行粗分割，采用如下算法對所述波谷點進行選擇：
[0014] 設(shè)?,為灰度值為i的像素點在預(yù)處理后的圖像中出現(xiàn)的頻率，讓?,與其相鄰的局部 鄰域Pt作比較，Pt={Pi-n，.. .，Ρ?Ρ?+1，. . .Pi+n}，參數(shù)η的取值范圍為[4,8]，表示Pt左右鄰 域像頻范圍，Pt中最小頻率值為Pt min，次最小頻率值為Pt min s，若€ ，則i是波 谷點，右尸f min ·尸! mins，則?不是波谷點，走乂谷點函數(shù)￥ ( ? ):
[0016] 對選出的所有谷點v(i) = l，增加距離約束條件和概率約束條件，若相鄰谷點i和j 之間的距離表示為d= I i-j I，概率差表示為g= iPi-Pjl，設(shè)定距離參數(shù)D來反映波谷點之間 應(yīng)保持的最小距離，且
，Dmi4PDmax分別為相鄰波谷點最小距離和最大 距離，定義距離約束函數(shù)d(i): (,[\ui > D
[0017] ? ' (〇,J<D
[0018] 設(shè)定概率差參數(shù)G來反映波谷點間的閾值差，且
和Gmax分別為相鄰波谷點間的最小概率差和最大概率差，定義概率差約束函數(shù)g( i): ,、I l,g > G [_]洲= lk<G
[0020] 定義波谷點選擇函數(shù)為：
[0021] x(i)=v(i) Xd(i) Xg(i)
[0022]式中，當(dāng)x(i) = l時，表示波谷點被選中；
[0023] (5)道路識別子模塊：用于通過多神經(jīng)網(wǎng)絡(luò)檢測的方式對經(jīng)直方圖閾值粗分割子 模塊分割后的區(qū)域進行識別，進而在多神經(jīng)網(wǎng)絡(luò)中選擇合適的神經(jīng)網(wǎng)絡(luò)對道路區(qū)域進行合 并，并將剩余區(qū)域直接映射到非道路區(qū)域，所述多神經(jīng)網(wǎng)絡(luò)包括N個神經(jīng)網(wǎng)絡(luò)，Ne[3,5]，其 中每個神經(jīng)網(wǎng)絡(luò)的正負訓(xùn)練樣本來自放置在不同區(qū)域的多個窗口，設(shè)所述多神經(jīng)網(wǎng)絡(luò)表示 為{Wi(yi，δι)，W2(li2，δ2)，· · ·，？Ν(μΝ, δΝ)}，μ和δ分別表不對應(yīng)于神經(jīng)網(wǎng)絡(luò)的正訓(xùn)練樣本和負 訓(xùn)練樣本，則定義網(wǎng)絡(luò)選取模型為：
[0024] ff= {ffk(yk,5k) ,f (yk) = 1 ,f (5k) =0,ke [1 ,Ν]}
[0025] 其中，W為最終選取的合適網(wǎng)絡(luò)，Wk(yk?表示合適的神經(jīng)網(wǎng)絡(luò)，f(yk)表示神經(jīng)網(wǎng) 絡(luò)Wk(yk，3k)的正訓(xùn)練樣本窗口檢測結(jié)果為1，f (δι〇表不Wk(yk，3k)的負訓(xùn)練樣本窗口檢測結(jié) 果為〇;
[0026] (6)網(wǎng)絡(luò)訓(xùn)練子模塊，用于在道路識別子模塊運作的同時使用合適網(wǎng)絡(luò)的訓(xùn)練樣 本窗口提取的特征對神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練；
[0027] (7)車輛引導(dǎo)線提取子模塊:用于提取車輛引導(dǎo)線，所述車輛引導(dǎo)線定義為道路區(qū) 域和非道路區(qū)域的分界線。
[0028]所述彩色圖像預(yù)處理模塊中，進行目標(biāo)提取時基于HSV空間中顏色分量投影模型， 投影公式為： ,、iK(v,v) V(x, v) > T" 〇rV{x, ν) < 7； w5(.v, ν) <
[0029] Γ(.υ,γ)= \ , ^ \ ?： ' -； (//(λ\ v)x〇' + ^ yoiherwise)
[0030] 式中，當(dāng)不滿足「(.v,.v)：ir 7;:orS(.v,.v)< Γ時，將色調(diào)分量Η投影到V平 面;V(x，y)表示亮度分量V上對應(yīng)的點，H(x，y)為色調(diào)分量Η上對應(yīng)的點，σ表示用于避免色 調(diào)分量Η和亮度分量V重合的拉伸因子，ξ是投影以后數(shù)值的分段，ξ>〇，Τ5為設(shè)定的飽和度 閾值，％％為設(shè)定的亮度閾值。
[0031] 優(yōu)選地，所述飽和度閾值和亮度閾值的取值分別為=230,7；, = K)，ts = 20。
[0032] 其中，所述網(wǎng)絡(luò)訓(xùn)練子模塊包括：
[0033] (1)特征提取單元，其采用3個尺度和6個方向構(gòu)成的18個小波濾波器進行Gabor小 波變換，提取預(yù)處理后的圖像的紋理特征，同時采用10窗口提取預(yù)處理后的圖像的顏色特 征，并量化為4級，以得到22維特征；
[0034] (2)神經(jīng)網(wǎng)絡(luò)構(gòu)建單元，用于根據(jù)所述22維特征構(gòu)建神經(jīng)網(wǎng)絡(luò)，神經(jīng)網(wǎng)絡(luò)包括輸入 層、中間層和輸出層，輸入層設(shè)置22個神經(jīng)元，輸出層設(shè)置1個神經(jīng)元，輸出為1時表示道路 區(qū)域，輸出為〇時表示非道路區(qū)域；
[0035] (3)網(wǎng)絡(luò)訓(xùn)練單元，用于在車輛運動過程中每隔2s對神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練。
[0036]本發(fā)明的有益效果為：
[0037] 1、HSV空間把亮度分量單獨分離出來，為色彩的處理和識別提供了方便，另外HSV 空間主要是以對顏色的主觀感受來描述顏色，所以比較符合人的視覺特征，建立HSV空間中 顏色分量投影模型，把Η分量投影到V平面，魯棒性較好，而且比較穩(wěn)定，能夠準確的表達目 標(biāo)固有的顏色特征，經(jīng)過處理后的彩色圖像跟灰度圖像一樣，都是二維的，數(shù)據(jù)量較小，大 大簡化了圖像分析和處理的工作量；
[0038] 2、實際在道路圖像中，包含多個目標(biāo)，背景也較為復(fù)雜，在直方圖中可能出現(xiàn)具有 多個波峰和波谷的情況，用單閾值分割不能有效的分割出目標(biāo)區(qū)域，直方圖中波峰位置表 示對應(yīng)顏色的像素在圖像中出現(xiàn)的頻率較高，波谷位置表示對應(yīng)的顏色像素出現(xiàn)的頻率較 小，因此把波谷點位置作為閾值進行分割，可以得到比較完整的區(qū)域;相近的波峰點或波谷 點都將被選擇出來，這種情況下添加了距離約束條件和概率差約束條件，選出其中合理的 波谷點；
[0039] 3、設(shè)置道路識別子模塊，通過多神經(jīng)網(wǎng)絡(luò)檢測的方式對經(jīng)直方圖閾值粗分割子模 塊分割后的區(qū)域進行識別，選擇合適的神經(jīng)網(wǎng)絡(luò)對道路區(qū)域進行合并，將剩余區(qū)域直接映 射到非道路區(qū)域，并定義網(wǎng)絡(luò)選取模型，提高了識別的效率；
[0040] 4、在車輛運動過程中每隔2s對神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，達到對道路進行自適應(yīng)檢測的 要求。
【附圖說明】
[0041] 利用附圖對本發(fā)明作進一步說明，但附圖中的實施例不構(gòu)成對本發(fā)明的任何限 制，對于本領(lǐng)域的普通技術(shù)人員，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)以下附圖獲得 其它的附圖。
[0042] 圖1是本發(fā)明道路檢測裝置各模塊的連接示意圖。
[0043] 圖2是本發(fā)明巡邏車示意圖。
【具體實施方式】
[0044] 結(jié)合以下實施例對本發(fā)明作進一步描述。
[0045] 實施例1
[0046] 參見圖1，圖2,本實施例一種能夠自主導(dǎo)航巡邏車，包括巡邏車和道路檢測裝置， 其中巡邏車包括:底盤，車輪，頂蓋，座椅和動力系統(tǒng)。
[0047] 優(yōu)選地，所述底盤內(nèi)設(shè)有蓄電池，所述蓄電池和動力系統(tǒng)連接，所述底盤下面安裝 有車輪，所述底盤上面安裝有支架，所述支架上設(shè)有太陽能電池板，所述太陽能電池板與蓄 電池相連接。
[0048] 優(yōu)選地，所述支架上設(shè)有可拆卸的頂蓋，所述頂蓋位于太陽能電池板的頂部。
[0049] 優(yōu)選地，所述道路檢測裝置包括依次連接的圖像采集模塊、彩色圖像預(yù)處理模塊 和道路自適應(yīng)檢測模塊；
[0050]所述圖像采集模塊用于采集外界信息的彩色圖像；
[0051]所述彩色圖像預(yù)處理模塊用于對彩色圖像進行投影預(yù)處理，預(yù)處理時采用HSV模 型，彩色圖像的預(yù)處理結(jié)果根據(jù)亮度分量V的數(shù)值在色調(diào)分量H、飽和度分量S、亮度分量V三 個分量之間選擇，當(dāng)存在飽和度過低或者亮度過低或者過高時，圖像分割主要依靠亮度分 量V的信息，其余情況下，采用色調(diào)分量Η進行目標(biāo)提取；
[0052]所述道路自適應(yīng)檢測模塊用于檢測、合并道路區(qū)域，并將剩余區(qū)域全部映射到非 道路區(qū)域中；所述道路自適應(yīng)檢測模塊包括：
[0053] (1)直方圖閾值粗分割子模塊，用于對由彩色圖像預(yù)處理模塊預(yù)處理后的圖像進 行粗分割，其對預(yù)處理后的圖像進行直方圖構(gòu)造，并采用直方圖多閾值法、以波谷點的位置 作為閾值對預(yù)處理后的圖像進行粗分割，采用如下算法對所述波谷點進行選擇：
[0054] SPi為灰度值為i的像素點在預(yù)處理后的圖像中出現(xiàn)的頻率，讓?:與其相鄰的局部 鄰域Pt作比較，Pt={Pi-n，.. .，Pi-. . .Pi+n}，參數(shù)η的取值范圍為[4,8]，表示pt左右鄰 域像頻范圍，Pt中最小頻率值為Pt min，次最小頻率值為Pt min s，若/^ VH,，則i是波 谷點，若6 ，則i不是波谷點，定義谷點函數(shù)v(i):
[0056] 對選出的所有谷點v(i) = l，增加距離約束條件和概率約束條件，若相鄰谷點i和j 之間的距離表示為d= | i-j |，概率差表示為g= iPi-Pjl，設(shè)定距離參數(shù)D來反映波谷點之間 應(yīng)保持的最小距離，且
，Dmi4PDmax分別為相鄰波谷點最小距離和最大 距離，定義距離約束函數(shù)d(i):
[0057] "(/)H〇,/<d
[0058] 設(shè)定概率差參數(shù)G來反映波谷點間的閾值差，且
和Gmax分別為相鄰波谷點間的最小概率差和最大概率差，定義概率差約束函數(shù)g( i): il,tcf>G
[0059] .
[0，g<G
[0060] 定義波谷點選擇函數(shù)為：
[0061] x(i)=v(i) Xd(i) Xg(i)
[0062]式中，當(dāng)x(i) = l時，表示波谷點被選中；
[0063] (8)道路識別子模塊：用于通過多神經(jīng)網(wǎng)絡(luò)檢測的方式對經(jīng)直方圖閾值粗分割子 模塊分割后的區(qū)域進行識別，進而在多神經(jīng)網(wǎng)絡(luò)中選擇合適的神經(jīng)網(wǎng)絡(luò)對道路區(qū)域進行合 并，并將剩余區(qū)域直接映射到非道路區(qū)域，所述多神經(jīng)網(wǎng)絡(luò)包括N個神經(jīng)網(wǎng)絡(luò)，神經(jīng)網(wǎng)絡(luò)數(shù) 目Ne[3,5]，其中每個神經(jīng)網(wǎng)絡(luò)的正負訓(xùn)練樣本來自放置在不同區(qū)域的多個窗口，設(shè)所述 多神經(jīng)網(wǎng)絡(luò)表不為{Wi(yi，5i)，ψ2(μ2，δ2)，· · ·，？Ν(μΝ，δΝ)}，μ和δ分別表不對應(yīng)于神經(jīng)網(wǎng)絡(luò)的 正訓(xùn)練樣本和負訓(xùn)練樣本，則定義網(wǎng)絡(luò)選取模型為：
[0064] ff= {ffk(yk,5k) ,f (yk) = 1 ,f (5k) =0,ke [1 ,Ν]}
[0065] 其中，W為最終選取的合適網(wǎng)絡(luò)，Wk(ykJk)表示合適的神經(jīng)網(wǎng)絡(luò)，f(y k)表示神經(jīng)網(wǎng) 絡(luò)Wk(yk，3k)的正訓(xùn)練樣本窗口檢測結(jié)果為1，f (δι〇表不Wk(yk，3k)的負訓(xùn)練樣本窗口檢測結(jié) 果為〇;
[0066] (9)網(wǎng)絡(luò)訓(xùn)練子模塊，用于在道路識別子模塊運作的同時使用合適網(wǎng)絡(luò)的訓(xùn)練樣 本窗口提取的特征對神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練；
[0067] (10)車輛引導(dǎo)線提取子模塊：用于提取車輛引導(dǎo)線，所述車輛引導(dǎo)線定義為道路 區(qū)域和非道路區(qū)域的分界線。
[0068]所述彩色圖像預(yù)處理模塊中，進行目標(biāo)提取時基于HSV空間中顏色分量投影模型， 投影公式為： ,,[r(.v.v) y(x, ν)>Τ： orV{x, v)< Tt orS\^ x)<Ts
[0069] Κ?,ν,ν)^ ； ·丨….， I //(V.v, rjxa-r^ (o/A^niv.ve )
[0070] 式中，M'| 小滿足「(.ν,.ν)》7;，γ5·(.υ,.γ)< Γ吋，將色調(diào)分量H投影到V平 面;V(x，y)表示亮度分量V上對應(yīng)的點，H(x，y)為色調(diào)分量Η上對應(yīng)的點，σ表示用于避免色 調(diào)分量Η和亮度分量V重合的拉伸因子，ξ是投影以后數(shù)值的分段，ξ>〇，Τ5為設(shè)定的飽和度 閾值，％、Α為設(shè)定的亮度閾值。
[0071] 優(yōu)選地，所述飽和度閾值和亮度閾值的取值分別為A, =230,7]: =10，Ts = 20。
[0072] 其中，所述網(wǎng)絡(luò)訓(xùn)練子模塊包括：
[0073] (1)特征提取單元，其采用3個尺度和6個方向構(gòu)成的18個小波濾波器進行Gabor小 波變換，提取預(yù)處理后的圖像的紋理特征，同時采用10窗口提取預(yù)處理后的圖像的顏色特 征，并量化為4級，以得到22維特征；
[0074] (2)神經(jīng)網(wǎng)絡(luò)構(gòu)建單元，用于根據(jù)所述22維特征構(gòu)建神經(jīng)網(wǎng)絡(luò)，神經(jīng)網(wǎng)絡(luò)包括輸入 層、中間層和輸出層，輸入層設(shè)置22個神經(jīng)元，輸出層設(shè)置1個神經(jīng)元，輸出為1時表示道路 區(qū)域，輸出為〇時表示非道路區(qū)域；
[0075] (3)網(wǎng)絡(luò)訓(xùn)練單元，用于在車輛運動過程中每隔2s對神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練。
[0076] 本實施例設(shè)置彩色圖像預(yù)處理模塊，大大簡化了圖像分析和處理的工作量;在直 方圖閾值粗分割子模塊中，把波谷點位置作為閾值進行分割，可以得到比較完整的區(qū)域;設(shè) 置道路識別子模塊，通過多神經(jīng)網(wǎng)絡(luò)檢測的方式對經(jīng)直方圖閾值粗分割子模塊分割后的區(qū) 域進行識別，選擇合適的神經(jīng)網(wǎng)絡(luò)對道路區(qū)域進行合并，將剩余區(qū)域直接映射到非道路區(qū) 域，并定義網(wǎng)絡(luò)選取模型，提高了識別的效率，同時在車輛運動過程中每隔2s對神經(jīng)網(wǎng)絡(luò)進 行訓(xùn)練，達到對道路進行自適應(yīng)檢測的要求;本實施例參數(shù)η取值為4，N取值為3，檢測效率 相對提尚了3%。
[0077] 實施例2
[0078] 參見圖1，圖2,本實施例一種能夠自主導(dǎo)航巡邏車，包括巡邏車和道路檢測裝置， 其中巡邏車包括:底盤，車輪，頂蓋，座椅和動力系統(tǒng)。
[0079] 優(yōu)選地，所述底盤內(nèi)設(shè)有蓄電池，所述蓄電池和動力系統(tǒng)連接，所述底盤下面安裝 有車輪，所述底盤上面安裝有支架，所述支架上設(shè)有太陽能電池板，所述太陽能電池板與蓄 電池相連接。
[0080] 優(yōu)選地，所述支架上設(shè)有可拆卸的頂蓋，所述頂蓋位于太陽能電池板的頂部。
[0081]優(yōu)選地，所述道路檢測裝置包括依次連接的圖像采集模塊、彩色圖像預(yù)處理模塊 和道路自適應(yīng)檢測模塊；
[0082]所述圖像采集模塊用于采集外界信息的彩色圖像；
[0083]所述彩色圖像預(yù)處理模塊用于對彩色圖像進行投影預(yù)處理，預(yù)處理時采用HSV模 型，彩色圖像的預(yù)處理結(jié)果根據(jù)亮度分量V的數(shù)值在色調(diào)分量Η、飽和度分量S、亮度分量V三 個分量之間選擇，當(dāng)存在飽和度過低或者亮度過低或者過高時，圖像分割主要依靠亮度分 量V的信息，其余情況下，采用色調(diào)分量Η進行目標(biāo)提取；
[0084]所述道路自適應(yīng)檢測模塊用于檢測、合并道路區(qū)域，并將剩余區(qū)域全部映射到非 道路區(qū)域中；所述道路自適應(yīng)檢測模塊包括：
[0085] (1)直方圖閾值粗分割子模塊，用于對由彩色圖像預(yù)處理模塊預(yù)處理后的圖像進 行粗分割，其對預(yù)處理后的圖像進行直方圖構(gòu)造，并采用直方圖多閾值法、以波谷點的位置 作為閾值對預(yù)處理后的圖像進行粗分割，采用如下算法對所述波谷點進行選擇：
[0086]設(shè)?,為灰度值為i的像素點在預(yù)處理后的圖像中出現(xiàn)的頻率，讓?,與其相鄰的局部 鄰域Pt作比較，Pt={Pi-n，.. .，Pi-. . .Pi+n}，參數(shù)η的取值范圍為[4,8]，表示pt左右鄰 域像頻范圍，Pt中最小頻率值為Pt min，次最小頻率值為Pt min s，若巧5； VK-，則i是波 谷點，若6 min · ，則i不是波谷點，定義谷點函數(shù)v(i):
[0088]對選出的所有谷點v(i) = l，增加距離約束條件和概率約束條件，若相鄰谷點i和j 之間的距離表示為d= | i-j |，概率差表示為g= iPi-Pjl，設(shè)定距離參數(shù)D來反映波谷點之間 應(yīng)保持的最小距離，且
.Dmin和Dmax分別為相鄰波谷點最小距離和最大 距離，定義距離約束函數(shù)d(i): ,,\\J>D _外)」M<d
[0090] 設(shè)定概率差參數(shù)G來反映波谷點間的閾值差，且
和Gmax分別為相鄰波谷點間的最小概率差和最大概率差，定義概率差約束函數(shù)g( i): ,、fl,g>6'
[0091] g(/,)=
[0092] 定義波谷點選擇函數(shù)為：
[0093] x(i)=v(i) Xd(i) Xg(i)
[0094]式中，當(dāng)x(i) = l時，表示波谷點被選中；
[0095] (11)道路識別子模塊:用于通過多神經(jīng)網(wǎng)絡(luò)檢測的方式對經(jīng)直方圖閾值粗分割子 模塊分割后的區(qū)域進行識別，進而在多神經(jīng)網(wǎng)絡(luò)中選擇合適的神經(jīng)網(wǎng)絡(luò)對道路區(qū)域進行合 并，并將剩余區(qū)域直接映射到非道路區(qū)域，所述多神經(jīng)網(wǎng)絡(luò)包括N個神經(jīng)網(wǎng)絡(luò)，神經(jīng)網(wǎng)絡(luò)數(shù) 目Ne[3,5]，其中每個神經(jīng)網(wǎng)絡(luò)的正負訓(xùn)練樣本來自放置在不同區(qū)域的多個窗口，設(shè)所述 多神經(jīng)網(wǎng)絡(luò)表不為{Wi(yi，5i)，ψ2(μ2，δ2)，· · ·，？Ν(μΝ，δΝ)}，μ和δ分別表不對應(yīng)于神經(jīng)網(wǎng)絡(luò)的 正訓(xùn)練樣本和負訓(xùn)練樣本，則定義網(wǎng)絡(luò)選取模型為：
[0096] ff= {ffk(yk,5k) ,f (yk) = 1 ,f (5k) =0,ke [1 ,Ν]}
[0097] 其中，W為最終選取的合適網(wǎng)絡(luò)，Wk(ykJk)表示合適的神經(jīng)網(wǎng)絡(luò)，f(y k)表示神經(jīng)網(wǎng) 絡(luò)Wk(yk，3k)的正訓(xùn)練樣本窗口檢測結(jié)果為1，f (δι〇表不Wk(yk，3k)的負訓(xùn)練樣本窗口檢測結(jié) 果為〇;
[0098] (12)網(wǎng)絡(luò)訓(xùn)練子模塊，用于在道路識別子模塊運作的同時使用合適網(wǎng)絡(luò)的訓(xùn)練樣 本窗口提取的特征對神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練；
[0099] (13)車輛引導(dǎo)線提取子模塊：用于提取車輛引導(dǎo)線，所述車輛引導(dǎo)線定義為道路 區(qū)域和非道路區(qū)域的分界線。
[0100] 所述彩色圖像預(yù)處理模塊中，進行目標(biāo)提取時基于HSV空間中顏色分量投影模型， 投影公式為： ,、1>'?-ν, ν) κ(λ·. r')> T"orV(x, v)< Tt orS{.\\ v)< T
[0101] F(.t..v)= 、，· '、 \ ； V
[//U, v)x0' + c lotheruise)
[0102] 式中，當(dāng)不滿足7>rS(.v,/)< Γ時，將色調(diào)分量H投影到V平 面;V(x，y)表示亮度分量V上對應(yīng)的點，H(x，y)為色調(diào)分量Η上對應(yīng)的點，σ表示用于避免色 調(diào)分量Η和亮度分量V重合的拉伸因子，ξ是投影以后數(shù)值的分段，ξ>〇，Τ5為設(shè)定的飽和度 閾值，％、％為設(shè)定的亮度閾值。
[0103] 優(yōu)選地，所述飽和度閾值和亮度閾值的取值分別為= 10 ts = 20。
[0104] 其中，所述網(wǎng)絡(luò)訓(xùn)練子模塊包括：
[0105] (1)特征提取單元，其采用3個尺度和6個方向構(gòu)成的18個小波濾波器進行Gabor小 波變換，提取預(yù)處理后的圖像的紋理特征，同時采用10窗口提取預(yù)處理后的圖像的顏色特 征，并量化為4級，以得到22維特征；
[0106] (2)神經(jīng)網(wǎng)絡(luò)構(gòu)建單元，用于根據(jù)所述22維特征構(gòu)建神經(jīng)網(wǎng)絡(luò)，神經(jīng)網(wǎng)絡(luò)包括輸入 層、中間層和輸出層，輸入層設(shè)置22個神經(jīng)元，輸出層設(shè)置1個神經(jīng)元，輸出為1時表示道路 區(qū)域，輸出為〇時表示非道路區(qū)域；
[0107] (3)網(wǎng)絡(luò)訓(xùn)練單元，用于在車輛運動過程中每隔2s對神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練。
[0108] 本實施例設(shè)置彩色圖像預(yù)處理模塊，大大簡化了圖像分析和處理的工作量;在直 方圖閾值粗分割子模塊中，把波谷點位置作為閾值進行分割，可以得到比較完整的區(qū)域;設(shè) 置道路識別子模塊，通過多神經(jīng)網(wǎng)絡(luò)檢測的方式對經(jīng)直方圖閾值粗分割子模塊分割后的區(qū) 域進行識別，選擇合適的神經(jīng)網(wǎng)絡(luò)對道路區(qū)域進行合并，將剩余區(qū)域直接映射到非道路區(qū) 域，并定義網(wǎng)絡(luò)選取模型，提高了識別的效率，同時在車輛運動過程中每隔2S對神經(jīng)網(wǎng)絡(luò)進 行訓(xùn)練，達到對道路進行自適應(yīng)檢測的要求;本實施例參數(shù)η取值為5，N取值為3，檢測效率 相對提高了3.2%。
[0109] 實施例3
[011 0]參見圖1，圖2，本實施例一種能夠自主導(dǎo)航巡邏車，包括巡邏車和道路檢測裝置， 其中巡邏車包括:底盤，車輪，頂蓋，座椅和動力系統(tǒng)。
[0111] 優(yōu)選地，所述底盤內(nèi)設(shè)有蓄電池，所述蓄電池和動力系統(tǒng)連接，所述底盤下面安裝 有車輪，所述底盤上面安裝有支架，所述支架上設(shè)有太陽能電池板，所述太陽能電池板與蓄 電池相連接。
[0112] 優(yōu)選地，所述支架上設(shè)有可拆卸的頂蓋，所述頂蓋位于太陽能電池板的頂部。
[0113] 優(yōu)選地，所述道路檢測裝置包括依次連接的圖像采集模塊、彩色圖像預(yù)處理模塊 和道路自適應(yīng)檢測模塊；
[0114]所述圖像采集模塊用于采集外界信息的彩色圖像；
[0115]所述彩色圖像預(yù)處理模塊用于對彩色圖像進行投影預(yù)處理，預(yù)處理時采用HSV模 型，彩色圖像的預(yù)處理結(jié)果根據(jù)亮度分量V的數(shù)值在色調(diào)分量Η、飽和度分量S、亮度分量V三 個分量之間選擇，當(dāng)存在飽和度過低或者亮度過低或者過高時，圖像分割主要依靠亮度分 量V的信息，其余情況下，采用色調(diào)分量Η進行目標(biāo)提?。?br>[0116]所述道路自適應(yīng)檢測模塊用于檢測、合并道路區(qū)域，并將剩余區(qū)域全部映射到非 道路區(qū)域中；所述道路自適應(yīng)檢測模塊包括：
[0117] (1)直方圖閾值粗分割子模塊，用于對由彩色圖像預(yù)處理模塊預(yù)處理后的圖像進 行粗分割，其對預(yù)處理后的圖像進行直方圖構(gòu)造，并采用直方圖多閾值法、以波谷點的位置 作為閾值對預(yù)處理后的圖像進行粗分割，采用如下算法對所述波谷點進行選擇：
[0118] SPi為灰度值為i的像素點在預(yù)處理后的圖像中出現(xiàn)的頻率，讓?,與其相鄰的局部 鄰域pt作比較，Pt={Pi-n，.. .，Pi-. . .Pi+n}，參數(shù)η的取值范圍為[4,8]，表示pt左右鄰 域像頻范圍，Pt中最小頻率值為Pt min，次最小頻率值為Pt min s，若/^拉-·Ρη_，則i是波 谷點，右f > -\J min * ^ mins，則?不是波谷點，走乂谷點函數(shù)？ ( i ): /A ^ Pi - V-^min * 尸imins
[0119] v(/) = {__ 〇，e >νκ·η,
[0120] 對選出的所有谷點v(i) = l，增加距離約束條件和概率約束條件，若相鄰谷點i和j 之間的距離表示為d= I i-j I，概率差表示為g= iPi-Pjl，設(shè)定距離參數(shù)D來反映波谷點之間 應(yīng)保持的最小距離，5
，Dmi4PDmax分別為相鄰波谷點最小距離和最大 距離，定義距離約束函數(shù)d(i): 、\\M >D
[0122]設(shè)定概率差參數(shù)G來反映波谷點間的閾值差，且
，Gmin 和Gmax分別為相鄰波谷點間的最小概率差和最大概率差，定義概率差約束函數(shù)g( i): i\,g>G
[。123]養(yǎng)
[0124] 定義波谷點選擇函數(shù)為：
[0125] x(i)=v(i)Xd(i)Xg(i)
[0126] 式中，當(dāng)x(i) = l時，表示波谷點被選中；
[0127] (14)道路識別子模塊:用于通過多神經(jīng)網(wǎng)絡(luò)檢測的方式對經(jīng)直方圖閾值粗分割子 模塊分割后的區(qū)域進行識別，進而在多神經(jīng)網(wǎng)絡(luò)中選擇合適的神經(jīng)網(wǎng)絡(luò)對道路區(qū)域進行合 并，并將剩余區(qū)域直接映射到非道路區(qū)域，所述多神經(jīng)網(wǎng)絡(luò)包括N個神經(jīng)網(wǎng)絡(luò)，神經(jīng)網(wǎng)絡(luò)數(shù) 目Ne[3,5]，其中每個神經(jīng)網(wǎng)絡(luò)的正負訓(xùn)練樣本來自放置在不同區(qū)域的多個窗口，設(shè)所述 多神經(jīng)網(wǎng)絡(luò)表不為{Wi(yi，5i)，ψ2(μ2，δ2)，· · ·，？Ν(μΝ，δΝ)}，μ和δ分別表不對應(yīng)于神經(jīng)網(wǎng)絡(luò)的 正訓(xùn)練樣本和負訓(xùn)練樣本，則定義網(wǎng)絡(luò)選取模型為：
[0128] ff= {ffk(yk,5k) ,f (yk) = 1 ,f (5k) =0,ke [1 ,Ν]}
[0129] 其中，W為最終選取的合適網(wǎng)絡(luò)，Wk(yk?表示合適的神經(jīng)網(wǎng)絡(luò)，f(y k)表示神經(jīng)網(wǎng) 絡(luò)Wk(yk，3k)的正訓(xùn)練樣本窗口檢測結(jié)果為1，f (δι〇表不Wk(yk，3k)的負訓(xùn)練樣本窗口檢測結(jié) 果為〇;
[0130] (15)網(wǎng)絡(luò)訓(xùn)練子模塊，用于在道路識別子模塊運作的同時使用合適網(wǎng)絡(luò)的訓(xùn)練樣 本窗口提取的特征對神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練；
[0131] (16)車輛引導(dǎo)線提取子模塊：用于提取車輛引導(dǎo)線，所述車輛引導(dǎo)線定義為道路 區(qū)域和非道路區(qū)域的分界線。
[0132] 所述彩色圖像預(yù)處理模塊中，進行目標(biāo)提取時基于HSV空間中顏色分量投影模型， 投影公式為： L〇133 J V v) - ? ., , ν 、 、 [//(χ，ν')χ σ + 4' \othcr\visc)
[0134] 式中，當(dāng)不滿足「(Λ-,.ν)》7；，以7;/)γ5'(.υ〇')< 7'時，將色調(diào)分量Η投影到V平 面;V(x，y)表示亮度分量V上對應(yīng)的點，H(x，y)為色調(diào)分量Η上對應(yīng)的點，σ表示用于避免色 調(diào)分量Η和亮度分量V重合的拉伸因子，ξ是投影以后數(shù)值的分段，ξ>〇，Τ5為設(shè)定的飽和度 閾值，義、％為設(shè)定的亮度閾值。
[0135] 優(yōu)選地，所述飽和度閾值和亮度閾值的取值分別為=230>7;: = I0，ts = 20。
[0136] 其中，所述網(wǎng)絡(luò)訓(xùn)練子模塊包括：
[0137] (1)特征提取單元，其采用3個尺度和6個方向構(gòu)成的18個小波濾波器進行Gabor小 波變換，提取預(yù)處理后的圖像的紋理特征，同時采用10窗口提取預(yù)處理后的圖像的顏色特 征，并量化為4級，以得到22維特征；
[0138] (2)神經(jīng)網(wǎng)絡(luò)構(gòu)建單元，用于根據(jù)所述22維特征構(gòu)建神經(jīng)網(wǎng)絡(luò)，神經(jīng)網(wǎng)絡(luò)包括輸入 層、中間層和輸出層，輸入層設(shè)置22個神經(jīng)元，輸出層設(shè)置1個神經(jīng)元，輸出為1時表示道路 區(qū)域，輸出為〇時表示非道路區(qū)域；
[0139] (3)網(wǎng)絡(luò)訓(xùn)練單元，用于在車輛運動過程中每隔2s對神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練。
[0140]本實施例設(shè)置彩色圖像預(yù)處理模塊，大大簡化了圖像分析和處理的工作量;在直 方圖閾值粗分割子模塊中，把波谷點位置作為閾值進行分割，可以得到比較完整的區(qū)域;設(shè) 置道路識別子模塊，通過多神經(jīng)網(wǎng)絡(luò)檢測的方式對經(jīng)直方圖閾值粗分割子模塊分割后的區(qū) 域進行識別，選擇合適的神經(jīng)網(wǎng)絡(luò)對道路區(qū)域進行合并，將剩余區(qū)域直接映射到非道路區(qū) 域，并定義網(wǎng)絡(luò)選取模型，提高了識別的效率，同時在車輛運動過程中每隔2s對神經(jīng)網(wǎng)絡(luò)進 行訓(xùn)練，達到對道路進行自適應(yīng)檢測的要求;本實施例參數(shù)η取值為6，N取值為4，檢測效率 相對提高了3.5%。
[0141] 實施例4
[0142] 參見圖1，圖2,本實施例一種能夠自主導(dǎo)航巡邏車，包括巡邏車和道路檢測裝置， 其中巡邏車包括:底盤，車輪，頂蓋，座椅和動力系統(tǒng)。
[0143] 優(yōu)選地，所述底盤內(nèi)設(shè)有蓄電池，所述蓄電池和動力系統(tǒng)連接，所述底盤下面安裝 有車輪，所述底盤上面安裝有支架，所述支架上設(shè)有太陽能電池板，所述太陽能電池板與蓄 電池相連接。
[0144] 優(yōu)選地，所述支架上設(shè)有可拆卸的頂蓋，所述頂蓋位于太陽能電池板的頂部。
[0145] 優(yōu)選地，所述道路檢測裝置包括依次連接的圖像采集模塊、彩色圖像預(yù)處理模塊 和道路自適應(yīng)檢測模塊；
[0146] 所述圖像采集模塊用于采集外界信息的彩色圖像；
[0147] 所述彩色圖像預(yù)處理模塊用于對彩色圖像進行投影預(yù)處理，預(yù)處理時采用HSV模 型，彩色圖像的預(yù)處理結(jié)果根據(jù)亮度分量V的數(shù)值在色調(diào)分量Η、飽和度分量S、亮度分量V三 個分量之間選擇，當(dāng)存在飽和度過低或者亮度過低或者過高時，圖像分割主要依靠亮度分 量V的信息，其余情況下，采用色調(diào)分量Η進行目標(biāo)提??；
[0148] 所述道路自適應(yīng)檢測模塊用于檢測、合并道路區(qū)域，并將剩余區(qū)域全部映射到非 道路區(qū)域中；所述道路自適應(yīng)檢測模塊包括：
[0149] (1)直方圖閾值粗分割子模塊，用于對由彩色圖像預(yù)處理模塊預(yù)處理后的圖像進 行粗分割，其對預(yù)處理后的圖像進行直方圖構(gòu)造，并采用直方圖多閾值法、以波谷點的位置 作為閾值對預(yù)處理后的圖像進行粗分割，采用如下算法對所述波谷點進行選擇：
[0150] SPi為灰度值為i的像素點在預(yù)處理后的圖像中出現(xiàn)的頻率，讓?1與其相鄰的局部 鄰域Pt作比較，Pt={Pi-n，.. .，Pi-. . .Pi+n}，參數(shù)η的取值范圍為[4,8]，表示pt左右鄰 域像頻范圍，Pt中最小頻率值為Pt min，次最小頻率值為Pt min s，若，則i是波 谷點，若€ > #_ ·fmini，則1不是波谷點，定義谷點函數(shù)v( i): 1，巧一slPtmm * ^ttmas
[0151] = ^ __ 〇，
[0152] 對選出的所有谷點v(i) = l，增加距離約束條件和概率約束條件，若相鄰谷點i和j 之間的距離表示為d= I i-j I，概率差表示為g= iPi-Pjl，設(shè)定距離參數(shù)D來反映波谷點之間 應(yīng)保持的最小距離，且
，Dmi4PDmax分別為相鄰波谷點最小距離和最大 距離，定義距離約束函數(shù)d(i):
[0153] 4/) = 1〇,/<d
[0154] 設(shè)定概率差參數(shù)G來反映波谷點間的閾值差，且
和Gmax分別為相鄰波谷點間的最小概率差和最大概率差，定義概率差約束函數(shù)g( i):
[0155] g{i) = \a r. (〇,g < 〇
[0156] 定義波谷點選擇函數(shù)為：
[0157] x(i)=v(i)Xd(i)Xg(i)
[0?58]式中，當(dāng)x(i) = l時，表示波谷點被選中；
[0159] (17)道路識別子模塊:用于通過多神經(jīng)網(wǎng)絡(luò)檢測的方式對經(jīng)直方圖閾值粗分割子 模塊分割后的區(qū)域進行識別，進而在多神經(jīng)網(wǎng)絡(luò)中選擇合適的神經(jīng)網(wǎng)絡(luò)對道路區(qū)域進行合 并，并將剩余區(qū)域直接映射到非道路區(qū)域，所述多神經(jīng)網(wǎng)絡(luò)包括N個神經(jīng)網(wǎng)絡(luò)，神經(jīng)網(wǎng)絡(luò)數(shù) 目Ne[3,5]，其中每個神經(jīng)網(wǎng)絡(luò)的正負訓(xùn)練樣本來自放置在不同區(qū)域的多個窗口，設(shè)所述 多神經(jīng)網(wǎng)絡(luò)表不為{Wi(yi，5i)，ψ2(μ2，δ2)，· · ·，？Ν(μΝ，δΝ)}，μ和δ分別表不對應(yīng)于神經(jīng)網(wǎng)絡(luò)的 正訓(xùn)練樣本和負訓(xùn)練樣本，則定義網(wǎng)絡(luò)選取模型為：
[0160] ff= {ffk(yk,5k) ,f (yk) = 1 ,f (5k) =0,ke [1 ,Ν]}
[0161] 其中，W為最終選取的合適網(wǎng)絡(luò)，Wk(yk?表示合適的神經(jīng)網(wǎng)絡(luò)，f( yk)表示神經(jīng)網(wǎng) 絡(luò)Wk(yk，3k)的正訓(xùn)練樣本窗口檢測結(jié)果為1，f (δι〇表不Wk(yk，3k)的負訓(xùn)練樣本窗口檢測結(jié) 果為〇;
[0162] (18)網(wǎng)絡(luò)訓(xùn)練子模塊，用于在道路識別子模塊運作的同時使用合適網(wǎng)絡(luò)的訓(xùn)練樣 本窗口提取的特征對神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練；
[0163] (19)車輛引導(dǎo)線提取子模塊：用于提取車輛引導(dǎo)線，所述車輛引導(dǎo)線定義為道路 區(qū)域和非道路區(qū)域的分界線。
[0164] 所述彩色圖像預(yù)處理模塊中，進行目標(biāo)提取時基于HSV空間中顏色分量投影模型， 投影公式為： ,、v) ^(.y, r)> T, orV(x. v)< T\ orS(x. v)< 7'
[0165] φ,ν)- ; · ' , ' ; ·' I//(.Y. v)x(T + i ^otherwise)
[0166] 式中，當(dāng)不滿足7； 7；，rS(.v, j)< Γ時，將色調(diào)分量H投影到V平 面;V(x，y)表示亮度分量V上對應(yīng)的點，H(x，y)為色調(diào)分量Η上對應(yīng)的點，σ表示用于避免色 調(diào)分量Η和亮度分量V重合的拉伸因子，ξ是投影以后數(shù)值的分段，ξ>〇，Τ5為設(shè)定的飽和度 閾值，％、仏為設(shè)定的亮度閾值。
[0167] 優(yōu)選地，所述飽和度閾值和亮度閾值的取值分別為=230，' =10, Ts = 2〇。
[0168] 其中，所述網(wǎng)絡(luò)訓(xùn)練子模塊包括：
[0169] (1)特征提取單元，其采用3個尺度和6個方向構(gòu)成的18個小波濾波器進行Gabor小 波變換，提取預(yù)處理后的圖像的紋理特征，同時采用10窗口提取預(yù)處理后的圖像的顏色特 征，并量化為4級，以得到22維特征；
[0170] (2)神經(jīng)網(wǎng)絡(luò)構(gòu)建單元，用于根據(jù)所述22維特征構(gòu)建神經(jīng)網(wǎng)絡(luò)，神經(jīng)網(wǎng)絡(luò)包括輸入 層、中間層和輸出層，輸入層設(shè)置22個神經(jīng)元，輸出層設(shè)置1個神經(jīng)元，輸出為1時表示道路 區(qū)域，輸出為〇時表示非道路區(qū)域；
[0171] (3)網(wǎng)絡(luò)訓(xùn)練單元，用于在車輛運動過程中每隔2s對神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練。
[0172]本實施例設(shè)置彩色圖像預(yù)處理模塊，大大簡化了圖像分析和處理的工作量;在直 方圖閾值粗分割子模塊中，把波谷點位置作為閾值進行分割，可以得到比較完整的區(qū)域;設(shè) 置道路識別子模塊，通過多神經(jīng)網(wǎng)絡(luò)檢測的方式對經(jīng)直方圖閾值粗分割子模塊分割后的區(qū) 域進行識別，選擇合適的神經(jīng)網(wǎng)絡(luò)對道路區(qū)域進行合并，將剩余區(qū)域直接映射到非道路區(qū) 域，并定義網(wǎng)絡(luò)選取模型，提高了識別的效率，同時在車輛運動過程中每隔2s對神經(jīng)網(wǎng)絡(luò)進 行訓(xùn)練，達到對道路進行自適應(yīng)檢測的要求;本實施例參數(shù)η取值為7，N取值為4，檢測效率 相對提尚了3.8%。
[0173] 實施例5
[0174] 參見圖1，圖2，本實施例一種能夠自主導(dǎo)航巡邏車，包括巡邏車和道路檢測裝置， 其中巡邏車包括:底盤，車輪，頂蓋，座椅和動力系統(tǒng)。
[0175] 優(yōu)選地，所述底盤內(nèi)設(shè)有蓄電池，所述蓄電池和動力系統(tǒng)連接，所述底盤下面安裝 有車輪，所述底盤上面安裝有支架，所述支架上設(shè)有太陽能電池板，所述太陽能電池板與蓄 電池相連接。
[0176] 優(yōu)選地，所述支架上設(shè)有可拆卸的頂蓋，所述頂蓋位于太陽能電池板的頂部。
[0177] 優(yōu)選地，所述道路檢測裝置包括依次連接的圖像采集模塊、彩色圖像預(yù)處理模塊 和道路自適應(yīng)檢測模塊；
[0178]所述圖像采集模塊用于采集外界信息的彩色圖像；
[0179]所述彩色圖像預(yù)處理模塊用于對彩色圖像進行投影預(yù)處理，預(yù)處理時采用HSV模 型，彩色圖像的預(yù)處理結(jié)果根據(jù)亮度分量V的數(shù)值在色調(diào)分量Η、飽和度分量S、亮度分量V三 個分量之間選擇，當(dāng)存在飽和度過低或者亮度過低或者過高時，圖像分割主要依靠亮度分 量V的信息，其余情況下，采用色調(diào)分量Η進行目標(biāo)提?。?br>[0180]所述道路自適應(yīng)檢測模塊用于檢測、合并道路區(qū)域，并將剩余區(qū)域全部映射到非 道路區(qū)域中；所述道路自適應(yīng)檢測模塊包括：
[0181] (1)直方圖閾值粗分割子模塊，用于對由彩色圖像預(yù)處理模塊預(yù)處理后的圖像進 行粗分割，其對預(yù)處理后的圖像進行直方圖構(gòu)造，并采用直方圖多閾值法、以波谷點的位置 作為閾值對預(yù)處理后的圖像進行粗分割，采用如下算法對所述波谷點進行選擇：
[0182]設(shè)?,為灰度值為i的像素點在預(yù)處理后的圖像中出現(xiàn)的頻率，讓?,與其相鄰的局部 鄰域Pt作比較，Pt={Pi-n，.. .，Pi-. . .Pi+n}，參數(shù)η的取值范圍為[4,8]，表示pt左右鄰 域像頻范圍，Pt中最小頻率值為Pt min，次最小頻率值為Pt min 3，若/^^-4_，則1是波 谷點，若€ > ·ν^_ · €mini，則i不是波谷點，定義谷點函數(shù)v(i):
[0184] 對選出的所有谷點v(i) = l，增加距離約束條件和概率約束條件，若相鄰谷點i和j 之間的距離表示為d= | i-j |，概率差表示為g= iPi-Pjl，設(shè)定距離參數(shù)D來反映波谷點之間 應(yīng)保持的最小距離，且
，Dmi4PDmax分別為相鄰波谷點最小距離和最大 距離，定義距離約束函數(shù)d(i): ,、[\.d>D
[0185] ?/?/) =
' |〇,?/<￡)
[0186] 設(shè)定概率差參數(shù)G來反映波谷點間的閾值差，且- 和Gmax分別為相鄰波谷點間的最小概率差和最大概率差，定義概率差約束函數(shù)g( i): /、. f 1，g· > G.
[0187] 養(yǎng)、
[0』.<(/
[0188] 定義波谷點選擇函數(shù)為：
[0189] x(i)=v(i) Xd(i) Xg(i)
[0190] 式中，當(dāng)x(i) = l時，表示波谷點被選中；
[0191] (20)道路識別子模塊:用于通過多神經(jīng)網(wǎng)絡(luò)檢測的方式對經(jīng)直方圖閾值粗分割子 模塊分割后的區(qū)域進行識別，進而在多神經(jīng)網(wǎng)絡(luò)中選擇合適的神經(jīng)網(wǎng)絡(luò)對道路區(qū)域進行合 并，并將剩余區(qū)域直接映射到非道路區(qū)域，所述多神經(jīng)網(wǎng)絡(luò)包括N個神經(jīng)網(wǎng)絡(luò)，神經(jīng)網(wǎng)絡(luò)數(shù) 目Ne[3,5]，其中每個神經(jīng)網(wǎng)絡(luò)的正負訓(xùn)練樣本來自放置在不同區(qū)域的多個窗口，設(shè)所述 多神經(jīng)網(wǎng)絡(luò)表不為{Wi(yi，5i)，ψ2(μ2，δ2)，· · ·，？Ν(μΝ，δΝ)}，μ和δ分別表不對應(yīng)于神經(jīng)網(wǎng)絡(luò)的 正訓(xùn)練樣本和負訓(xùn)練樣本，則定義網(wǎng)絡(luò)選取模型為：
[0192] ff= {ffk(yk,5k) ,f (yk) = 1 ,f (5k) =0,ke [1 ,Ν]}
[0193] 其中，W為最終選取的合適網(wǎng)絡(luò)，Wk(yk?表示合適的神經(jīng)網(wǎng)絡(luò)，f(y k)表示神經(jīng)網(wǎng) 絡(luò)Wk(yk，3k)的正訓(xùn)練樣本窗口檢測結(jié)果為1，f (δι〇表不Wk(yk，3k)的負訓(xùn)練樣本窗口檢測結(jié) 果為〇;
[0194] (21)網(wǎng)絡(luò)訓(xùn)練子模塊，用于在道路識別子模塊運作的同時使用合適網(wǎng)絡(luò)的訓(xùn)練樣 本窗口提取的特征對神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練；
[0195] (22)車輛引導(dǎo)線提取子模塊：用于提取車輛引導(dǎo)線，所述車輛引導(dǎo)線定義為道路 區(qū)域和非道路區(qū)域的分界線。
[0196] 所述彩色圖像預(yù)處理模塊中，進行目標(biāo)提取時基于HSV空間中顏色分量投影模型， 投影公式為： , V(.r, v)> T. orfix,7)<TvorS{x,7)<Ts
[0197] V{x,y) = \ . |//(.V, v)x〇-r ^ {(Hherwise)
[0198] 式中，當(dāng)不滿足7^/Ι(Λ-,.ν)_'^ onS'(A.,.v)< Γ時，將色調(diào)分量Η投影到V平 面;V(x，y)表示亮度分量V上對應(yīng)的點，H(x，y)為色調(diào)分量Η上對應(yīng)的點，σ表示用于避免色 調(diào)分量Η和亮度分量V重合的拉伸因子，ξ是投影以后數(shù)值的分段，ξ>〇，Τ5為設(shè)定的飽和度 閾值，I、I為設(shè)定的亮度閾值。
[0199] 優(yōu)選地，所述飽和度閾值和亮度閾值的取值分別為:％ =230，A =10，Ts = 2〇。
[0200] 其中，所述網(wǎng)絡(luò)訓(xùn)練子模塊包括：
[0201] (1)特征提取單元，其采用3個尺度和6個方向構(gòu)成的18個小波濾波器進行Gabor小 波變換，提取預(yù)處理后的圖像的紋理特征，同時采用10窗口提取預(yù)處理后的圖像的顏色特 征，并量化為4級，以得到22維特征；
[0202] (2)神經(jīng)網(wǎng)絡(luò)構(gòu)建單元，用于根據(jù)所述22維特征構(gòu)建神經(jīng)網(wǎng)絡(luò)，神經(jīng)網(wǎng)絡(luò)包括輸入 層、中間層和輸出層，輸入層設(shè)置22個神經(jīng)元，輸出層設(shè)置1個神經(jīng)元，輸出為1時表示道路 區(qū)域，輸出為〇時表示非道路區(qū)域；
[0203] (3)網(wǎng)絡(luò)訓(xùn)練單元，用于在車輛運動過程中每隔2s對神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練。
[0204]本實施例設(shè)置彩色圖像預(yù)處理模塊，大大簡化了圖像分析和處理的工作量;在直 方圖閾值粗分割子模塊中，把波谷點位置作為閾值進行分割，可以得到比較完整的區(qū)域;設(shè) 置道路識別子模塊，通過多神經(jīng)網(wǎng)絡(luò)檢測的方式對經(jīng)直方圖閾值粗分割子模塊分割后的區(qū) 域進行識別，選擇合適的神經(jīng)網(wǎng)絡(luò)對道路區(qū)域進行合并，將剩余區(qū)域直接映射到非道路區(qū) 域，并定義網(wǎng)絡(luò)選取模型，提高了識別的效率，同時在車輛運動過程中每隔2s對神經(jīng)網(wǎng)絡(luò)進 行訓(xùn)練，達到對道路進行自適應(yīng)檢測的要求;本實施例參數(shù)η取值為8，N取值為5，檢測效率 相對提尚了3.4%。
[0205]最后應(yīng)當(dāng)說明的是，以上實施例僅用以說明本發(fā)明的技術(shù)方案，而非對本發(fā)明保 護范圍的限制，盡管參照較佳實施例對本發(fā)明作了詳細地說明，本領(lǐng)域的普通技術(shù)人員應(yīng) 當(dāng)理解，可以對本發(fā)明的技術(shù)方案進行修改或者等同替換，而不脫離本發(fā)明技術(shù)方案的實 質(zhì)和范圍。
【主權(quán)項】
1. 一種能夠自主導(dǎo)航巡邏車，包括巡邏車和道路檢測裝置，其中巡邏車包括:底盤，車 輪，頂蓋，座椅和動力系統(tǒng)。2. 根據(jù)權(quán)利要求1所述的一種能夠自主導(dǎo)航巡邏車，其特征是，所述底盤內(nèi)設(shè)有蓄電 池，所述蓄電池和動力系統(tǒng)連接，所述底盤下面安裝有車輪，所述底盤上面安裝有支架，所 述支架上設(shè)有太陽能電池板，所述太陽能電池板與蓄電池相連接。3. 根據(jù)權(quán)利要求2所述的一種能夠自主導(dǎo)航巡邏車，其特征是，所述支架上設(shè)有可拆卸 的頂蓋，所述頂蓋位于太陽能電池板的頂部。4. 根據(jù)權(quán)利要求3所述的一種能夠自主導(dǎo)航巡邏車，其特征是，道路檢測裝置包括依次 連接的圖像采集模塊、彩色圖像預(yù)處理模塊和道路自適應(yīng)檢測模塊； 所述圖像采集模塊用于采集外界信息的彩色圖像； 所述彩色圖像預(yù)處理模塊用于對彩色圖像進行投影預(yù)處理，預(yù)處理時采用HSV模型，彩 色圖像的預(yù)處理結(jié)果根據(jù)亮度分量V的數(shù)值在色調(diào)分量H、飽和度分量S、亮度分量νΞ個分 量之間選擇，當(dāng)存在飽和度過低或者亮度過低或者過高時，圖像分割主要依靠亮度分量V的 信息，其余情況下，采用色調(diào)分量Η進行目標(biāo)提??； 所述道路自適應(yīng)檢測模塊用于檢測、合并道路區(qū)域，并將剩余區(qū)域全部映射到非道路 區(qū)域中；所述道路自適應(yīng)檢測模塊包括： (1)直方圖闊值粗分割子模塊，用于對由彩色圖像預(yù)處理模塊預(yù)處理后的圖像進行粗 分割，其對預(yù)處理后的圖像進行直方圖構(gòu)造，并采用直方圖多闊值法、W波谷點的位置作為 闊值對預(yù)處理后的圖像進行粗分割，采用如下算法對所述波谷點進行選擇： 設(shè)Pi為灰度值為i的像素點在預(yù)處理后的圖像中出現(xiàn)的頻率，讓Pi與其相鄰的局部鄰域 Pt作比較，Pt= {Pi-n，. . .，Pi-i，Pi+i，. . .Pi+n}，參數(shù)η的取值范圍為[4,引，表示Pt左右鄰域像 頻范圍，Pt中最小頻率值為Ptmin，次最小頻率值為Ptmins，若則i是波谷點， 若^ > λ/&，。。?fmm,，則i不是波谷點，定義谷點函數(shù)V( i ):對選出的所有谷點V(i) = l，增加距離約束條件和概率約束條件，若相鄰谷點i和j之間 的距離表示為d= I i-j I，概率差表示為g= IPi-門I，設(shè)定距離參數(shù)D來反映波谷點之間應(yīng)保 持的最小距離，且）min和Dmax分別為相鄰波谷點最小距離和最大距 離，定義距離約束函數(shù)d(i):設(shè)定概率差參數(shù)G來反映波谷點間的闊值差，且分別為相鄰波谷點間的最小概率差和最大概率差，定義概率差約束函數(shù)g(i):定義波谷點選擇函數(shù)為： x(i)=v(i)Xd(i)Xg(i) 式中，當(dāng)x(i) = l時，表示波谷點被選中； (2) 道路識別子模塊：用于通過多神經(jīng)網(wǎng)絡(luò)檢測的方式對經(jīng)直方圖闊值粗分割子模塊 分割后的區(qū)域進行識別，進而在多神經(jīng)網(wǎng)絡(luò)中選擇合適的神經(jīng)網(wǎng)絡(luò)對道路區(qū)域進行合并， 并將剩余區(qū)域直接映射到非道路區(qū)域，所述多神經(jīng)網(wǎng)絡(luò)包括N個神經(jīng)網(wǎng)絡(luò)，Ne[3,5]，其中 每個神經(jīng)網(wǎng)絡(luò)的正負訓(xùn)練樣本來自放置在不同區(qū)域的多個窗口，設(shè)所述多神經(jīng)網(wǎng)絡(luò)表示為 (Κι(μι，δι) ,Κ2(μ2，δ2)，. . .，ΚΝ(μΝ，δΝ)}，μ和δ分別表示對應(yīng)于神經(jīng)網(wǎng)絡(luò)的正訓(xùn)練樣本和負訓(xùn) 練樣本，則定義網(wǎng)絡(luò)選取模型為： W= {Wk(]ik，Sk) ,f (]ik) = l,f (Sk) = 0,ke [1 ,Ν]} 其中，W為最終選取的合適網(wǎng)絡(luò)，Wk(yk，Sk)表示合適的神經(jīng)網(wǎng)絡(luò)，?·(μι〇表示神經(jīng)網(wǎng)絡(luò)Wk (yk，Sk)的正訓(xùn)練樣本窗口檢測結(jié)果為l，f(Sk)表示W(wǎng)k(yk，Sk)的負訓(xùn)練樣本窗口檢測結(jié)果為 0； (3) 網(wǎng)絡(luò)訓(xùn)練子模塊，用于在道路識別子模塊運作的同時使用合適網(wǎng)絡(luò)的訓(xùn)練樣本窗 口提取的特征對神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練； (4) 車輛引導(dǎo)線提取子模塊:用于提取車輛引導(dǎo)線，所述車輛引導(dǎo)線定義為道路區(qū)域和 非道路區(qū)域的分界線。5. 根據(jù)權(quán)利要求4所述的一種能夠自主導(dǎo)航巡邏車，其特征是，所述彩色圖像預(yù)處理模 塊中，進行 目標(biāo)提取時基于HSV空間中顏色分量投影模型，投影公式為：式中，當(dāng)不滿足Κ.ν〇')> 7;,","Κ.ν，.ν)< 7^/"這(.'(〇')< 7,時，將色調(diào)分量Η投影到V平面；V (X，y)表示亮度分量V上對應(yīng)的點，Η( X，y)為色調(diào)分量Η上對應(yīng)的點，σ表示用于避免色調(diào)分 量Η和亮度分量V重合的拉伸因子，ξ是投影W后數(shù)值的分段，C>〇，Ts為設(shè)定的飽和度闊值， 7^1、7^為設(shè)定的亮度闊值。6. 根據(jù)權(quán)利要求5所述的一種能夠自主導(dǎo)航巡邏車，其特征是，所述飽和度闊值和亮度 闊值的取值分別為：=1〇術(shù)=20。7. 根據(jù)權(quán)利要求6所述的一種能夠自主導(dǎo)航巡邏車，其特征是，所述網(wǎng)絡(luò)訓(xùn)練子模塊包 括： (1) 特征提取單元，其采用3個尺度和6個方向構(gòu)成的18個小波濾波器進行Gabor小波變 換，提取預(yù)處理后的圖像的紋理特征，同時采用10窗口提取預(yù)處理后的圖像的顏色特征，并 量化為4級，W得到22維特征； (2) 神經(jīng)網(wǎng)絡(luò)構(gòu)建單元，用于根據(jù)所述22維特征構(gòu)建神經(jīng)網(wǎng)絡(luò)，神經(jīng)網(wǎng)絡(luò)包括輸入層、 中間層和輸出層，輸入層設(shè)置22個神經(jīng)元，輸出層設(shè)置1個神經(jīng)元，輸出為1時表示道路區(qū) 域，輸出為加寸表示非道路區(qū)域； (3) 網(wǎng)絡(luò)訓(xùn)練單元，用于在車輛運動過程中每隔2s對神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練。
【文檔編號】G06K9/00GK106080218SQ201610514421
【公開日】2016年11月9日
【申請日】2016年7月1日
【發(fā)明人】不公告發(fā)明人
【申請人】蔡雄