[發明專利]一種基于機器學習識別與圖像分割的盲道識別定位算法

在審

• 申請號: 201811632666.3
• 申請日: 2018-12-29
• 公開（公告）號: CN109726681A
• 公開（公告）日: 2019-05-07
• 發明（設計）人: 魏彤;周銀鶴
• 申請（專利權）人: 北京航空航天大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/34;G06K9/46;G06T7/73
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于機器學習識別與圖像分割的盲道圖像定位算法，其特征在于：首先通過雙目攝像頭采集道路圖片進行盲道檢測，利用雙目視覺得到的三維信息對采集到的圖像進行處理，把傾斜視角下的道路圖像轉換為鳥瞰視角圖像，消除射影變換帶來的盲道失真；進而利用變換后的圖像作為訓練的正負樣本，通過LBP算子提取樣本圖像紋理特征向量，利用Adaboost算法離線訓練盲道識別分類器，然后利用分類器在線識別盲道區域；最后對識別結果進行形態學操作，利用標記分水嶺算法精確分割盲道區域，通過canny算子與霍夫變換確定盲道區域邊界線，并定位盲道中心線。

2.根據權利要求1所述的利用雙目視覺信息將傾斜視角下的道路圖像轉換為鳥瞰視角步驟包括：

步驟一：利用雙目攝像頭對盲道進行拍攝，獲取盲道的左、右相機圖像；

步驟二：利用雙目視覺信息計算得到盲道所在平面的法向量

步驟三：根據法向量通過兩次旋轉與一次平移將相機坐標系O_cX_cY_cZ_c轉換到鳥瞰坐系O_bX_bY_bZ_b，把傾斜視角下的道路圖像轉換為鳥瞰視角，消除射影變換帶來的盲道失真。

3.根據權利要求1所述的采集訓練圖像正負樣本，通過LBP算子提取樣本紋理的特征向量，利用Adaboost算法訓練盲道識別分類器，然后利用分類器在線識別盲道區域的步驟包括：

步驟一：對包含盲道的鳥瞰圖進行標記，作為正樣本，不含盲道的整幅圖片作為負樣本。

步驟二：利用LBP算子對采集的正負樣本逐個提取特征向量，用此向量來描述樣本的紋理特征。

步驟三：將上一步提取到的正負樣本的特征向量作為訓練數據，設置相應的分類器訓練參數，訓練盲道識別分類器。

步驟四：對一幅新的圖像，采用滑動窗口遍歷整幅圖像，并將每個窗口區域輸入到訓練好的盲道級聯分類器中，若某個區域通過了所有層的強分類器，則標記此區域為盲道，若整幅圖像的所有區域都未被標記，則認為此圖像中不存在盲道。

4.根據權利要求1所述的對識別結果進行形態學操作，利用標記分水嶺算法精確分割盲道區域，通過canny算子與霍夫變換確定盲道區域邊界線，并定位盲道中心線的步驟包括。

步驟一：根據識別結果得到前景圖像。獲取上一步盲道分類器識別的盲道區域結果，選取識別矩形框的最大內接圓作為確信的盲道區域，并將圓內的像素賦值為255，其它區域像素賦值為0，得到前景圖像。

步驟二：在前景圖像的基礎上獲取背景圖像。背景圖像中主要標記確信的非盲道區域和需要標記分水嶺劃分準確分界線的未知區域。在前景圖像上，通過深度膨脹來獲得一個超過前景大小的區域，并對整幅圖像進行閾值處理，將白色區域的像素值轉換為0，定義為未知區域，而將黑色區域的像素值轉換成128，定義為非盲道區域，即得到了背景圖像。

步驟三：利用標記分水嶺算法分割盲道區域。將前景、背景及未知區域合成為一個標記圖像，將標記圖像與梯度圖像作為標記分水嶺算法的輸入。標記分水嶺算法根據標記得到的先驗知識，從前景區域和背景區域開始同時向未知區域進行生長，直到達到兩個區域的分界為止，最終水壩的位置便是所需要得到的盲道邊界，從而分割出盲道區域。

步驟四：確定盲道區域中心線。根據標記分水嶺分割結果，采用Canny算子檢測區域的邊緣，得到盲道區域邊緣線。對邊緣圖像采用Hough變換檢測盲道邊界所在直線，并根據兩條邊界確定盲道的中心線。將檢測到的中心線再經由單應矩陣逆變換到原圖像，最終實現盲道在圖像中的定位。