[發明專利]一種基于 ANN 的劇烈光照環境下實時非結構化道路檢測方法在審
| 申請號： | 201910340910.7 | 申請日： | 2019-04-25 |
| 公開（公告）號： | CN110084190A | 公開（公告）日： | 2019-08-02 |
| 發明（設計）人： | 劉景泰;王鴻鵬;朱明月;李鵬鵬 | 申請（專利權）人： | 南開大學 |
| 主分類號： | G06K9/00 | 分類號： | G06K9/00;G06K9/46;G06K9/62 |
| 代理公司： | 天津市尚儀知識產權代理事務所(普通合伙) 12217 | 代理人： | 高正方 |
| 地址： | 300071*** | 國省代碼： | 天津;12 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 道路檢測 非結構化 光照環境 平均灰度 幀圖像 圖像 道路圖像 光照變化 函數擬合 檢測結果 劇烈變化 區域裁剪 神經網絡 實時輸出 特征向量 圖像網格 圖像序列 校正目標 校正系數 行駛區域 樣本標記 樣本信息 在線檢測 在線訓練 真實場景 魯棒性 實時性 自校正 離線 擬合 小格 裁剪 光照 采集 場景 預測 更新 | ||
1.一種基于 ANN 的劇烈光照環境下的實時非結構化道路檢測方法，其特征在于，包括以下幾個步驟：
步驟A：離線階段，利用離線采集的真實視頻數據，尋找合適的 Gamma 校正函數；
步驟B：通過攝像機實時獲取道路圖像，并對獲取的圖像進行預處理；
步驟C：對預處理之后的道路圖像進行處理，獲得當前圖像的樣本特征向量；
步驟D：利用步驟 C 中的圖像樣本信息，搭建ANN神經網絡并進行在線訓練、更新和預測，最終得到道路可行駛區域。
2.根據權利要求1所述的一種基于 ANN 的劇烈光照環境下的實時非結構化道路檢測方法，其特征在于，所述的步驟 A 包括以下子步驟：
A1：獲取并記錄視頻圖像序列的每幀的平均灰度值，并根據整體平均灰度情況，確定合理的校正灰度目標范圍；
A2：對每幀圖像進行 Gamma 校正，將圖像的平均灰度校正至步驟 A1 確定的灰度目標范圍內，并記錄對應的 Gamma 校正系數；
A3：對記錄的每幀圖像的 Gamma 校正系數與平均灰度數據進行曲線擬合，確定Gamma校正系數與平均灰度之間的函數關系。
3.根據權利要求1所述的一種基于 ANN 的劇烈光照環境下的實時非結構化道路檢測方法，其特征在于，所述的步驟 B 包括以下子步驟：
B1：Gamma 自校正，對通過攝像機實時獲取的道路圖像當前幀，利用步驟 A 中所確定的 Gamma 校正函數，進行圖像的 Gamma 校正；
B2：區域裁剪，對 Gamma 校正后的圖像進行適當區域裁剪，將圖像的上方與道路無關部分裁剪掉，留下圖像下方待處理的部分；
B3：網格化，對裁剪后的圖像根據圖像當前尺寸進行大小合理的網格化，即按選取的網格尺寸將裁剪后的圖像分割成若干小格圖像。
4.根據權利要求1所述的一種基于 ANN 的劇烈光照環境下的實時非結構化道路檢測方法，其特征在于，所述的步驟 C 包括以下子步驟：
C1：提取網格特征，對網格化后的每一個小格圖像提取對應的顏色特征和紋理特征，得到每個小格樣本的特征向量；
C2：樣本標記，對網格化后的每個網格進行樣本標記。
5.根據權利要求1所述的一種基于 ANN 的劇烈光照環境下的實時非結構化道路檢測方法，其特征在于，所述的步驟 D 包括以下子步驟：
D1：判斷當前圖像是否為初始幀，若是初始幀，則向 ANN 網絡中輸入步驟 C 中標記的訓練樣本，對其進行訓練，更新并保存訓練好的網絡參數；若當前圖像不是初始幀，則載入上一幀圖像所用的 ANN 網絡作為當前要使用的網絡；
D2：使用當前的 ANN 網絡對步驟 C 中的測試樣本進行預測，并統計評價區域的正樣本和負樣本數量；
D3：計算定義的評價函數計算性能評估值，其公式為：
其中：
D4：若
D5：將所有樣本中標記為正樣本的網格進行組合，即得到最終輸出的道路可行駛區域。
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于南開大學，未經南開大學許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/201910340910.7/1.html，轉載請聲明來源鉆瓜專利網。
