[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

一種基于ANN的劇烈光照環境下的非結構化道路檢測方法，其特征在于，在劇烈變化的光照環境下，為減少光照對圖像的影響，首先離線采集真實場景下的道路圖像并計算每幀圖像的平均灰度，合理確定平均灰度的校正目標范圍，分別對每幀圖像進行Gamma校正，用合適的函數擬合校正系數與平均灰度值之間的關系；在道路在線檢測時，對輸入的圖像序列，使用擬合的Gamma校正函數進行自校正，再進行區域裁剪；再對裁剪后的圖像網格化，獲取每個小格的特征向量，并做樣本標記，利用當前圖像的樣本信息，搭建ANN神經網絡并在線訓練、更新和預測，實時輸出可行駛區域的檢測結果。該方法對光照變化場景有較好的適應性，有效提高了非結構化道路檢測的實時性、魯棒性和準確性。

技術領域

本發明涉及室外非結構化道路檢測領域，尤其涉及一種基于 ANN 的劇烈光照環境下實時非結構化道路檢測方法。

背景技術

智能車輛和移動機器人自主導航系統的關鍵技術之一是基于視覺的道路檢測。近年來，隨著人工智能技術和計算機技術的不斷發展，自主駕駛的相關研究也得到了飛速發展，其中，如何在復雜的自然環境下準確識別道前方道路是研究自主駕駛系統中的一個難題。對于城市道路交通環境，例如高速公路和城市街道等，其結構化程度較高，其道路檢測的方法一般為車道線的檢測。而對于室外非結構化道路，例如鄉村道路等，因為受到自然環境中物候、光照、地形等影響，都會造成道路表面特征的改變，給非結構化道路檢測帶來一定挑戰性。

如何從視覺傳感器獲取的彩色圖像中提取道路信息是基于視覺的道路檢測的關鍵。目前，針對非結構化道路檢測算法，主要分為傳統方法和非傳統方法兩類。傳統方法主要包括基于道路特征的方法和基于道路模型的方法。基于道路特征的方法是根據道路的表面信息，如顏色、紋理、道路與非道路區域間有明顯差異的原理，提取道路區域，這種方法有較高的魯棒性，但計算量要求大；基于模型的道路檢測方法，是預先假設道路模型，如拋物線、直線、交叉道路等模型，并根據圖像匹配道路模型。后者雖只需要較少參數表示整個道路，但當道路不符合預先的假設模型時，匹配就會失敗，因此如何選擇模型和求解是該方法成功的關鍵。非傳統方法主要是利用機器學習的方法，如支持向量機和神經網絡等工具，進行道路檢測。但在它們都需要大量的樣本進行訓練且訓練耗時較長。

發明內容

鑒于上述現有技術的不足，本發明的目的在于提供一種基于 ANN 的劇烈光照環境下的實時非結構化道路檢測方法，旨在解決現有的非結構化道路檢測方法無法實時得到穩定、可靠、安全的道路可行駛區域的問題。

本發明的目的是通過以下技術方案來實現的：

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，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。

進一步的，所述步驟 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。

進一步的，所述步驟 B 包括以下子步驟：