[發明專利]基于無人飛行器圖像的地面無人車輛視覺道路檢測方法

有效

• 申請號: 202011290845.0
• 申請日: 2020-11-17
• 公開（公告）號: CN112395985B
• 公開（公告）日: 2022-10-21
• 發明（設計）人: 王歡;田樂;彭曉蕊;何智靜;盧逸飛
• 申請（專利權）人: 南京理工大學
• 主分類號: G06V20/17
• 分類號: G06V20/17;G06V10/762;G06V10/80;G06V10/774;G06T7/80
• 代理公司: 南京理工大學專利中心 32203
• 代理人: 岑丹

本發明公開了一種基于無人飛行器圖像的地面無人車輛視覺道路檢測方法，首先訓練兩個道路檢測模型，分別用于航拍圖像和車載圖像中道路區域的識別；然后使用顏色粒子跟蹤算法、基于直線段的方向匹配方法和逆投影變換，分別獲得航拍圖像和車載圖像的共同興趣區域圖像；再對兩幅共同興趣區域圖像分別進行道路檢測，并將識別結果加權平均得到俯視視角融合的道路檢測結果。本發明使用無人飛行器拓展視場，擴大無人車的感知范圍，結合俯視視角信息進行道路檢測，有效提高了遠處道路部分檢測的準確性，提高道路檢測的魯棒性。

技術領域

本發明屬于基于視覺的道路檢測技術，具體為一種基于無人飛行器圖像的地面無人車輛視覺道路檢測方法。

背景技術

地面無人車輛能夠自主行駛的基礎之一就是準確的感知周圍的環境，其中道路區域信息最為基礎。傳統圖像分析方法和基于學習的方法可以有效地區分道路區域，但由于車載攝像機架設高度有限，很大程度上限制了無人車的感知范圍。

發明內容

本發明的目的在于提供了一種基于無人飛行器圖像的地面無人車輛視覺道路檢測方法。

實現本發明目的的技術方案為：一種利用無人機搭載的攝像機為無人車增加大范圍俯視視角的道路圖像信息，包括以下步驟：

步驟1、分別提取車載道路圖像和航拍道路圖像的超像素特征，制作車載道路圖像檢測模型訓練集和航拍圖像道路檢測模型訓練集；

步驟2、利用車載道路圖像檢測模型訓練集和航拍圖像道路檢測模型訓練集訓練SVM模型，分別得到車載圖像道路檢測模型和航拍圖像道路檢測模型；

步驟3、設定無人車、無人機的共同興趣區域，分別在原始車載道路圖像和航拍道路圖像中生成相應的共同興趣區域圖像；

步驟4、對共同興趣區域圖像進行道路檢測與圖像融合，獲得融合后的道路檢測結果圖像。

優選地，制作車載道路圖像檢測模型訓練集和航拍圖像道路檢測模型訓練集的具體方法為：

使用線性迭代聚類將車載道路圖像和航拍道路圖像分割為超像素單元；

以超像素為單位構建特征向量；

將道路超像素標注為1，非路超像素標注為0；

由超像素的特征向量以及相應的標注信息構成訓練集的訓練數據。

優選地，以超像素為單位構建顏色和紋理特征向量，顏色特征向量由超像素的灰度直方圖得到；紋理特征向量由超像素單元通過拉普拉斯算子和Prewitt算子濾波后的灰度直方圖得到。

優選地，所述SVM模型使用高斯核作為核函數。

優選地，分別在原始車載道路圖像和航拍道路圖像中生成相應的共同興趣區域圖像的具體方法為：

對航拍道路圖像采用顏色粒子濾波算法和基于直線段的方向匹配方法，確定共同關注的道路區域范圍，得到共同興趣區域圖像；

對車載道路圖像，采用逆投影變換，獲取共同興趣區域圖像。

本發明與現有技術相比，其顯著優勢為：本發明利用無人飛行器觀察范圍大的特點，采用無人飛行器拓展視場，結合俯視視角信息進行道路檢測，有效提高了遠處道路部分檢測的準確性。

附圖說明

圖1為無人飛行器與無人車視場示意圖。

圖2為本發明流程圖。

圖3為采集的原始圖像，圖3(a)(b)為航拍圖；圖3(c)(d)為車載圖。

圖4為超像素分割結果圖，圖4中的(a) ～( d)為圖3中的(a) ～( d)中對應的超像素分割結果圖。