[发明专利]一种基于SIFT–COF特征光流的道路检测方法

说明书

技术领域

本发明涉及智能车辆的自主导航领域，具体是一种SIFT–COF特征光流检测方法，用于实现道路检测的准确性。

背景技术

根据非结构化道路，道路区域的绝大部分具有相似的特征，而且与非道路区域具有特征上的差异。因此，将道路区域分割与道路边界检测方法结合，能够提高道路检测的准确性和鲁棒性。然而，由于道路的材质构成不同（比如碎石、泥土或砂土混杂），环境照度的影响，道路局部区域会出现异于道路本身其他区域的特征，这在道路检测过程中体现为非道路区域混杂于道路区域之中的情况，因此有必要分清这些非道路区域是道路还是障碍物。将非视觉传感器数据与视觉数据结合能够有效的克服这一问题，但是存在下列难度：与视觉传感器在理论上可以看到无限远处不同，非视觉传感器可能由于探测角度的问题（如单线激光器）无法检测到障碍物的存在，也可能由于探测量程原因只能对近距离的障碍物进行检测。使用昂贵的64线激光雷达能够检测到100m左右的中型车辆障碍，但是其价格要远远高于一般车辆的造价。基于上述考虑，本文主要解决基于单目视觉的道路检测，试图通过对这一问题的研究为智能车辆的自主导航提供廉价的解决方案。

发明内容

本发明所要解决的技术问题是提供一种准确性高、实现成本低的基于SIFT–COF特征光流的道路检测方法。

本发明所述的一种基于SIFT–COF特征光流的道路检测方法，其包括以下步骤：

1）利用传感器采集车辆前方道路上的帧图像信息，并区分出帧图像中的道路区域和非道路区域；

2）将混杂于道路区域中的非道路区域确定为感兴趣区域ROI (RegionsofInterest简称ROI)

3）然后对ROI中的特征进行提取，并通过帧间的特征匹配形成特征光流，根据特征光流的计算判断该特征是位于道路的平面上还是位于道路平面之外；

4）根据车辆在上一时刻的运动判断该特征是否为静止特征，静止而且位于道路平面上的特征所在区域将被视为可通行区域，否则将被视为非可通行区域；

其中，上述步骤3）中特征提取过程为：对于帧图像中任意一点的SIFT特征，以该点的正方向为基准建立直角坐标系X₄’O₄’Y₄’；计算出图像中所有的Harris角点在坐标系中的位置；这样，图像中的每一个SIFT特征点与一个坐标系相对应，同时每一个Harris角点特征都换算成在不同坐标系里面的坐标，通过这种方式建立了特征的分层结构。

上述步骤3）中特征光流的计算包括以下步骤：

1）SIFT-Harris复合特征构建；利用SIFT特征和Harris角点特征组成复合特征以兼备两种特征的优点，弥补各自的不足。

2）对SIFT特征进行聚类；首先，对SIFT特征进行聚类，设定两幅图像匹配的特征数量阈值为3，找到两组匹配的SIFT特征集合。然后，设定两幅图像匹配的特征数量阈值，找到两组匹配的SIFT特征集合。

3）Harris角点的匹配 对于图像中的某一角点特征，假定其在某一SIFT特征中的坐标用极坐标表示，找到满足条件的匹配点，然后进行投票。为了减少计算，以SIFT特征组为单位进行投票，每一轮投票结束后，把满足匹配条件（投票数大于3）的Harris角点特征从各自的特征集中删除，直到完成所有的投票为止。

4）把历史帧图像的所有匹配特征原位置映射到在当前图像中，然后连接所有的Harris角点特征和SIFT特征的匹配对，就在当前图像中形成特征光流。假设摄像机在运动过程中保持固定，则像平面中的任一点与世界坐标系中道路平面的某一点一一对应。根据光流的历史位置和当前位置，就可以计算该光流的在世界坐标系中的位移和方向。由于车体的运动速度和方向容易获取，环境中静止物体的位移和方向与车体的位移和方向大小相等，方向相反，从而可以检测环境中运动的物体和行人。

   本发明的有益效果：

本发明建立了SIFT特征与Harris角点特征的层次化结构，提出了一种SIFT–COF特征光流检测方法，对导航过程中采集的车辆前方道路上的帧图像进行分析，并对其中感兴趣区域是否可通行进行判别。该方法实现了SIFT特征与Harris角点特征的优势互补，利用SIFT特征的尺度不变特性和Harris角点特征的均匀分布特性，不同类型的非结构化道路的光流检测对比试验显示了本方法的有效性。

附图说明