[发明专利]一种基于卷积神经网络的车辆前方可通行性分析方法

说明书

技术领域

本发明属于安全辅助驾驶与智能交通技术领域，涉及到车辆前方可通行性分析方法，特别涉及到一种通过摄像机采集车辆前方视频图像，基于卷积神经网络的车辆前方可通行性分析方法。

背景技术

车辆前方可通行性分析属于智能交通领域面向车外的环境感知范畴，是指基于传感器技术、计算机技术或通讯技术等先进手段对所探测环境的行驶安全性进行分析，找出存在的安全隐患，向驾驶员发出提示和预警或为无人驾驶车辆导航奠定基础。目前，基于摄像机采集车辆前方视频图像信息，采用视觉图像理解方法进行可通行性分析的研究主要有障碍物检测、行人检测、车辆检测、道路检测、交通标志检测、地形地貌分类等。

可通行性分析所涉及的视觉图像理解方法可分为基于重建的方法和基于识别的方法。其中，基于重建的方法立足于三维或2.5维重建技术，从空间的角度对是否可通行做出判断，难以避免三维重建固有的严重多义性、重建范围较小和实时性差等问题。在基于识别的图像理解方法中，主要有基于建模和模板匹配的算法、一般神经网络、支持向量机、自监督学习、基于统计学习的方法等，这些方法需要提取目标的显式特征，提取过程复杂，易造成重要信息丢失，环境适应能力差。

对于光照变化强烈的结构化道路环境，如果直接对原始图像进行识别，干扰信息多，显式特征提取的过程复杂，况且目标距摄像机距离不同会造成分辨率的差异。此外，光照的变化会影响图像质量，降低图像的分辨率。

发明内容

为解决现有技术存在的上述问题，本发明要提出一种基于卷积神经网络的车辆前方可通行性分析方法，该方法能够提取目标的隐式特征，提取过程简单，避免降低图像的分辨率，并且能够降低光照的影响，适用于光照变化强烈的结构化道路环境。

本发明的技术方案是：一种基于卷积神经网络的车辆前方可通行性分析方法，包括以下步骤：

A、图像采集

首先通过安装在车辆前方的摄像机采集大量真实的车辆行驶环境图像，所述的图像具有m×n个像素；然后通过裁剪得到图像下部五分之三的区域作为感兴趣区域；最后将裁剪后的图像转化为灰度图像。

B、图像预处理

B1、利用非线性函数叠加的方法构造一个Gamma矫正函数，对步骤A获得的灰度图像进行矫正，具体函数式如下：

G(x)＝1+f₁(x)+f₂(x)+f₃(x)    （1）

f₁(x)＝acos(πx/255)    （2）

f₂(x)＝(K(x)+b)cosβ+xsinα    （3）

K(x)＝ρsin(4πx/255)    （4）

α＝arctan(-2b/255)    （5）

f₃(x)＝R(x)cos(3πx/255)    （6）

R(x)＝c|2x/255-1|    （7）

式中，x为某一像素点的灰度值，G(x)代表某一灰度值对应的Gamma矫正值，a∈(0,1)是一个加权系数，b代表f₂(x)的最大变化范围，ρ表示K(x)的振幅，α表示K(x)的偏转角度，c表示R(x)的幅值，且满足a+b+c＜1。

经Gamma矫正后的灰度值计算公式为：

g(x)＝255(x/255)^1/G(x)    （8）

式中，g(x)代表经过Gamma矫正后的某一像素点的灰度值。

经过Gamma矫正，得到灰度图像P。

B2、针对灰度图像P，改变某些像素点的灰度值，具体的改变方法如下：

选取图像中除车辆和道路边界之外的图像区域中灰度值为0的像素点，将其灰度值改为1，选取图像中除车辆和道路边界之外的图像区域中灰度值为255的像素点，将其灰度值改为254；将图像中车辆区域像素点的灰度值改为0，道路边界区域像素点的灰度值改为255，改变像素点后的图像为灰度图像Q。至此，灰度图像Q的像素点包括三类：第一类是灰度值为0的像素点，代表车辆；第二类是灰度值为255的像素点，代表道路边界；第三类是除去灰度值为0和255之外的像素点，代表路面。将以上三类像素点分别赋予相应的标签，即将标签“0”赋给第一类像素点，表示“车辆”，将标签“1”赋给第二类像素点，表示“道路边界”，将标签“2”赋给第三类像素点，表示“路面”。最后将灰度图像Q中各个像素点的标签赋给灰度图像P中相应的像素点。