[发明专利]室外场景分类方法及系统

说明书

本发明涉及计算机视觉跟踪技术领域，具体公开一种室外场景分类方法，包括步骤S1，采用SLIC算法进行图像分割，形成紧密规整的小区域；步骤S2，对小区域进行特征提取，提取出用于表述区域的特征向量；步骤S3，使用bag‑of‑word方法对分割小区域进行语义分类。本发明具有有效降低场景分类的计算时间、对于不同类别路面的边界处理更为真实的有益效果。

技术领域

本发明涉及计算机视觉技术领域，特别涉及一种室外场景分类方法及系统。

背景技术

对于室外的无人驾驶车等智能移动装置，可以对周围的场景进行分割与认知是非常重要的一项技术。在野外非结构化的场景中，由于没有城市交通中的车道线等明显标志，因此需要对场景中不同的地貌进行分割与分类，以指导无人车等智能移动装置获取可行的运动区域，从而帮助无人车进行局部路径规划,实现自主驾驶或辅助驾驶的功能。在此领域，使用比较多的是直接进行基于像素点或小邻域的模式分类方法，遍历图像的全部区域，对所有的区域进行分类，最后再将相同类别的区域合并起来。这样做的缺点主要在于分类速度较慢，且不同类型地貌分类边界不好。

因此，本发明主要解决在室外场景下，对非结构化道路的语义分割问题。即对于非结构化道路，给出哪些区域是可行的，以及其可行区域的边界，以用于指导或辅助室外智能移动装置的自主运行与决策，对于道路场景实现快速分类。

发明内容

本发明旨在克服现有室外场景分类系统分类速度慢、边界模糊的技术缺陷，提供一种快速的室外场景分类方法及系统。

为实现上述目的，本发明采用以下技术方案：

本发明提供一种室外场景分类方法，包括以下步骤：

步骤S1，采用SLIC算法进行图像分割，形成紧密规整的小区域；

步骤S2，对小区域进行特征提取，提取出用于表述区域的特征向量；

步骤S3，使用bag-of-word方法对分割小区域进行语义分类。

一些实施例中，步骤S2中，采用HSV颜色特征和灰度共生矩阵来进行区域的特征表述。

一些实施例中，步骤S2中，HSV颜色特征采用H分量和V分量表示，将区域内的H分量进行直方图化，形成9维的向量；V分量进行直方图化，形成8维的特征向量。

一些实施例中，步骤S2中，在获得距离与方向上的灰度共生矩阵后，计算反差、熵和相关性特征量；灰度共生矩阵中元素间距离为d，夹角为θ，θ取水平方向、垂直方向、45度方向和135度方向四种，形成12维的特征。

一些实施例中，步骤S3中，对不同类别的样本，提取特征后学习得到每类的视觉字典，在进行视觉字典提取时，采用K-Means算法进行特征聚类，最后聚集得到的K个聚类中心则为此类的视觉字典。

相应地，本发明还提供一种室外场景分类系统，包括以下模块：

图像分割模块，用于采用SLIC算法进行图像分割，形成紧密规整的小区域；

特征提取模块，用于对小区域进行特征提取，提取出用于表述区域的特征向量；

语义分类模块，用于使用bag-of-word方法对分割小区域进行语义分类。

一些实施例中，特征提取模块采用HSV颜色特征和灰度共生矩阵来进行区域的特征表述。

一些实施例中，特征提取模块中，HSV颜色特征采用H分量和V分量表示，将区域内的H分量进行直方图化，形成9维的向量；V分量进行直方图化，形成8维的特征向量。