[发明专利]一种基于图像特征的无人机公路巡检方法

说明书

本发明涉及一种基于图像特征的无人机公路巡检方法，包括以下步骤：1)采集公路的彩色图像；2)对彩色图像的三个通道进行灰度图像分割，并将三个通道得到的分割结果进行融合；3)对融合图像进行直线检测，获取包括实线和有断点的线的图像；4)采用SURF算法检测角点，构建Hessian矩阵，生成车道线与背景的特征点；5)对特征点进行筛选，确认符合车道线的特征点；6)根据RANSAC算法对参数进行估计，拟合白色车道线；7)修正参数，获取最终的白色车道线的图像；8)将获取的图像实时传输给远程监控平台，远程监控平台获知公路情况后，发布指示至无人机的MCU，无人机的MCU控制无人机的飞行状态。与现有技术相比，本发明对白色车道线的特征点检测更准确。

技术领域

本发明涉及无人机巡检技术领域，尤其是涉及一种基于图像特征的无人机公路巡检方法。

背景技术

近年来，高速公路的建设取得了很大的发展，然而，每年告诉公路都会发生一系列的交通事故，造成事故的原因有多种，因此，为全面掌握交通状况，公路巡检变得至关重要。传统公路车道线巡检主要依靠公路维护人员翻山越岭，遇到异常气候条件，传统巡视方式时间长、劳动强度大，不能完全适应现代化公路建设与发展的需求。无人机因体积小、控制方便等特点取得了越来越多的应用，将无人机应用到公路巡检领域，可提高公路维护和检修的速度及效率，确保了交通安全，降低了劳动强度。现有无人机公路巡检系统在图像识别上大多采用Harris角点检测算法，该算法存在因检测位置偏离导致白色车道线特征点检测不准确问题。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于图像特征的无人机公路巡检方法。

本发明的目的可以通过以下技术方案来实现：

一种基于图像特征的无人机公路巡检方法，包括以下步骤：

S1：图像采集：获取公路的彩色图像；

S2：图像分割：对彩色图像的三个通道进行灰度图像分割，并将三个通道得到的分割结果进行融合；

S3：图像后处理：对融合后的图像进行直线检测，获取包括实线和有断点的线的图像；

S4：SURF算法识别：对获取的图像采用SURF(Speeded Up Robust Features，加速稳健特征)算法检测角点，构建Hessian(黑塞)矩阵，生成车道线与背景的特征点；

S5：特征点确认：在生成的车道线与背景的特征点中进行筛选，确认符合车道线的特征点；

S6：车道线估计：根据RANSAC(Random Sample Consensus，随机抽样一致)算法对车道线估计模型的匹配参数进行估计，拟合白色车道线；

S7：车道线后处理：对车道线估计模型的匹配参数进行修正，获取最终的白色车道线的图像；

S8：无人机飞行控制：将获取的白色车道线的图像实时传输给远程监控平台，远程监控平台获知公路情况后，发布指示至无人机的MCU，无人机的MCU控制无人机的飞行状态。

优选地，采用最大类间方差法对彩色图像的三个通道进行灰度图像分割。

优选地，所述的步骤S3的具体内容为：

对融合后的图像检测并判断连通域特征，将不属于车道线的连通域去除后，使用Hough变换进行直线检测，获取包括实线和有断点的线的图像。

优选地，所述的步骤S5的具体内容为：

筛选出符合车道线的特征点，通过欧氏距离与Hessian矩阵的迹，对特征点进行方向判断，进一步确定取舍的特征点。

优选地，采用卡尔曼滤波对车道线估计模型的匹配参数进行修正。