CN102254161B

CN102254161B - 基于路面轮廓及路面图像特征的路面类型识别方法及装置

Info

Publication number: CN102254161B
Application number: CN 201110199089
Authority: CN
Inventors: 王世峰
Original assignee: 王世峰
Current assignee: Changchun University of Science and Technology
Priority date: 2011-07-15
Filing date: 2011-07-15
Publication date: 2012-12-19
Anticipated expiration: 2031-07-15
Also published as: CN102254161A

Abstract

本发明涉及一种基于路面轮廓及路面图像特征的路面类型识别方法及装置，通过对车辆行驶过程中的水平速度及垂直方向的加速度的数据进行分析，并结合图像识别技术，通过分类器应用，从而进行路面识别。本发明的方法和装置通过引入了新的包含空间频率的路面轮廓特征数据，弥补了传统单纯使用路面图像数据进行路面识别的不足。由于包含空间频率的路面轮廓特征数据，来源于完整的路面轮廓数据，而路面轮廓数据来源于车辆与地面直接接触时车辆运动产生的上下振动的运动数据，这更直接的体现了路面的状况。同时，结合路面的图像数据，将两种类型数据融合后，作为分类器的输入数据，增加了特征数据的数量，大幅度的提高了路面识别的准确率和适用范围。

Description

基于路面轮廓及路面图像特征的路面类型识别方法及装置

技术领域

本发明实施例涉及一种基于路面轮廓及路面图像特征的路面类型识别方法及装置，尤其涉及一种车辆行驶过程中的路面类型识别技术。

背景技术

路面识别技术对于汽车的安全行驶以及自动驾驶方面，有着重要的意义。通过路面识别技术，可以由计算机主动对路面进行判断，从而采取相应的驾驶策略，用以提高乘客的舒适度，节省燃油，以及避免各种汽车行驶过程中的危险。

现有技术中的路面识别技术主要是通过图像处理技术完成，将采集来的路面图像，利用图像处理技术进行分析，从而得出路面类型的判断结果。

但单纯使用图像识别的办法具有一定的局限性。图像的亮度受到车辆行驶环境影响较大。例如，车辆驶在阳光直射和具有时隐时现阴影的路面上时；车辆在夜间行驶且路面无照明时。由于图像识别对象是道路表面的成像，所以对一些特殊路面不能反映其真实的颠簸特性。例如，落叶覆盖的柏油路(颠簸特性与无落叶的柏油路相同)；薄雪覆盖的碎石路(颠簸特性与无积雪的碎石路相同)。所以，单纯使用图像识别技术进行的路面识别，无法面对复杂的路面情况，识别效果有限。

发明内容

本发明实施例的目的在于提供一种基于路面轮廓及路面图像特征的路面类型识别方法及装置，以提高了路面识别的范围和准确率。

为实现上述发明目的，本发明实施例提供了一种基于路面轮廓及路面图像特征的路面类型识别方法，包括：

采集车辆垂直方向的垂直加速度数据；

采集车辆的行驶速度数据；

采集车辆行驶过程中的路面图像数据；

根据车辆动态模型，对所述垂直加速度数据进行处理，，生成横轴为时间、纵轴为路面垂直位移的路面垂直位移数据；

对所述行驶速度数据进行处理，生成横轴为时间、纵轴为车辆水平位移的路面水平位移数据；

对所述路面垂直位移数据和所述路面水平位移数据进行合成处理，生成横轴为路面水平位移、纵轴为路面垂直位移的路面轮廓数据；

将所述路面轮廓数据进行处理，生成横轴为空间频率、纵轴为空间频率分量的路面轮廓空间频率数据；

对所述路面轮廓空间频率数据进行特征提取，生成路面轮廓特征数据；

对所述路面图像数据进行特征提取，生成路面图像特征数据；

将所述路面轮廓特征数据和所述路面图像特征数据进行合并处理，生成分类器输入数据；

将所述分类器输入数据输入至经过训练的分类器，从而得出路面分类结果。

本发明实施例还提供了一种基于路面轮廓及路面图像特征的路面类型识别装置。包括：

垂直加速度数据采集模块，用于采集车辆垂直方向的垂直加速度数据；

行驶速度数据采集模块，用于采集车辆的行驶速度数据；

路面图像数据采集模块，用于采集车辆行驶过程中的路面图像数据；

路面垂直位移数据生成模块：用于根据车辆动态模型，对所述垂直加速度数据进行处理，，生成横轴为时间、纵轴为路面垂直位移的路面垂直位移数据；

水平位移数据生成模块，用于将所述对所述行驶速度数据进行处理，生成横轴为时间、纵轴为车辆水平位移的路面水平位移数据；

路面轮廓数据生成模块，用于对所述路面垂直位移数据和所述路面水平位移数据进行合成处理，生成横轴为路面水平位移、纵轴为路面垂直位移的路面轮廓数据；

路面轮廓空间频率数据生成模块，用于将所述路面轮廓数据进行处理，生成横轴为空间频率、纵轴为空间频率分量的路面轮廓空间频率数据；

路面轮廓特征数据提取模块，用于对所述路面轮廓空间频率数据进行特征提取，生成路面轮廓特征数据；

路面图像特征数据提取模块，用于对所述路面图像数据进行特征提取，生成路面图像特征数据；

分类器输入数据生成模块，用于将所述路面轮廓特征数据和所述路面图像特征数据进行合并处理，生成分类器输入数据；

经过训练的分类器，用于对所述分类器输入数据进行处理，从而得出路面分类结果。

由上述技术方案可知，本发明实施例通过引入了新的包含空间频率的路面轮廓特征数据，弥补了传统单纯使用路面图像数据进行路面识别的不足。由于包含空间频率的路面轮廓特征数据，来源于完整的路面轮廓数据，即车辆与地面直接接触后，产生的上下振动的运动数据，更直接的体现了路面表面的状况。

同时，结合路面的图像数据，将两种类型数据结合后，作为分类器的输入数据，增加了样本维度，大幅度的提高了路面识别的范围和准确率。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例一的基于路面轮廓及路面图像特征的路面类型识别方法的流程图；

图2为本发明实施例一的1/4车辆动态模型的示意图；

图3为本发明实施例一的路面轮廓数据的合成示意图；

图4为本发明实施例二的基于路面轮廓及路面图像特征的路面类型识别装置的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例一

本发明实施例的基于路面轮廓及路面图像特征的路面类型识别方法，通过对车辆行驶过程中的水平速度及垂直方法的加速度的数据进行分析，并结合图像识别技术，进行路面识别。如图1所示，整个过程需要采集三个数据量，即车辆的垂直加速度数据、行驶速度数据和路面图像数据。整个数据处理过程，也是针对这三个数据量的处理。

车辆的垂直加速度数据，主要用来生成体现路面在竖直方向上的位移的路面垂直位移数据，从而形成路面轮廓。而车辆行驶速度，主要用来生成路面水平位移数据。而路面垂直位移数据与路面水平位移数据相结合构成了体现完整的路面曲线的路面轮廓数据。然后对路面轮廓数据处理后，生成路面轮廓空间频率数据，进而提取出基于空间频率的路面轮廓特征数据。然后将该包含空间频率的路面轮廓特征数据和路面图像特征数据相结合，作为分类器的输入数据，完成路面的识别。

如图1所示，其为本发明实施例一的基于路面轮廓及路面图像特征的路面类型识别方法的流程图，本发明实施例的路面类型识别方法可以分为三个阶段，具体包括如下步骤：

(一)数据采集阶段：

步骤101、采集车辆的垂直加速度数据；

上述垂直加速度数据可以表示为由车辆垂直加速度和采集该垂直加速度所对应的时间构成的数据对序列，也可以表示为横轴为时间、纵轴为垂直加速度的曲线。

垂直加速的数据采集可以通过安装在车辆上的加速度传感器来采集。加速度传感器可以安装在车辆上的任意位置。本实施例中，优选安装于车辆的悬架上。加速度传感器安装于车辆的悬架上，能够更敏感的采集到车辆在垂直方向上的加速度变化。

步骤102、采集车辆的行驶速度数据；

上述行驶速度数据可以表示为由行驶速度和采集该行驶速度所对应的时间所构成的数据对序列，也可以表示为横轴为时间、纵轴为车辆的行驶速度的曲线。

在本实施例中，优选从ABS防锁死制动系统中的编码器装置中采集数据。当然对于没有ABS防锁死制动系统的车辆，可以另外设置速度检测装置或者普通的汽车自身带有的时速检测装置。

在实际的应用中，由于垂直方向的加速度变化比较快，而车辆水平行驶速度的变化相对缓慢，因此，可以使加速度的采样频率高于车辆速度数据的采样频率。

步骤103、采集车辆行驶过程中的路面图像数据；

对于图像数据的采集，可以采用每S米(优选为一个车身的长度)采集一幅或几幅图像的方式。即采样方式是基于固定的位移间隔。当然也可以基于固定的时间间隔进行路面图像的采集，由于车速是可以测得，这样可以通过计算，同样可以做到在每个S米内选取一副图像对其进行图像的直方图和纹理特征提取。

需要说明的是上述三类数据的采集步骤，并没有确定的先后顺序。上述的数据采样过程中，也可以包括对于采样后的数据进行滤波处理等操作，以去掉噪声。

(二)数据处理及合成阶段

(1)车辆行驶数据的处理

步骤104、根据车辆动态模型，对所述垂直加速度数据进行处理，生成横轴为时间、纵轴为路面垂直位移的路面垂直位移数据；

本实施例以1/4车辆动态模型为例进行说明，如图2所示，其为本发明实施例一的1/4车辆动态模型的示意图。其中，m_s为1/4的车身质量；m_us为单个车轮及该单个车轮对应的悬架系统的质量；v_s为m_s的垂直方向的速度，v_u为m_us的垂直方向的速度；y为路面垂直位移；K_s和B_s为由所述单个车轮对应的悬架系统组成的第一弹簧阻尼系统的第一弹性系数和第一阻尼系数；K_t和B_t为由所述单个车轮构成的第二弹簧阻尼系统的第二弹性系数和第二阻尼系数；D_s，和D_u分别为第一弹簧阻尼系统和第二弹簧阻尼系统的伸缩位移。

基于上述1/4车辆动态模型，计算得出的路面垂直位移数据的表达式如下：

y (t) = t \times a (t) + B_{s} \times a (t) / K_{t} - B_{s} \times m_{us} \times a (t) / m_{c} \times K_{t}

+ [a (t) \times (m_{s} \times K_{t} \times B_{s}^{2} \times B_{t}^{2} - m_{us} \times K_{t} \times B_{s}^{2} \times B_{t}^{2}

- m_{s} \times K_{s} \times B_{s} \times B_{t}^{3} + m_{us} \times K_{s} \times B_{s} \times B_{s}^{3} - B_{s} \times B_{t} \times m_{s}^{2} \times K_{t}^{2}

- m_{s} \times m_{us} \times B_{s} \times B_{t} \times K_{t}^{3} + K_{s} \times K_{t} \times m_{s}^{2} \times B_{t}^{2}

+ m_{s} \times m_{us} \times K_{s} \times K_{t} \times B_{t}^{2} + m_{us} \times m_{s}^{2} \times K_{t}^{3})]

/ [m_{s} \times B_{t} \times K_{t} \times (K_{s} \times B_{t}^{2} - B_{s} \times B_{t} \times K_{t} + m_{s} \times K_{t}^{2}) \exp (t \times K_{t} / B_{t})]

- [a (t) / m_{s}] \times (K_{s} \times B_{t}^{2} - B_{s} \times B_{t} \times K_{t} + m_{s} \times K_{t}^{2}) \times

{\cosh [(t / m_{s}) \sqrt{B_{s}^{2} / 4 - K_{s} \times m_{s}}] - [m_{s} \times \sinh (\frac{t}{m_{s}} \sqrt{\frac{B_{s}^{2}}{4} - K_{s} \times m_{s}})

\times (B_{t} \times K_{s} \times m_{s}^{2} - B_{s} \times K_{t} \times m_{s} \times m_{us})

\times (\frac{B_{s}}{2 \times m_{s}} + \frac{K_{s} \times K_{t} \times m_{s}^{2} - B_{s} \times B_{t} \times K_{s} \times m_{s} + B_{s} \times B_{t} \times K_{s} \times m_{us}}{B_{t} \times K_{s} \times m_{s}^{2} - m_{s} \times m_{us} \times B_{s} \times K_{t}})]

/ \sqrt{B_{s}^{2} / 4 - K_{s} \times m_{s}}} \times \exp [(t \times B_{s}) / (2 \times m_{s})]

............公式(1)

其中，exp为指数函数，sinh为双曲正弦函数，cosh为双曲余弦函数；t为时间；a(t)为所述m_us部分对应的垂直加速度数据；y(t)为所述路面垂直位移数据。在上述公式中，将mus部分的初始速度设定为0。

通过上述公式可知，将垂直加速度数据，输入到上述公式(1)后，就可以得出路面垂直位移数据y(t)。需要指出的是：在本实施例中，路面垂直位移数据的表达式是基于1/4车辆动态模型推导出的传递函数。当本发明的技术方案也可以应用于其他车辆动态模型，例如，整车的车辆动态模型，或者当应用于两轮的移动机器人的情形下，对应的动态模型等等。在此不再列举。其核心思想是通过加速度数据的测量，借助车辆动态模型，来得到路面的路面垂直位移数据，从而得到路面轮廓。

步骤105、对所述行驶速度数据进行处理，生成横轴为时间、纵轴为路面水平位移的路面水平位移数据；

该步骤中，将车辆的行驶速度对时间t进行积分，即可得到上述路面水平位移数据。

上述步骤104及步骤105并没有确定的先后顺序。

在实际应用中，由于垂直方向的加速度变化比较快，而车辆水平行驶速度的变化相对缓慢，因此，可以使加速度的采样频率高于车辆速度数据的采样频率。为了将路面垂直位移数据和路面水平位移数据进行合成处理的需要，在步骤105之前，还可以包括：对所述车辆的行驶速度数据进行插值处理，使得所述车辆的行驶速度数据的采样频率与所述垂直加速度数据的采样频率相匹配。由于加速度和车辆速度的采样频率均为固定值，数据之间的相互关系较为明确，便于进行数据调整。

(2)车辆行驶数据的合成及特征提取

步骤106、对所述路面垂直位移数据和所述路面水平位移数据进行合成处理，生成横轴为路面水平位移、纵轴为路面垂直位移的路面轮廓数据；

如图3所示，其为本发明实施例一的路面轮廓数据的合成示意图。其中y(t)表示路面垂直位移数据，x(t)表示路面水平位移数据。

步骤107、将所述路面轮廓数据进行处理，生成横轴为空间频率、纵轴为空间频率分量的路面轮廓空间频率数据；

该步骤可以具体为：

步骤1071、以水平位移间隔S为单位，将所述路面轮廓数据进行分段，生成n个路面轮廓数据样本；其中，水平位移间隔S优选为车身长度。

步骤1072、使用Lomb算法(Lomb算法是一种针对非均匀采样数据的功率谱估计方法)分别对所述n个路面轮廓数据样本进行处理，生成包含n个横轴为空间频率、纵轴为空间频率分量的子路面轮廓空间频率数据的路面轮廓空间频率数据。

由于路面轮廓空间频率数据对应于x轴上的间距不是相等的，即路面水平位移在x轴上对应的点是不等距的，这是由于车辆行驶速度在不停变化的原因，如果车辆能保持匀速行驶，则x上数据是等距的，否则间距是变化的。为了将路面水平位移在x轴上进行等距的分布，使用了Lomb算法，使用Lomb算法处理后的数据，路面水平位移在x轴的增量是相等的，而且每一个x轴数据都将对应一个y轴的路面垂直位移数据。Lomb算法同时也包含了傅立叶变换的操作。因此，对n个路面轮廓数据样本进行Lomb算法处理后，便生成了路面轮廓空间频率数据。

在本实施例中引入了空间频率的概念，其实质上就是针对横轴为路面水平位移、纵轴为路面垂直位移的路面轮廓数据进行了傅里叶变换后产生的结果。在此进行简单的概念解释：

(1)时间频率

传统时域和频域的术语定义如下：

“时域(时间域)——自变量是时间，即横轴是时间，纵轴是信号的变化。其动态信号x(t)是描述信号在不同时刻取值的函数。

频域(频率域)——自变量是频率，即横轴是频率，纵轴是该频率信号的幅度，也就是通常说的频谱图。频谱图描述了信号的频率结构及频率与该频率信号幅度的关系。

使用傅里叶变换进行的传统意义的时域到频域的转换是针对横轴为时间，纵轴为函数值的数据进行转换，如图3中的y(t)或x(t)函数。转换后的结果，横轴为频率，在本发明的实施例中，为了区别与其它概念，我们称之为“时间频率”；纵轴上的每个幅值传统称为“频率分量”，在本专利实施例中，为了区分别于其它概念，我们称之为“时间频率分量”。

(2)空间频率

如图3中，最右边的坐标图，函数y(x)，横坐标为路面水平位移，纵轴为函数值，即路面的垂直位移。在本发明的实施例中，仍然使用傅里叶变换进行处理，在傅里叶运算的过程中，仍然把横轴的x数据等同于时间t对待。在本实施例中，为了区别于传统的傅立叶变换结果，将转换后得到的结果中，横轴数据称之为“空间频率”；纵轴上的每个幅值即为“空间频率分量”。与传统的傅立叶变换的区别关键在于转换对象的横坐标是位移，而非时间。

步骤108、对所述路面轮廓空间频率数据进行特征提取，生成路面轮廓特征数据；

该步骤可以具体为：

根据预先设定的起始频率、步距频率和终止频率(具体参数设定大小根据使用场合和经验确定)，计算每个子路面轮廓空间频率数据内，从所述起始频率开始、到所述终止频率为止，每段步距频率内对应的空间频率分量的和。从而生成n个子路面轮廓空间频率特征数据，所述子路面轮廓空间频率特征数据包含m个空间频率分量的和。

具体而言，例如，起始频率为0Hz，步距频率为1Hz，终止频率为150Hz，使用起始频率、步距频率和终止频率这3个参数对获得的曲线进行分段积分，亦即计算从0Hz到1Hz(x轴从数值从0至1)、1Hz到2Hz......的y轴空间频率分量进行分段积分。

将所述n个子路面轮廓空间频率特征数据进行组合，生成所述路面轮廓特征矩阵Y1：

其中，所述路面轮廓特征矩阵Y1中的每一列对应于一个所述子路面轮廓空间频率特征数据，所述路面轮廓特征矩阵Y1中的每一个元素对应于一个所述空间频率分量的和。例如，0Hz到1Hz内(x轴从数值从0至1)的y轴空间频率分量之和(y轴的所有对应数据的和)，则该将成为矩阵的Y1的第一列第一行y_s1，f1；而1Hz至2Hz的空间频率分量之和将成为第一列第二行y_s1，f2。

在上述矩阵中，每一列对应一个数据样本(即一段S的路面轮廓数据)的各个空间频率分量的大小，从上至下分别是低频到高频的分量。也就是说，n是样本个数，m是每个样本中提取特征的个数。矩阵中每个元素

的数值即代表了某一个样本的某一个空间频率区间的空间频率分量的总和。

(3)图像数据的处理及特征提取

步骤109、对所述路面图像数据进行特征提取，生成路面图像特征数据。

所述路面图像特征数据可以具体为路面图像特征矩阵Y2；

所述路面图像数据可以包括n个子路面图像数据；

该步骤可以具体为：

提取每个所述子路面图像数据的直方图数据和纹理数据，生成n个子路面图像数据样本，每个所述子路面图像数据样本包括p个所述直方图数据和q个纹理数据；

将所述n个子路面图像数据样本进行组合，生成所述路面图像特征矩阵Y2：

其中，所述图像特征矩阵Y2中的每一列对应于一个子路面图像数据样本，所述图像特征矩阵Y2中的

元素对应于一个直方图数据、

元素对应于一个纹理数据。

具体而言，可以为256个直方图数据以及88个纹理数据的组合作为每个子路面图像数据样本的元素。即Y2中的每一列的元素中有256个直方图数据和88个纹理数据。即该矩阵的每1列代表一个样本(一幅图像)，其中的每个元素代表该样本中的特征(256+88个特征)。

(4)图像数据与车辆行驶数据的合成

步骤110、将所述路面轮廓特征数据和所述路面图像特征数据进行合并处理，生成分类器输入数据；

该步骤可以具体为：

所述分类器输入数据具体为分类器输入特征矩阵Y3；

将所述路面轮廓特征矩阵Y1和所述路面图像特征矩阵Y2在垂直方向上拼接在一起，生成分类器输入特征矩阵Y3：

由此可见，Y3是将特征矩阵Y1和特征矩阵Y2垂直方向上拼接在一起所产生的。特征矩阵Y3的每列是一个样本(例如，可以是对应于每S米行驶过的路面)的特征，Y3中每个样本的包含了路面轮廓的空间频率特征以及该段路面对应图像的直方图特征和纹理特征)。

(三)分类器处理阶段

步骤111、将所述分类器输入数据输入至经过训练的分类器，从而得出路面分类结果。

具体来说，可以将上述的Y3矩阵输入至经过训练的分类器，从而就可以得到分类结果了。

本发明实施例中，所述的分类器，是已经经过训练的分类器。由于分类器本身为现有技术，分类器的种类，其内部算法，以及分类器的训练和测试方法均为本领域人员的公知常识，在本发明的实施例中不做深入说明。在此仅结合本发明实施例对分类器的训练过程进行简单说明。

分类器即应用到了机器学习的理论，机器学习(Machine learning)的基本方法包括两个阶段：训练(training)阶段和测试(testing)阶段。

训练阶段：将已知分类标签的特征矩阵输入给分类器(classifier)用于训练，分类器将得到用于分类的关键数据。

就本发明实施例而言，可以采用如下方式对分类器进行训练：

驾驶装备了本装置的车辆在已知类型路面(如沥青路面、碎石路面、草地路面、沙子路面等)行驶，并将每S米路面类型告知分类器，从而使分类器识别已知路面类型。

测试阶段：将未知的用于测试的特征矩阵输入给分类器用于测试，则分类器将输出每个样本的分类结果。本发明实施例所记载的处理流程，是处于测试阶段的处理流程，即在实际测试应用过程的技术方案。

就本发明实施例而言，可以采用如下方式对分类器进行测试：

驾驶装备了本装置的车辆在未知类型路面行驶，则该装置能够每S米输出一个识别出的路面类型结果，从而达到路面类型识别的目的。

本发明的实施例通过引入了新的包含空间频率的路面轮廓特征数据，弥补了传统单纯使用路面图像数据进行路面识别的不足。由于包含空间频率的路面轮廓特征数据，来源于完整的路面轮廓数据，即车辆与地面直接接触后，产生的上下振动的运动数据，更直接的体现了路面表面的状况。

例如，对草地路面的识别，在正常的草地上，单纯使用路面图像特征数据进行识别，可以达到一定的准确率。但是，在雪天时，对草地路面的识别将大大降低，或者只能简单的识别为雪地，而无法识别出目前的路面为被雪覆盖的草地。而在上述状况下，使用本发明实施例的方法，由于结合了包含空间频率的路面轮廓特征数据，同样可以准确的识别到雪下面草地路面，进而也可以结合图像特征数据，将当前路面识别为被雪覆盖的草地。由此可见，无论是在识别的准确率上，还是在识别的路面类型的广度上，本发明的实施例均有很好的技术效果。

再例如，当路面有强光照射时，即使相机具有曝光时间自动调整功能，也经常使得成像图片曝光过度，即图片全部或大部分呈现白色。这种图片使得后续的图像特征提取变得无法实现，从而最终导致了路面识别任务的失败。反之，当夜晚行车，路面光照极其微弱时，即使相机的自动曝光时间自动调节为最大值，成像图像也经常是一片漆黑，这同样使得后续的图像特征提取无法实现，从而导致路面识别任务失败。而本发明的实施例，由于结合了包含空间频率的路面轮廓特征数据，完整体现了路面的颠簸性，从而降低对图像识别的依赖，同时也降低了光线等因素的影响。

实施例二

本发明实施例还提供了一种基于空间频率的路面类型识别装置，如图4所示，其为本发明实施例二的路面类型识别装置的结构示意图，其包括：

垂直加速度数据采集模块11，用于采集车辆垂直方向的垂直加速度数据；

该模块可以具体为安装在车辆上的任意位置上的加速度传感器。本实施例中，优选安装于车辆的悬架上。

行驶速度数据采集模块12，用于采集车辆的行驶速度数据；该模块可以为ABS防锁死制动系统中的编码器装置，对于没有ABS防锁死制动系统的车辆，可以为另外设置速度检测装置或者汽车自身带有的时速检测装置。

路面图像数据采集模块13，用于采集车辆行驶过程中的路面图像数据；该模块可以具体为，安装在车辆底部的能够实时传输图像的相机。

路面垂直位移数据生成模块14：用于根据车辆动态模型，对所述垂直加速度数据进行处理，生成横轴为时间、纵轴为路面垂直位移的路面垂直位移数据；

水平位移数据生成模块15，用于将所述对所述行驶速度数据进行处理，生成横轴为时间、纵轴为车辆水平位移的路面水平位移数据；

路面轮廓数据生成模块16，用于对所述路面垂直位移数据和所述路面水平位移数据进行合成处理，生成横轴为路面水平位移、纵轴为路面垂直位移的路面轮廓数据；

路面轮廓空间频率数据生成模块17，用于将所述路面轮廓数据进行处理，生成横轴为空间频率、纵轴为空间频率分量的路面轮廓空间频率数据；

该路面轮廓空间频率数据生成模块17还可以进一步包括：

路面轮廓数据样本分割模块171，用于以水平位移间隔S为单位，将所述路面轮廓数据进行分段，生成n个路面轮廓数据样本；

Lomb算法处理模块172，用于使用Lomb算法分别对所述n个路面轮廓数据样本进行处理，生成包含n个横轴为空间频率、纵轴为空间频率分量的子路面轮廓空间频率数据的路面轮廓空间频率数据。

路面轮廓特征数据提取模块18，用于对所述路面轮廓空间频率数据进行特征提取，生成路面轮廓特征数据；

路面图像特征数据提取模块19，用于对所述路面图像数据进行特征提取，生成路面图像特征数据；

其中，所述路面图像数据可以包括n个子路面图像数据；具体的特征提取方式可以为：提取每个所述子路面图像数据的直方图数据和纹理数据，生成n个子路面图像数据样本，每个所述子路面图像数据样本包括p个所述直方图数据和q个纹理数据。

分类器输入数据生成模块20，用于将所述路面轮廓特征数据和所述路面图像特征数据进行合并处理，生成分类器输入数据；

经过训练的分类器21，用于对所述分类器输入数据进行处理，从而得出路面分类结果。

在实际应用中，由于垂直方向的加速度变化比较快，而车辆水平行驶速度的变化相对缓慢，因此，可以使加速度的采样频率高于车辆速度数据的采样频率。为了将路面垂直位移数据和路面水平位移数据进行合成处理的需要，本发明实施例的路面类型识别装置还可以包括：

采样频率匹配模块22，用于对所述车辆的行驶速度数据进行插值处理，使得所述车辆的行驶速度数据的采样频率与所述垂直加速度数据的采样频率相匹配，并将匹配后的行驶速度数据输出至所述水平位移数据生成模块。

另外，对于路面垂直位移数据生成模块14中，所使用的车辆动态模型，可以采用1/4车辆动态模型，并基于该1/4车辆动态模型推导出所述路面垂直位移数据的表达式。有关1/4车辆动态模型以及路面垂直位移数据的表达式的说明，参见上述方法实施例中的记载以及图2和公式(1)，在此不再赘述。本发明的装置的实施例也可以应用于其他车辆动态模型。

实施例二中各个模块的全部数据处理操作，可以参照实施例一中的相关处理过程，例如，特征矩阵Y1、Y2、Y3等结构等，也就是说，实施例一中提及的各种数据处理内容也完全可以应用在实施例二内，在此也不再赘述。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，程序可存储于一计算机可获取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，存储介质可为磁碟、光盘、只读存储记忆体(Read-OnlyMemory，ROM)或随机存储记忆体(Random Access Memory，RAM)等。

最后应说明的是：以上实施例仅用以说明本发明的技术方案而非对其进行限制，尽管参照较佳实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对本发明的技术方案进行修改或者等同替换，而这些修改或者等同替换亦不能使修改后的技术方案脱离本发明技术方案的精神和范围。

Claims

1.一种基于路面轮廓及路面图像特征的路面类型识别方法，其特征在于，包括：

采集车辆垂直方向的垂直加速度数据；

采集车辆的行驶速度数据；

采集车辆行驶过程中的路面图像数据；

根据车辆动态模型，对所述垂直加速度数据进行处理，生成横轴为时间、纵轴为路面垂直位移的路面垂直位移数据；

2.根据权利要求1所述的方法，其特征在于：

在对所述行驶速度数据进行处理，生成横轴为时间、纵轴为路面水平位移的路面水平位移数据的步骤之前，包括：

对所述车辆的行驶速度数据进行插值处理，使得所述车辆的行驶速度数据的采样频率与所述垂直加速度数据的采样频率相匹配。

3.根据权利要求1所述的方法，其特征在于，

所述将所述路面轮廓数据进行处理，生成横轴为空间频率、纵轴为空间频率分量的路面轮廓空间频率数据的步骤具体为：

以水平位移间隔S为单位，将所述路面轮廓数据进行分段，生成n个路面轮廓数据样本；

使用Lomb算法分别对所述n个路面轮廓数据样本进行处理，生成包含n个横轴为空间频率、纵轴为空间频率分量的子路面轮廓空间频率数据的路面轮廓空间频率数据。

4.根据权利要求3所述的方法，其特征在于，

所述路面轮廓特征数据具体为路面轮廓特征矩阵Y1；

所述对所述路面轮廓空间频率数据进行特征提取，生成路面轮廓特征数据的步骤具体为：

根据预先设定的起始频率、步距频率和终止频率，计算每个子路面轮廓空间频率数据内，从所述起始频率开始、到所述终止频率为止，每段步距频率内对应的空间频率分量的和；从而生成n个子路面轮廓空间频率特征数据，所述子路面轮廓空间频率特征数据包含m个空间频率分量的和；

其中，所述路面轮廓特征矩阵Y1中的每一列对应于一个所述子路面轮廓空间频率特征数据，所述路面轮廓特征矩阵Y1中的每一个元素对应于一个所述空间频率分量的和。

5.根据权利要求4所述的方法，其特征在于，

所述路面图像特征数据具体为路面图像特征矩阵Y2；

所述对所述路面图像数据进行特征提取，生成路面图像特征数据的步骤具体为：

所述路面图像数据包括n个子路面图像数据；

将所述n个子路面图像数据样本进行组合，生成所述路面图像特征矩阵Y2:

元素对应于一个直方图数据、

元素对应于一个纹理数据。

6.根据权利要求5所述的方法，其特征在于，

所述分类器输入数据具体为分类器输入特征矩阵Y3；

所述将所述路面轮廓特征数据和所述路面图像特征数据进行合并处理，生成分类器输入数据的步骤具体为：

将所述路面轮廓特征矩阵Y1和所述路面图像特征矩阵Y2在垂直方向上拼接在一起，生成分类器输入特征矩阵Y3:

7.根据权利要求1至6任一所述的方法，其特征在于：

所述根据车辆动态模型，对所述垂直加速度数据进行处理，生成横轴为时间、纵轴为路面垂直位移的路面垂直位移数据的步骤具体为：

将所述垂直加速度数据输入如下公式，从而生成横轴为时间、纵轴为路面垂直位移的路面垂直位移数据：

y (t) = t \times a (t) + B_{s} \times a (t) / K_{t} - B_{s} \times m_{us} \times a (t) / m_{c} \times K_{t}

+ [a (t) \times (m_{s} \times K_{t} \times B_{s}^{2} \times B_{t}^{2} - m_{us} \times K_{t} \times B_{s}^{2} \times B_{t}^{2}

- m_{s} \times K_{s} \times B_{s} \times B_{t}^{3} + m_{us} \times K_{s} \times B_{s} \times B_{s}^{3} - B_{s} \times B_{t} \times m_{s}^{2} \times K_{t}^{2}

- m_{s} \times m_{us} \times B_{s} \times B_{t} \times K_{t}^{3} + K_{s} \times K_{t} \times m_{s}^{2} \times B_{t}^{2}

+ m_{s} \times m_{us} \times K_{s} \times K_{t} \times B_{t}^{2} + m_{us} \times m_{s}^{2} \times K_{t}^{3})]

/ [m_{s} \times B_{t} \times K_{t} \times (K_{s} \times B_{t}^{2} - B_{s} \times B_{t} \times K_{t} + m_{s} \times K_{t}^{2}) \exp (t \times K_{t} / B_{t})]

- [a (t) / m_{s}] \times (K_{s} \times B_{t}^{2} - B_{s} \times B_{t} \times K_{t} + m_{s} \times K_{t}^{2}) \times

{\cosh [(t / m_{s}) \sqrt{B_{s}^{2} / 4 - K_{s} \times m_{s}}] - [m_{s} \times \sinh (\frac{t}{m_{s}} \sqrt{\frac{B_{s}^{2}}{4} - K_{s} \times m_{s}})

\times (B_{t} \times K_{s} \times m_{s}^{2} - B_{s} \times K_{t} \times m_{s} \times m_{us})

\times (\frac{B_{s}}{2 \times m_{s}} + \frac{K_{s} \times K_{t} \times m_{s}^{2} - B_{s} \times B_{t} \times K_{s} \times m_{s} + B_{s} \times B_{t} \times K_{s} \times m_{us}}{B_{t} \times K_{s} \times m_{s}^{2} - m_{s} \times m_{us} \times B_{s} \times K_{t}})]

/ \sqrt{B_{s}^{2} / 4 - K_{s} \times m_{s}}} \times \exp [(t \times B_{s}) / (2 \times m_{s})],

其中，exp为指数函数，sinh为双曲正弦函数，cosh为双曲余弦函数；t为时间；m_s为1/4的车身质量；m_us为单个车轮及该单个车轮对应的悬架系统的质量；v_u为m_us的垂直方向的速度；K_s和B_s为由所述单个车轮对应的悬架系统组成的第一弹簧阻尼系统的第一弹性系数和第一阻尼系数；K_t和B_t为由所述单个车轮构成的第二弹簧阻尼系统的第二弹性系数和第二阻尼系数；a(t)为所述m_us部分对应的垂直加速度数据；y(t)为所述路面垂直位移数据。

8.一种基于路面轮廓及路面图像特征的路面类型识别装置，其特征在于，包括：

行驶速度数据采集模块，用于采集车辆的行驶速度数据；

路面垂直位移数据生成模块：用于根据车辆动态模型，对所述垂直加速度数据进行处理，生成横轴为时间、纵轴为路面垂直位移的路面垂直位移数据；

路面轮廓曲线数据生成模块，用于对所述路面垂直位移数据和所述路面水平位移数据进行合成处理，生成横轴为路面水平位移、纵轴为路面垂直位移的路面轮廓数据；

9.根据权利要求8所述的装置，其特征在于，还包括：

采样频率匹配模块，用于对所述车辆的行驶速度数据进行插值处理，使得所述车辆的行驶速度数据的采样频率与所述垂直加速度数据的采样频率相匹配，并将匹配后的行驶速度数据输出至所述水平位移数据生成模块。

10.根据权利要求9所述的装置，其特征在于，

所述路面轮廓空间频率数据生成模块包括：

路面轮廓数据样本分割模块，用于以水平位移间隔S为单位，将所述路面轮廓数据进行分段，生成n个路面轮廓数据样本；

Lomb算法处理模块，用于使用Lomb算法分别对所述n个路面轮廓数据样本进行处理，生成包含n个横轴为空间频率、纵轴为空间频率分量的子路面轮廓空间频率数据的路面轮廓空间频率数据。