CN116625317B - 一种基于图像处理的陡坡表面坡度检测方法及设备 - Google Patents
一种基于图像处理的陡坡表面坡度检测方法及设备 Download PDFInfo
- Publication number
- CN116625317B CN116625317B CN202310919070.6A CN202310919070A CN116625317B CN 116625317 B CN116625317 B CN 116625317B CN 202310919070 A CN202310919070 A CN 202310919070A CN 116625317 B CN116625317 B CN 116625317B
- Authority
- CN
- China
- Prior art keywords
- image
- road
- target
- steep slope
- module
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000012545 processing Methods 0.000 title claims abstract description 76
- 238000001514 detection method Methods 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 claims abstract description 26
- 238000010801 machine learning Methods 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 230000011218 segmentation Effects 0.000 claims abstract description 10
- 239000013598 vector Substances 0.000 claims description 36
- 238000000605 extraction Methods 0.000 claims description 22
- 230000004927 fusion Effects 0.000 claims description 21
- 239000000203 mixture Substances 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 14
- 238000010606 normalization Methods 0.000 claims description 14
- 238000005315 distribution function Methods 0.000 claims description 12
- 230000009467 reduction Effects 0.000 claims description 11
- 238000003062 neural network model Methods 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 239000003623 enhancer Substances 0.000 claims description 4
- 238000007499 fusion processing Methods 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 7
- 230000009466 transformation Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 210000002784 stomach Anatomy 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C9/00—Measuring inclination, e.g. by clinometers, by levels
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及坡度检测技术领域，公开了一种基于图像处理的陡坡表面坡度检测方法及设备，该方法包括以下步骤：获取车辆行驶道路的实时图像，并对所述实时图像依次进行预处理和配准处理，得到待识别图像；对所述待识别图像进行特征提取和特征融合，并采用机器学习方法获得目标陡坡的检测结果，生成带有目标陡坡的目标图像；对所述目标图像通过分割算法分割出陡坡表面的检测区域，生成候选图像，并将所述候选图像输入坡度识别模型中，以输出目标陡坡表面坡度预测值；根据所述目标陡坡表面坡度预测值，判断车辆行驶道路是否为陡坡路况，若是，则向行驶中车辆发出陡坡预警；本发明有效提高坡度检测结果的准确性，提高了用户驾驶车辆的安全性。
Description
技术领域
本发明涉及坡度检测技术领域，具体涉及一种基于图像处理的陡坡表面坡度检测方法及设备。
背景技术
陡坡是指坡度大于临界底坡的渠道底坡，也指急剧升高的斜坡，坡度作为车辆行驶状态参数的重要组成部分，对车辆行驶安全有重要意义，坡度检测对于车辆行驶安全尤为重要。
发明内容
本发明的目的是为了解决上述问题，设计了一种基于图像处理的陡坡表面坡度检测方法及设备。
本发明第一方面提供一种基于图像处理的陡坡表面坡度检测方法，获取车辆行驶道路的实时图像，并对所述实时图像依次进行预处理和配准处理，得到待识别图像；
对所述待识别图像进行特征提取和特征融合，并采用机器学习方法获得目标陡坡的检测结果，生成带有目标陡坡的目标图像；
对所述目标图像通过分割算法分割出陡坡表面的检测区域，生成候选图像，并将所述候选图像输入坡度识别模型中，以输出目标陡坡表面坡度预测值；
根据所述目标陡坡表面坡度预测值，判断车辆行驶道路是否为陡坡路况，若是，则向行驶中车辆发出陡坡预警。
可选的，在本发明第一方面的第一种实现方式中，所述获取车辆行驶道路的实时图像，并对所述实时图像依次进行预处理和配准处理，得到待识别图像，包括：
获取车辆行驶道路的实时图像，将采集到的实时图像尺寸一致化，得到第一道路图像；
将所述第一道路图像转化为灰度图像，并采用Min-Max归一化使图像灰度分布范围归一化，得到第二道路图像；
采用Gamma校正对所述第二道路图像进行图像增强处理，得到第三道路图像；
对所述第三道路图像进行图像降噪处理，得到第四道路图像；
获取车辆行驶道路的参考图像，将所述第四道路图像和所述参考图像进行配准处理，得到待识别图像。
可选的，在本发明第一方面的第二种实现方式中，所述获取车辆行驶道路的参考图像，将所述第四道路图像和所述参考图像进行配准处理，得到待识别图像，包括：
获取车辆行驶道路的参考图像和第四道路图像，生成用于图像配准的初始种群，构建基于差分进化算法的图像配准模型；
初始化所述图像配准模型的差分算法参数，设置自适应差分缩放因子，并对所述初始种群的个体进行交叉、变异、选择操作，通过缩放因子产生变异个体，得到所述初始种群中多个个体；
以Hausdorff距离作为适应度函数，基于所述适应度函数计算群体中每个个体适应度值，并进入下一代种群；
当满足满足所设置的最大迭代次数条件时得到差分算法求解的最优个体，得到所述第四道路图像和所述参考图像配准结果，得到待识别图像。
可选的，在本发明第一方面的第三种实现方式中，所述对所述待识别图像进行特征提取和特征融合，包括：
构建Hessian矩阵，获取所述待识别图像，通过逐渐改变所述待识别图像的大小构建尺度空间和图像空间；
在所述尺度空间和图像空间内检测Hessian矩阵，并获取检测到的Hessian 矩阵的行列式极大值；
选取所述极大值邻域的极值样本进行三维二次拟合得到具有亚像素和亚尺度精度的局部极大值，根据所述局部极大值确定特征点；
基于所述特征点确定所述特征点对应的主方向，并根据所述特征点对应的主方向构建特征矩阵；
基于所述特征矩阵采用Haar小波法对所述特征点进行描述，得到所述特征点描述子，根据所述特征点描述子进行特征匹配，以对所述待识别图像进行特征提取。
可选的，在本发明第一方面的第四种实现方式中，所述对所述待识别图像进行特征提取和特征融合，还包括：
提取所述待识别图像中的特征向量，在所述特征向量中确定样本特征向量和所述样本特征向量对应的其他角度的对比特征向量；
计算所述样本特征向量和所述对比特征向量之间的欧式距离，得到所述样本特征向量的相似度；
对所述样本特征向量的相似度按照降序进行排序，选择预设数量相似度低的对比特征向量进行融合，以完成对所述待识别图像经过特征提取后的特征融合处理。
可选的，在本发明第一方面的第五种实现方式中，所述对所述待识别图像进行特征提取和特征融合，并采用机器学习方法获得目标陡坡的检测结果，生成带有目标陡坡的目标图像，包括：
获取构成高斯混合模型的高斯分布函数数量，对每种组成高斯分布函数的参数进行初始化；
获取经过特征提取和特征融合的待识别图像，并标记为图像样本，计算所述图像样本属于每个高斯模型的概率；
根据得到的高斯模型的概率，对高斯混合模型进行参数更新，直至收敛至设定阈值；
当所述图像样本靠近高斯分布的中心，属于目标陡坡的概率越大，获得目标陡坡的检测结果，生成带有目标陡坡的目标图像。
可选的，在本发明第一方面的第六种实现方式中，所述坡度识别模型的训练过程包括以下步骤：
获取历史训练样本集；所述训练样本集中的样本包括：带坡度的陡坡图像；
采用所述训练样本集中的样本对初始神经网络模型进行训练，得到初始输出向量；
确定所述初始输出向量的损失函数的梯度，得到当前位置下降的距离；
判断初始神经网络模型参数的梯度下降距离是否都小于预设距离阈值，若小于，则训练结束，更新初始神经网络模型的参数，得到坡度识别模型。
本发明第二方面提供了一种基于图像处理的陡坡表面坡度检测设备，该设备包括图像处理模块、特征处理模块、坡度识别模块和陡坡预警模块，其中：
所述图像处理模块，用于获取车辆行驶道路的实时图像，并对所述实时图像依次进行预处理和配准处理，得到待识别图像；
所述特征处理模块，用于对所述待识别图像进行特征提取和特征融合，并采用机器学习方法获得目标陡坡的检测结果，生成带有目标陡坡的目标图像；
所述坡度识别模块，用于对所述目标图像通过分割算法分割出陡坡表面的检测区域，生成候选图像，并将所述候选图像输入坡度识别模型中，以输出目标陡坡表面坡度预测值；
所述陡坡预警模块，用于根据所述目标陡坡表面坡度预测值，判断车辆行驶道路是否为陡坡路况，若是，则向行驶中车辆发出陡坡预警。
可选的，在本发明第二方面的第一种实现方式中，所述图像处理模块包括尺寸处理子模块、灰度处理子模块、图像增强子模块、图像降噪子模块和图像配准子模块，其中：
所述尺寸处理子模块，用于获取车辆行驶道路的实时图像，将采集到的实时图像尺寸一致化，得到第一道路图像；
所述灰度处理子模块，用于将所述第一道路图像转化为灰度图像，并采用Min-Max归一化使图像灰度分布范围归一化，得到第二道路图像；
所述图像增强子模块，用于采用Gamma校正对所述第二道路图像进行图像增强处理，得到第三道路图像；
所述图像降噪子模块，用于对所述第三道路图像进行图像降噪处理，得到第四道路图像；
所述图像配准子模块，用于获取车辆行驶道路的参考图像，将所述第四道路图像和所述参考图像进行配准处理，得到待识别图像。
可选的，在本发明第二方面的第二种实现方式中，所述特征处理模块包括参数初始化子模块、样本标记子模块、参数更新子模块和结果输出子模块，其中：
所述参数初始化子模块，用于获取构成高斯混合模型的高斯分布函数数量，对每种组成高斯分布函数的参数进行初始化；
所述样本标记子模块，用于获取经过特征提取和特征融合的待识别图像，并标记为图像样本，计算所述图像样本属于每个高斯模型的概率；
所述参数更新子模块，用于根据得到的高斯模型的概率，对高斯混合模型进行参数更新，直至收敛至设定阈值；
所述结果输出子模块，用于当所述图像样本靠近高斯分布的中心，属于目标陡坡的概率越大，获得目标陡坡的检测结果，生成带有目标陡坡的目标图像。
本发明提供的技术方案中，通过获取车辆行驶道路的实时图像，并对所述实时图像依次进行预处理和配准处理，得到待识别图像；对所述待识别图像进行特征提取和特征融合，并采用机器学习方法获得目标陡坡的检测结果，生成带有目标陡坡的目标图像；对所述目标图像通过分割算法分割出陡坡表面的检测区域，生成候选图像，并将所述候选图像输入坡度识别模型中，以输出目标陡坡表面坡度预测值；根据所述目标陡坡表面坡度预测值，判断车辆行驶道路是否为陡坡路况，若是，则向行驶中车辆发出陡坡预警；本发明有效提高坡度检测结果的准确性，提高了用户驾驶车辆的安全性。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。
图1为本发明实施例提供的基于图像处理的陡坡表面坡度检测方法的第一个实施例示意图；
图2为本发明实施例提供的基于图像处理的陡坡表面坡度检测方法的第二个实施例示意图；
图3为本发明实施例提供的基于图像处理的陡坡表面坡度检测方法的第三个实施例示意图；
图4为本发明实施例提供的基于图像处理的陡坡表面坡度检测设备的一种结构示意图；
图5为本发明实施例提供的基于图像处理的陡坡表面坡度检测设备的另一种结构示意图。
具体实施方式
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、设备、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1本发明实施例提供的基于图像处理的陡坡表面坡度检测方法的第一个实施例示意图，该方法具体包括以下步骤：
步骤101、获取车辆行驶道路的实时图像，并对实时图像依次进行预处理和配准处理，得到待识别图像；
步骤102、对待识别图像进行特征提取和特征融合，并采用机器学习方法获得目标陡坡的检测结果，生成带有目标陡坡的目标图像；
本实施例中，获取构成高斯混合模型的高斯分布函数数量，对每种组成高斯分布函数的参数进行初始化；获取经过特征提取和特征融合的待识别图像，并标记为图像样本，计算图像样本属于每个高斯模型的概率；根据得到的高斯模型的概率，对高斯混合模型进行参数更新，直至收敛至设定阈值；当图像样本靠近高斯分布的中心，属于目标陡坡的概率越大，获得目标陡坡的检测结果，生成带有目标陡坡的目标图像。
步骤103、对目标图像通过分割算法分割出陡坡表面的检测区域，生成候选图像，并将候选图像输入坡度识别模型中，以输出目标陡坡表面坡度预测值；
本实施例中，获取历史训练样本集；训练样本集中的样本包括：带坡度的陡坡图像；采用训练样本集中的样本对初始神经网络模型进行训练，得到初始输出向量；确定初始输出向量的损失函数的梯度，得到当前位置下降的距离；判断初始神经网络模型参数的梯度下降距离是否都小于预设距离阈值，若小于，则训练结束，更新初始神经网络模型的参数，得到坡度识别模型。
步骤104、根据目标陡坡表面坡度预测值，判断车辆行驶道路是否为陡坡路况，若是，则向行驶中车辆发出陡坡预警。
本发明实施例中，通过获取车辆行驶道路的实时图像，并对实时图像依次进行预处理和配准处理，得到待识别图像；对待识别图像进行特征提取和特征融合，并采用机器学习方法获得目标陡坡的检测结果，生成带有目标陡坡的目标图像；对目标图像通过分割算法分割出陡坡表面的检测区域，生成候选图像，并将候选图像输入坡度识别模型中，以输出目标陡坡表面坡度预测值；根据目标陡坡表面坡度预测值，判断车辆行驶道路是否为陡坡路况，若是，则向行驶中车辆发出陡坡预警；本发明有效提高坡度检测结果的准确性，提高了用户驾驶车辆的安全性。
请参阅图2，本发明实施例提供的基于图像处理的陡坡表面坡度检测方法的第二个实施例示意图，该方法包括：
步骤201、获取车辆行驶道路的实时图像，将采集到的实时图像尺寸一致化，得到第一道路图像；
步骤202、将第一道路图像转化为灰度图像，并采用Min-Max归一化使图像灰度分布范围归一化，得到第二道路图像；
本实施例中，数据标准化（归一化）处理是数据挖掘的一项基础工作，不同评价指标往往具有不同的量纲和量纲单位，这样的情况会影响到数据分析的结果，为了消除指标之间的量纲影响，需要进行教据标准化处理，以解决教据指标之间的可比性，原始教提经讨教据标准化处理各指标处于同一数量级，适合进行综合对比评价。Min-Max归一化也称为离差标准化，是对原始数据的线性变换，使结果值映射到[0 - 1]之间。
步骤203、采用Gamma校正对第二道路图像进行图像增强处理，得到第三道路图像；
本实施例中，Gamma校正是通过对图像像素值进行暴函数变换来调超图像高度的技术，Gamma值是一个非线性参数，用于描冰输入与输出之间的关系。Gamma值通常位于0.5到2.5之间，通常为1.0或112.2（在计算机图形学中广泛使用的值）。调整Gamma值可以影响图像的亮度和颜色饱和度。
步骤204、对第三道路图像进行图像降噪处理，得到第四道路图像；
步骤205、获取车辆行驶道路的参考图像，将第四道路图像和参考图像进行配准处理，得到待识别图像。
本实施例中，获取车辆行驶道路的参考图像和第四道路图像，生成用于图像配准的初始种群，构建基于差分进化算法的图像配准模型；初始化图像配准模型的差分算法参数，设置自适应差分缩放因子，并对初始种群的个体进行交叉、变异、选择操作，通过缩放因子产生变异个体，得到初始种群中多个个体；以Hausdorff距离作为适应度函数，基于适应度函数计算群体中每个个体适应度值，并进入下一代种群；当满足满足所设置的最大迭代次数条件时得到差分算法求解的最优个体，得到第四道路图像和参考图像配准结果，得到待识别图像。
本实施例中，Hausdorff距离量度度量空间中真子集之间的距离。所胃度量空间，也就是一个集合，其中任意元素之间的距离可定义，真子集就简单理解成一组有限（可以是无限）数目的元素（点）集合，因此，Hausdorff距离可以理解成一个点集中的点到另一个点集的最短距离的最大值。
本发明实施例中，获取车辆行驶道路的实时图像，将采集到的实时图像尺寸一致化，得到第一道路图像，将第一道路图像转化为灰度图像，并采用Min-Max归一化使图像灰度分布范围归一化，得到第二道路图像，采用Gamma校正对第二道路图像进行图像增强处理，得到第三道路图像，对第三道路图像进行图像降噪处理，得到第四道路图像，获取车辆行驶道路的参考图像，将第四道路图像和参考图像进行配准处理，得到待识别图像；本发明有效地提高实时图像的图像质量，满足后续图像处理需求，降低了时间耗费，提高了工作效率。
请参阅图3，本发明实施例提供的基于图像处理的陡坡表面坡度检测方法的第三个实施例示意图，该方法包括：
步骤301、构建Hessian矩阵，获取待识别图像，通过逐渐改变待识别图像的大小构建尺度空间和图像空间；
步骤302、在尺度空间和图像空间内检测Hessian矩阵，并获取检测到的Hessian矩阵的行列式极大值；
步骤303、选取极大值邻域的极值样本进行三维二次拟合得到具有亚像素和亚尺度精度的局部极大值，根据局部极大值确定特征点；
步骤304、基于特征点确定特征点对应的主方向，并根据特征点对应的主方向构建特征矩阵；
步骤305、基于特征矩阵采用Haar小波法对特征点进行描述，得到特征点描述子，根据特征点描述子进行特征匹配，以对待识别图像进行特征提取；
本实施例中，小波变换的提升算法主要由分裂、预测和更新三个部分构成分裂是将一个信号分裂成两个信号，预测主要作用是消除第一步分裂之后所留下的数据冗余，更新则是起到一个修正数据的作用。
小波指的是一种能量在时域非常集中的波，它的能量有限，都集中在某一点附近，而且积分的值为零，这说明它与傅里叶波一样是正交波；小波变换使用一系列的不同尺度的小波去分解原函数，变换后得到的是原函数在不同尺度小波下的系数，不同的小波通过平移与尺度变换分解，平移是为了得到原函数的时间特性，尺度变换是为了得到原函数的频率特性。
步骤306、提取待识别图像中的特征向量，在特征向量中确定样本特征向量和样本特征向量对应的其他角度的对比特征向量；
步骤307、计算样本特征向量和对比特征向量之间的欧式距离，得到样本特征向量的相似度；
步骤308、对样本特征向量的相似度按照降序进行排序，选择预设数量相似度低的对比特征向量进行融合，以完成对待识别图像经过特征提取后的特征融合处理。
通过上述方案的实施，提高图像特征提取效率，降低后续模型的复杂度，降低了时间耗费，提高了工作效率，有效提高坡度检测结果的准确性，提高了用户驾驶车辆的安全性。
请参阅图4，本发明实施例提供的基于图像处理的陡坡表面坡度检测设备的一种结构示意图，该设备包括图像处理模块、特征处理模块、坡度识别模块和陡坡预警模块，其中：
图像处理模块401，用于获取车辆行驶道路的实时图像，并对实时图像依次进行预处理和配准处理，得到待识别图像；
特征处理模块402，用于对待识别图像进行特征提取和特征融合，并采用机器学习方法获得目标陡坡的检测结果，生成带有目标陡坡的目标图像；
坡度识别模块403，用于对目标图像通过分割算法分割出陡坡表面的检测区域，生成候选图像，并将候选图像输入坡度识别模型中，以输出目标陡坡表面坡度预测值；
陡坡预警模块404，用于根据目标陡坡表面坡度预测值，判断车辆行驶道路是否为陡坡路况，若是，则向行驶中车辆发出陡坡预警。
请参阅图5，本发明实施例中基于图像处理的陡坡表面坡度检测设备的另一种结构示意图包括：
图像处理模块401，用于获取车辆行驶道路的实时图像，并对实时图像依次进行预处理和配准处理，得到待识别图像；
特征处理模块402，用于对待识别图像进行特征提取和特征融合，并采用机器学习方法获得目标陡坡的检测结果，生成带有目标陡坡的目标图像；
坡度识别模块403，用于对目标图像通过分割算法分割出陡坡表面的检测区域，生成候选图像，并将候选图像输入坡度识别模型中，以输出目标陡坡表面坡度预测值；
陡坡预警模块404，用于根据目标陡坡表面坡度预测值，判断车辆行驶道路是否为陡坡路况，若是，则向行驶中车辆发出陡坡预警。
本实施例中，图像处理模块401包括尺寸处理子模块、灰度处理子模块、图像增强子模块、图像降噪子模块和图像配准子模块，其中：
尺寸处理子模块4011，用于获取车辆行驶道路的实时图像，将采集到的实时图像尺寸一致化，得到第一道路图像；
灰度处理子模块4012，用于将第一道路图像转化为灰度图像，并采用Min-Max归一化使图像灰度分布范围归一化，得到第二道路图像；
图像增强子模块4013，用于采用Gamma校正对第二道路图像进行图像增强处理，得到第三道路图像；
图像降噪子模块4014，用于对第三道路图像进行图像降噪处理，得到第四道路图像；
图像配准子模块4015，用于获取车辆行驶道路的参考图像，将第四道路图像和参考图像进行配准处理，得到待识别图像。
本实施例中，特征处理模块402包括参数初始化子模块、样本标记子模块、参数更新子模块和结果输出子模块，其中：
参数初始化子模块4021，用于获取构成高斯混合模型的高斯分布函数数量，对每种组成高斯分布函数的参数进行初始化；
样本标记子模块4022，用于获取经过特征提取和特征融合的待识别图像，并标记为图像样本，计算图像样本属于每个高斯模型的概率；
参数更新子模块4023，用于根据得到的高斯模型的概率，对高斯混合模型进行参数更新，直至收敛至设定阈值；
结果输出子模块4024，用于当图像样本靠近高斯分布的中心，属于目标陡坡的概率越大，获得目标陡坡的检测结果，生成带有目标陡坡的目标图像。
通过上述方案的实施，本发明降低了时间耗费，提高了工作效率，有效提高坡度检测结果的准确性，提高了用户驾驶车辆的安全性。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的仅为本发明的优选例，并不用来限制本发明，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (3)
1.一种基于图像处理的陡坡表面坡度检测方法，其特征在于，该方法包括以下步骤：
获取车辆行驶道路的实时图像，并对所述实时图像依次进行预处理和配准处理，得到待识别图像；
对所述待识别图像进行特征提取和特征融合，并采用机器学习方法获得目标陡坡的检测结果，生成带有目标陡坡的目标图像；
对所述目标图像通过分割算法分割出陡坡表面的检测区域，生成候选图像，并将所述候选图像输入坡度识别模型中，以输出目标陡坡表面坡度预测值；
根据所述目标陡坡表面坡度预测值，判断车辆行驶道路是否为陡坡路况，若是，则向行驶中车辆发出陡坡预警；
所述获取车辆行驶道路的实时图像，并对所述实时图像依次进行预处理和配准处理，得到待识别图像，包括：
获取车辆行驶道路的实时图像，将采集到的实时图像尺寸一致化，得到第一道路图像；
将所述第一道路图像转化为灰度图像，并采用Min-Max归一化使图像灰度分布范围归一化，得到第二道路图像；
采用Gamma校正对所述第二道路图像进行图像增强处理，得到第三道路图像；
对所述第三道路图像进行图像降噪处理，得到第四道路图像；
获取车辆行驶道路的参考图像，将所述第四道路图像和所述参考图像进行配准处理，得到待识别图像；
所述获取车辆行驶道路的参考图像，将所述第四道路图像和所述参考图像进行配准处理，得到待识别图像，包括：
获取车辆行驶道路的参考图像和第四道路图像，生成用于图像配准的初始种群，构建基于差分进化算法的图像配准模型；
初始化所述图像配准模型的差分算法参数，设置自适应差分缩放因子，并对所述初始种群的个体进行交叉、变异、选择操作，通过缩放因子产生变异个体，得到所述初始种群中多个个体；
以Hausdorff距离作为适应度函数，基于所述适应度函数计算群体中每个个体适应度值，并进入下一代种群；
当满足满足所设置的最大迭代次数条件时得到差分算法求解的最优个体，得到所述第四道路图像和所述参考图像配准结果，得到待识别图像；
所述对所述待识别图像进行特征提取和特征融合，包括：
构建Hessian矩阵，获取所述待识别图像，通过逐渐改变所述待识别图像的大小构建尺度空间和图像空间；
在所述尺度空间和图像空间内检测Hessian矩阵，并获取检测到的Hessian 矩阵的行列式极大值；
选取所述极大值邻域的极值样本进行三维二次拟合得到具有亚像素和亚尺度精度的局部极大值，根据所述局部极大值确定特征点；
基于所述特征点确定所述特征点对应的主方向，并根据所述特征点对应的主方向构建特征矩阵；
基于所述特征矩阵采用Haar小波法对所述特征点进行描述，得到所述特征点描述子，根据所述特征点描述子进行特征匹配，以对所述待识别图像进行特征提取；
所述对所述待识别图像进行特征提取和特征融合，还包括：
提取所述待识别图像中的特征向量，在所述特征向量中确定样本特征向量和所述样本特征向量对应的其他角度的对比特征向量；
计算所述样本特征向量和所述对比特征向量之间的欧式距离，得到所述样本特征向量的相似度；
对所述样本特征向量的相似度按照降序进行排序，选择预设数量相似度低的对比特征向量进行融合，以完成对所述待识别图像经过特征提取后的特征融合处理；
所述对所述待识别图像进行特征提取和特征融合，并采用机器学习方法获得目标陡坡的检测结果，生成带有目标陡坡的目标图像，包括：
获取构成高斯混合模型的高斯分布函数数量，对每种组成高斯分布函数的参数进行初始化；
获取经过特征提取和特征融合的待识别图像，并标记为图像样本，计算所述图像样本属于每个高斯模型的概率；
根据得到的高斯模型的概率，对高斯混合模型进行参数更新，直至收敛至设定阈值；
当所述图像样本靠近高斯分布的中心，属于目标陡坡的概率越大，获得目标陡坡的检测结果，生成带有目标陡坡的目标图像。
2.如权利要求1所述的一种基于图像处理的陡坡表面坡度检测方法，其特征在于，所述坡度识别模型的训练过程包括以下步骤：
获取历史训练样本集；所述训练样本集中的样本包括：带坡度的陡坡图像；
采用所述训练样本集中的样本对初始神经网络模型进行训练，得到初始输出向量；
确定所述初始输出向量的损失函数的梯度，得到当前位置下降的距离；
判断初始神经网络模型参数的梯度下降距离是否都小于预设距离阈值，若小于，则训练结束，更新初始神经网络模型的参数，得到坡度识别模型。
3.一种基于图像处理的陡坡表面坡度检测设备，其特征在于，该设备包括图像处理模块、特征处理模块、坡度识别模块和陡坡预警模块，其中：
所述图像处理模块，用于获取车辆行驶道路的实时图像，并对所述实时图像依次进行预处理和配准处理，得到待识别图像；
所述特征处理模块，用于对所述待识别图像进行特征提取和特征融合，并采用机器学习方法获得目标陡坡的检测结果，生成带有目标陡坡的目标图像；
所述坡度识别模块，用于对所述目标图像通过分割算法分割出陡坡表面的检测区域，生成候选图像，并将所述候选图像输入坡度识别模型中，以输出目标陡坡表面坡度预测值；
所述陡坡预警模块，用于根据所述目标陡坡表面坡度预测值，判断车辆行驶道路是否为陡坡路况，若是，则向行驶中车辆发出陡坡预警；
所述图像处理模块包括尺寸处理子模块、灰度处理子模块、图像增强子模块、图像降噪子模块和图像配准子模块，其中：
所述尺寸处理子模块，用于获取车辆行驶道路的实时图像，将采集到的实时图像尺寸一致化，得到第一道路图像；
所述灰度处理子模块，用于将所述第一道路图像转化为灰度图像，并采用Min-Max归一化使图像灰度分布范围归一化，得到第二道路图像；
所述图像增强子模块，用于采用Gamma校正对所述第二道路图像进行图像增强处理，得到第三道路图像；
所述图像降噪子模块，用于对所述第三道路图像进行图像降噪处理，得到第四道路图像；
所述图像配准子模块，用于获取车辆行驶道路的参考图像，将所述第四道路图像和所述参考图像进行配准处理，得到待识别图像；
所述特征处理模块包括参数初始化子模块、样本标记子模块、参数更新子模块和结果输出子模块，其中：
所述参数初始化子模块，用于获取构成高斯混合模型的高斯分布函数数量，对每种组成高斯分布函数的参数进行初始化；
所述样本标记子模块，用于获取经过特征提取和特征融合的待识别图像，并标记为图像样本，计算所述图像样本属于每个高斯模型的概率；
所述参数更新子模块，用于根据得到的高斯模型的概率，对高斯混合模型进行参数更新，直至收敛至设定阈值；
所述结果输出子模块，用于当所述图像样本靠近高斯分布的中心，属于目标陡坡的概率越大，获得目标陡坡的检测结果，生成带有目标陡坡的目标图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310919070.6A CN116625317B (zh) | 2023-07-26 | 2023-07-26 | 一种基于图像处理的陡坡表面坡度检测方法及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310919070.6A CN116625317B (zh) | 2023-07-26 | 2023-07-26 | 一种基于图像处理的陡坡表面坡度检测方法及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116625317A CN116625317A (zh) | 2023-08-22 |
| CN116625317B true CN116625317B (zh) | 2023-10-03 |
Family
ID=87610319
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310919070.6A Active CN116625317B (zh) | 2023-07-26 | 2023-07-26 | 一种基于图像处理的陡坡表面坡度检测方法及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116625317B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106056570A (zh) * | 2015-04-17 | 2016-10-26 | 丰田自动车株式会社 | 路面坡度检测装置 |
| CN107590479A (zh) * | 2017-09-26 | 2018-01-16 | 京东方科技集团股份有限公司 | 一种道路分析处理方法及装置 |
| CN108549037A (zh) * | 2018-05-10 | 2018-09-18 | 中南大学 | 一种基于并行神经网络的无人驾驶车辆电源预测方法及系统 |
| CN111578955A (zh) * | 2019-02-15 | 2020-08-25 | 维布络有限公司 | 为自动驾驶安全导航确定可行驶道路区域的方法和系统 |
| CN112184792A (zh) * | 2020-08-28 | 2021-01-05 | 辽宁石油化工大学 | 一种基于视觉的道路坡度计算方法及装置 |
| CN113375805A (zh) * | 2021-04-23 | 2021-09-10 | 西安纳兴电子科技有限公司 | 道路长下坡路段的预警系统 |
| CN114394081A (zh) * | 2021-12-30 | 2022-04-26 | 北京理工大学 | 一种基于图像处理的道路坡度预测及辅助换挡方法与系统 |
| CN114495043A (zh) * | 2022-04-06 | 2022-05-13 | 北京中科慧眼科技有限公司 | 基于双目视觉系统的上下坡路况检测方法、系统和智能终端 |
| CN114816775A (zh) * | 2022-06-30 | 2022-07-29 | 深圳特科动力技术有限公司 | 一种陡坡防滑坡危险勘测方法 |
| CN116295280A (zh) * | 2023-03-28 | 2023-06-23 | 沈阳航空航天大学 | 一种获取全景图的道路三维建模测量方法 |
| CN116403113A (zh) * | 2023-04-14 | 2023-07-07 | 西安电子科技大学 | 进化剪枝轻量化卷积神经网络的滑坡识别方法、系统、设备及介质 |
-
2023
- 2023-07-26 CN CN202310919070.6A patent/CN116625317B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106056570A (zh) * | 2015-04-17 | 2016-10-26 | 丰田自动车株式会社 | 路面坡度检测装置 |
| CN107590479A (zh) * | 2017-09-26 | 2018-01-16 | 京东方科技集团股份有限公司 | 一种道路分析处理方法及装置 |
| CN108549037A (zh) * | 2018-05-10 | 2018-09-18 | 中南大学 | 一种基于并行神经网络的无人驾驶车辆电源预测方法及系统 |
| CN111578955A (zh) * | 2019-02-15 | 2020-08-25 | 维布络有限公司 | 为自动驾驶安全导航确定可行驶道路区域的方法和系统 |
| CN112184792A (zh) * | 2020-08-28 | 2021-01-05 | 辽宁石油化工大学 | 一种基于视觉的道路坡度计算方法及装置 |
| CN113375805A (zh) * | 2021-04-23 | 2021-09-10 | 西安纳兴电子科技有限公司 | 道路长下坡路段的预警系统 |
| CN114394081A (zh) * | 2021-12-30 | 2022-04-26 | 北京理工大学 | 一种基于图像处理的道路坡度预测及辅助换挡方法与系统 |
| CN114495043A (zh) * | 2022-04-06 | 2022-05-13 | 北京中科慧眼科技有限公司 | 基于双目视觉系统的上下坡路况检测方法、系统和智能终端 |
| CN114816775A (zh) * | 2022-06-30 | 2022-07-29 | 深圳特科动力技术有限公司 | 一种陡坡防滑坡危险勘测方法 |
| CN116295280A (zh) * | 2023-03-28 | 2023-06-23 | 沈阳航空航天大学 | 一种获取全景图的道路三维建模测量方法 |
| CN116403113A (zh) * | 2023-04-14 | 2023-07-07 | 西安电子科技大学 | 进化剪枝轻量化卷积神经网络的滑坡识别方法、系统、设备及介质 |
Non-Patent Citations (2)
| Title |
|---|
| 一种鲁棒的非平坦路面车道线检测算法;高志峰;汪渤;周志强;徐方芳;;北京理工大学学报(第01期) * |
| 高志峰 ; 汪渤 ; 周志强 ; 徐方芳 ; .一种鲁棒的非平坦路面车道线检测算法.北京理工大学学报.2013,(第01期), * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116625317A (zh) | 2023-08-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Sirmacek et al. | Urban area detection using local feature points and spatial voting | |
| CN110163286B (zh) | 一种基于混合池化的领域自适应图像分类方法 | |
| CN116137036B (zh) | 基于机器学习的基因检测数据智能处理系统 | |
| Sheng et al. | Learning-based road crack detection using gradient boost decision tree | |
| CN108520215B (zh) | 基于多尺度联合特征编码器的单样本人脸识别方法 | |
| CN113780106B (zh) | 一种基于无线电波形数据输入的深度学习信号检测方法 | |
| CN112001362A (zh) | 一种图像分析方法、图像分析装置及图像分析系统 | |
| Akhtar et al. | Optical character recognition (OCR) using partial least square (PLS) based feature reduction: An application to artificial intelligence for biometric identification | |
| CN114373079A (zh) | 一种快速准确的探地雷达目标检测方法 | |
| Mai et al. | Vietnam license plate recognition system based on edge detection and neural networks | |
| CN116703895B (zh) | 基于生成对抗网络的小样本3d视觉检测方法及其系统 | |
| CN116625317B (zh) | 一种基于图像处理的陡坡表面坡度检测方法及设备 | |
| CN111209886B (zh) | 一种基于深度神经网络的快速行人再识别方法 | |
| CN109902690A (zh) | 图像识别技术 | |
| CN115424074A (zh) | 一种应用于工业检测的分类方法、装置及设备 | |
| CN114972871A (zh) | 基于图像配准的少样本图像异常检测方法及系统 | |
| Wang et al. | Sonar image detection based on multi-scale multi-column convolution neural networks | |
| Evans | Cloud tracking using ordinal measures and relaxation labelling | |
| CN111967526A (zh) | 基于边缘映射和深度学习的遥感图像变化检测方法及系统 | |
| CN110781749B (zh) | 基于双偏差双空间局部方向模式的人脸识别方法 | |
| CN114283296B (zh) | 一种基于结构相似度的目标识别自评估方法 | |
| CN108154107A (zh) | 一种确定遥感图像归属的场景类别的方法 | |
| Khouya et al. | A Comparison of Some Contour Based Shape Descriptors After Applying Bezier Curve Approximation with Application to Brachiopods Classification | |
| Niemistö et al. | Correction of misclassifications using a proximity-based estimation method | |
| Yu et al. | Separating a Colour Texture from an Arbitrary Background. |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |