一种基于小型无人机航拍图像的道路检测方法技术

本发明专利技术公开了一种基于小型无人机航拍图像的道路检测方法，包括：通过人机交互方式，手动提取道路和非道路像素点，进行聚类；道路和非道路像素颜色建模:用GMM对道路和非道路像素的颜色分布进行建模，分别为GMM1和GMM2,通过计算图像每个像素点属于GMM1和GMM2的概率，求得Gibbs能量函数中的区域项能量惩罚；改进光滑项惩罚函数,将局部对比度矩阵替换全局对比度β：针对无人机航拍图像存在不同局部对比度的特性，改进光滑项惩罚函数，将全局对比度β替换为局部对比度矩阵Bwta；用max‑flow算法检测出道路区域，该方法在不同类型道路下都能保持较好检测性能，与现有的道路检测方法相比，实时性好，错误率低。

【技术实现步骤摘要】

本专利技术涉及道路检测
，具体涉及一种基于小型无人机航拍图像的道路检测方法。
技术介绍
基于视觉的道路检测在交通监管、无人驾驶等领域扮演着重要角色。由于道路形状(如直线、弯曲、环形)、材料(如水泥、沥青、泥土)、背景(如街道、山区、沙漠)的多样性以及光照、天气等外界自然因素引起的干扰，道路检测困难重重。在无人车领域，研究人员针对不同类型的道路，提出了很多基于视觉的道路检测算法。对于高速公路、市区道路等结构性道路，研究人员根据各种车道标志来检测道路，近年来，在交通监管领域，无人机道路检测成为研究热点。由于无人机航拍有其特殊性，基于无人车的道路检测算法，不能很好地适用于无人机道路检测。有人根据无人车前置摄像头拍摄的道路图像中道路两边有汇集相交的趋势，提出了基于vanishingpoint的道路检测算法。但由于无人机航拍道路采用的是俯视视角，道路两边在图像中几乎平行。因此，该算法不能应用于无人机道路检测。相关研究者也提出了基于无人机的道路检测算法。有研究者基于图像中最长线性区域为道路区域的假设，进行道路检测。也有研究者利用简单的灰度阈值方法，得到初始道路区域。然后在该区域用hough变换检测方法，筛选出符合条件的直线，即认为是道路区域。最后将这些直线连接起来，即形成了完整的道路。该方法对于直线型道路检测精确，但对于弯曲道路检测精度不高，且算法耗时较多。还有研究者用结构张量来改进graphcut算法，提高了道路检测精度，但计算结构张量用时仍较多，本专利技术旨在研究一种具有较高精度和较好实时性的道路检测算法。
技术实现思路
针对以上问题，本专利技术提供了一种基于小型无人机航拍图像的道路检测方法，该方法在不同类型道路下都能保持较好检测性能，与现有的道路检测方法相比，实时性好，错误率低，可以有效解决
技术介绍
中的问题。为了实现上述目的，本专利技术采用的技术方案如下：一种基于小型无人机航拍图像的道路检测方法，包括如下步骤：S1,基于改进的graphcut算法，通过人机交互方式，手动提取道路和非道路像素点，通过Orchard-Bouman方法进行聚类；S2、道路和非道路像素颜色建模:用高斯混合模型(GMM)对道路和非道路像素的颜色分布进行建模，分别为GMM1和GMM2,通过计算图像每个像素点属于GMM1和GMM2的概率，求得Gibbs能量函数中的区域项能量惩罚；S3、改进光滑项惩罚函数,将局部对比度矩阵替换全局对比度β：针对无人机航拍图像存在不同局部对比度的特性，改进光滑项惩罚函数，将全局对比度β替换为局部对比度矩阵Bwta；S4、用max-flow算法检测出道路区域。根据上述技术方案，所述步骤S1改进的graphcut算法：在道路检测中构造Gibbs能量函数，将求最小割转化为最小化Gibbs能量函数，假设图像Z＝(z1,z2,…，zN)，N为像素点个数,graphcut的目标就是最小化Gibbs能量函数：E(α，β，θ，z)＝R(α，β，θ，z)+γB(α，z)(1)其中，R为区域项惩罚函数；B为光滑项惩罚函数；γ为区域项和光滑项惩罚函数的调节因子，决定它们对能量的惩罚大小；α为类标，当α为0时为背景，当α为1时为道路；θ为道路和非道路的高斯混合模型参数；K为道路和非道路高斯混合模型的component个数；区域项R表示为：R(α，β，θ，z)＝∑nD(αn，k，θ，zn)其中，D(αn，k，θ，zn)表示像素zN属于类别αn的能量惩罚；光滑项B表示为：B(α,z)=Σ(m,n)∈c[αn≠αm]e-β||zm-zn||2]]>其中，β为图像Z的全局对比度；||zm-zn||表示像素zm和zN在RGB空间的欧几里得距离。根据上述技术方案，所述步骤S2中区域项能量惩罚函数的构建如下：聚类完成后，根据聚类结果就可以初始化GMM1和GMM2中，各自Component的参数，包括颜色均值μ，3x3的协方差矩阵Σ和每个Component的权重w，权重即该Component像素个数占像素总个数的百分比,则高斯混合模型参数为:θ＝{wk，uk，∑k，k＝1,2，…，n本文档来自技高网...

【技术保护点】
一种基于小型无人机航拍图像的道路检测方法，其特征在于，包括如下步骤：S1,基于改进的graphcut算法，通过人机交互方式，手动提取道路和非道路像素点，通过Orchard‑Bouman方法进行聚类；S2、道路和非道路像素颜色建模:用高斯混合模型(GMM)对道路和非道路像素的颜色分布进行建模，分别为GMM1和GMM2,通过计算图像每个像素点属于GMM1和GMM2的概率，求得Gibbs能量函数中的区域项能量惩罚；S3、改进光滑项惩罚函数,将局部对比度矩阵替换全局对比度β：针对无人机航拍图像存在不同局部对比度的特性，改进光滑项惩罚函数，将全局对比度β替换为局部对比度矩阵Bwta；S4、用max‑flow算法检测出道路区域。

【技术特征摘要】
1.一种基于小型无人机航拍图像的道路检测方法，其特征在于，包括如下步骤：S1,基于改进的graphcut算法，通过人机交互方式，手动提取道路和非道路像素点，通过Orchard-Bouman方法进行聚类；S2、道路和非道路像素颜色建模:用高斯混合模型(GMM)对道路和非道路像素的颜色分布进行建模，分别为GMM1和GMM2,通过计算图像每个像素点属于GMM1和GMM2的概率，求得Gibbs能量函数中的区域项能量惩罚；S3、改进光滑项惩罚函数,将局部对比度矩阵替换全局对比度β：针对无人机航拍图像存在不同局部对比度的特性，改进光滑项惩罚函数，将全局对比度β替换为局部对比度矩阵Bwta；S4、用max-flow算法检测出道路区域。2.根据权利要求1所述的一种基于小型无人机航拍图像的道路检测方法，其特征在于，所述步骤S1改进的graphcut算法：在道路检测中构造Gibbs能量函数，将求最小割转化为最小化Gibbs能量函数，假设图像Z＝(z1,z2,…，zN)，N为像素点个数,graphcut的目标就是最小化Gibbs能量函数：E(α，β，θ，z)＝R(α，β，θ，z)+γB(α，z)(1)其中，R为区域项惩罚函数；B为光滑项惩罚...

【专利技术属性】
技术研发人员：李丽，
申请(专利权)人：中国科学院遥感与数字地球研究所，
类型：发明
国别省市：北京;11