本發(fā)明涉及智能車
技術領域：
，具體涉及一種無人駕駛起重車。
背景技術：
：汽車在給人們生活帶來極大方便的同時也帶來了很多社會問題：汽車造成的道路交通事故逐年大幅度增加、汽車造成的道路擁堵日益嚴重，造成大量的人員傷亡和財產(chǎn)損失。研究高效的車輛自主導航技術，是降低交通事故發(fā)生率的有效手段。在眾多的可用于車輛導航的信息中，視覺信息作為道路及外部環(huán)境的感知來源具有其他信息無法比擬的優(yōu)勢，而對道路進行檢測成為擺在其面前的第一大難題。起重車主要包括起升機構(gòu)、變幅機構(gòu)、回轉(zhuǎn)機構(gòu)、卷揚機構(gòu)、金屬結(jié)構(gòu)和汽車底盤等。起升機構(gòu)是起重機的基本工作機構(gòu)，大多是由吊掛系統(tǒng)和絞車組成，也有通過液壓系統(tǒng)升降重物的。技術實現(xiàn)要素：針對上述問題，本發(fā)明提供一種無人駕駛起重車。本發(fā)明的目的采用以下技術方案來實現(xiàn)：一種無人駕駛起重車，包括起重車和道路檢測裝置，其中起重車包括：起重臂、夾具、吊索和吊索輪。優(yōu)選地，起重臂是主體件，所述的起重臂通過液壓調(diào)節(jié)實現(xiàn)另一端的升降，其特征在于，在起重臂的另一端通過鋼索與水平放置的油缸連接，所述的鋼索下端與油缸的外壁相連接，所述的兩油缸背向放置且固定連接在一起。優(yōu)選地，在油缸外端面設置有固定環(huán)，穿過固定環(huán)設置有吊索，所述的吊索一端連接設置有夾具，吊索的另一端向上繞過起重臂與吊索輪相連。優(yōu)選地，所述道路檢測裝置包括依次連接的圖像采集模塊、彩色圖像預處理模塊和道路自適應檢測模塊；所述圖像采集模塊用于采集外界信息的彩色圖像；所述彩色圖像預處理模塊用于對彩色圖像進行投影預處理，預處理時采用HSV模型，彩色圖像的預處理結(jié)果根據(jù)亮度分量V的數(shù)值在色調(diào)分量H、飽和度分量S、亮度分量V三個分量之間選擇，當存在飽和度過低或者亮度過低或者過高時，圖像分割主要依靠亮度分量V的信息，其余情況下，采用色調(diào)分量H進行目標提?。凰龅缆纷赃m應檢測模塊用于檢測、合并道路區(qū)域，并將剩余區(qū)域全部映射到非道路區(qū)域中；所述道路自適應檢測模塊包括：(1)直方圖閾值粗分割子模塊，用于對由彩色圖像預處理模塊預處理后的圖像進行粗分割，其對預處理后的圖像進行直方圖構(gòu)造，并采用直方圖多閾值法、以波谷點的位置作為閾值對預處理后的圖像進行粗分割，采用如下算法對所述波谷點進行選擇：設Pi為灰度值為i的像素點在預處理后的圖像中出現(xiàn)的頻率，讓Pi與其相鄰的局部鄰域Pt作比較，Pt＝{Pi-n,...,Pi-1,Pi+1,...Pi+n}，參數(shù)n的取值范圍為[4,8]，表示Pt左右鄰域像頻范圍，Pt中最小頻率值為Ptmin，次最小頻率值為Ptmins，若則i是波谷點，若則i不是波谷點，定義谷點函數(shù)v(i)：v(i)=1,Pi≤Ptmin·Ptmins0,Pi>Ptmin·Ptmins]]>對選出的所有谷點v(i)＝1，增加距離約束條件和概率約束條件，若相鄰谷點i和j之間的距離表示為d＝|i-j|，概率差表示為g＝|Pi-Pj|，設定距離參數(shù)D來反映波谷點之間應保持的最小距離，且Dmin和Dmax分別為相鄰波谷點最小距離和最大距離，定義距離約束函數(shù)d(i)：d(i)=1,d≥D0,d<D]]>設定概率差參數(shù)G來反映波谷點間的閾值差,且Gmin和Gmax分別為相鄰波谷點間的最小概率差和最大概率差，定義概率差約束函數(shù)g(i)：g(i)=1,g≥G0,g<G]]>定義波谷點選擇函數(shù)為:x(i)＝v(i)×d(i)×g(i)式中，當x(i)＝1時，表示波谷點被選中；(5)道路識別子模塊：用于通過多神經(jīng)網(wǎng)絡檢測的方式對經(jīng)直方圖閾值粗分割子模塊分割后的區(qū)域進行識別，進而在多神經(jīng)網(wǎng)絡中選擇合適的神經(jīng)網(wǎng)絡對道路區(qū)域進行合并，并將剩余區(qū)域直接映射到非道路區(qū)域，所述多神經(jīng)網(wǎng)絡包括N個神經(jīng)網(wǎng)絡，N∈[3,5]，其中每個神經(jīng)網(wǎng)絡的正負訓練樣本來自放置在不同區(qū)域的多個窗口，設所述多神經(jīng)網(wǎng)絡表示為{W1(μ1,δ1),W2(μ2,δ2),...,WN(μN,δN)}，μ和δ分別表示對應于神經(jīng)網(wǎng)絡的正訓練樣本和負訓練樣本，則定義網(wǎng)絡選取模型為：W＝{Wk(μk,δk),f(μk)＝1,f(δk)＝0,k∈[1,N]}其中，W為最終選取的合適網(wǎng)絡，Wk(μk,δk)表示合適的神經(jīng)網(wǎng)絡，f(μk)表示神經(jīng)網(wǎng)絡Wk(μk,δk)的正訓練樣本窗口檢測結(jié)果為1，f(δk)表示W(wǎng)k(μk,δk)的負訓練樣本窗口檢測結(jié)果為0；(6)網(wǎng)絡訓練子模塊，用于在道路識別子模塊運作的同時使用合適網(wǎng)絡的訓練樣本窗口提取的特征對神經(jīng)網(wǎng)絡進行訓練；(7)車輛引導線提取子模塊：用于提取車輛引導線，所述車輛引導線定義為道路區(qū)域和非道路區(qū)域的分界線。所述彩色圖像預處理模塊中，進行目標提取時基于HSV空間中顏色分量投影模型，投影公式為：V(x,y)=V(x,y)V(x,y)≥TV1orV(x,y)≤TV2orS(x,y)<TsH(x,y)×σ+ξ(otherwise)]]>式中，當不滿足時，將色調(diào)分量H投影到V平面；V(x,y)表示亮度分量V上對應的點，H(x,y)為色調(diào)分量H上對應的點，σ表示用于避免色調(diào)分量H和亮度分量V重合的拉伸因子，ξ是投影以后數(shù)值的分段，ξ＞σ，TS為設定的飽和度閾值，為設定的亮度閾值。優(yōu)選地，所述飽和度閾值和亮度閾值的取值分別為：Ts＝20。其中，所述網(wǎng)絡訓練子模塊包括：(1)特征提取單元，其采用3個尺度和6個方向構(gòu)成的18個小波濾波器進行Gabor小波變換，提取預處理后的圖像的紋理特征，同時采用10窗口提取預處理后的圖像的顏色特征，并量化為4級，以得到22維特征；(2)神經(jīng)網(wǎng)絡構(gòu)建單元，用于根據(jù)所述22維特征構(gòu)建神經(jīng)網(wǎng)絡，神經(jīng)網(wǎng)絡包括輸入層、中間層和輸出層，輸入層設置22個神經(jīng)元，輸出層設置1個神經(jīng)元，輸出為1時表示道路區(qū)域，輸出為0時表示非道路區(qū)域；(3)網(wǎng)絡訓練單元，用于在車輛運動過程中每隔2s對神經(jīng)網(wǎng)絡進行訓練。本發(fā)明的有益效果為：1、HSV空間把亮度分量單獨分離出來，為色彩的處理和識別提供了方便，另外HSV空間主要是以對顏色的主觀感受來描述顏色，所以比較符合人的視覺特征，建立HSV空間中顏色分量投影模型，把H分量投影到V平面，魯棒性較好，而且比較穩(wěn)定，能夠準確的表達目標固有的顏色特征，經(jīng)過處理后的彩色圖像跟灰度圖像一樣，都是二維的，數(shù)據(jù)量較小，大大簡化了圖像分析和處理的工作量；2、實際在道路圖像中，包含多個目標，背景也較為復雜，在直方圖中可能出現(xiàn)具有多個波峰和波谷的情況，用單閾值分割不能有效的分割出目標區(qū)域，直方圖中波峰位置表示對應顏色的像素在圖像中出現(xiàn)的頻率較高，波谷位置表示對應的顏色像素出現(xiàn)的頻率較小，因此把波谷點位置作為閾值進行分割，可以得到比較完整的區(qū)域；相近的波峰點或波谷點都將被選擇出來，這種情況下添加了距離約束條件和概率差約束條件，選出其中合理的波谷點；3、設置道路識別子模塊，通過多神經(jīng)網(wǎng)絡檢測的方式對經(jīng)直方圖閾值粗分割子模塊分割后的區(qū)域進行識別，選擇合適的神經(jīng)網(wǎng)絡對道路區(qū)域進行合并，將剩余區(qū)域直接映射到非道路區(qū)域，并定義網(wǎng)絡選取模型，提高了識別的效率；4、在車輛運動過程中每隔2s對神經(jīng)網(wǎng)絡進行訓練，達到對道路進行自適應檢測的要求。附圖說明利用附圖對本發(fā)明作進一步說明，但附圖中的實施例不構(gòu)成對本發(fā)明的任何限制，對于本領域的普通技術人員，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)以下附圖獲得其它的附圖。圖1是本發(fā)明道路檢測裝置各模塊的連接示意圖。圖2是本發(fā)明起重車示意圖。具體實施方式結(jié)合以下實施例對本發(fā)明作進一步描述。實施例1參見圖1，圖2，本實施例一種無人駕駛起重車，包括起重車和道路檢測裝置，其中起重車包括：起重臂、夾具、吊索和吊索輪。優(yōu)選地，起重臂是主體件，所述的起重臂通過液壓調(diào)節(jié)實現(xiàn)另一端的升降，其特征在于，在起重臂的另一端通過鋼索與水平放置的油缸連接，所述的鋼索下端與油缸的外壁相連接，所述的兩油缸背向放置且固定連接在一起。優(yōu)選地，在油缸外端面設置有固定環(huán)，穿過固定環(huán)設置有吊索，所述的吊索一端連接設置有夾具，吊索的另一端向上繞過起重臂與吊索輪相連。優(yōu)選地，所述道路檢測裝置包括依次連接的圖像采集模塊、彩色圖像預處理模塊和道路自適應檢測模塊；所述圖像采集模塊用于采集外界信息的彩色圖像；所述彩色圖像預處理模塊用于對彩色圖像進行投影預處理，預處理時采用HSV模型，彩色圖像的預處理結(jié)果根據(jù)亮度分量V的數(shù)值在色調(diào)分量H、飽和度分量S、亮度分量V三個分量之間選擇，當存在飽和度過低或者亮度過低或者過高時，圖像分割主要依靠亮度分量V的信息，其余情況下，采用色調(diào)分量H進行目標提?。凰龅缆纷赃m應檢測模塊用于檢測、合并道路區(qū)域，并將剩余區(qū)域全部映射到非道路區(qū)域中；所述道路自適應檢測模塊包括：(1)直方圖閾值粗分割子模塊，用于對由彩色圖像預處理模塊預處理后的圖像進行粗分割，其對預處理后的圖像進行直方圖構(gòu)造，并采用直方圖多閾值法、以波谷點的位置作為閾值對預處理后的圖像進行粗分割，采用如下算法對所述波谷點進行選擇：設Pi為灰度值為i的像素點在預處理后的圖像中出現(xiàn)的頻率，讓Pi與其相鄰的局部鄰域Pt作比較，Pt＝{Pi-n,...,Pi-1,Pi+1,...Pi+n}，參數(shù)n的取值范圍為[4,8]，表示Pt左右鄰域像頻范圍，Pt中最小頻率值為Ptmin，次最小頻率值為Ptmins，若則i是波谷點，若則i不是波谷點，定義谷點函數(shù)v(i)：v(i)=1,Pi≤Ptmin·Ptmins0,Pi>Ptmin·Ptmins]]>對選出的所有谷點v(i)＝1，增加距離約束條件和概率約束條件，若相鄰谷點i和j之間的距離表示為d＝｜i-j｜，概率差表示為g＝｜Pi-Pj｜，設定距離參數(shù)D來反映波谷點之間應保持的最小距離，且Dmin和Dmax分別為相鄰波谷點最小距離和最大距離，定義距離約束函數(shù)d(i)：d(i)=1,d≥D0,d<D]]>設定概率差參數(shù)G來反映波谷點間的閾值差,且Gmin和Gmax分別為相鄰波谷點間的最小概率差和最大概率差，定義概率差約束函數(shù)g(i)：g(i)=1,g≥G0,g<G]]>定義波谷點選擇函數(shù)為:x(i)＝v(i)×d(i)×g(i)式中，當x(i)＝1時，表示波谷點被選中；(8)道路識別子模塊：用于通過多神經(jīng)網(wǎng)絡檢測的方式對經(jīng)直方圖閾值粗分割子模塊分割后的區(qū)域進行識別，進而在多神經(jīng)網(wǎng)絡中選擇合適的神經(jīng)網(wǎng)絡對道路區(qū)域進行合并，并將剩余區(qū)域直接映射到非道路區(qū)域，所述多神經(jīng)網(wǎng)絡包括N個神經(jīng)網(wǎng)絡，神經(jīng)網(wǎng)絡數(shù)目N∈[3,5]，其中每個神經(jīng)網(wǎng)絡的正負訓練樣本來自放置在不同區(qū)域的多個窗口，設所述多神經(jīng)網(wǎng)絡表示為{W1(μ1,δ1),W2(μ2,δ2),...,WN(μN,δN)}，μ和δ分別表示對應于神經(jīng)網(wǎng)絡的正訓練樣本和負訓練樣本，則定義網(wǎng)絡選取模型為：W＝{Wk(μk,δk),f(μk)＝1,f(δk)＝0,k∈[1,N]}其中，W為最終選取的合適網(wǎng)絡，Wk(μk,δk)表示合適的神經(jīng)網(wǎng)絡，f(μk)表示神經(jīng)網(wǎng)絡Wk(μk,δk)的正訓練樣本窗口檢測結(jié)果為1，f(δk)表示W(wǎng)k(μk,δk)的負訓練樣本窗口檢測結(jié)果為0；(9)網(wǎng)絡訓練子模塊，用于在道路識別子模塊運作的同時使用合適網(wǎng)絡的訓練樣本窗口提取的特征對神經(jīng)網(wǎng)絡進行訓練；(10)車輛引導線提取子模塊：用于提取車輛引導線，所述車輛引導線定義為道路區(qū)域和非道路區(qū)域的分界線。所述彩色圖像預處理模塊中，進行目標提取時基于HSV空間中顏色分量投影模型，投影公式為：V(x,y)=V(x,y)V(x,y)≥TV1orV(x,y)≤TV2orS(x,y)<TsH(x,y)×σ+ξ(otherwise)]]>式中，當不滿足時，將色調(diào)分量H投影到V平面；V(x,y)表示亮度分量V上對應的點，H(x,y)為色調(diào)分量H上對應的點，σ表示用于避免色調(diào)分量H和亮度分量V重合的拉伸因子，ξ是投影以后數(shù)值的分段，ξ＞σ，TS為設定的飽和度閾值，為設定的亮度閾值。優(yōu)選地，所述飽和度閾值和亮度閾值的取值分別為：Ts＝20。其中，所述網(wǎng)絡訓練子模塊包括：(1)特征提取單元，其采用3個尺度和6個方向構(gòu)成的18個小波濾波器進行Gabor小波變換，提取預處理后的圖像的紋理特征，同時采用10窗口提取預處理后的圖像的顏色特征，并量化為4級，以得到22維特征；(2)神經(jīng)網(wǎng)絡構(gòu)建單元，用于根據(jù)所述22維特征構(gòu)建神經(jīng)網(wǎng)絡，神經(jīng)網(wǎng)絡包括輸入層、中間層和輸出層，輸入層設置22個神經(jīng)元，輸出層設置1個神經(jīng)元，輸出為1時表示道路區(qū)域，輸出為0時表示非道路區(qū)域；(3)網(wǎng)絡訓練單元，用于在車輛運動過程中每隔2s對神經(jīng)網(wǎng)絡進行訓練。本實施例設置彩色圖像預處理模塊，大大簡化了圖像分析和處理的工作量；在直方圖閾值粗分割子模塊中，把波谷點位置作為閾值進行分割，可以得到比較完整的區(qū)域；設置道路識別子模塊，通過多神經(jīng)網(wǎng)絡檢測的方式對經(jīng)直方圖閾值粗分割子模塊分割后的區(qū)域進行識別，選擇合適的神經(jīng)網(wǎng)絡對道路區(qū)域進行合并，將剩余區(qū)域直接映射到非道路區(qū)域，并定義網(wǎng)絡選取模型，提高了識別的效率，同時在車輛運動過程中每隔2s對神經(jīng)網(wǎng)絡進行訓練，達到對道路進行自適應檢測的要求；本實施例參數(shù)n取值為4，N取值為3，檢測效率相對提高了3％。實施例2參見圖1，圖2，本實施例一種無人駕駛起重車，包括起重車和道路檢測裝置，其中起重車包括：起重臂、夾具、吊索和吊索輪。優(yōu)選地，起重臂是主體件，所述的起重臂通過液壓調(diào)節(jié)實現(xiàn)另一端的升降，其特征在于，在起重臂的另一端通過鋼索與水平放置的油缸連接，所述的鋼索下端與油缸的外壁相連接，所述的兩油缸背向放置且固定連接在一起。優(yōu)選地，在油缸外端面設置有固定環(huán)，穿過固定環(huán)設置有吊索，所述的吊索一端連接設置有夾具，吊索的另一端向上繞過起重臂與吊索輪相連。優(yōu)選地，所述道路檢測裝置包括依次連接的圖像采集模塊、彩色圖像預處理模塊和道路自適應檢測模塊；所述圖像采集模塊用于采集外界信息的彩色圖像；所述彩色圖像預處理模塊用于對彩色圖像進行投影預處理，預處理時采用HSV模型，彩色圖像的預處理結(jié)果根據(jù)亮度分量V的數(shù)值在色調(diào)分量H、飽和度分量S、亮度分量V三個分量之間選擇，當存在飽和度過低或者亮度過低或者過高時，圖像分割主要依靠亮度分量V的信息，其余情況下，采用色調(diào)分量H進行目標提?。凰龅缆纷赃m應檢測模塊用于檢測、合并道路區(qū)域，并將剩余區(qū)域全部映射到非道路區(qū)域中；所述道路自適應檢測模塊包括：(1)直方圖閾值粗分割子模塊，用于對由彩色圖像預處理模塊預處理后的圖像進行粗分割，其對預處理后的圖像進行直方圖構(gòu)造，并采用直方圖多閾值法、以波谷點的位置作為閾值對預處理后的圖像進行粗分割，采用如下算法對所述波谷點進行選擇：設Pi為灰度值為i的像素點在預處理后的圖像中出現(xiàn)的頻率，讓Pi與其相鄰的局部鄰域Pt作比較，Pt＝{Pi-n,...,Pi-1,Pi+1,...Pi+n}，參數(shù)n的取值范圍為[4,8]，表示Pt左右鄰域像頻范圍，Pt中最小頻率值為Ptmin，次最小頻率值為Ptmins，若則i是波谷點，若則i不是波谷點，定義谷點函數(shù)v(i)：v(i)=1,Pi≤Ptmin·Ptmins0,Pi>Ptmin·Ptmins]]>對選出的所有谷點v(i)＝1，增加距離約束條件和概率約束條件，若相鄰谷點i和j之間的距離表示為d＝｜i-j｜，概率差表示為g＝|Pi-Pj|，設定距離參數(shù)D來反映波谷點之間應保持的最小距離，且Dmin和Dmax分別為相鄰波谷點最小距離和最大距離，定義距離約束函數(shù)d(i)：d(i)=1,d≥D0,d<D]]>設定概率差參數(shù)G來反映波谷點間的閾值差,且Gmin和Gmax分別為相鄰波谷點間的最小概率差和最大概率差，定義概率差約束函數(shù)g(i)：g(i)=1,g≥G0,g<G]]>定義波谷點選擇函數(shù)為:x(i)＝v(i)×d(i)×g(i)式中，當x(i)＝1時，表示波谷點被選中；(11)道路識別子模塊：用于通過多神經(jīng)網(wǎng)絡檢測的方式對經(jīng)直方圖閾值粗分割子模塊分割后的區(qū)域進行識別，進而在多神經(jīng)網(wǎng)絡中選擇合適的神經(jīng)網(wǎng)絡對道路區(qū)域進行合并，并將剩余區(qū)域直接映射到非道路區(qū)域，所述多神經(jīng)網(wǎng)絡包括N個神經(jīng)網(wǎng)絡，神經(jīng)網(wǎng)絡數(shù)目N∈[3,5]，其中每個神經(jīng)網(wǎng)絡的正負訓練樣本來自放置在不同區(qū)域的多個窗口，設所述多神經(jīng)網(wǎng)絡表示為{W1(μ1,δ1),W2(μ2,δ2),...,WN(μN,δN)}，μ和δ分別表示對應于神經(jīng)網(wǎng)絡的正訓練樣本和負訓練樣本，則定義網(wǎng)絡選取模型為：W＝{Wk(μk,δk),f(μk)＝1,f(δk)＝0,k∈[1,N]}其中，W為最終選取的合適網(wǎng)絡，Wk(μk,δk)表示合適的神經(jīng)網(wǎng)絡，f(μk)表示神經(jīng)網(wǎng)絡Wk(μk,δk)的正訓練樣本窗口檢測結(jié)果為1，f(δk)表示W(wǎng)k(μk,δk)的負訓練樣本窗口檢測結(jié)果為0；(12)網(wǎng)絡訓練子模塊，用于在道路識別子模塊運作的同時使用合適網(wǎng)絡的訓練樣本窗口提取的特征對神經(jīng)網(wǎng)絡進行訓練；(13)車輛引導線提取子模塊：用于提取車輛引導線，所述車輛引導線定義為道路區(qū)域和非道路區(qū)域的分界線。所述彩色圖像預處理模塊中，進行目標提取時基于HSV空間中顏色分量投影模型，投影公式為：V(x,y)=V(x,y)V(x,y)≥TV1orV(x,y)≤TV2orS(x,y)<TsH(x,y)×σ+ξ(otherwise)]]>式中，當不滿足時，將色調(diào)分量H投影到V平面；V(x,y)表示亮度分量V上對應的點，H(x,y)為色調(diào)分量H上對應的點，σ表示用于避免色調(diào)分量H和亮度分量V重合的拉伸因子，ξ是投影以后數(shù)值的分段，ξ＞σ，TS為設定的飽和度閾值，為設定的亮度閾值。優(yōu)選地，所述飽和度閾值和亮度閾值的取值分別為：Ts＝20。其中，所述網(wǎng)絡訓練子模塊包括：(1)特征提取單元，其采用3個尺度和6個方向構(gòu)成的18個小波濾波器進行Gabor小波變換，提取預處理后的圖像的紋理特征，同時采用10窗口提取預處理后的圖像的顏色特征，并量化為4級，以得到22維特征；(2)神經(jīng)網(wǎng)絡構(gòu)建單元，用于根據(jù)所述22維特征構(gòu)建神經(jīng)網(wǎng)絡，神經(jīng)網(wǎng)絡包括輸入層、中間層和輸出層，輸入層設置22個神經(jīng)元，輸出層設置1個神經(jīng)元，輸出為1時表示道路區(qū)域，輸出為0時表示非道路區(qū)域；(3)網(wǎng)絡訓練單元，用于在車輛運動過程中每隔2s對神經(jīng)網(wǎng)絡進行訓練。本實施例設置彩色圖像預處理模塊，大大簡化了圖像分析和處理的工作量；在直方圖閾值粗分割子模塊中，把波谷點位置作為閾值進行分割，可以得到比較完整的區(qū)域；設置道路識別子模塊，通過多神經(jīng)網(wǎng)絡檢測的方式對經(jīng)直方圖閾值粗分割子模塊分割后的區(qū)域進行識別，選擇合適的神經(jīng)網(wǎng)絡對道路區(qū)域進行合并，將剩余區(qū)域直接映射到非道路區(qū)域，并定義網(wǎng)絡選取模型，提高了識別的效率，同時在車輛運動過程中每隔2s對神經(jīng)網(wǎng)絡進行訓練，達到對道路進行自適應檢測的要求；本實施例參數(shù)n取值為5，N取值為3，檢測效率相對提高了3.2％。實施例3參見圖1，圖2，本實施例一種無人駕駛起重車，包括起重車和道路檢測裝置，其中起重車包括：起重臂、夾具、吊索和吊索輪。優(yōu)選地，起重臂是主體件，所述的起重臂通過液壓調(diào)節(jié)實現(xiàn)另一端的升降，其特征在于，在起重臂的另一端通過鋼索與水平放置的油缸連接，所述的鋼索下端與油缸的外壁相連接，所述的兩油缸背向放置且固定連接在一起。優(yōu)選地，在油缸外端面設置有固定環(huán)，穿過固定環(huán)設置有吊索，所述的吊索一端連接設置有夾具，吊索的另一端向上繞過起重臂與吊索輪相連。優(yōu)選地，所述道路檢測裝置包括依次連接的圖像采集模塊、彩色圖像預處理模塊和道路自適應檢測模塊；所述圖像采集模塊用于采集外界信息的彩色圖像；所述彩色圖像預處理模塊用于對彩色圖像進行投影預處理，預處理時采用HSV模型，彩色圖像的預處理結(jié)果根據(jù)亮度分量V的數(shù)值在色調(diào)分量H、飽和度分量S、亮度分量V三個分量之間選擇，當存在飽和度過低或者亮度過低或者過高時，圖像分割主要依靠亮度分量V的信息，其余情況下，采用色調(diào)分量H進行目標提??；所述道路自適應檢測模塊用于檢測、合并道路區(qū)域，并將剩余區(qū)域全部映射到非道路區(qū)域中；所述道路自適應檢測模塊包括：(1)直方圖閾值粗分割子模塊，用于對由彩色圖像預處理模塊預處理后的圖像進行粗分割，其對預處理后的圖像進行直方圖構(gòu)造，并采用直方圖多閾值法、以波谷點的位置作為閾值對預處理后的圖像進行粗分割，采用如下算法對所述波谷點進行選擇：設Pi為灰度值為i的像素點在預處理后的圖像中出現(xiàn)的頻率，讓Pi與其相鄰的局部鄰域Pt作比較，Pt＝{Pi-n,...,Pi-1,Pi+1,...Pi+n}，參數(shù)n的取值范圍為[4,8]，表示Pt左右鄰域像頻范圍，Pt中最小頻率值為Ptmin，次最小頻率值為Ptmins，若則i是波谷點，若則i不是波谷點，定義谷點函數(shù)v(i)：v(i)=1,Pi≤Ptmin·Ptmins0,Pi>Ptmin·Ptmins]]>對選出的所有谷點v(i)＝1，增加距離約束條件和概率約束條件，若相鄰谷點i和j之間的距離表示為d＝|i-j|，概率差表示為g＝|Pi-Pj|，設定距離參數(shù)D來反映波谷點之間應保持的最小距離，且Dmin和Dmax分別為相鄰波谷點最小距離和最大距離，定義距離約束函數(shù)d(i)：d(i)=1,d≥D0,d<D]]>設定概率差參數(shù)G來反映波谷點間的閾值差,且Gmin和Gmax分別為相鄰波谷點間的最小概率差和最大概率差，定義概率差約束函數(shù)g(i)：g(i)=1,g≥G0,g<G]]>定義波谷點選擇函數(shù)為:x(i)＝v(i)×d(i)×g(i)式中，當x(i)＝1時，表示波谷點被選中；(14)道路識別子模塊：用于通過多神經(jīng)網(wǎng)絡檢測的方式對經(jīng)直方圖閾值粗分割子模塊分割后的區(qū)域進行識別，進而在多神經(jīng)網(wǎng)絡中選擇合適的神經(jīng)網(wǎng)絡對道路區(qū)域進行合并，并將剩余區(qū)域直接映射到非道路區(qū)域，所述多神經(jīng)網(wǎng)絡包括N個神經(jīng)網(wǎng)絡，神經(jīng)網(wǎng)絡數(shù)目N∈[3,5]，其中每個神經(jīng)網(wǎng)絡的正負訓練樣本來自放置在不同區(qū)域的多個窗口，設所述多神經(jīng)網(wǎng)絡表示為{W1(μ1,δ1),W2(μ2,δ2),...,WN(μN,δN)}，μ和δ分別表示對應于神經(jīng)網(wǎng)絡的正訓練樣本和負訓練樣本，則定義網(wǎng)絡選取模型為：W＝{Wk(μk,δk),f(μk)＝1,f(δk)＝0,k∈[1,N]}其中，W為最終選取的合適網(wǎng)絡，Wk(μk,δk)表示合適的神經(jīng)網(wǎng)絡，f(μk)表示神經(jīng)網(wǎng)絡Wk(μk,δk)的正訓練樣本窗口檢測結(jié)果為1，f(δk)表示W(wǎng)k(μk,δk)的負訓練樣本窗口檢測結(jié)果為0；(15)網(wǎng)絡訓練子模塊，用于在道路識別子模塊運作的同時使用合適網(wǎng)絡的訓練樣本窗口提取的特征對神經(jīng)網(wǎng)絡進行訓練；(16)車輛引導線提取子模塊：用于提取車輛引導線，所述車輛引導線定義為道路區(qū)域和非道路區(qū)域的分界線。所述彩色圖像預處理模塊中，進行目標提取時基于HSV空間中顏色分量投影模型，投影公式為：V(x,y)=V(x,y)V(x,y)≥TV1orV(x,y)≤TV2orS(x,y)<TsH(x,y)×σ+ξ(otherwise)]]>式中，當不滿足時，將色調(diào)分量H投影到V平面；V(x,y)表示亮度分量V上對應的點，H(x,y)為色調(diào)分量H上對應的點，σ表示用于避免色調(diào)分量H和亮度分量V重合的拉伸因子，ξ是投影以后數(shù)值的分段，ξ＞σ，TS為設定的飽和度閾值，為設定的亮度閾值。優(yōu)選地，所述飽和度閾值和亮度閾值的取值分別為：Ts＝20。其中，所述網(wǎng)絡訓練子模塊包括：(1)特征提取單元，其采用3個尺度和6個方向構(gòu)成的18個小波濾波器進行Gabor小波變換，提取預處理后的圖像的紋理特征，同時采用10窗口提取預處理后的圖像的顏色特征，并量化為4級，以得到22維特征；(2)神經(jīng)網(wǎng)絡構(gòu)建單元，用于根據(jù)所述22維特征構(gòu)建神經(jīng)網(wǎng)絡，神經(jīng)網(wǎng)絡包括輸入層、中間層和輸出層，輸入層設置22個神經(jīng)元，輸出層設置1個神經(jīng)元，輸出為1時表示道路區(qū)域，輸出為0時表示非道路區(qū)域；(3)網(wǎng)絡訓練單元，用于在車輛運動過程中每隔2s對神經(jīng)網(wǎng)絡進行訓練。本實施例設置彩色圖像預處理模塊，大大簡化了圖像分析和處理的工作量；在直方圖閾值粗分割子模塊中，把波谷點位置作為閾值進行分割，可以得到比較完整的區(qū)域；設置道路識別子模塊，通過多神經(jīng)網(wǎng)絡檢測的方式對經(jīng)直方圖閾值粗分割子模塊分割后的區(qū)域進行識別，選擇合適的神經(jīng)網(wǎng)絡對道路區(qū)域進行合并，將剩余區(qū)域直接映射到非道路區(qū)域，并定義網(wǎng)絡選取模型，提高了識別的效率，同時在車輛運動過程中每隔2s對神經(jīng)網(wǎng)絡進行訓練，達到對道路進行自適應檢測的要求；本實施例參數(shù)n取值為6，N取值為4，檢測效率相對提高了3.5％。實施例4參見圖1，圖2，本實施例一種無人駕駛起重車，包括起重車和道路檢測裝置，其中起重車包括：起重臂、夾具、吊索和吊索輪。優(yōu)選地，起重臂是主體件，所述的起重臂通過液壓調(diào)節(jié)實現(xiàn)另一端的升降，其特征在于，在起重臂的另一端通過鋼索與水平放置的油缸連接，所述的鋼索下端與油缸的外壁相連接，所述的兩油缸背向放置且固定連接在一起。優(yōu)選地，在油缸外端面設置有固定環(huán)，穿過固定環(huán)設置有吊索，所述的吊索一端連接設置有夾具，吊索的另一端向上繞過起重臂與吊索輪相連。優(yōu)選地，所述道路檢測裝置包括依次連接的圖像采集模塊、彩色圖像預處理模塊和道路自適應檢測模塊；所述圖像采集模塊用于采集外界信息的彩色圖像；所述彩色圖像預處理模塊用于對彩色圖像進行投影預處理，預處理時采用HSV模型，彩色圖像的預處理結(jié)果根據(jù)亮度分量V的數(shù)值在色調(diào)分量H、飽和度分量S、亮度分量V三個分量之間選擇，當存在飽和度過低或者亮度過低或者過高時，圖像分割主要依靠亮度分量V的信息，其余情況下，采用色調(diào)分量H進行目標提取；所述道路自適應檢測模塊用于檢測、合并道路區(qū)域，并將剩余區(qū)域全部映射到非道路區(qū)域中；所述道路自適應檢測模塊包括：(1)直方圖閾值粗分割子模塊，用于對由彩色圖像預處理模塊預處理后的圖像進行粗分割，其對預處理后的圖像進行直方圖構(gòu)造，并采用直方圖多閾值法、以波谷點的位置作為閾值對預處理后的圖像進行粗分割，采用如下算法對所述波谷點進行選擇：設Pi為灰度值為i的像素點在預處理后的圖像中出現(xiàn)的頻率，讓Pi與其相鄰的局部鄰域Pt作比較，Pt＝{Pi-n,...,Pi-1,Pi+1,...Pi+n}，參數(shù)n的取值范圍為[4,8]，表示Pt左右鄰域像頻范圍，Pt中最小頻率值為Ptmin，次最小頻率值為Ptmins，若則i是波谷點，若則i不是波谷點，定義谷點函數(shù)v(i)：v(i)=1,Pi≤Ptmin·Ptmins0,Pi>Ptmin·Ptmins]]>對選出的所有谷點v(i)＝1，增加距離約束條件和概率約束條件，若相鄰谷點i和j之間的距離表示為d＝|i-j|，概率差表示為g＝|Pi-Pj|，設定距離參數(shù)D來反映波谷點之間應保持的最小距離，且Dmin和Dmax分別為相鄰波谷點最小距離和最大距離，定義距離約束函數(shù)d(i)：d(i)=1,d≥D0,d<D]]>設定概率差參數(shù)G來反映波谷點間的閾值差,且Gmin和Gmax分別為相鄰波谷點間的最小概率差和最大概率差，定義概率差約束函數(shù)g(i)：g(i)=1,g≥G0,g<G]]>定義波谷點選擇函數(shù)為:x(i)＝v(i)×d(i)×g(i)式中，當x(i)＝1時，表示波谷點被選中；(17)道路識別子模塊：用于通過多神經(jīng)網(wǎng)絡檢測的方式對經(jīng)直方圖閾值粗分割子模塊分割后的區(qū)域進行識別，進而在多神經(jīng)網(wǎng)絡中選擇合適的神經(jīng)網(wǎng)絡對道路區(qū)域進行合并，并將剩余區(qū)域直接映射到非道路區(qū)域，所述多神經(jīng)網(wǎng)絡包括N個神經(jīng)網(wǎng)絡，神經(jīng)網(wǎng)絡數(shù)目N∈[3,5]，其中每個神經(jīng)網(wǎng)絡的正負訓練樣本來自放置在不同區(qū)域的多個窗口，設所述多神經(jīng)網(wǎng)絡表示為{W1(μ1,δ1),W2(μ2,δ2),...,WN(μN,δN)}，μ和δ分別表示對應于神經(jīng)網(wǎng)絡的正訓練樣本和負訓練樣本，則定義網(wǎng)絡選取模型為：W＝{Wk(μk,δk),f(μk)＝1,f(δk)＝0,k∈[1,N]}其中，W為最終選取的合適網(wǎng)絡，Wk(μk,δk)表示合適的神經(jīng)網(wǎng)絡，f(μk)表示神經(jīng)網(wǎng)絡Wk(μk,δk)的正訓練樣本窗口檢測結(jié)果為1，f(δk)表示W(wǎng)k(μk,δk)的負訓練樣本窗口檢測結(jié)果為0；(18)網(wǎng)絡訓練子模塊，用于在道路識別子模塊運作的同時使用合適網(wǎng)絡的訓練樣本窗口提取的特征對神經(jīng)網(wǎng)絡進行訓練；(19)車輛引導線提取子模塊：用于提取車輛引導線，所述車輛引導線定義為道路區(qū)域和非道路區(qū)域的分界線。所述彩色圖像預處理模塊中，進行目標提取時基于HSV空間中顏色分量投影模型，投影公式為：V(x,y)=V(x,y)V(x,y)≥TV1orV(x,y)≤TV2orS(x,y)<TsH(x,y)×σ+ξ(otherwise)]]>式中，當不滿足時，將色調(diào)分量H投影到V平面；V(x,y)表示亮度分量V上對應的點，H(x,y)為色調(diào)分量H上對應的點，σ表示用于避免色調(diào)分量H和亮度分量V重合的拉伸因子，ξ是投影以后數(shù)值的分段，ξ＞σ，TS為設定的飽和度閾值，為設定的亮度閾值。優(yōu)選地，所述飽和度閾值和亮度閾值的取值分別為：Ts＝20。其中，所述網(wǎng)絡訓練子模塊包括：(1)特征提取單元，其采用3個尺度和6個方向構(gòu)成的18個小波濾波器進行Gabor小波變換，提取預處理后的圖像的紋理特征，同時采用10窗口提取預處理后的圖像的顏色特征，并量化為4級，以得到22維特征；(2)神經(jīng)網(wǎng)絡構(gòu)建單元，用于根據(jù)所述22維特征構(gòu)建神經(jīng)網(wǎng)絡，神經(jīng)網(wǎng)絡包括輸入層、中間層和輸出層，輸入層設置22個神經(jīng)元，輸出層設置1個神經(jīng)元，輸出為1時表示道路區(qū)域，輸出為0時表示非道路區(qū)域；(3)網(wǎng)絡訓練單元，用于在車輛運動過程中每隔2s對神經(jīng)網(wǎng)絡進行訓練。本實施例設置彩色圖像預處理模塊，大大簡化了圖像分析和處理的工作量；在直方圖閾值粗分割子模塊中，把波谷點位置作為閾值進行分割，可以得到比較完整的區(qū)域；設置道路識別子模塊，通過多神經(jīng)網(wǎng)絡檢測的方式對經(jīng)直方圖閾值粗分割子模塊分割后的區(qū)域進行識別，選擇合適的神經(jīng)網(wǎng)絡對道路區(qū)域進行合并，將剩余區(qū)域直接映射到非道路區(qū)域，并定義網(wǎng)絡選取模型，提高了識別的效率，同時在車輛運動過程中每隔2s對神經(jīng)網(wǎng)絡進行訓練，達到對道路進行自適應檢測的要求；本實施例參數(shù)n取值為7，N取值為4，檢測效率相對提高了3.8％。實施例5參見圖1，圖2，本實施例一種無人駕駛起重車，包括起重車和道路檢測裝置，其中起重車包括：起重臂、夾具、吊索和吊索輪。優(yōu)選地，起重臂是主體件，所述的起重臂通過液壓調(diào)節(jié)實現(xiàn)另一端的升降，其特征在于，在起重臂的另一端通過鋼索與水平放置的油缸連接，所述的鋼索下端與油缸的外壁相連接，所述的兩油缸背向放置且固定連接在一起。優(yōu)選地，在油缸外端面設置有固定環(huán)，穿過固定環(huán)設置有吊索，所述的吊索一端連接設置有夾具，吊索的另一端向上繞過起重臂與吊索輪相連。優(yōu)選地，所述道路檢測裝置包括依次連接的圖像采集模塊、彩色圖像預處理模塊和道路自適應檢測模塊；所述圖像采集模塊用于采集外界信息的彩色圖像；所述彩色圖像預處理模塊用于對彩色圖像進行投影預處理，預處理時采用HSV模型，彩色圖像的預處理結(jié)果根據(jù)亮度分量V的數(shù)值在色調(diào)分量H、飽和度分量S、亮度分量V三個分量之間選擇，當存在飽和度過低或者亮度過低或者過高時，圖像分割主要依靠亮度分量V的信息，其余情況下，采用色調(diào)分量H進行目標提取；所述道路自適應檢測模塊用于檢測、合并道路區(qū)域，并將剩余區(qū)域全部映射到非道路區(qū)域中；所述道路自適應檢測模塊包括：(1)直方圖閾值粗分割子模塊，用于對由彩色圖像預處理模塊預處理后的圖像進行粗分割，其對預處理后的圖像進行直方圖構(gòu)造，并采用直方圖多閾值法、以波谷點的位置作為閾值對預處理后的圖像進行粗分割，采用如下算法對所述波谷點進行選擇：設Pi為灰度值為i的像素點在預處理后的圖像中出現(xiàn)的頻率，讓Pi與其相鄰的局部鄰域Pt作比較，Pt＝{Pi-n,...,Pi-1,Pi+1,...Pi+n}，參數(shù)n的取值范圍為[4,8]，表示Pt左右鄰域像頻范圍，Pt中最小頻率值為Ptmin，次最小頻率值為Ptmins，若則i是波谷點，若則i不是波谷點，定義谷點函數(shù)v(i)：v(i)=1,Pi≤Ptmin·Ptmins0,Pi>Ptmin·Ptmins]]>對選出的所有谷點v(i)＝1，增加距離約束條件和概率約束條件，若相鄰谷點i和j之間的距離表示為d＝|i-j|，概率差表示為g＝|Pi-Pj|，設定距離參數(shù)D來反映波谷點之間應保持的最小距離，且Dmin和Dmax分別為相鄰波谷點最小距離和最大距離，定義距離約束函數(shù)d(i)：d(i)=1,d≥D0,d<D]]>設定概率差參數(shù)G來反映波谷點間的閾值差,且Gmin和Gmax分別為相鄰波谷點間的最小概率差和最大概率差，定義概率差約束函數(shù)g(i)：g(i)=1,g≥G0,g<G]]>定義波谷點選擇函數(shù)為:x(i)＝v(i)×d(i)×g(i)式中，當x(i)＝1時，表示波谷點被選中；(20)道路識別子模塊：用于通過多神經(jīng)網(wǎng)絡檢測的方式對經(jīng)直方圖閾值粗分割子模塊分割后的區(qū)域進行識別，進而在多神經(jīng)網(wǎng)絡中選擇合適的神經(jīng)網(wǎng)絡對道路區(qū)域進行合并，并將剩余區(qū)域直接映射到非道路區(qū)域，所述多神經(jīng)網(wǎng)絡包括N個神經(jīng)網(wǎng)絡，神經(jīng)網(wǎng)絡數(shù)目N∈[3,5]，其中每個神經(jīng)網(wǎng)絡的正負訓練樣本來自放置在不同區(qū)域的多個窗口，設所述多神經(jīng)網(wǎng)絡表示為{W1(μ1,δ1),W2(μ2,δ2),...,WN(μN,δN)}，μ和δ分別表示對應于神經(jīng)網(wǎng)絡的正訓練樣本和負訓練樣本，則定義網(wǎng)絡選取模型為：W＝{Wk(μk,δk),f(μk)＝1,f(δk)＝0,k∈[1,N]}其中，W為最終選取的合適網(wǎng)絡，Wk(μk,δk)表示合適的神經(jīng)網(wǎng)絡，f(μk)表示神經(jīng)網(wǎng)絡Wk(μk,δk)的正訓練樣本窗口檢測結(jié)果為1，f(δk)表示W(wǎng)k(μk,δk)的負訓練樣本窗口檢測結(jié)果為0；(21)網(wǎng)絡訓練子模塊，用于在道路識別子模塊運作的同時使用合適網(wǎng)絡的訓練樣本窗口提取的特征對神經(jīng)網(wǎng)絡進行訓練；(22)車輛引導線提取子模塊：用于提取車輛引導線，所述車輛引導線定義為道路區(qū)域和非道路區(qū)域的分界線。所述彩色圖像預處理模塊中，進行目標提取時基于HSV空間中顏色分量投影模型，投影公式為：V(x,y)=V(x,y)V(x,y)≥TV1orV(x,y)≤TV2orS(x,y)<TsH(x,y)×σ+ξ(otherwise)]]>式中，當不滿足時，將色調(diào)分量H投影到V平面；V(x,y)表示亮度分量V上對應的點，H(x,y)為色調(diào)分量H上對應的點，σ表示用于避免色調(diào)分量H和亮度分量V重合的拉伸因子，ξ是投影以后數(shù)值的分段，ξ＞σ，TS為設定的飽和度閾值，為設定的亮度閾值。優(yōu)選地，所述飽和度閾值和亮度閾值的取值分別為：Ts＝20。其中，所述網(wǎng)絡訓練子模塊包括：(1)特征提取單元，其采用3個尺度和6個方向構(gòu)成的18個小波濾波器進行Gabor小波變換，提取預處理后的圖像的紋理特征，同時采用10窗口提取預處理后的圖像的顏色特征，并量化為4級，以得到22維特征；(2)神經(jīng)網(wǎng)絡構(gòu)建單元，用于根據(jù)所述22維特征構(gòu)建神經(jīng)網(wǎng)絡，神經(jīng)網(wǎng)絡包括輸入層、中間層和輸出層，輸入層設置22個神經(jīng)元，輸出層設置1個神經(jīng)元，輸出為1時表示道路區(qū)域，輸出為0時表示非道路區(qū)域；(3)網(wǎng)絡訓練單元，用于在車輛運動過程中每隔2s對神經(jīng)網(wǎng)絡進行訓練。本實施例設置彩色圖像預處理模塊，大大簡化了圖像分析和處理的工作量；在直方圖閾值粗分割子模塊中，把波谷點位置作為閾值進行分割，可以得到比較完整的區(qū)域；設置道路識別子模塊，通過多神經(jīng)網(wǎng)絡檢測的方式對經(jīng)直方圖閾值粗分割子模塊分割后的區(qū)域進行識別，選擇合適的神經(jīng)網(wǎng)絡對道路區(qū)域進行合并，將剩余區(qū)域直接映射到非道路區(qū)域，并定義網(wǎng)絡選取模型，提高了識別的效率，同時在車輛運動過程中每隔2s對神經(jīng)網(wǎng)絡進行訓練，達到對道路進行自適應檢測的要求；本實施例參數(shù)n取值為8，N取值為5，檢測效率相對提高了3.4％。最后應當說明的是，以上實施例僅用以說明本發(fā)明的技術方案，而非對本發(fā)明保護范圍的限制，盡管參照較佳實施例對本發(fā)明作了詳細地說明，本領域的普通技術人員應當理解，可以對本發(fā)明的技術方案進行修改或者等同替換，而不脫離本發(fā)明技術方案的實質(zhì)和范圍。當前第1頁1 2 3