基于视觉的智能车辆导航技术是通过对各种道路环境进行感知和理解,从而确定智能车辆的可行驶区域。针对实际道路环境的复杂性与多样性问题,提出了能够适应复杂环境的道路识别算法。首先,使用SLIC(simple linear iterative clustering)超像素分割算法对原始道路图像进行超像素分割,得到性质相同、尺寸均匀的超像素块;其次,基于超像素块使用K-means聚类算法提取出图像中道路区域与非道路区域的K维特征数据,并将提取的特征数据组成训练数据集;然后,针对经典双支持向量机(TSVM)训练时间久、无法求解逆矩阵的问题进行适当矫正,使用训练数据集训练矫正后的双支持向量机;最后,使用训练好的双支持向量机进行道路与非道路的分类识别。四组道路场景的实验结果表明,与基于滑动窗口和颜色、Gabor纹理特征的方法进行对比,该算法能够有效地识别具有阴影、水迹、障碍物等复杂环境下的道路;以人工标注结果为标准,前三组识别错误率低于0.1,第四组识别错误率低于0.15;与传统SVM相比,矫正的TSVM具有更高的效率,可以大大降低训练时间。该算法在复杂环境下道路识别错误率低,性能良好,为道路环境感知和理解提供了一种新的方法。
