技術(shù)特征：

1.一種基于超像素和卷積神經(jīng)網(wǎng)絡(luò)的道路檢測方法，其特征在于，該方法包括：

(1)使用簡單線性迭代聚類算法對圖像預(yù)處理，將圖像分割成大小均勻的超像素；

(2)基于超像素塊使用卷積神經(jīng)網(wǎng)絡(luò)自動學(xué)習(xí)最有利于分類的特征，訓(xùn)練網(wǎng)絡(luò)；

(3)使用訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)對道路區(qū)域和非道路區(qū)域進行分類；

(4)根據(jù)超像素鄰域之間的關(guān)系，利用馬爾科夫隨機場對分類的結(jié)果進行優(yōu)化。

2.如權(quán)利要求1所述的方法，其特征在于，所述步驟(1)進一步包括：

簡單線性迭代聚類算法利用像素的顏色相似性與位置關(guān)系來生成超像素；對于每個超像素，其中心采用CIELAB顏色空間的三維顏色特征l、a、b及二維位置信息x、y進行描述；

初始化種子點步驟，假設(shè)圖像有N個像素點，預(yù)分割為K個超像素，那么每個超像素的大小為N/K，且每個種子點的距離近似為為了避免種子點處在圖像的邊緣位置，對后續(xù)的聚類過程造成干擾，將種子點移動到以它為中心的3×3的窗口內(nèi)梯度值最小處，同時為每個種子分配一個單獨的標簽；

相似度衡量步驟，為了提高算法的運算速度，只在以種子點為中心的2s×2s區(qū)域內(nèi)搜索相似像素點，將最相似種子點的標簽賦給該像素；通過不斷迭代該過程，直到收斂；相似度的衡量關(guān)系：

$d_{lab}=\sqrt{{(l_k-l_i)}^2+{(a_k-a_i)}^2+{(b_k-b_i)}^2}$

$d_{xy}=\sqrt{{(x_k-x_i)}^2+{(y_k-y_i)}^2}$

$D_i=d_{lab}+\frac{m}{s}\·d_{xy}$

式中d_lab為像素點間的顏色差異，d_xy為像素點間的空間距離，D_i為兩個像素的相似度，s為種子點的間距，m為平衡參數(shù)，用來衡量顏色值與空間信息在相似度衡量中的比重；D_i取值越大，說明兩個像素越相似；

考慮到提取的超像素的特征以及計算量，本算法選擇分割超像素的個數(shù)是300。

3.如權(quán)利要求1所述的方法，其特征在于，所述步驟(2)進一步包括：

超像素提取步驟，用簡單線性迭代聚類算法對原始圖像提取超像素；

保存超像素的外接矩形步驟，以超像素的中心為中心，保存超像素的外接矩形；

歸一化步驟，將矩形統(tǒng)一歸一化到N×N大小，并標記每個矩形的類別(道路是正樣本，標簽為1，非道路是負樣本，標簽為0)，作為訓(xùn)練數(shù)據(jù)；

分類器訓(xùn)練步驟，將訓(xùn)練數(shù)據(jù)輸入卷積神經(jīng)網(wǎng)絡(luò)，訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)；在卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的過程中，首先使用當前的網(wǎng)絡(luò)權(quán)值和網(wǎng)絡(luò)輸入計算網(wǎng)絡(luò)的輸出，由得到的網(wǎng)絡(luò)輸出和樣本標簽計算誤差，然后用反向傳播算法計算誤差對網(wǎng)絡(luò)權(quán)值的導(dǎo)數(shù)，最后使用權(quán)值更新方法更新權(quán)值，經(jīng)過多次訓(xùn)練后使得網(wǎng)絡(luò)中可學(xué)習(xí)的參數(shù)達到最優(yōu)，得到一個穩(wěn)定的網(wǎng)絡(luò)結(jié)構(gòu)；

本方法中用到的卷積神經(jīng)網(wǎng)絡(luò)包括3個卷積層，2個降采樣層，2個全連接層。

4.如權(quán)利要求1所述的方法，其特征在于，步驟(3)中：

將待檢測圖像分割成超像素，提取超像素的外接矩形，將矩形歸一化到N×N大小，通過訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)判斷其是否為道路，從而獲得圖像初步的道路區(qū)域。

5.如權(quán)利要求1所述的方法，其特征在于，步驟(4)中：

使用馬爾可夫隨機場來優(yōu)化標簽圖，純粹的馬爾科夫模型就是指一件事物的當前狀態(tài)只與它之前的1個或者n個狀態(tài)有關(guān)，而與再之前的狀態(tài)有關(guān)系；引申到圖像領(lǐng)域，就是認為圖像中某一點的特征(一般都是像素點灰色、顏色值等)只與其附近的一小塊領(lǐng)域有關(guān)，而與其他的領(lǐng)域無關(guān)；

設(shè)x、y是二維平面上的隨機場，y是觀測圖像，x是分割的標記場；令是圖像真實標號的估計，由最大后驗概率(MAP)準則有

$\hat{x}=\arg max\left\{P(y/x)P\left(x\right)\right\}$

P(x)是標記場的先驗概率，能夠等價描述為Gibbs分布，滿足

$P\left(x_i\right)=\frac{\exp (-\mathrm{\μ}(x_i\left)\right)}{{\mathrm{\Σ}}_{x_i\∈L}\exp (-\mathrm{\μ}(x_i\left)\right)}$

$\mathrm{\μ}\left(x_i\right)=-{\mathrm{\β}}_i{\mathrm{\Σ}}_{i\∈N_i}\[\mathrm{\σ}(x_i,y_i)-1\]$

$\mathrm{\σ}(x_i,y_i)=\left\{\begin{array}{cc}1& x_i=y_i\\ 0& x_i\≠y_i\end{array}\right.$

P(y/x)是似然概率，在給定類別標號x_i＝l時，通常認為像素強度值y_i服從參數(shù)為θ_i＝{μ_l，σ_l}的高斯分布，即滿足：

$P(y_i/x_i)=(1/\sqrt{2{\mathrm{\π\σ}}_l^2})\·exp(-{\left(y_i-{\mathrm{\μ}}_l\right)}^2/2{\mathrm{\σ}}_l^2)$

式中為x_i超像素i的標簽，y_i為超像素i的像素值，l取值為1或者0，l＝1時超像素i為道路，l＝0時超像素i為非道路，μ_l為第l類區(qū)域的均值，σ_l為第l類區(qū)域的標準方差，β為平滑參數(shù)(取值通常在0.8～1.4)，N_i為超像素的鄰域。

6.如權(quán)利要求5所述的方法，其特征在于，使用馬爾科夫隨機場優(yōu)化標簽圖進一步包括：

初始分類結(jié)果步驟，卷積神經(jīng)網(wǎng)絡(luò)分類結(jié)果作為圖像的初始分割；

分割參數(shù)更新步驟，由當前分割更新θ_i＝{μ_l，σ_l}，μ_l和σ_l分別是當前第l類區(qū)域的均值和標準方差；

計算超像素最大可能類別步驟，由當前圖像參數(shù)和上次迭代的分割結(jié)果，并根據(jù)最大后驗概率準則計算每個超像素最大可能的類別；

網(wǎng)絡(luò)判斷步驟，判斷是否收斂或達到了最高迭代次數(shù)，如果滿足則退出；否則返回分割參數(shù)更新步驟，進行下一次迭代。