1.基于视觉信息流分区投射编码模型的道路障碍物检测方法，其特征在于，该方法具体包括以下步骤：步骤一：在V1拓扑投射轮廓全局感知单元中构建平行视通路模型，对道路交通图的亮度边缘和颜色边缘实现并行提取，从而获取表征障碍物全貌特征的拓扑投射轮廓图E(x,y)和最优方位索引矩阵Θ(x,y)；

步骤二：在V4稀疏编码精细特征提取单元中构建视觉信息差增强模型，分别利用位置响应差和方位响应差对拓扑投射轮廓图E(x,y)进行纹理抑制和轮廓增强，得到细化轮廓图Et(x,y)；

步骤三：提出一种自适应尺寸稀疏编码模型，对细化轮廓图Et(x,y)进行池化操作，根据图像特性实现对障碍物轮廓特征的智能聚焦，获取表征障碍物局部特征的池化图Es(x,y)；

步骤四：模拟视皮层不同脑区间的反馈调控机制，利用池化图Es(x,y)对跨视区的拓扑投射轮廓图E(x,y)进行修正，融合得到最终的障碍物轮廓外形结果T(x,y)；

在V1拓扑投射轮廓全局感知单元中构建平行视通路模型，对道路交通图的亮度边缘和颜色边缘实现并行提取，从而获取表征障碍物全貌特征的拓扑投射轮廓图E(x,y)和最优方位索引矩阵Θ(x,y)；具体为：针对待检测道路交通图，分解出其亮度分量I(x,y)和红、绿、蓝颜色分量R(x,y)、G(x,y)、B(x,y)；每个分量的行数和列数分别为m和n；平行视通路模型由亮度通路和颜色通路构成，分别对道路交通图的亮度边缘和颜色边缘进行提取；

步骤1.1亮度通路的数学模型如式(1)所示：

其中，σ、γ代表经典感受野的尺寸和椭圆率，

代表选择性方位，取等间隔的8个方位，即θi＝{0°,45°,90°,135°,180°,225°,270°,

315°}，*代表卷积运算，e(x,y；θi)代表像素坐标为(x,y)，选择性方位为θi所对应的亮度分量边缘响应；

对于每个像素，选取所有选择性方位所对应亮度分量边缘响应的最大值，将其线性归一化后作为输出，同时记录对应的最优方位索引，获得亮度通路的轮廓响应EL(x,y)和最优方位索引矩阵ΘL(x,y)，如式(2)所示：其中，N(·)代表线性归一化操作；

步骤1.2利用颜色拮抗机制对颜色通路进行建模，颜色通路分为R‑on/G‑off、G‑on/R‑off、B‑on/Y‑off、Y‑on/B‑off四种类型的拮抗通道，其中黄色分量Y(x,y)＝(R(x,y)+G(x,y))/2；以R‑on/G‑off类型拮抗通道为例进行说明；首先模拟视锥细胞的作用，将R(x,y)、G(x,y)分量分别经高斯滤波器处理，结果记为 然后计算单拮抗感受野的边缘响应，结果记为SRG(x,y)，如式(3)所示：

接着模拟双拮抗感受野的作用，计算像素坐标(x,y)处，选择性方位为θi所对应的颜色分量边缘响应dRG(x,y；θi)，如式(4)所示:对于每个像素，选取所有选择性方位所对应颜色分量边缘响应的最大值，将其线性归一化后作为输出，同时记录对应的最优方位索引，获得R‑on/G‑off类型拮抗通道的边缘响应DRG(x,y)和最优方位索引矩阵ΘRG(x,y)，如式(5)所示:与R‑on/G‑off类型拮抗通道的计算方式相同，得到其他三类拮抗通道的边缘响应DGR、DBY、DYB和最优方位索引矩阵ΘGR、ΘBY、ΘYB；对于每个像素坐标位置，取四类拮抗通道中边缘响应的最大值作为输出，同时记录对应的最优方位索引，获得颜色通路的轮廓响应EC(x,y)和最优方位索引矩阵ΘC(x,y),如式(6)所示：步骤1.3分别将亮度通路与颜色通路的轮廓响应以及最优方位索引矩阵进行融合，模拟视皮层V1功能层的前级特性，获得拓扑投射轮廓图E(x,y)和最优方位索引矩阵Θ(x,y)；

如式(7)所示：

2.根据权利要求1所述的基于视觉信息流分区投射编码模型的道路障碍物检测方法，其特征在于：σ、γ依次设置为2和0.5。

3.根据权利要求1所述的基于视觉信息流分区投射编码模型的道路障碍物检测方法，其特征在于：所述步骤二：在V4稀疏编码精细特征提取单元中构建视觉信息差增强模型，分别利用位置响应差和方位响应差对拓扑投射轮廓图E(x,y)进行纹理抑制和轮廓增强，得到细化轮廓图Et(x,y)；具体为：首先，对于步骤一获得的拓扑投射轮廓图E(x,y)，分别利用高斯函数G(x,y；σ)和高斯+差函数DoG (x,y；σ)与E(x,y)卷积，获取经典感受野的视觉输入LC(x,y；σ)和非经典感受野的视觉输入LN(x,y；σ)，如式(8)所示：其中，

对式(8)中LC(x,y；σ)和LN(x,y；σ)进行差值运算，获得位置响应差△L(x,y；σ)，如式(10)所示:△L(x,y；σ)＝max{LC(x,y；σ)‑LN(x,y；σ),0}            (10)+

然后，计算拓扑投射轮廓图E(x,y)的正交方位索引矩阵Θ (x,y)，如式(11)所示：+

Θ (x,y)＝(Θ(x,y)+2)mod 8                    (11)其中，mod表示取余数操作；步骤(1)获得的Θ(x,y)以索引的形式保存了像素坐标(x,y)处的最优方位信息，取值范围为{0,1,2,3,4,5,6,7}，{0,4}代表水平最优方位，{2,6}代+表垂直最优方位，{1,5}代表正斜最优方位，{3,7}代表反斜最优方位；Θ (x,y)代表与最优方位Θ(x,y)互补的正交方位，其中水平方位与垂直方位互补，左斜方位与右斜方位互补；

对于拓扑投射轮廓图E中每个像素坐标(x,y)，将其二邻域像素值之和作为响应信息；

分别计算最优方位响应OΘ(x,y)和正交方位响应 并对二者进行差值运算，获得方位响应差△O(x,y)，如式(12)所示：最后，对E(x,y)进行对比度增强，获得细化轮廓图Et(x,y)，如式(13)所示：Et(x,y)＝E(x,y)+Eenha(x,y)‑Einhi(x,y)              (13)其中，Eenha(x,y)代表方位响应差△O(x,y)线性归一化后的结果，用于增强轮廓像素点；

Einhi(x,y)代表位置响应差△L(x,y；σ)指数归一化后的结果，用于抑制背景像素点。

4.根据权利要求3所述的基于视觉信息流分区投射编码模型的道路障碍物检测方法，其特征在于：σ设置为2。

5.根据权利要求3所述的基于视觉信息流分区投射编码模型的道路障碍物检测方法，其特征在于：所述步骤三：提出一种自适应尺寸稀疏编码模型，对细化轮廓图Et(x,y)进行池化操作，根据图像特性实现对障碍物轮廓特征的智能聚焦，获取表征障碍物局部特征的池化图Es(x,y)；具体为：对于步骤二获得的细化轮廓图Et(x,y)，根据最大类间方差法计算自适应阈值thresh，进行二值化并统计轮廓像素所占比例proportion，如式(14)所示：其中， 代表细化轮廓图二值化后的结果，count(·)操作用于统计二值图像中像素值1的个数；

然后计算稀疏编码模型的稀疏核尺寸大小，为了简化计算，将稀疏核视窗形状选为方窗，视窗尺寸根据轮廓像素比例proportion大小进行自适应选取，如式(15)所示：其中，w1、w2、w3表示不同大小的稀疏核视窗尺寸；thresh1和thresh2是用来衡量细化轮廓图Et稀疏程度的阈值参数，根据Et中轮廓像素比例proportion和阈值参数的相对大小，对稀疏核视窗尺寸ws进行自适应选取；稀疏编码前采用镜像对称法对细化轮廓图Et进行边界像素填充；对于Et中每个像素，计算以之为中心的视窗内所有像素的平均值，作为该像素点的稀疏编码输出，并以视窗尺寸作为视窗移动步长，实现视觉信息在空间上的稀疏表达，如式(16)所示：其中，w、h分别为横向和纵向偏移量，ws为稀疏核视窗尺寸大小，也是视窗移动步长；

floor(·)表示向下取整函数，Es(x,y)为稀疏处理后的池化图。

6.根据权利要求5所述的基于视觉信息流分区投射编码模型的道路障碍物检测方法，其特征在于：w1＝3，w2＝5，w3＝7。

7.根据权利要求5所述的基于视觉信息流分区投射编码模型的道路障碍物检测方法，其特征在于：thresh1＝0.2，thresh2＝0.1。

8.根据权利要求5所述的基于视觉信息流分区投射编码模型的道路障碍物检测方法，其特征在于：所述步骤四：模拟视皮层不同脑区间的反馈调控机制，利用池化图Es(x,y)对跨视区的拓扑投射轮廓图E(x,y)进行修正，融合得到最终的障碍物轮廓外形结果T(x,y)；

具体为：

将步骤三获得的池化图Es(x,y)跨视区反馈至V1视皮层，以调节系数的形式对步骤一获得的拓扑投射轮廓图E(x,y)进行修正，经过逐个像素点乘融合获得最终的障碍物轮廓外形结果T(x,y),如式(17)所示：其中，resize(·)代表双线性插值操作， 为经过双线性插值操作放大后的池化图，尺寸与拓扑投射轮廓图相同。