1.一种基于毫米波雷达图像的交通道路检测方法，其特征在于，包括以下步骤：步骤1、采集目标交通道路的图像，以图像的中心为基准将图像平均分为四个区域，分别为：左上区域定义为区域1、左下区域定义为区域2、右上区域定义为区域3和右下区域定义为区域4；采用滑动窗口对每个区域实现强点的检测；

所述强点的检测具体包括如下步骤：

步骤1.1、采用自适应阈值化算法得到二值化图像，遍历输入灰度图像的所有像素点，以每个像素点为中心选定大小为window_size的局部区域，进而计算局部区域内的灰度均值 其中，I(i)代表像素点i的灰度值，如果像素点的像素值大于local_value，则将该像素点设为前景，否则将其设为背景，如果像素点处于图像的边界，则需要对超出边界的部分进行填充处理，最终获得二值化图像；

步骤1.2、采用8连通的联通组件检测算法实现对连通区域的检测，首先初始化标签数组label和映射表mapping，并初始化当前标签current_label＝1，然后对于二值化图像中的前景像素获取其相邻像素的标签，如果所有标签都是0，则将当前像素标记为当前标签，current_label需要加一，否则，取相邻标签中最小的标签作为当前像素的标签，并更新映射表，将相邻标签映射到最小的标签上，在确保每个连通分量都使用最小标签的情况下更新标签映射，最终输出标签数组label；

步骤1.3、按照如下公式获取连通区域的像素值最大点，将其定为需要检测到的强点：其中，f(·)代表联通组件检测算法，I(x，y，valuepixel)代表整个图像，x代表水平坐标值，y代表垂直坐标值，valuepixel代表像素值；

步骤2、对每个窗口检测到的强点进行去重处理，去除掉重复的强点后再通过图像的中心坐标以及雷达分辨率获得测量车的影响范围，得到水平坐标值的范围；

步骤2中，所述水平坐标值的范围为[x1，x2]，其计算如下：

其中，width为图像的宽，widcar为设定的测量车的实际影响宽度，resolution为分辨率，若强点的水平坐标值x符合x1≤x≤x2，则删掉该点；

步骤3、将区域1和区域2的强点集合并为强点集A，将区域3和区域4的强点集合并为强点集B；对强点集B中的强点进行分类，获得自车道右边界点P1、对向车道左边界点P2、对向车道右边界点P3和离群点P4；

步骤3具体包括以下步骤：

步骤3.1、根据图像的大小计算得到图像的中心点(xcenter，ycenter)，令图像的宽为width，高为height，则有步骤3.2、根据中心点明确图像的垂直平分线l(x)＝xcenter；

步骤3.3、遍历强点集P，计算每个强点到垂直平分线的水平距离即水平坐标偏移值D＝{d1，d2，...，dn}，di＝|xi‑xcenter|，其中，xi代表强点集中的强点i的水平坐标值，n为对应强点集的强点数量；

步骤3.4、给定水平距离分类仓bins＝[0，bin1，bin2，bin3，∞]，根据强点的水平坐标偏移值将强点分类为自车道右边界点P1、对向车道左边界点P2、对向车道右边界点P3和离群点P4：P1＝P(0≤di

步骤4、对强点集A、P1、P2、P3实施基于点的水平密集程度的强点筛选算法，以获得对车道边界贡献最大的强点集；令对自车道左边界贡献最大的强点集为PEL，对自车道右边界贡献最大的强点集为PER、对对向车道左边界贡献最大的强点集为POL、对对向车道右边界贡献最大的强点集为POR；

步骤4具体包括以下步骤：

步骤4.1、初始化最密集子强点集max_points_interval_set为空，最密集子强点集点数max_points_count为0，根据需求人为设置密集区间大小intervalsize；

步骤4.2、将强点集中水平坐标最小值xmin作为当前区间的起始点xcurrent，则当前区间的结束点为xcurrent+intervalsize；

步骤4.3、计算当前区间内的点数pcount并且将当前区间内的点存储到points_in_interval中去；

步骤4.4、计算当前区间的密度：

步骤4.5、如果pcount>max_points_count，则更新max_points_count和max_points_interval；

步骤4.6、将当前点xcurrent增加一个区间大小，重复以上操作，直到当前点xcurrent等于或超越原强点集中水平坐标最大值xmax；

步骤4.7、获得强点水平分布最为密集的子强点集max_points_interval_set，该子强点集内的强点便为对道路边界的检测贡献度最大的强点；

步骤5、对强点集PEL、PER、POL、POR分别进行多项式拟合，从而获得自车道和对向车道的左右边界；步骤5具体包括以下步骤：步骤5.1、遍历强点集，找出所有垂直坐标值y相同的强点Pequal，并统计出其内的强点数量 然后对这些强点的水平坐标值x和垂直坐标值y进行平均处理，即进而获得新的强点，用新的强点代替对应的垂直坐标值y相同

的强点，最终形成新的没有重复垂直坐标值y的强点集；

步骤5.2、假设强点集P＝{(x1，y1)，(x2，y2)，...，(xn，yn)}，其中，xi和yi的关系满足函数f(xi)＝yi，i＝1，2，...，n；

步骤5.3、因为桥梁交通道路情景下为直行情况，所以选择一次多项式函数，即进行线性拟合：f(xi，a0，a1)＝a1xi+a0，其中，a1为斜率，a0为截距；

步骤5.4、采用最小二乘法实现多项式拟合，对整个点集的误差平方和求偏导并令其为

0：

其中，k＝0，1；

步骤5.5、令 则整个点集的误差平

T T T T T T T T T T

方和表示为：E＝(XA‑Y) (XA‑Y)＝(A X ‑Y)(XA‑Y)＝A X XA‑A X Y‑Y XA+Y Y，求导可得T T T ‑1 T令 可得X XA＝XY，解得：A＝(X X) X Y，得到拟合的多项式系数和相关函数；

步骤5.6、对强点集PEL、PER、POL、POR分别进行以上步骤，实现线性拟合，得到道路边界集LEL、LER、LOL、LOR；

步骤6、通过LEL明确自车道的左边界，通过LER明确自车道的右边界，通过LOL明确对向车道的左边界，通过LOR明确对向车道的右边界；填充LEL和LER之间的区域得到自车道，填充LOL和LIR之间的区域得到对向车道，实现目标交通道路的检测。

2.根据权利要求1所述的一种基于毫米波雷达图像的交通道路检测方法，其特征在于，步骤1中，所述滑动窗口具体操作为：对于区域1，窗口先向左滑动再向上滑动；对于区域2，窗口先向左滑动再向下滑动；对于区域3，窗口先向右滑动再向上滑动；对于区域4，窗口先向右滑动再向下滑动。

3.根据权利要求1所述的一种基于毫米波雷达图像的交通道路检测方法，其特征在于，步骤2中，对每个窗口检测到的强点进行去重处理，当交通道路为桥梁交通道路时，由于桥梁交通道路情况为直行状态，所以在水平坐标值的范围内的强点不是直行桥梁道路的边界强点，因此将其删除。