非结构化道路环境理解

《非结构化道路环境理解》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、非结构化道路图像理解一.道路图像理解综述道路检测连续帧道路检测道路偏离检测道路识别与跟踪1.道路检测1.1基于特征的方法1.1.1道路区域检测1.1.2道路边缘检测1.2基于模型的方法1.2.1建立道路模型1.2.2提取车道线像素1.2.3拟合车道模型1.1基于特征的方法基于特征的方法不需要道路的几何结构信息,主要利用图像中道路区域的颜色、纹理、边缘等低级特征从图像中检测出路区域或路边缘。1.1.1道路区域检测灰度直方图聚类的方法用颜色特征检测道路纹理特征概率道路区域检测可以看成是一个图像分割问题。图像预处理：选定感兴趣区域,消除噪声，边缘增强边缘抽取：常用

2、的边缘算子包括Canny、Roberts、Laplace、Prewitt、Sobel等算子二值化:阈值的选取Hough变换可以得到连续的道路直线1.1.2道路边缘检测1.2基于模型的方法1)建立道路模型对道路形状的假设2)提取车道线像素边缘检测、哈夫变换、模板匹配3)拟合车道模型直接拟合、哈夫变换和似然函数方法。2.连续帧道路检测将图像处理限制在上一帧图像的结果的邻域可以显著提高道路检测的速度,降低对硬件的要求,满足实时性要求。感兴趣区域上帧边缘k邻域作为下次边缘检测的区域在感兴趣区域进行边缘检测3.道路偏离检测道路偏离检测是在道路检测的基础上,不仅给出道路

3、信息,还要给出车辆偏离道路中心的信息。基于偏移距离的方法：车体中心与道路中心的准确偏移距离基于偏移角度的方法：车辆行进的方向偏离车道线方向4.道路识别与跟踪道路识别与跟踪系统建立在道路模型、运动学模型和动力学模型的基础上,系统不仅要给出道路参数,还要给出车辆相对于道路的位置信息和运动信息。道路识别与跟踪常用的方法：卡尔曼滤波、粒子滤波二.非结构化道路图像理解结构化：高速公路、城市道路非结构化：越野环境、乡村道路非结构化环境理解更具挑战性：道路形状不规则没有明确的边缘光照、景物、天气复杂多变形状的不规则，边缘的模糊，决定了非结构化环境理解只能采用-基于特征的区

4、域检测方法非结构化环境地形分类基于颜色特征的地形分类基于纹理特征的地形分类颜色纹理特征融合主动学习1.基于颜色特征的地形分类Manduchi提出一种方法，采用大量且多样化的特征数据来训练，以消除光照所产生的影响。使用高斯混合模型进行分类。该算法可以消除光照阴影的影响但是对50米以外的场景，会有错误的分类Buluswar等人提出使用多变量决策树来学习不同的地形所占据的RGB颜色空间区域。随后，Manduchi又提出了一种仅用一个典型光源下的地形图像来训练模型的方法。使用典型光源下的每一类颜色统计的知识来预测在新场景下的光照类型。已有人证明，错误分类不能仅仅依靠

5、颜色特征而被去掉。2.基于纹理特征的地形分类Castano提出了一种基于纹理特征的地形分类方法，使用基于多尺度-多方向的Gabor滤波器组提取的特征基于Garbor纹理特征的分类效果一般，但是涉及到大量的滤波，对于计算具有较高的要求。a.原图b.手动标记c.混合高斯模型d.直方图模型另外，还有其它的基于纹理特征的道路图像理解算法：基于小波变换基于离散余弦变换(DCT)基于灰度共生矩阵3.颜色纹理特征融合由于使用单一的特征对地形分类无法取得令人满意的结果。Shi等人提出颜色特征与纹理特征结合的方法。基于高斯混合模型的非结构复杂环境地形分类3.1特征提取颜色特征

6、：采用YIQ颜色空间计算每个特征窗口的颜色平均值及协方差，得到9维颜色特征向量每幅图像分割成无重叠的16*16大小的子图像，称为特征窗口纹理特征：对特征窗口先进行离散余弦变换。在每个区域内按下式计算能量值，选择N=4可得到13维的特征向量，对于一个2N*2N的特征窗口将颜色特征与纹理特征合并，可得到22维的颜色纹理特征。GMM：类条件似然密度模型的参数θ是由高斯分布的均值向量和协方差矩阵决定的。一般采用迭代方法，建立训练数据的最大似然方程，然后采用EM算法对类参数进行评估一种分类策略选定任一特征窗口，与周围邻域的8个特征窗口可以形成一个3×3的小矩形。设每个

7、小窗口属于最大类条件似然概率这一类。通过GMM求出每个特征窗口属于某一地形类别的最大类条件概率密度。对于9个特征窗口，选择属于类别k(k=1,2,..T)的个数Jk及类条件似然概率Pj，j=1,2,…,Jk。其中J1+J2+…+Jk=9。然后计算属于各个类别k的平均类条件概率如果那么，当前中心窗口就归为k类。除了GMM+颜色纹理特征算法，还有SVM+颜色纹理特征等方法，也能得到较为满意的结果。4.面向可通行区域分类的主动学习算法有监督学习的方法，需要大量有标记的样本作为训练样本。然而在实际情况中，对大量样本进行人工标记是极其繁琐和费时的。主动学习正是为有大量

8、未标记样本服务的，它能自动决定哪些样本需要标记，以用