《王驰的论文基于单目视觉的道路检测算法的研究》由会员分享，可在线阅读，更多相关《王驰的论文基于单目视觉的道路检测算法的研究（58页珍藏版）》请在金锄头文库上搜索。
1、分类号： 密 级： U D C： 编 号： 基于单目视觉的道路检测算法的研究RESEARCH OF ROAD DETECTION ALGORITHM BASED OF MONOCULAR VISION学位授予单位及代码：学科专业名称及代码：计算机软件与理论() 研 究 方 向：计算机图形图像处理 申请学位级别： 硕 士 指 导 教 师： 答辩委员会主席： 研 究 生： 论文评阅人： 论文起止时间：2006.112007.12 摘 要关键词：道路检测 结构化道路 非结构化道路 语义映射 随机森林 第一章 绪论1.1课题研究背景及意义 1.1.1视觉导航在智能车辆中的应用视觉导航中的视觉检测部分可
2、以归类为机器视觉范畴。机器视觉是当今机器人与人工智能研究的一个热点，同时也是图像处理与分析领域的一个热点。人类80%的信息都来源于视觉。因此，对于智能机器人来说，赋予机器以人类视觉功能，能像人一样通过视频处理而具有从外部环境获取信息的能力，这对于提高机器人的环境适应能力，自主能力，最终达到无需人的参与，仿真人的行为，部分的替代人的工作，对发展智能机器人是极其重要的。机器视觉的发展不仅将大大推动智能系统的发展，也将拓宽计算机与各种智能机器的研究范围和应用领域。智能车辆系统是集多种传感器数据融合、视觉信息处理、环境建模、规划决策、多等级辅助驾驶等功能于一体的综合系统，致力于提高汽车的安全性、舒适性
3、和提供优良的人车交互界面。 视觉系统在智能车辆系统中主要起到环境探测和辨识的作用。与其他的传感器相比，计算机视觉具有检测信息量大、能够遥测等优点。缺点是在复杂环境下，要将探测的目标与背景区分开，将有用信息提取出来所需的计算量很大，单纯以硬件条件来解决，容易导致系统的实时性较差。这可以通过特殊的图像处理方法来解决。目前的智能车辆技术中自主导航和自动驾驶是智能车辆开发的关键技术，而自主导航和自动驾驶的实现过程中，最为关键的技术就是计算机视觉。计算机视觉的主要任务是完成道路的识别和跟踪。 道路边界的识别是视觉导航中的一个重要环节，对道路边界的正确识别就是能够让智能车辆在一个安全的范围之内行走。具有自
4、主导航的智能车辆，对于信息采集处理的实时性、行驶过程中控制的鲁棒性以及自主运行决策的可行性都有很高的要求。在实际应用中一个真正具有应用价值的智能车辆必须具有实时性、鲁棒性和实用性的技术特点。实时性是指系统处理数据必须与车辆的高速行驶同步进行；鲁棒性是指智能车辆对不同的道路环境(如高速公路、市区标准公路、普通公路等)，复杂的路面环境(如路面及车道线的宽度、颜色、纹理、动态随机障碍与车流不同等)，以及变化的气候条件(如日照及景物阴影、黄昏与夜晚、阴天与雨雪等)均具有良好的适应性；实用性是指要求智能车辆在体积和成本等方面能够为普通的汽车用户所接受。这些要求就使所设计的系统必须在理论算法上给予强大的支
5、持，针对计算机视觉部分就是要有实时高效的图像处理算法。1.1.2 论文的研究目的现在国内外有很多研究单位致力于智能车辆视觉导航技术的研究，并且取得了很大的进展。由于目前这些视觉导航系统中的道路检测技术都存在着一定不足，在较差的道路环境下，例如有阴影，水迹，或者天气影响（如雨，雪等），道路检测效果就会下降很多。针对现在国内外道路检测算法中存在的问题，本文将探讨性的提出基于机器视觉的结构化和非结构化道路检测算法，并给出算法的实现，最终模拟出视觉导航中实时的道路检测过程。1.1.3论文的研究意义目前智能车辆的发展分为两个方向：第一个方向，智能车辆使用于室外环境,利用各种传感器检测环境信息，由于智能车
6、辆在道路上高速行驶，为了识别复杂的外界环境和控制高速运动的车辆，这种车辆就必须有很强的计算能力和强大感知环境的传感器；另一方向，智能车辆使用于室内环境，体积较小，速度相对要求不高。智能车辆一旦有了自主导航的能力，遇到突发情况，就可以根据情况做出决策，改变自身相对位置，根据检测出的道路行走。智能车辆要实现在城市繁忙道路上完全无人驾驶，尚有很多工作要做，可以通过研究智能车辆的一些关键技术，并把它们应用到实际工程中去，所以智能车辆的道路检测技术的研究具有重要意义。首先，基于道路检测技术的驾驶员辅助驾驶系统或预警系统，可以减轻驾驶员的压力和疲劳程度，提高行驶的安全性，减少交通事故的发生，提高交通效率。
7、其次，视觉导航中的道路检测技术可以用来提高智能巡航控制中跟踪引导车辆的精度，使车辆的队列自动驾驶系统更加可靠。再者，可以将道路检测技术和其他技术相结合，提高系统性能。如视觉传感器导航技术和自动驾驶技术可以实现车辆的自适应巡航，辅助人们把车开得又快又稳、安全可靠；汽车夜间行驶时，如果装上红外摄像头，就能实现夜晚的汽车安全辅助驾驶。智能车辆视觉导航技术在智能交通、汽车辅助驾驶、车辆的自动或遥控驾驶、工厂、仓库的巡逻等方面有着广泛的应用前景。另外智能车辆还可以用到其它场合，如星球探险、危险区域采样、军事用途等。随着社会不断发展，智能车辆在工业、商业、科学应用方面会越来越受人们重视，因此智能车辆视觉导
8、航技术研究具有重要的理论意义和实际应用价值。1.2视觉导航系统中道路检测方法的国内外研究现状智能车辆是一个集环境感知、规划决策、自动驾驶等多种功能于一体的综合系统。智能车辆与很多学科有着密切关系，如计算机科学、通信、人工智能、信号处理、模式识别、控制理论等。智能车辆在军事、民用和科学研究等领域广泛的应用前景，吸引了各国政府和大公司的注意。从八十年代中后期开始，世界主要发达国家对智能车辆开展了一系列卓有成效的研发工作。道路检测技术是智能车辆视觉导航系统中一个重要的关键技术，也是智能车辆视觉导航系统中的一个重要标志。经过10多年的研究，现在已经开发出一些具有代表性的系统，如LOIS 系统、GOLD
9、系统、RALPH系统、SCARF系统、 ALVNN系统等。目前的道路检测通常分为：基于假设的识别方法和基于特征的识别方法。1.2.1基于假设的识别方法1.2.1.1基于道路宽度的假设假设道路的宽度固定或者变化缓慢，可以把道路检测问题简化成平行的道路特征检测问题。例如，韩国的PVRIII（POSTECH Road Vehicle）系统33，使用神经网络和简单的视觉算法：选择有两条平行线的图像进行识别，采用高斯模板进行滤波以及零交叉来寻找垂直边缘点。结果与一个给定的模型进行匹配，来计算转向角和给出一个合理的评价。类似的，美国CMU（Carnegie Mellon University）大学的RAL
10、PH系统30根据车辆的速度和出现的障碍物来处理车体前方20-70米的部分图像信息。进一步扩展该方法，可使用任何平行于道路的特征来检测道路，例如车道线、道路边界、车辙等。使用道路宽度假设，系统对阴影和车辆遮挡的鲁棒性明显提高，但是不适用于道路宽度变化频繁的道路模型。1.2.1.2基于道路形状的假设 徐友春等提出了一种基于全局直线道路模型进行道路边界识别的方法20，应用于JUTIV-II自主车上。假设道路边界识直线，算法原理为：在经过预处理的道路图像上，通过识别出的道路边界直线所在的一定区域范围来计算所有可能的道路边界点属于该直线的之和，并将其归一化后的值作为边界的可信度。慕尼黑的德国联邦国防大学
11、UBM (The Universitat der Bundeswehr Munchen), 与德国奔驰汽车公司联合研究小组是基于回旋曲线道路模型来进行道路检测的37 46。一个回旋曲线的曲率由曲线参数线性决定。这个模型的优点在于它用两个参数就可以对道路线进行定位，以及计算其他如道路内的偏移量，车辆相对于路的线速度，以及转向角。另一个由俄亥俄州州立大学（Ohio State University） 开发的系统也是一个基于回旋曲线的检测系统，采用一种动态的优化算法来选择中心线上表示道路几何中心的候选点。徐杰等提出了基于前向单目视觉的自主导航算法32，该算法提出一种近似抛物线的二次曲线模型作为道路边
12、界模型，模型假定道路区域位于同一平面内，左右边界互平行，具有一般连续性。算法利用边界识别算法和跟踪识别算法得到车辆起步和稳定行驶过程中的实时道路边界信息，为车辆控制器计算出位置偏差和方向偏差两个参数。其他一些研究小组使用多项式来表示道路的边线。美国密歇根大学的MOSFET(Michigan Off-road Sensor Fusing Experimental Testbed)系统44将车道线建模为抛物线，从而可使用简单的Hough变换进行匹配。使用道路形状假设，避免了道路几何复杂的重构问题，简化了车体控制，提高了系统对阴影和遮挡的鲁棒性。密歇根大学的一个研究机构还提出一种使用同心圆的方法来表
13、示道路边界。对于大学里的地形来说应用以同心圆为模型要比选择多项式模型检测效果更好些。使用道路形状假设往往需要复杂的公式匹配，计算量较大，实时性欠缺，而且当道路不符合模型假设时会失效，因此道路形状假设的选择至关重要。1.2.1.3基于感兴趣区域的假设道路检测用整幅图像的处理需要大量的计算，可以用对感兴趣区域ROI（the region of interest）分析来替代对整幅图像的处理，在这些区域中，经常应用前一帧的信息或者对道路先验知识的假设来提取像素点的特征，这样简化了特征提取过程。德国的Autonomous Fahren项目使用道路和车体的动力学模型来确定车道线是否在图像中的感兴趣区域内，
14、还有GOLD（Generic Obstacle and Lane Detection）系统34将待处理图像限制在上一次检测结果的邻域里等。使用感兴趣区域假设可以显著加快道路检测的速度，降低对硬件的要求，满足检测所需的实时性。但是不适合检测尺寸较大的图像，对感兴趣区域的挑选很重要。1.2.2基于特征的识别方法1.2.2.1基于道路结构的特征道路边缘检测可以被简化为应用某种具体特征如道路表面的道路标志线来降低检测的难度。这种限制使得检测变得容易，由树木、建筑物、桥梁或者其他的车辆形成的阴影对道路表面产生了影响，很多研究小组采用很复杂的图像滤波算法来解决这个问题。当路面标记可见度不高时（由低对比度，
15、坏的天气情况等等引起的）使用基于模型的技术是很有效的。由Toyota Central R&D Labs开发的系统26，是基于投票的方法的，道路标记类型是已经生成的或是事先提供的。在提取边缘后，边缘点与每种类型进行匹配。最后，选择出投票最多的一种模型作为最近似的道路的左右边缘标记。该类算法适用于结构化道路，且需要模型要尽量接近实际路面标记，但不适用于道路标志线模糊或者没有道路标志线的非结构化道路。1.2.2.2基于道路的颜色特征图像可分为对灰度和彩色图像的处理，对灰度图像的处理速度快，算法易于实现，对彩色图像的识别因为图像的色彩分量增加，所以处理的精度高。1基于图像的灰度特征对于灰度图像的处理，通常是基于序列灰度图像，利用道路边缘特征对道路标识线或者道路边界进行检测。一般算法中先求取图像中的边缘梯度,然后对具有较大梯度的边缘按照其梯度方向进行跟踪,最终得到整个边界。由于边界的不连续性,利用断断续续的边缘组合得到整个
