基于L-junction特征的路面箭頭標記檢測和識別.pdf

1、隨著智能汽車的發(fā)展，自動駕駛技術(shù)受到廣泛的關(guān)注，其中感知周圍環(huán)境和路面信息是自動駕駛技術(shù)關(guān)鍵的部分。路面箭頭標記作為自動駕駛系統(tǒng)感知信息的重要部分，實現(xiàn)對它的智能檢測和識別具有重要的意義。由于箭頭檢測過程中經(jīng)常受到箭頭標記自身磨損、外界多種非箭頭標記等因素的干擾，對它的檢測和識別往往不能達到滿意的效果。本文針對箭頭路面標記的檢測和識別進行了有效的研究。
　　本文基于L-junction結(jié)構(gòu)將路面上的箭頭標記用多個L-junctio

2、n構(gòu)成的L-junction鏈描述，使干擾因素對檢測的影響轉(zhuǎn)化為L-junction偏差。然后提出了三種編碼方法將L-junction鏈編碼為字符串，將一定偏差范圍內(nèi)的L-junction編碼為同一個字符碼，提高檢測模型對磨損箭頭標記的包容性;同時運用箭頭標記上L-junction的角度和拓撲關(guān)系對檢測標記設(shè)置條件，排除非箭頭標記的干擾。為了判斷檢測標記是否為箭頭標記，本文提出了權(quán)重編輯距離算法。該算法對檢測標記不同的偏差賦予不同的權(quán)重

3、，實現(xiàn)檢測標記編碼字符串與標準箭頭標記編碼字符串之間的相似性的計算，提高檢測模型檢測準確率。
　　為了測試該模型的檢測效果，在北京五環(huán)高速公路上收集了三個路面圖像集:清晰箭頭標記圖像集、磨損箭頭標記圖像集、視頻圖像集。采用本文的檢測模型分別檢測三個圖像集中的圖像，并統(tǒng)計檢測的準確率和召回率。為了更綜合地衡量本文模型的檢測效果，本文還運用了深度學習模型:Boosting ConvolutionalDeep Neural Networ