基于單目視覺的機動車道路檢測和跟蹤研究.pdf_第1頁
已閱讀1頁,還剩145頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進行舉報或認領(lǐng)

文檔簡介

1、道路檢測和跟蹤在智能交通、無人駕駛和駕駛員安全輔助等系統(tǒng)中都具有重要的作用。機動車道路可以分為結(jié)構(gòu)化與非結(jié)構(gòu)化道路。結(jié)構(gòu)化道路具有結(jié)構(gòu)化的人工印刷道路標志線;非結(jié)構(gòu)化道路則不存在類似的道路標志線。本文使用計算機視覺技術(shù)對單目攝像機采集到的圖像序列中的道路進行檢測,針對不同的道路狀況分別提出三種不同的方法來完成道路的檢測和跟蹤,這些方法可以概括為:
  第一,提出基于形狀約束的GrabCut算法用于道路區(qū)域的分割。該方法首先使用高斯

2、混合模型對道路區(qū)域進行建模,然后使用GrabCut算法完成道路區(qū)域的分割。在GrabCut算法的每次迭代過程中添加道路的形狀約束,并使用約束后的檢測結(jié)果對道路區(qū)域的高斯混合模型參數(shù)進行更新。高斯混合模型的使用可以更加準確的描述道路區(qū)域的顏色分布,取得更加準確的道路分割效果;同時由于道路形狀約束的引入,可以減少GrabCut算法的迭代次數(shù)。而在確定道路區(qū)域形狀的過程中,基于自適應(yīng)均值漂移算法的局部最大值檢測算法被用于霍夫空間中局部最大值的

3、檢測。
  第二,提出基于TLD框架的結(jié)構(gòu)化道路檢測和跟蹤算法。針對結(jié)構(gòu)化道路,本文提出了基于機器學(xué)習(xí)的道路標志線分類方法。通過對道路標志線的特點的研究,分別提出了laneHAAR特征、laneHOG特征和laneCOMB特征用于道路標志線的描述。同時選用級聯(lián)分類器的結(jié)構(gòu)進行待測圖像的預(yù)測從而可以滿足道路檢測實時性的要求。為了解決長時間跟蹤中道路標志線的變化,本文采用TLD框架對道路標志線模型進行在線訓(xùn)練和更新。PN學(xué)習(xí)結(jié)合道路標

4、志線的對稱性、寬度以及顏色信息作為正負約束對檢測得到的道路標志線樣本進行二次篩選,用于道路標志線模型的在線訓(xùn)練。在道路跟蹤中,通過幀間預(yù)測可以減少分類器的檢測樣本的數(shù)量,進而提高檢測算法的效率。
  第三,提出基于平行主動輪廓模型的道路檢測算法和基于卡爾曼濾波器的道路跟蹤算法。平行主動輪廓模型把結(jié)構(gòu)化和非結(jié)構(gòu)化道路納入統(tǒng)一的算法框架進行處理。本文首先通過移除傳統(tǒng)主動輪廓模型中循環(huán)矩陣的首尾約束,并且引入拉伸力來獲得開環(huán)輪廓模型;然

5、后為了把平行性約束引入開環(huán)主動輪廓模型中,逆透視映射變換被用來恢復(fù)道路左右邊沿的平行性結(jié)構(gòu)信息。在此基礎(chǔ)上,為了使主動輪廓模型可以在梯度比較小的道路中心區(qū)域獲得足夠的外部能量函數(shù),在主動輪廓模型中加入擴張力,從而可以把兩條平行主動輪廓模型往道路的左右兩邊推擠,使其最終收斂到道路的左右邊界。本文還通過利用道路區(qū)域的連續(xù)性,使用齊次馬爾科夫鏈對道路場景序列中道路模型進行建模,從而可以使用參數(shù)預(yù)測算法對后續(xù)幀中的平行主動輪廓模型的初始參數(shù)進行

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論