移動機器人單目視覺導(dǎo)航道路理解技術(shù)研究.pdf

1、移動機器人視覺導(dǎo)航技術(shù)是移動機器人智能化研究的重要基礎(chǔ)和關(guān)鍵技術(shù)，正受到國內(nèi)外研究學(xué)者越來越多的重視，已經(jīng)成為人工智能與機器人研究的前沿課題和研究熱點。視覺導(dǎo)航道路理解技術(shù)是對移動機器人視覺導(dǎo)航技術(shù)研究的基礎(chǔ)模塊，其理解能力直接影響到移動機器人自主導(dǎo)航系統(tǒng)的性能。視覺導(dǎo)航道路理解技術(shù)對提高移動機器人視覺導(dǎo)航能力和智能化水平具有重要的研究意義和使用價值。 本文以移動機器人視覺導(dǎo)航道路理解技術(shù)為研究對象，以移動機器人視覺導(dǎo)航邊界提取

2、為主線，對道路圖像區(qū)域顏色特征提取、紋理特征提取、特征融合及道路圖像分割方法等具體問題進行了相關(guān)的研究工作。 在對道路圖像顏色特征提取的研究中，針對直方圖分類量化方法單純基于顏色分割得到的區(qū)域可能不完整，以及分類閾值選取的自適應(yīng)性差等問題，本文提出一種基于HSI色彩空間的顏色特征提取方法。該方法采用符合人類視覺特點且各個分量相互獨立的HSI顏色模型來表示彩色圖像，從而充分利用了HSI顏色模型對顏色描述的穩(wěn)定性，抑制分類時顏色信息

3、的發(fā)散，結(jié)合基于直方圖多閾值分類量化的自適應(yīng)性，提取圖像的顏色特征。通過實驗對本文提出的顏色特征提取方法的有效性進行了驗證。 在對道路圖像紋理特征提取的研究中，針對傳統(tǒng)小波變換破壞了紋理特征的平移不變性的問題，本文提出了一種基于DWF離散小波框架變換的紋理特征提取方法。在對圖像紋理結(jié)構(gòu)的描述中，本文提出的方法與常用的金字塔式小波變換方法相比，能夠在分解過程中很好地保留圖像紋理特征的平移不變性，并為最終的圖像聚類分割提供了與原圖像

4、像素一一對應(yīng)的紋理特征值；在小波框架變換的分解過程中，采用灰度層共現(xiàn)矩陣來實現(xiàn)分解層數(shù)的選擇，根據(jù)低頻近似子圖像紋理成分被濾除的程度判斷，為分解層次的選擇提供一個直觀可行的途徑；在DWF對圖像多層濾波的基礎(chǔ)上，提出Laws紋理能量測量的改進方法，計算分解后子圖像的小波系數(shù)，并將每一層分解的水平、垂直以及對角高頻系數(shù)組合，在降低特征維數(shù)的同時，也使得特征參數(shù)在旋轉(zhuǎn)90°、180°和270°時均具有旋轉(zhuǎn)不變的性質(zhì)，從而得到圖像像素的紋理特征

5、向量。紋理特征提取及分割實驗結(jié)果驗證了本文提出方法的有效性。 在顏色特征提取與紋理特征提取研究的基礎(chǔ)上，提出了一種基于融合道路顏色與紋理特征的道路理解算法。該算法利用視覺圖像處理技術(shù)，將獲取的道路顏色特征值與紋理特征值按照一定的權(quán)值組合，最終獲得能夠表征道路圖像各區(qū)域的特征，基于特征值，采用聚類技術(shù)完成道路圖像中道路區(qū)域與非道路區(qū)域的劃分，并用邊緣檢測方法給出移動機器人運動路徑邊界的信息。彩色紋理圖像分割實驗及移動機器人實時道路