2022年非结构化道路的检测和跟踪 .pdf
《2022年非结构化道路的检测和跟踪 .pdf》由会员分享,可在线阅读,更多相关《2022年非结构化道路的检测和跟踪 .pdf(3页珍藏版)》请在淘文阁 - 分享文档赚钱的网站上搜索。
1、道路检测是智能车辆视觉导航研究中的核心问题之一, 也是智能车辆发展水平的重要标志之一。实际的道路往往可以分为结构化道路和非结构化道路两类,车辆自动驾驶系统的关键技术之一就是道路检测。结构化道路一般是指高速公路和部分结构化较好的公路, 这类道路具有清晰的车道线和道路边界。因此, 针对它的道路检测问题可以简化为车道线或道路边界的简化问题 , 这方面的算法趋于成熟。非结构化道路一般指结构化程度较低的道路, 这类道路没有车道线和清晰的道路边界, 再加上受阴影和水迹地影响, 道路区域和非道路区域更难以区分, 所以针对非结构化道路的道路检测技术尚处于研究阶段。本文提出了针对非结构化道路的检测算法, 使用区
2、域生长和边缘检测相结合的方法, 综合两者的优缺点对道路边界进行检测 , 并使用基于集合的数学形态学进行修正。此算法简单, 满足实时性要求。图为非结构化道路图像的流程图。图 无标示的道路图像检测流程图道路图像预处理摄像机获取的原始图像由于种种条件限制和随机干扰, 例如视觉成像系统镜头的脏污, 地面凹凸不平引起图像模糊等, 不能直接使用 , 必须对原始图像进行预处理。文章采用中值滤波, 它是一种非常实用的非线性信号处理方法, 它在一定程度上可以克服线性滤波器, 如最小均方滤波、平均值滤波等所带来的图像细节模糊 , 对滤除脉冲干扰和图像扫描噪声最为有效, 并且在实际的运算过程中它并不需要图像的统计特
3、性, 为计算带来了方便。中值滤波具体实现过程与平均值滤波有些类似, 也是采用类似卷积的方式对领域进行计算, 但它不是简单的加权求和, 而是先把领域像素按灰度级进行排序,然后再选择该组的中间值作为模板输出结果。应当指出, 二维中值滤波模板窗口的形状和尺寸对中值滤波的效果和实时性有直接的影响。通过反复对比,发现采用方形中值滤波模板对车道图像进行预处理既能取得较好的滤波效果, 又能节省运算时间。区域生长法区域生长的基本思想是将具有相似性质的像素点集合起来构成区域。具体先对每个需要分割的区域找一个种子像素作为生长的起点,然后将种子像素周围邻域中与种子像素有相同或相似性质的像素( 根据某种事先确定的生长
4、或相似准则来判定)合并到种子像素所在的区域中。将这些新像素当作新的种子像素继续进行上面的过程,知道再没有满足条件的像素可被包括进来。这样一个区域就长成了。区域生长的一个关键是选择合适的生长或相似准则, 大部分区域生长准则使用图像的局部性质。生长准则可根据不同原则制定 , 而使用不同的生长准则会影响区域生长的过程。本文采用灰度差准则。区域生长方法将图像以像素为基本单位来进行操作, 基于区域灰度差的方法主要有如下步骤:) 对图像进行逐行扫描, 找出尚没有归属的像素。) 以该像素为中心检查它的邻域像素, 即将邻域中的像素逐个与它比较, 如果灰度差小于预先设定的阈值, 将他们合并。) 以新合并的像素为
5、中心, 返回步骤() , 检查新像素的邻域, 知道区域不能进一步扩张。) 返回步骤() , 继续扫描直到不能发现没有归属的像素,则结束整个生长过程。采用上述方法得到的结果对区域生长起点的选择有较大依赖性。为了克服这个问题可采用下面改进方法:) 设灰度差的阈值为, 用上述方法进行区域扩张, 使灰度相同像素合并。) 求出所有邻接区域之间的平均灰度差, 并合并具有最小灰度差的邻接区域。) 设定终止准则, 通过反复进行上述步骤() 中的操作将区域依次合并直到终止准则满足为止。另外 , 当图像中存在缓慢变化的区域时, 上述方法有可能会将不同区域逐步合并而产生错误。为了克服这个问题, 可不用新像素的灰度值
6、去与邻域像素的灰度值比较,而用新像素所在区域的平均灰度值去与各邻域像素的灰度值进行比较。对一个含个像素的图像区域, 其均值为 :! ( , ) 。非结构化道路的检测和跟踪赵俊梅张利平( 中北大学信息与通信工程学院, 山西太原) 摘要在智能车辆的道路检测中, 非结构化道路检测的研究处于初级阶段。针对非结构化道路, 提出了基于区域生长和边缘检测相结合的检测算法, 同时利用数学形态学进行修正, 并讨论了对道路的感兴趣区域跟踪。关键词 : 非结构化道路, 区域生长, 边缘检测, 数学形态学 , , :,非结构化道路的检测和跟踪名师资料总结 - - -精品资料欢迎下载 - - - - - - - - -
7、 - - - - - - - - - 名师精心整理 - - - - - - - 第 1 页,共 3 页 - - - - - - - - - 工业控制计算机年卷第期对像素是否合并的比较测试表示为: ( , )。数学形态学数学形态学是在集合论的基础上发展起来的。数学形态学基于集合的观点非常重要,这也决定了它的运算必须由集合运算( 并、交、 补 ) 来定义 , 所有的图像都必须以合理的方式转换为集合。数学形态学用具有一定结构和特征的结构元素( 实际上也是一个集合 ) 去量度图像中的形态, 进而解决问题。从集合论的角度来看 , 数学形态学包含了从一个集合转换到另外一个集合的运算方法。数学形态学的基本运
8、算有个: 膨胀、腐蚀、开启和闭合。膨胀膨胀是数学形态学中的基本运算子之一,膨胀的运算符为“!” , 对于一个给定图像集合, 用结构元素来膨胀 , 膨胀过程可以做以下描述: 首先对作关于结构元素原点的映射, 并将其映像平移(,) , 最后所有经过平移仍与图像相交而不为空的结构元素的原点位置所在像素组成了膨胀后的图像。根据上面描述, 其数学定义为: !( , ) ( )(,)#$&。腐蚀腐 蚀 是 数 学 形 态 学 中 的 另 一 个 基 本 的 运 算 子 , 运 算 符 为“(” 。对于一个给定的图像和结构元素, 所有与具有最大相关的结构 元 素的 当 前位 置 像 素 的 集 合 即 称
9、之 为对的腐蚀。其数学定义为:(( , ) )&。从数学形式上也可以这样理解腐蚀: 用来腐蚀得 到 的 集 合, 是完 全包括在中时的当前位置的集合。开启和闭合开启和闭合运算是膨胀和腐蚀的代数运算、集合操作来组成的。 开启运算是先对图像进行腐蚀然后再进行膨胀, 闭合运算是 先 对 图 像 进 行 膨 胀 再 进 行 腐 蚀 ,数 学 定 义 分 别 为 :( ( ) ! , ? ( ! ) ( 。开启运算通过消除边缘的突起而使用图像的边界得以平滑, 而闭合运算则是通过先膨胀后腐蚀的处理方法填充图像内部空隙并连接邻近的物体。经过区域生长法分割后的道路边缘图像中, 道路边缘线不一定是连续的, 且有
10、一定量的随机噪声, 这不便于后续的道路区域检测 , 考虑把整个道路区域作为一个整体进行处理, 就要确保道路边缘图像中道路边缘线的连续性。为了确保整个道路区域在一个封闭区域内,本文采用图像形态闭操作和开操作来解决这个问题, 保障道路区域边缘线的封闭性。利用形态学膨胀、腐蚀、开、 闭操作对图像进行滤波, 其效果决定于结构元与图像形态匹配程度。结构元的尺寸过小, 则噪声去除不干净, 随着结构元尺寸的增大, 图像边缘的构形也随之增加, 计算量也会增大,所以结构元的选择比较重要。考虑到道路图像中道路边缘比较连续 , 本文中所用的结构元为, 结构元如下式所示: # *边缘检测算法微分算子类边缘检测是最基本
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 2022年非结构化道路的检测和跟踪 2022 结构 道路 检测 跟踪
限制150内