详情

原文传递基于视觉导航的智能车辆目标检测关键技术研究

论文题名：	基于视觉导航的智能车辆目标检测关键技术研究
关键词：	智能车辆;视觉导航;道路检测;交通标志检测;障碍物检测
摘要：	智能车辆是智能交通系统的重要组成部分，是智能交通系统的主体。智能车辆是一个可以自主感知环境信息并进行自主决策进而实现自动化操作控制的综合统一体，它的实现涉及模式识别、图形图像处理、自动控制、机器视觉等多个交叉学科的理论与技术，在智能车辆的各项关键技术中，导航是车辆感知外部环境进而做出下一步决策的前提。由于视觉信息尤其是彩色图像信息具有信息含量丰富、被动无污染和探测无损伤等优点而倍受关注，是智能车辆实现自主导航的主要技术。其中，对于场景环境中的目标的检测(包括道路检测、交通标志检测以及障碍物检测)又是不可缺少的功能，是预防危险、安全行驶的前提条件。但由于智能车辆所处的室外环境的复杂性和不可控性以及彩色场景图像数据量大、运算复杂度高等因素，导致视觉导航中目标检测的实时性、准确性和鲁棒性得不到满足。为了减小数据量、提高检测的实时性，提高视觉导航的效率，本文在分析现有目标检测技术特点与不足的基础上，对以下关键技术进行了深入而详实的研究。　　 1.为了降低彩色图像处理的复杂度、提高后续目标检测的速度，本文提出了一种智能车辆视觉导航彩色图像的预处理算法。算法针对饱和度过低时H分量不稳定的不足，在饱和度分量上选择阈值T，把S分量划分为高饱和度区域和低饱和度区域，在高饱和度区域中投影H分量，在低饱和度区域中投影V分量，并且对投影后的S分量进行拉伸。这样S分量即包含了必要的颜色信息又包含了灰度信息，而且图像由原来的高维降到二维。克服了传统预处理方法中颜色信息的丢失造成的分割不准确问题，大大降低了后续处理的数据量，提高了算法实时性，同时也对因光照和阴影等不确定因素造成的影响有较好的鲁棒性。　　 2.为了克服现有道路检测算法在道路分割时依赖于道路模型、道路区域不完整及自适应性差等缺点，本文提出了一种基于语义的多神经网络非结构化道路自适应检测算法。算法用直方图对道路图像进行多阈值粗分割，然后用多神经网络对分割区域进行高层语义映射，可有效解决当道路特征发生变化时的自适应性和道路检测过程中的实时性问题，实现非结构化道路的完整提取。　　 3.针对现有主动交通标志检测算法中存在运算量大、复杂背景排除困难等问题，本文提出了一种被动的交通标志快速检测方法。算法对彩色图像在HSV空间中预处理的基础上，构造待检测区域中交通标志中可能包含的颜色的粗糙度直方图，根据颜色匹配表、背景颜色的粗糙度和前景颜色的粗糙度判断图像中是否有交通标志出现，如果有可能出现交通标志则根据粗糙度统计提取标志区域，如果没有则不进行后续的分割，这样减少了检测中的盲目分割和重复判断，大大提高了检测算法的效率和实时性。　　 4.在障碍物检测方面，针对现有算法在颜色和边缘检测中障碍物提取不准确以及提取的信息不全面等问题，提出一种基于可疑区域二次匹配的立体视觉障碍检测算法。该算法首先分割出可疑障碍区域，然后对可疑区域进行初次匹配，对匹配成功的区域进行二次立体匹配。这样既减少了匹配的样本空间，提高了算法的效率，同时检测出的障碍物又能提供全面的导航信息。
作者：	张国权
专业：	控制理论与控制工程
导师：	李战明
授予学位：	博士
授予学位单位：	兰州理工大学
学位年度：	2012
正文语种：	中文