結合CNN與MRF的道路檢測方法研究.pdf

1、隨著經濟發(fā)展水平的提高，汽車的數(shù)量持續(xù)攀升，交通事故的發(fā)生率也不斷增加。智能輔助駕駛系統(tǒng)可以通過給駕駛員提醒和指導來降低交通事故的發(fā)生率?；谝曈X的道路檢測是智能輔助駕駛系統(tǒng)的關鍵，不僅能夠為障礙物檢測提供線索，也有利于車輛路徑規(guī)劃。由于道路場景復雜多變，道路檢測結果易受光線、水漬、陰影、障礙物等因素的影響。因此，針對復雜場景下的道路檢測算法成為現(xiàn)在研究的熱點。
　　為了提高現(xiàn)有道路檢測算法的準確性和魯棒性，本文提出了一種結合CN

2、N(卷積神經網絡)和MRF(馬爾科夫隨機場)的道路檢測方法。首先利用簡單線性迭代聚類方法將原始圖像分割成大小均勻的超像素，在降低后續(xù)處理計算復雜度的同時，有利于提取局部特征和保持目標邊界信息。然后，針對傳統(tǒng)分類器需要人為設計特征在復雜場景下適應性不好的問題，利用CNN可以從大量樣本中自動學習數(shù)據集本質特征的能力，在基于超像素分割得到的樣本集上設計合適的網絡結構并訓練網絡模型。使用訓練好的網絡模型對道路區(qū)域和非道路區(qū)域進行分類;最后，為了