基于空間線模型的紅外與可見(jiàn)光聯(lián)合道路識(shí)別方法研究.pdf

1、社會(huì)的發(fā)展催生了上世紀(jì)八十年代開(kāi)始的智能車(chē)輛研究，智能車(chē)輛的目的是利用機(jī)器來(lái)代替或者輔助駕駛員從而提高駕駛的安全性和可靠性。道路檢測(cè)是智能車(chē)輛的基礎(chǔ)和核心。由于成像設(shè)備的快速發(fā)展、視覺(jué)傳感器提供的信息最為豐富并且最接近人類(lèi)感知環(huán)境的方式，因此，基于視覺(jué)的道路檢測(cè)在智能車(chē)輛系統(tǒng)中應(yīng)用廣泛，發(fā)展迅速。但是，光照的變化、天氣的變化、道路形狀的不規(guī)則性、道路區(qū)域陰影以及道路上其他的車(chē)輛或者行人都給道路檢測(cè)帶來(lái)了極大的挑戰(zhàn)。
　　本文在車(chē)道

2、線、道路區(qū)域、道路邊界檢測(cè)的基礎(chǔ)上深入研究了基于多傳感器融合的道路檢測(cè)算法，從而提高算法在不同環(huán)境下的魯棒性和準(zhǔn)確性，具體包括:
　　本文采用了多個(gè)不同的道路分類(lèi)器來(lái)提取道路信息，分別是:基于最短路徑的道路區(qū)域分類(lèi)器、基于Prewitt算子的道路邊緣檢測(cè)、基于梯度的行道線檢測(cè)?；谧疃搪窂降牡缆穮^(qū)域檢測(cè)方法能夠很好地區(qū)分道路場(chǎng)景中顏色相似位置不同的區(qū)域，同時(shí)，該方法能夠有效地應(yīng)用于道路形狀復(fù)雜的場(chǎng)景，檢測(cè)結(jié)果不易被道路形狀的變化影

3、響。
　　本文針對(duì)空間線模型對(duì)道路寬度變化不具有魯棒性的問(wèn)題，在原始的SPRAY特征基礎(chǔ)上提出了基于二值空間線特征的道路區(qū)域檢測(cè)方法，該方法弱化了距離對(duì)特征的影響，因此在路寬變化的場(chǎng)景下能夠適應(yīng)道路寬度的變化。同時(shí)，針對(duì)SPRAY特征提取緩慢的問(wèn)題提出了基于幀間關(guān)系的SPRAY加速方法，利用圖像序列間的相似性可以避免重復(fù)像素點(diǎn)的特征提取與預(yù)測(cè)。
　　本文針對(duì)夜間可見(jiàn)光相機(jī)效果不理想的問(wèn)題，提出了一種基于空間線模型的可見(jiàn)光圖像

4、和紅外圖像融合的道路檢測(cè)方法。該方法通過(guò)紅外相機(jī)和可見(jiàn)光相機(jī)捕獲同一道路場(chǎng)景的紅外和可見(jiàn)光圖像并通過(guò)SPRAY模型融合使得方法能夠做到全天候工作。
　　針對(duì)直接將SPRAY模型應(yīng)用于紅外和可見(jiàn)光融合的方法會(huì)造成時(shí)間復(fù)雜度高的問(wèn)題，本文結(jié)合SPRAY特征提出了基于SPRAY特征的隨機(jī)游走的道路檢測(cè)算法。該方法保留了識(shí)別能力良好的SPRAY特征，同時(shí)避免了對(duì)大量的像素點(diǎn)進(jìn)行復(fù)雜的SPRAY特征提取。該方法核心是基于SPRAY特征的道路