基于Mean-Shift理论的智能车辆道路检测方法(2)
Keywords Mean-Shift Road detection Image segmentation Image tracking Ipm
目录
1 绪论 7
1。1 课题研究背景 7
1。2道路检测技术国内外研究现状 7
1。3本文创新点 8
1。4本文的主要内容 9
2 基于Mean-Shift理论的道路图像分割 10
2。1 Mean-Shift基本原理 10
2。2 基于Mean-Shift理论的图像分割 12
2。3 实验结果分析 13
2。4 本章小结 18
3 基于Mean-Shift理论的道路图像跟踪 19
3。1 基于Mean-Shift的图像区域跟踪 19
3。2 Ipm图的变换 23
3。3 对Ipm图的Mean-Shift跟踪 27
3。4 基于Mean-Shift图像分割与图像跟踪的融合 30
3。5 本章小结 33
4 总结与展望 34
4。1 总结 34
4。2 展望 34
致谢 36
参考文献 37
1 绪论
1。1 课题研究背景
道路检测技术是无人车驾驶系统的核心技术之一。无人车驾驶系统随着计算机的发展以及智能机器人的发展也得到了长足的进步，在科研，军事，民用等领域得到了很大的应用。在民用领域，可以作为人的驾驶辅助，辅助人进行复杂道路行车参考，以减少交通事故的发生，以及作为一种保持车距的手段，保持安全距离以调控道路的容量。在军事领域，智能机器人可以帮助人类进行搜索地雷，拆弹等有相当危险性的任务。同时，无人驾驶系统还有调控车辆速度的作用，宏观上使汽车减少不必要的加减速以节省燃油。在科学技术研究领域，安装无人驾驶系统的车辆还能帮助人类探索未知地域。
由于无人驾驶系统需要在真实的环境下工作，因而有许多的因素会影响到道路检测的准确性，有效性，例如天气，地理位置，光线等因素，会让道路的检测变得困难。同时道路不规整的情况下，如泥路，非城市路面等，对该种路面进行检测也是另外一个需要解决的难题。因而研发一个有效的道路检测系统是很困难的一件事情。
道路检测大致由两部分组成，即道路检测以及障碍物检测。由于道路检测的目的是要为车辆寻找一个能行驶的区域，随着车辆行驶方向的变化，可行驶的区域也将发生很大的变化。所以道路检测变得更加困难，本文将基于Mean-Shift算法研究一种可行的道路检测方法。
1。2道路检测技术国内外研究现状
1。3本文创新点
（1）在参考了国内外的研究成果后，本文提出了一种基于Mean-Shift算法的道路检测方法，先使用车载摄像头对道路进行拍摄，获取道路的视频，将视频拆分为单帧的图像，对第一帧图像进行道路标定后，经过Mean-Shift分割，跟踪技术，能跟踪出后续的可行驶道路。
（2）由于实际环境以及障碍物的干扰，车载摄像机拍摄的视频并不能很好的反应道路的实际情况，尤其是对障碍物的判断变得困难。本文将图像经过逆透视投影变换处理，将其转换为inverse perspective projection mapping（Ipm图），对Ipm图进行Mean-Shift跟踪，降低道路检测受到复杂环境以及障碍物的影响的程度，再对Ipm图像采用旋转跟踪，使道路检测更加准确。
（3）在分割图像上对车辆前方道路设定一个固定梯形区域，凡是与该区域的像素属于同一类的像素都认为该图像块属于道路区域。这个道路区域可以作为后续Mean-Shift跟踪所需要的初始目标跟踪区域。
上一篇：基于谱聚类理论的场景分类研究
下一篇：面部轮廓识别与机器人素描技术研究