基于Mean-Shift理论的智能车辆道路检测方法(3)
1。4本文的主要内容
第一章 概述。本文就课题的研究背景进行了阐述，介绍了道路检测技术在各个领域的应用以及其研究的意义。然后简单介绍了国内以及国外在道路检测系统上的研究状况，并列举了几项研究成果。最后介绍了本文的创新点。
第二章 基于Mean-Shift理论的道路图像分割。本章主要介绍了Mean-Shift算法的原理，以及Mean-Shift算法应用于分割领域的一些具体算法。选择一个合适的核函数是Mean-Shift算法的关键点。Mean-Shift算法的特点是通过特征向量，使目标点向着梯度密度最大的方向移动，从而达到图像像素点聚类的目的。本章以车载摄像头拍摄的路面图像为实验对象，分析了空间搜索半径以及颜色搜索半径对Mean-Shift图像分割以及聚类的影响。最后介绍了如何划定初始帧道路跟踪区域的方法，经过划定后的区域将用于后续跟踪过程。
第三章 基于Mean-Shift理论的道路图像跟踪。本章主要介绍了基于Mean-Shift算法的跟踪过程。首先对初始帧进行初始化，即划定跟踪区域，再基于各点离中心点的距离给予各点一个权重值。由中心点指向各点的向量的和就是均值漂移向量。在迭代过程中，该向量一直向着概率密度最大的方向移动，直到移动的距离小于设定值，最终跟踪到真实的目标点的位置。介绍了Ipm图像的变换。原图像通过逆透视投影矩阵的变换得到了逆透视映射图（Ipm图），即把原图像投影到世界坐标下，对道路跟踪过程起到了帮助。最后介绍了在Ipm图的Mean-Shift跟踪过程，展示了实验产生的图像。具体过程为用上一幅图像迭代的结果作为下一幅图像跟踪的输入，进行Mean-Shift跟踪，到最后一帧图像结束迭代。最后介绍了基于Mean-Shift的道路图像分割与道路图像区域跟踪的融合，以及将跟踪得到的目标跟踪框反变换到经过分割的图像中，再经过一定的规则体现真实的道路区域的具体流程。
第四章 总结与展望。本章主要总结了本文基于Mean-Shift算法做的一些研究工作，包括Mean-Shift分割以及Mean-Shift跟踪，提出了目前算法的一些不足与缺陷，以及未来的研究方向。
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