摘要近些年来，智能车辆在民用与军事上都有着潜在的巨大应用，而对于智能车如何有效地避开行驶过程中的障碍物的研究考察就显得尤其重要。对于障碍物的探测前人们做了很多物理学方面的研究探索，如利用传感器、红外线等进行探测计算。63968

本文以从视觉角度出发，利用显著图方面的图像处理算法对复杂行车环境中的障碍物进行显著性检测分析，并着重讨论使用矩阵分解、低秩表示方面的显著图算法。

论文的主要工作如下：

1. 分析介绍了一些图像预处理的方式方法。

2. 分析介绍了关于一些特征提取的方法。

3. 介绍了几个相关的矩阵低秩表示的显著图算法，重点为RPCA和LRR算法。

4. 对上述提到的方法及算法对小型的复杂环境数据库加以实验并分析。

毕业论文关键词  障碍物 显著性检测 矩阵分解 低秩表示 图像处理 RPCA LRR

毕业设计说明书（论文）外文摘要

Title A Method of Obstacle Detection in Complex Environment                                           

Abstract   In recent years, the intelligent vehicle has great application potential in the civil and military, and to study how the intelligent car can effectively avoid the obstacles during the driving process is particularly important. To detect the obstacles, people did a lot of research on physics exploration, such as the use of sensors, infrared detection calculation.

    We take it from the visual angle in this paper, using the saliency map algorithm of image processing to analyze obstacles detection in complex environment, and discuss the use of low rank representation matrix decomposition, as well as the sparse representation of saliency map algorithm.

The main work is as follows:

1.  The introduces and analysis of some image preprocessing methods.

2.  Analysis methods are introduced about some feature extraction.

3.  Focus on the relating saliency map algorithm of matrix low rank representation, especially RPCA and LRR algorithm.

4.  Test and analyze in complex environment small database using the mentioned method and algorithm above.

Keywords   Obstacles, saliency detection, matrix decomposition, low rank representation, image processing, RPCA, LRR

1绪  论 4

1.1  复杂行车环境中障碍物检测的研究背景和意义4

1.2  显著性检测的发展历史及国内外现状 5

1.3  基于稀疏矩阵的显著性检测的研究内容 7

1.4  论文的研究内容及章节安排 8

2  图像预处理 8

2.1  灰度归一化 8

2.1.1  灰度化 8

2.1.2  直方均衡化 9

2.2  大小调整 10

2.2.1  最近邻插值算法 10

2.2.2  双线性插值算法 11

2.3  本章小结 11

3 图像特征提取 11

3.1  颜色特征 12

3.2  纹理特征 14

3.2.1  Gabor变换 14

3.2.2  LBP纹理特征 15

3.3  本章小结 16

4 基于矩阵分解的显著性算法 16

4.1  基于RPCA的显著性检测算法 17

4.1.1  稀疏矩阵的显著性描述 17

4.1.2  RPCA的推理导出 17

4.1.3  RPCA的算法实现 18

4.2  基于LRR的显著性检测算法 20

4.2.1  LRR的推理导出 20

4.2.2  LRR的算法实现 21

4.3  基于MSTP的显著性检测算法 23