4.3.1  MSTP的推理导出 23

4.3.2  MSTP的算法实现 23

4.4  本章小结 24

5 系统实验的设计与实现 25

5.1  系统概述 25

5.1.1  硬件及软件运行环境 25

5.1.2  系统功能特点 25

5.2  系统实现 25

5.2.1  系统界面图 25

5.2.2  关键源代码实现 28

5.2.3  实验结果 29

5.2.4  实验对比 34

5.3  本章小结 36

结论  37

致谢  38

参考文献39

 1  绪  论

本章提出了本文的研究目标。首先阐述了复杂行车环境中障碍物检测研究的研究意义；然后介绍了显著性检测的发展历史和目前的研究现状；接着介绍了基于稀疏矩阵表示、矩阵分解的显著性检测的研究内容；最后简要地说明了本文的主要工作和章节结构。

1．1  复杂行车环境中障碍物检测的研究背景和意义

由于智能车在军事、民用方面有着巨大的潜在作用，近几年来已经成为了一个科研热点。野外行车环境非常复杂，其中，障碍物检测成为最大难题之一[1][27][28]。

上个世纪，人们曾经尝试用传感器来进行障碍物检测，探讨了很多方法，做出了不少重要的研究。他们研究的对象包括了两种道路环境，分别是结构化的和半结构化的。而我们现在所讨论的复杂行车环境与上述环境又有很大不同：障碍物众多，有凸出、凹陷的地形以及水面湖面等危险地形。

他们之前研究的两种道路环境通常只是考虑特定的凸出的障碍物。美国喷气动力实验室Matthies等人利用多传感信息融合对检测越野障碍方面做了大量研究，用立体视觉和激光雷达来检测水面、凸起障碍物，并使用红外摄像机检测坑洞，从理论上计算证明了凹陷类障碍物从远处检测的困难[1]。论文网

所以，在智能车行进过程中，如何有效的避开复杂行车环境中的障碍物成为首要目标。这就需要我们能够高效并准确地对目标进行发现与检测，使得智能车进行相关的变向等操作避免阻行和翻车等糟糕后果。

我们从视觉显著性入手来进行障碍物检测。显著对象是如何产生的呢？核心在于对比。显著区域从特定的特征与周边环境产生了强烈的对比，从而对人眼产生刺激，成为我们注意力集中的对象。从计算机视觉的角度来看，我们的目标是找到那些与周围区域有一个或多个特征不同的图像区域。例如，在复杂行车环境图中，与周边区域有较大差异的障碍物就可以认为是该图像中的显著部分。这是一项非常综合性的工作，它包含几个子问题，我们列举如下：首先，如何提取有效的特征，排除冗余和无关的特征；其次，什么是最佳的测量显著性的标准能够供我们使用。通过许多人的努力，我们已经发现了几个有效的描述特征，主要包括颜色和纹理。显著区域的产生就是由图像某区域和其他区域上述一些特征不一致造成的。但是,我们需要注意的是,并不是所有的图像都有显著区域,比如一片纯蓝色的天空就没有显著区域。显著区域引起观察者的注意，并不一定是因为某个特定的颜色,并不是由于红色比较亮眼就能吸引我们注意,而是通过各种特征(包括颜色、纹理等)相互之间的竞争引起观察者的注意。综上，在复杂环境数据库中，那些凹凸障碍物在一定程度上也就成为了图像的显著区域，成为我们非常关心的部分，而我们就可以将基于显著图（saliency map）的显著区域检测方法很好地应用于凸凹障碍物检测。

1．2  显著性检测的发展历史及国内外现状