3。2 基于单高斯模型道路分割 18

3。2。1 单高斯模型分析 18

3。2。2 基于单高斯模型的道路分割 20

第 4 章 实验结果与分析 24

第 5 章 总结和愿望 28

结论 29

致谢 30

参考文献 31

第 1 章 引言

1。1 研究背景和意义

无人机广泛应用在许多领域中，尤其是交通方面。主要应用包括安全监测、交通监控、 检查道路建设和对交通、河、海岸线、管道情况的调查等,相关的研究文献可以追溯到 2000 年美国的俄亥俄州、佛罗里达、加州的交通主管部门，他们使用无人机自主导航跟踪道路/河 流,油气管道检测和交通数据测量。配备摄像机的无人机被视为一种低成本的平台,可以提供高 效智能交通系统的数据采集机制。由于车辆的不断增加和人们对交通管理的需求,这种平台越 来越受欢迎。常规的交通数据收集依靠固定的基础设施，而这种收集被限制在局部区域中,因 此,监视大范围的交通活动不仅昂贵而且劳动力密集。相比之下,无人机有以下优点:(1)有一个 长距离低成本的监控;(2)能在广泛的空间和时间尺度中灵活的飞行；(3)能够携带各种传感器收 集大量的数据。为了收集交通系统的信息,重要的是在无人机中如何定位道路。根据道路区域 状况的了解提供给用户感兴趣的区域，并且对于进一步导航、检测和数据收集程序来说,有利 于提高他们的效率和精度。

在道路检测的文献中,大多数的方法使用道路颜色(纹理)和/或结构(几何)的属性。其中,使 用道路颜色和结构相结合的方法比单独使用其中一种道路检测的方法取得了更有效和准确的 信息。因此,我们更喜欢使用两种信息结合的检测方法。因为在许多基于无人机的应用程序中， 必须要有实时性,我们的主要目标是如何有效地用一种高效率方式来结合这两类信息用于道 路检测。直观地说,做一个高效集成框架有两个规则。第一,每个框架组件反应速度要快；第二, 如果某个组件比其他组件更快实现相同的目的,那就尽可能使用最快的组件。

在本文中,我们遵循上述两个规则快速构建框架。具体地说,我们的框架包含的组件是道路 检测。目标是找出图像的绝大部分道路区域。如下流程图 1:

图 1 流程图

先对图像进行基于直方图阈值分割的预处理，然后对预处理后的图像进行基于 Hough 变 换的直线检测，找出主道路区域，对主道路区域进行采样建立单高斯模型的样本空间，找出 最符合样本空间的像素点，就是所求的道路区域。该方法的优点是能够极大避免非道路区域 的干扰，可以快速有效的检测出图像的大部分道路区域。论文网

1。2 挑战与困难

随着计算机、数据通信技术和多媒体等技术的快速发展,数字图像处理近年来得到了充分 重视和长远快速的发展,并在科学研究、工业生产、信息、医疗卫生、交通、教育、娱乐、管 理和通信等方面取得了广泛的应用。由于人们对于计算机视频应用的要求也越来越高,因此未 来视频设备的发展方向是高速、快捷、智能化的高性能数字图像处理设备,实时图像处理技术 越来越多的应用于目标跟踪、图像分析、辅助驾驶、机器人导航等方面中。由于图像处理的 数据处理相关性高，数据量大,加之实时应用环境共同决定了图像处理严格的帧、场时间限制, 因此实时图像处理系统必须要求强大的运算能力以及分析能力。