【摘要】：道路檢測(cè)和跟蹤在智能交通、無(wú)人駕駛和駕駛員安全輔助等系統(tǒng)中都具有重要的作用。機(jī)動(dòng)車道路可以分為結(jié)構(gòu)化與非結(jié)構(gòu)化道路。結(jié)構(gòu)化道路具有結(jié)構(gòu)化的人工印刷道路標(biāo)志線;非結(jié)構(gòu)化道路則不存在類似的道路標(biāo)志線。本文使用計(jì)算機(jī)視覺(jué)技術(shù)對(duì)單目攝像機(jī)采集到的圖像序列中的道路進(jìn)行檢測(cè),針對(duì)不同的道路狀況分別提出三種不同的方法來(lái)完成道路的檢測(cè)和跟蹤,這些方法可以概括為：第一,提出基于形狀約束的GrabCut算法用于道路區(qū)域的分割。該方法首先使用高斯混合模型對(duì)道路區(qū)域進(jìn)行建模,然后使用GrabCut算法完成道路區(qū)域的分割。在GrabCut算法的每次迭代過(guò)程中添加道路的形狀約束,并使用約束后的檢測(cè)結(jié)果對(duì)道路區(qū)域的高斯混合模型參數(shù)進(jìn)行更新。高斯混合模型的使用可以更加準(zhǔn)確的描述道路區(qū)域的顏色分布,取得更加準(zhǔn)確的道路分割效果；同時(shí)由于道路形狀約束的引入,可以減少GrabCut算法的迭代次數(shù)。而在確定道路區(qū)域形狀的過(guò)程中,基于自適應(yīng)均值漂移算法的局部最大值檢測(cè)算法被用于霍夫空間中局部最大值的檢測(cè)。第二,提出基于TLD框架的結(jié)構(gòu)化道路檢測(cè)和跟蹤算法。針對(duì)結(jié)構(gòu)化道路,本文提出了基于機(jī)器學(xué)習(xí)的道路標(biāo)志線分類方法。通過(guò)對(duì)道路標(biāo)志線的特點(diǎn)的研究,分別提出了laneHAAR特征、laneHOG特征和laneCOMB特征用于道路標(biāo)志線的描述。同時(shí)選用級(jí)聯(lián)分類器的結(jié)構(gòu)進(jìn)行待測(cè)圖像的預(yù)測(cè)從而可以滿足道路檢測(cè)實(shí)時(shí)性的要求。為了解決長(zhǎng)時(shí)間跟蹤中道路標(biāo)志線的變化,本文采用TLD框架對(duì)道路標(biāo)志線模型進(jìn)行在線訓(xùn)練和更新。PN學(xué)習(xí)結(jié)合道路標(biāo)志線的對(duì)稱性、寬度以及顏色信息作為正負(fù)約束對(duì)檢測(cè)得到的道路標(biāo)志線樣本進(jìn)行二次篩選,用于道路標(biāo)志線模型的在線訓(xùn)練。在道路跟蹤中,通過(guò)幀間預(yù)測(cè)可以減少分類器的檢測(cè)樣本的數(shù)量,進(jìn)而提高檢測(cè)算法的效率。第三,提出基于平行主動(dòng)輪廓模型的道路檢測(cè)算法和基于卡爾曼濾波器的道路跟蹤算法。平行主動(dòng)輪廓模型把結(jié)構(gòu)化和非結(jié)構(gòu)化道路納入統(tǒng)一的算法框架進(jìn)行處理。本文首先通過(guò)移除傳統(tǒng)主動(dòng)輪廓模型中循環(huán)矩陣的首尾約束,并且引入拉伸力來(lái)獲得開(kāi)環(huán)輪廓模型;然后為了把平行性約束引入開(kāi)環(huán)主動(dòng)輪廓模型中,逆透視映射變換被用來(lái)恢復(fù)道路左右邊沿的平行性結(jié)構(gòu)信息。在此基礎(chǔ)上,為了使主動(dòng)輪廓模型可以在梯度比較小的道路中心區(qū)域獲得足夠的外部能量函數(shù),在主動(dòng)輪廓模型中加入擴(kuò)張力,從而可以把兩條平行主動(dòng)輪廓模型往道路的左右兩邊推擠,使其最終收斂到道路的左右邊界。本文還通過(guò)利用道路區(qū)域的連續(xù)性,使用齊次馬爾科夫鏈對(duì)道路場(chǎng)景序列中道路模型進(jìn)行建模,從而可以使用參數(shù)預(yù)測(cè)算法對(duì)后續(xù)幀中的平行主動(dòng)輪廓模型的初始參數(shù)進(jìn)行預(yù)測(cè)；同時(shí)使用卡爾曼濾波器對(duì)道路檢測(cè)算法的檢測(cè)噪聲進(jìn)行建模,用以減小錯(cuò)誤的檢測(cè)結(jié)果的影響。
【圖文】：

圖 1 3 無(wú)人駕駛汽車典型項(xiàng)目（從上到下，從左到右依次是：NavLab-11，奧迪，意大利ARGO，谷歌，雷克薩斯，國(guó)防科大的紅旗 3）最早的無(wú)人駕駛汽車是由通用汽車公司在 1939 年世界博覽會(huì)上推出的 BelGeddes [12]，它由埋藏在道路上的電路供電并且通過(guò)無(wú)線電進(jìn)行控制。而直到1979 年，真正意義上基于視覺(jué)的無(wú)人駕駛汽車才在日本研制成功 [13]。美國(guó)DARPA 挑戰(zhàn)賽 [14] 為全球的智能車輛研究人員提供了一個(gè)國(guó)際交流和競(jìng)技的平臺(tái)，該項(xiàng)目中比較突出的智能系統(tǒng)有來(lái)自 Stanford 的 Stanly 智能車 [15] 以及來(lái)自 CMU 的 BOSS 智能車系統(tǒng) [16]。在用于高速公路自主導(dǎo)航的智能車項(xiàng)目中具有代表性的有：美國(guó) CMU 的 NavLab-5 系統(tǒng) [17]、德國(guó)聯(lián)邦國(guó)防大學(xué)的VaMP 系統(tǒng) [18] 以及意大利帕爾瑪大學(xué)的 ARGO 系統(tǒng) [19]。在這些項(xiàng)目中，激光傳感器和視覺(jué)傳感器都作為重要的外部環(huán)境感知系統(tǒng)被廣泛的使用。我國(guó)在地面智能車領(lǐng)域的研究起步比較晚，其中包括清華大學(xué)的 THMR-V 系統(tǒng)、中國(guó)第一臺(tái)無(wú)人自主車輛 ATB-1 以及其后續(xù)型號(hào) ATB-2、ATB-3，國(guó)防科技大學(xué)

(a) (b) (c)圖 2 2 (a) 原始圖像；(b) 仿射變化結(jié)果；(c) 逆透視映射結(jié)果然可以使用分塊插值的方法獲得比較近似的場(chǎng)景恢復(fù)圖像，但是需要復(fù)雜的標(biāo)定方法。在本文中，我們使用逆透視映射進(jìn)行道路結(jié)構(gòu)信息的恢復(fù)。逆透視映射是一種單一攝像機(jī)下不同投影視角下不同投影平面的相互轉(zhuǎn)化，，如圖 2 3所示。而在道路識(shí)別中，我們期望與把攝像機(jī)與路面成夾角（仰俯角）一般小于90 度，變?yōu)榕c路面垂直的鳥(niǎo)瞰圖。因?yàn)轼B(niǎo)瞰圖是攝像機(jī)垂直拍攝道路場(chǎng)景，所以該圖保留了道路兩邊的平行性信息。我們對(duì)道路邊沿的檢測(cè)可以在通過(guò)逆透視映射變換后的鳥(niǎo)瞰圖上進(jìn)行，從而可以方便添加平行性約束。逆透視映射變換有以下特點(diǎn)：1) 場(chǎng)景中平行于地面的物體其外形特征保留，只是大小發(fā)生變化。
【學(xué)位授予單位】：上海交通大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2015
【分類號(hào)】：U495;TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 侯德鑫;曹麗;;一種基于視頻圖像的道路檢測(cè)方法[J];儀器儀表學(xué)報(bào);2006年S1期

2 陳勇彬;;道路檢測(cè)技術(shù)現(xiàn)存問(wèn)題及解決策略分析[J];科技創(chuàng)新與應(yīng)用;2014年10期

3 高麗萍;;淺談道路檢測(cè)技術(shù)[J];科技視界;2014年25期

4 蔣有功;五輪儀道路檢測(cè)探討[J];實(shí)用測(cè)試技術(shù);1994年02期

5 林麗群;肖俊;;結(jié)合先驗(yàn)知識(shí)和圖像特征的道路提取方法[J];計(jì)算機(jī)工程與應(yīng)用;2011年33期

6 彭建和;;道路檢測(cè)技術(shù)現(xiàn)存問(wèn)題及解決策略分析[J];城市建筑;2013年12期

7 李書曉;常紅星;;新的航空?qǐng)D像道路檢測(cè)與跟蹤算法[J];北京航空航天大學(xué)學(xué)報(bào);2007年04期

8 呂俊瑞;;基于無(wú)人機(jī)沙漠圖像的道路檢測(cè)[J];科學(xué)技術(shù)與工程;2013年19期

9 游峰;徐建閩;溫富海;曾培彬;冼文杰;;基于邊界點(diǎn)分布特征的夜間道路檢測(cè)算法研究[J];交通信息與安全;2011年04期

10 夏庭鍇;楊明;楊汝清;;基于2層粒子濾波的智能車輛道路檢測(cè)[J];上海交通大學(xué)學(xué)報(bào);2009年12期

相關(guān)會(huì)議論文 前2條

1 楊唐文;王敏杰;秦勇;;融合圖像邊緣和區(qū)域特征的道路檢測(cè)算法[A];2013年中國(guó)智能自動(dòng)化學(xué)術(shù)會(huì)議論文集（第三分冊(cè)）[C];2013年

2 高慶吉;孫沫麗;司夏巖;羅其俊;;一種基于視覺(jué)信息的非結(jié)構(gòu)化道路檢測(cè)算法[A];計(jì)算機(jī)技術(shù)與應(yīng)用進(jìn)展·2007——全國(guó)第18屆計(jì)算機(jī)技術(shù)與應(yīng)用（CACIS）學(xué)術(shù)會(huì)議論文集[C];2007年

相關(guān)博士學(xué)位論文 前1條

1 李向陽(yáng);基于單目視覺(jué)的機(jī)動(dòng)車道路檢測(cè)和跟蹤研究[D];上海交通大學(xué);2015年

相關(guān)碩士學(xué)位論文 前10條

1 黃勇飛;基于視覺(jué)的道路檢測(cè)技術(shù)研究[D];華南理工大學(xué);2015年

2 史媛;高分辨率遙感影像的道路檢測(cè)研究[D];南京理工大學(xué);2015年

3 周莉;基于GNSS與視覺(jué)的道路檢測(cè)與避障技術(shù)[D];電子科技大學(xué);2015年

4 趙海洋;高層結(jié)構(gòu)信息引導(dǎo)下的道路分割方法研究[D];國(guó)防科學(xué)技術(shù)大學(xué);2013年

5 何振;面向道路場(chǎng)景理解的迭代圖割算法[D];國(guó)防科學(xué)技術(shù)大學(xué);2013年

6 楊智杰;輔助駕駛中的道路檢測(cè)技術(shù)研究[D];西安電子科技大學(xué);2015年

7 何明;基于慣性基準(zhǔn)的道路幾何線形檢測(cè)方法[D];湖北工業(yè)大學(xué);2016年

8 郝志帥;復(fù)雜環(huán)境的道路檢測(cè)技術(shù)研究[D];南京理工大學(xué);2009年

9 王馳;基于單目視覺(jué)的道路檢測(cè)算法的研究[D];長(zhǎng)春理工大學(xué);2008年

10 張玉穎;基于梯形模型及支撐向量機(jī)的非結(jié)構(gòu)化道路檢測(cè)[D];復(fù)旦大學(xué);2010年

本文編號(hào)：2533704