【摘要】：道路檢測和跟蹤在智能交通、無人駕駛和駕駛員安全輔助等系統(tǒng)中都具有重要的作用。機動車道路可以分為結構化與非結構化道路。結構化道路具有結構化的人工印刷道路標志線;非結構化道路則不存在類似的道路標志線。本文使用計算機視覺技術對單目攝像機采集到的圖像序列中的道路進行檢測,針對不同的道路狀況分別提出三種不同的方法來完成道路的檢測和跟蹤,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道路區(qū)域進行建模,然后使用GrabCut算法完成道路區(qū)域的分割。在GrabCut算法的每次迭代過程中添加道路的形狀約束,并使用約束后的檢測結果對道路區(qū)域的高斯混合模型參數(shù)進行更新。高斯混合模型的使用可以更加準確的描述道路區(qū)域的顏色分布,取得更加準確的道路分割效果；同時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)域形狀的過程中,基于自適應均值漂移算法的局部最大值檢測算法被用于霍夫空間中局部最大值的檢測。第二,提出基于TLD框架的結構化道路檢測和跟蹤算法。針對結構化道路,本文提出了基于機器學習的道路標志線分類方法。通過對道路標志線的特點的研究,分別提出了laneHAAR特征、laneHOG特征和laneCOMB特征用于道路標志線的描述。同時選用級聯(lián)分類器的結構進行待測圖像的預測從而可以滿足道路檢測實時性的要求。為了解決長時間跟蹤中道路標志線的變化,本文采用TLD框架對道路標志線模型進行在線訓練和更新。PN學習結合道路標志線的對稱性、寬度以及顏色信息作為正負約束對檢測得到的道路標志線樣本進行二次篩選,用于道路標志線模型的在線訓練。在道路跟蹤中,通過幀間預測可以減少分類器的檢測樣本的數(shù)量,進而提高檢測算法的效率。第三,提出基于平行主動輪廓模型的道路檢測算法和基于卡爾曼濾波器的道路跟蹤算法。平行主動輪廓模型把結構化和非結構化道路納入統(tǒng)一的算法框架進行處理。本文首先通過移除傳統(tǒng)主動輪廓模型中循環(huán)矩陣的首尾約束,并且引入拉伸力來獲得開環(huán)輪廓模型;然后為了把平行性約束引入開環(huán)主動輪廓模型中,逆透視映射變換被用來恢復道路左右邊沿的平行性結構信息。在此基礎上,為了使主動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),在主動輪廓模型中加入擴張力,從而可以把兩條平行主動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。本文還通過利用道路區(qū)域的連續(xù)性,使用齊次馬爾科夫鏈對道路場景序列中道路模型進行建模,從而可以使用參數(shù)預測算法對后續(xù)幀中的平行主動輪廓模型的初始參數(shù)進行預測；同時使用卡爾曼濾波器對道路檢測算法的檢測噪聲進行建模,用以減小錯誤的檢測結果的影響。
【圖文】：

圖 1 3 無人駕駛汽車典型項目（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，國防科大的紅旗 3）最早的無人駕駛汽車是由通用汽車公司在 1939 年世界博覽會上推出的 BelGeddes [12]，它由埋藏在道路上的電路供電并且通過無線電進行控制。而直到1979 年，真正意義上基于視覺的無人駕駛汽車才在日本研制成功 [13]。美國DARPA 挑戰(zhàn)賽 [14] 為全球的智能車輛研究人員提供了一個國際交流和競技的平臺，該項目中比較突出的智能系統(tǒng)有來自 Stanford 的 Stanly 智能車 [15] 以及來自 CMU 的 BOSS 智能車系統(tǒng) [16]。在用于高速公路自主導航的智能車項目中具有代表性的有：美國 CMU 的 NavLab-5 系統(tǒng) [17]、德國聯(lián)邦國防大學的VaMP 系統(tǒng) [18] 以及意大利帕爾瑪大學的 ARGO 系統(tǒng) [19]。在這些項目中，激光傳感器和視覺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。我國在地面智能車領域的研究起步比較晚，其中包括清華大學的 THMR-V 系統(tǒng)、中國第一臺無人自主車輛 ATB-1 以及其后續(xù)型號 ATB-2、ATB-3，國防科技大學

(a) (b) (c)圖 2 2 (a) 原始圖像；(b) 仿射變化結果；(c) 逆透視映射結果然可以使用分塊插值的方法獲得比較近似的場景恢復圖像，但是需要復雜的標定方法。在本文中，我們使用逆透視映射進行道路結構信息的恢復。逆透視映射是一種單一攝像機下不同投影視角下不同投影平面的相互轉化，，如圖 2 3所示。而在道路識別中，我們期望與把攝像機與路面成夾角（仰俯角）一般小于90 度，變?yōu)榕c路面垂直的鳥瞰圖。因為鳥瞰圖是攝像機垂直拍攝道路場景，所以該圖保留了道路兩邊的平行性信息。我們對道路邊沿的檢測可以在通過逆透視映射變換后的鳥瞰圖上進行，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：1) 場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。
【學位授予單位】：上海交通大學
【學位級別】：博士
【學位授予年份】：2015
【分類號】：U495;TP391.41

【相似文獻】

相關期刊論文 前10條

1 侯德鑫;曹麗;;一種基于視頻圖像的道路檢測方法[J];儀器儀表學報;2006年S1期

2 陳勇彬;;道路檢測技術現(xiàn)存問題及解決策略分析[J];科技創(chuàng)新與應用;2014年10期

3 高麗萍;;淺談道路檢測技術[J];科技視界;2014年25期

4 蔣有功;五輪儀道路檢測探討[J];實用測試技術;1994年02期

5 林麗群;肖俊;;結合先驗知識和圖像特征的道路提取方法[J];計算機工程與應用;2011年33期

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

7 李書曉;常紅星;;新的航空圖像道路檢測與跟蹤算法[J];北京航空航天大學學報;2007年04期

8 呂俊瑞;;基于無人機沙漠圖像的道路檢測[J];科學技術與工程;2013年19期

9 游峰;徐建閩;溫富海;曾培彬;冼文杰;;基于邊界點分布特征的夜間道路檢測算法研究[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[J];上海交通大學學報;2009年12期

相關會議論文 前2條

1 楊唐文;王敏杰;秦勇;;融合圖像邊緣和區(qū)域特征的道路檢測算法[A];2013年中國智能自動化學術會議論文集（第三分冊）[C];2013年

2 高慶吉;孫沫麗;司夏巖;羅其俊;;一種基于視覺信息的非結構化道路檢測算法[A];計算機技術與應用進展·2007——全國第18屆計算機技術與應用（CACIS）學術會議論文集[C];2007年

相關博士學位論文 前1條

1 李向陽;基于單目視覺的機動車道路檢測和跟蹤研究[D];上海交通大學;2015年

相關碩士學位論文 前10條

1 黃勇飛;基于視覺的道路檢測技術研究[D];華南理工大學;2015年

2 史媛;高分辨率遙感影像的道路檢測研究[D];南京理工大學;2015年

3 周莉;基于GNSS與視覺的道路檢測與避障技術[D];電子科技大學;2015年

4 趙海洋;高層結構信息引導下的道路分割方法研究[D];國防科學技術大學;2013年

5 何振;面向道路場景理解的迭代圖割算法[D];國防科學技術大學;2013年

6 楊智杰;輔助駕駛中的道路檢測技術研究[D];西安電子科技大學;2015年

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

8 郝志帥;復雜環(huán)境的道路檢測技術研究[D];南京理工大學;2009年

9 王馳;基于單目視覺的道路檢測算法的研究[D];長春理工大學;2008年

10 張玉穎;基于梯形模型及支撐向量機的非結構化道路檢測[D];復旦大學;2010年

本文編號：2533704