本文關(guān)鍵詞：道路場景理解技術(shù)的研究，由筆耕文化傳播整理發(fā)布。

【摘要】：隨著科技的迅速發(fā)展,車載智能系統(tǒng)在機器視覺領(lǐng)域占據(jù)著越來越重要的位置,道路場景的分析與理解作為車載智能系統(tǒng)的重要內(nèi)容自然成為了研究的熱點。場景理解是基于圖像分析的更深層次的物體識別,前人已經(jīng)對場景理解技術(shù)進行了許多探索,并且取得了許多令人鼓舞的成績。目前場景理解技術(shù)主要使用于智能機器人、智能車輛等設(shè)備中,通常基于視頻流或全景圖進行理解和分析,針對單幅道路圖像進行的研究相對較少。在道路場景中,由于道路形狀不固定,顏色不一致并且易受光照和噪聲影響等特點加劇了對其進行理解的難度,因此如何基于單幅道路圖像進行場景理解是一個極具挑戰(zhàn)的問題。本文圍繞場景理解的一些關(guān)鍵技術(shù)進行了探索性的研究,包括圖像分割技術(shù)、道路消失點檢測技術(shù)、道路邊界識別技術(shù)和相對深度估計技術(shù)等。在圖像分割領(lǐng)域中,我們介紹了通過閾值進行圖像分割的方法、基于邊緣的圖像分割方法和采用聚類手段進行圖像分割的方法;在消失點檢測領(lǐng)域中,我們詳細的介紹了基于紋理特征的消失點檢測方法,并提出了改進方案,使其能夠正確的檢測道路的遠消失點;在道路邊界識別方面,我們介紹了基于特征和基于模型的道路檢測方法,并提出了基于道路邊緣和消失點的道路邊界檢測方法;在深度估計方面,我們介紹了深度估計的相關(guān)知識,并闡述了基于圖像分割結(jié)果的深度估計方法。為了實現(xiàn)對道路場景圖像的分割和理解,首先我們通過高斯混合模型對圖像進行聚類,并提出了一種獲得聚類中心的方案,在分類圖像上,我們利用邊緣作為約束進行區(qū)域增長,得到天空區(qū)域圖和道路區(qū)域圖;然后我們基于道路區(qū)域利用紋理方向直方圖對候選消失點的選擇范圍進行限定,再利用基于紋理特征的消失點檢測方法提取遠消失點;在得到道路消失點位置之后,我們基于道路邊緣圖像和消失點位置使用雙曲線模型對道路邊界進行擬合;最后我們基于區(qū)域提取結(jié)果和道路邊界對圖像進行深度估計,得到包含天空、道路和背景的深度圖像。通過實驗證明,本文提出的算法適用于較為復雜的道路場景,能夠正確的對道路和天空區(qū)域進行提取,可以準確的獲取消失點的位置和正確提取道路邊界的曲線模型,具有良好的魯棒性,并提供了基于道路延伸趨勢的深度估計方法。
【關(guān)鍵詞】：高斯混合聚類 消失點檢測 邊界識別 深度估計 道路場景理解
【學位授予單位】：吉林大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：U463.6;U495;TP391.41
【目錄】：

• 摘要4-6
• Abstract6-11
• 第1章 緒論11-15
• 1.1 研究背景介紹11-12
• 1.2 課題研究意義12
• 1.3 本文主要內(nèi)容和安排12-15
• 第2章 場景理解方法綜述15-24
• 2.1 引言15
• 2.2 圖像分割方法綜述15-19
• 2.2.1 閾值分割法16
• 2.2.2 邊緣檢測法16-18
• 2.2.3 聚類分析法18-19
• 2.3 道路檢測方法綜述19-22
• 2.3.1 基于特征的道路檢測方法20-21
• 2.3.2 基于模型的道路檢測方法21-22
• 2.4 深度估計算法綜述22-23
• 2.5 本章小結(jié)23-24
• 第3章 基于高斯混合模型的區(qū)域提取24-38
• 3.1 引言24
• 3.2 高斯混合聚類方法24-30
• 3.2.1 高斯混合模型25-27
• 3.2.2 EM算法初始參數(shù)的確定27-28
• 3.2.3 聚類中心的確定28-30
• 3.3 道路區(qū)域和天空區(qū)域的提取30-33
• 3.3.1 形態(tài)學處理和邊緣檢測30-32
• 3.3.2 基于邊緣約束的區(qū)域提取32-33
• 3.4 實驗結(jié)果與分析33-37
• 3.4.1 實驗平臺與數(shù)據(jù)選取33-34
• 3.4.2 聚類中心的獲取和聚類效果對比34-36
• 3.4.3 區(qū)域提取效果36-37
• 3.5 本章小結(jié)37-38
• 第4章 道路場景理解38-54
• 4.1 引言38
• 4.2 消失點檢測方法38-42
• 4.2.1 紋理特征的提取38-39
• 4.2.2 基于紋理特征的消失點檢測39-41
• 4.2.3 改進的消失點檢測方法41-42
• 4.3 基于消失點的道路邊界曲線擬合算法42-48
• 4.3.1 曲線模型的選取43-44
• 4.3.2 基于Hough變換的直線檢測44-46
• 4.3.3 道路邊界擬合46-48
• 4.4 道路場景深度估計48-49
• 4.5 實驗結(jié)果與分析49-53
• 4.5.1 消失點檢測方法結(jié)果分析49-51
• 4.5.2 道路邊界識別和深度估計結(jié)果51-53
• 4.6 本章小結(jié)53-54
• 第5章 總結(jié)與展望54-56
• 5.1 總結(jié)54-55
• 5.2 展望55-56
• 參考文獻56-61
• 作者簡介61-62
• 致謝62

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前5條

1 陳德運;尹芳;吳銳;;基于消失點的場景文本透視變形校正方法[J];南京理工大學學報;2011年04期

2 鐘鴻英;兩點透視消失點、視距速定法[J];建筑知識;1994年04期

3 陳愛華;高誠輝;何炳蔚;;基于正交消失點對的攝像機標定方法[J];儀器儀表學報;2012年01期

4 曾立人;;面向攝影師的Photoshop CS2新功能詳解(8) 變形和消失點[J];照相機;2007年07期

5 ;[J];;年期

中國重要會議論文全文數(shù)據(jù)庫 前2條

1 韓秀麗;毋立芳;郭江;楊鵬;;基于二消失點的相機自標定方法[A];第十三屆全國信號處理學術(shù)年會（CCSP-2007）論文集[C];2007年

2 胡培成;黎寧;趙亮亮;;一種新的基于消失點的攝像機標定方法[A];第十三屆全國圖象圖形學學術(shù)會議論文集[C];2006年

中國重要報紙全文數(shù)據(jù)庫 前1條

1 江蘇常州武進區(qū)湖塘橋中心小學 張玲瓏;多媒體透視教學的探析[N];美術(shù)報;2008年

中國碩士學位論文全文數(shù)據(jù)庫 前9條

1 付煥利;未標定視頻下的動態(tài)人體身高測量[D];北方工業(yè)大學;2016年

2 鄧思雨;道路場景理解技術(shù)的研究[D];吉林大學;2016年

3 羅小松;基于韋伯局部特征的道路消失點檢測[D];重慶大學;2014年

4 米超;基于紋理特征和消失點的道路識別算法研究[D];湖南大學;2012年

5 王翠翠;薩特自由理論視角下彼得·魏斯小說《消失點》中藝術(shù)家的自由[D];四川外國語大學;2014年

6 唐佐林;結(jié)構(gòu)化道路多行道線檢測算法研究[D];南京理工大學;2007年

7 張強;室內(nèi)移動機器人視覺導航方法研究[D];中南大學;2013年

8 蔣中強;視頻監(jiān)控中基于平差的目標空間定位技術(shù)研究[D];南京郵電大學;2014年

9 焦增濤;基于結(jié)構(gòu)先驗的規(guī)則場景三維重建技術(shù)研究[D];南京郵電大學;2012年

  本文關(guān)鍵詞：道路場景理解技術(shù)的研究，由筆耕文化傳播整理發(fā)布。

，

本文編號：363491