基于單目視覺(jué)的機(jī)動(dòng)車道路檢測(cè)和跟蹤研究.pdf

1、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

2、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

3、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)

4、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

5、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