結(jié)合CNN與MRF的道路檢測(cè)方法研究.pdf

1、隨著經(jīng)濟(jì)發(fā)展水平的提高，汽車(chē)的數(shù)量持續(xù)攀升，交通事故的發(fā)生率也不斷增加。智能輔助駕駛系統(tǒng)可以通過(guò)給駕駛員提醒和指導(dǎo)來(lái)降低交通事故的發(fā)生率。基于視覺(jué)的道路檢測(cè)是智能輔助駕駛系統(tǒng)的關(guān)鍵，不僅能夠?yàn)檎系K物檢測(cè)提供線索，也有利于車(chē)輛路徑規(guī)劃。由于道路場(chǎng)景復(fù)雜多變，道路檢測(cè)結(jié)果易受光線、水漬、陰影、障礙物等因素的影響。因此，針對(duì)復(fù)雜場(chǎng)景下的道路檢測(cè)算法成為現(xiàn)在研究的熱點(diǎn)。
　　為了提高現(xiàn)有道路檢測(cè)算法的準(zhǔn)確性和魯棒性，本文提出了一種結(jié)合CN

2、N(卷積神經(jīng)網(wǎng)絡(luò))和MRF(馬爾科夫隨機(jī)場(chǎng))的道路檢測(cè)方法。首先利用簡(jiǎn)單線性迭代聚類方法將原始圖像分割成大小均勻的超像素，在降低后續(xù)處理計(jì)算復(fù)雜度的同時(shí)，有利于提取局部特征和保持目標(biāo)邊界信息。然后，針對(duì)傳統(tǒng)分類器需要人為設(shè)計(jì)特征在復(fù)雜場(chǎng)景下適應(yīng)性不好的問(wèn)題，利用CNN可以從大量樣本中自動(dòng)學(xué)習(xí)數(shù)據(jù)集本質(zhì)特征的能力，在基于超像素分割得到的樣本集上設(shè)計(jì)合適的網(wǎng)絡(luò)結(jié)構(gòu)并訓(xùn)練網(wǎng)絡(luò)模型。使用訓(xùn)練好的網(wǎng)絡(luò)模型對(duì)道路區(qū)域和非道路區(qū)域進(jìn)行分類;最后，為了