基于空間線模型的紅外與可見光聯(lián)合道路識別方法研究.pdf

1、社會的發(fā)展催生了上世紀八十年代開始的智能車輛研究，智能車輛的目的是利用機器來代替或者輔助駕駛員從而提高駕駛的安全性和可靠性。道路檢測是智能車輛的基礎和核心。由于成像設備的快速發(fā)展、視覺傳感器提供的信息最為豐富并且最接近人類感知環(huán)境的方式，因此，基于視覺的道路檢測在智能車輛系統(tǒng)中應用廣泛，發(fā)展迅速。但是，光照的變化、天氣的變化、道路形狀的不規(guī)則性、道路區(qū)域陰影以及道路上其他的車輛或者行人都給道路檢測帶來了極大的挑戰(zhàn)。
　　本文在車道

2、線、道路區(qū)域、道路邊界檢測的基礎上深入研究了基于多傳感器融合的道路檢測算法，從而提高算法在不同環(huán)境下的魯棒性和準確性，具體包括:
　　本文采用了多個不同的道路分類器來提取道路信息，分別是:基于最短路徑的道路區(qū)域分類器、基于Prewitt算子的道路邊緣檢測、基于梯度的行道線檢測?；谧疃搪窂降牡缆穮^(qū)域檢測方法能夠很好地區(qū)分道路場景中顏色相似位置不同的區(qū)域，同時，該方法能夠有效地應用于道路形狀復雜的場景，檢測結果不易被道路形狀的變化影

3、響。
　　本文針對空間線模型對道路寬度變化不具有魯棒性的問題，在原始的SPRAY特征基礎上提出了基于二值空間線特征的道路區(qū)域檢測方法，該方法弱化了距離對特征的影響，因此在路寬變化的場景下能夠適應道路寬度的變化。同時，針對SPRAY特征提取緩慢的問題提出了基于幀間關系的SPRAY加速方法，利用圖像序列間的相似性可以避免重復像素點的特征提取與預測。
　　本文針對夜間可見光相機效果不理想的問題，提出了一種基于空間線模型的可見光圖像

4、和紅外圖像融合的道路檢測方法。該方法通過紅外相機和可見光相機捕獲同一道路場景的紅外和可見光圖像并通過SPRAY模型融合使得方法能夠做到全天候工作。
　　針對直接將SPRAY模型應用于紅外和可見光融合的方法會造成時間復雜度高的問題，本文結合SPRAY特征提出了基于SPRAY特征的隨機游走的道路檢測算法。該方法保留了識別能力良好的SPRAY特征，同時避免了對大量的像素點進行復雜的SPRAY特征提取。該方法核心是基于SPRAY特征的道路