强化学习在自动驾驶技术中的应用与挑战

围绕强化学习在自动驾驶领域的应用进行了多方面的概括和总结。对强化学习原理及发展历程进行了介绍;系统介绍了自动驾驶技术体系以及强化学习在自动驾驶领域的应用所需的基础;按不同的应用方向分别介绍了强化学习在自动驾驶领域中的应用案例;深入分析了现阶段强化学习在自动驾驶领域存在的挑战,并提出若干展望。

基于前背景特性的逆光交通场景图像增强

由于逆光交通场景下采集到的图像存在前景亮度过低、背景亮度失真等特点,导致采集图像清晰度低、信息丢失严重和可识别性差,针对逆光图像前背景的不同特性,研究提出了一种分区域增强方法。对逆光图像使用最大类间方差法(OTSU法)分割图像的前景和背景;对逆光图像全局使用LIME方法,提升前景亮度的同时保持色彩的失真度;单独将背景部分RGB三个通道上的全局直方图均衡化结果一一映射到对应的限定区间内,提高了背景的对比度;使用Canny算子检测出前背景拼接处的黑边,根据黑边生成3个自适应的滤波模板对黑边进行分步均值滤波处理,消除了黑色边缘,提升了图像的视觉质量。在实验室自建的CHD_B数据集上,所提方法在4种常用客观评价指标上综合占优。实验结果表明,所提出的图像增强算法能有效地消除图像中的逆光现象。

基于序列光圈拍摄的逆光图像重建方法

逆光图像因背景光远强于前景导致前景阴暗模糊造成图像观感不佳。而在当前逆光图像研究中多数为对单一的前景灰暗背景正常的逆光图像进行还原处理,且处理效果难以控制。针对上述问题,提出一种基于序列光圈的逆光图像还原方法。该方法首先通过调节相机光圈获得一组由背景过曝前景清晰逐步转换至背景清晰前景灰暗的逆光图像并将其分为前景可用图像与背景可用图像。然后使用改进的图像阈值分割算法进行逆光图像可用部分提取,并使用基于轮廓拟合的图像拼接算法将各前景可用图像提取部分分别与各背景可用图像提取部分拼接得到非逆光图像。最后,通过图像逆光度分析与信息熵综合的筛选方法,将拼接得到的非逆光图像进行筛选,得到最终结果图像。该方法相较于传统逆光图像重建方法,不但提高了处理结果的可控性,而且在保留更多原有图像的细节的同时降低了颜色失真。