基于车道线检测与图像拐点的道路能见度估计

为了解决传统的能见度仪价格昂贵、采样有限,以及现有的一些视频测量手段需人工标记物、稳定性差等问题,基于车道线检测与图像拐点提出一种通过固定摄像机识别雾天天气并计算道路能见度的算法。与以往研究不同,在交通模型增加了均质雾天因素。该算法主要分为三步:首先,计算场景活动图,利用区域搜索算法(ASA)结合纹理特征提取待识别区域,如果在待识别区域内像素自顶向下以双曲线形式变化则判断当前天气为雾天,同时计算区域内图像亮度曲线的拐点;其次,基于可伸缩窗算法检测车道线,提取车道线端点并标定摄像机;最后,结合图像拐点以及摄像机参数计算大气消光系数,根据国际气象组织给出的能见度定义计算能见度。通过三种场景下的能见度检测,实验结果表明,该算法与人眼观测效果一致,准确率高于86%,检测误差在20 m以内,鲁棒性好。

基于双重弯曲度积的图像拐点检测

针对拐点处与非拐点处的弯曲度值差别小的问题,文中提出了一种基于双重弯曲度积的图像拐点检测算法,通过第一重弯曲度与第二重弯曲度的乘积扩大拐点处与非拐点处的弯曲度值的差别,并对数字图像进行拐点检测实验.结果表明,该算法不仅简单有效,而且具有较高的稳定性和准确性,能够解决实际的图像拐点检测问题.

图像能见度检测方法研究综述

在各种交通事故中,由雾霾等恶劣天气导致能见度降低引发的交通事故占比逐年增多,因此恶劣天气下能见度的检测成为一个亟待解决的问题。本文根据提取特征方式的不同,不仅将能见度检测的方法分为视觉检测法、仪器设备检测法和图像算法检测法,还归纳出能见度检测方法的发展历程。在分析和对比基于深度学习的能见度检测方法基础上,提出将最新的深度学习算法引入能见度检测是后续研究的重点。最后,总结现有能见度检测方法的不足和局限性,指出未来进一步研究的方向。

基于分数阶微分的图像边缘细节检测与提取

图像边缘细节包含重要的视觉感知信息,是进一步进行图像理解与场景感知的基础.针对常用的边缘梯度检测方法难以有效提取类似于分形纹理结构的复杂图像边缘问题,提出一种基于分数阶微分的图像边缘检测方法.该方法首先基于分数阶微分的性质进行图像拐点检测,并进一步结合拉格朗日多项式插值和Grumwald-Letnikov(GL)分数阶微分的定义,推导出具有非整数步长像素信息的图像边缘检测算子.实验表明,该方法能有效提取图像中的边缘细节(拐点)特征.对被噪声严重污染的具有复杂边缘细节的图像,该算子同样具有较好的边缘细节检测能力,获得更好的视觉效果.