基于多模型结合优化的非结构化道路检测算法

非结构化道路检测一直是道路检测算法中的难点.提出一种基于彩色混合高斯模型与抛物线模型相结合的优化的非结构化道路检测算法.首先采用中值滤波和二次采样法将待处理彩色图像由高分辨率变为低分辨率图像,并对图像进行光照补偿;然后建立基于优化聚类中心的K-means算法的混合高斯模型,通过最小二乘法求解左右道路抛物线模型参数;最后完成对道路边界线的拟合,实现其提取.实验结果表明,该算法对光照不均、阴影等影响的图像处理具有较强的抗干扰性,提高了运算速度,具有一定的鲁棒性和实时性.

一种实时鲁棒的非结构化道路检测算法

针对智能导航系统中的非结构化道路检测问题,提出一种分块分段混合高斯模型和B样条曲线模型相结合(block-segment Gaussian mixture and B-spline model,BSGMM_BS)的非结构化道路检测算法。该算法利用待处理图像的彩色信息对道路区域和非道路区域进行混合高斯建模,利用分块分段方法提取道路边界点,最后使用最小二乘法求解B样条曲线最优控制点,完成对道路双边界的拟合。实地测试和对比实验表明,该算法实时性好,对阴影、光照变化等影响具有较强的抗干扰性。

一种快速准确非结构化道路检测方法研究

针对传统非结构化道路检测算法在光照变化、阴影及水迹等干扰因素下不能同时满足鲁棒性与实时性的问题,提出一种结合图像灰度特征和道路模型的非结构化道路检测方法。通过二维最大熵分类对图像进行初步分割,采用模糊熵对错分点进行重新分类,优化分割效果。利用改进分块分类方法对分割图像进行分块,得到包含道路边界的混合区域,进而快速准确提取道路边界点。采用实时性较好的二次曲线模型,在最小二乘法拟合曲线的基础上提出改进的拟合方法,最大程度降低了干扰点对曲线拟合精度的影响。仿真结果表明,改进的方法不仅实时性好,检测精度高,且鲁棒性较强。

伪彩色空间完全非结构化道路检测方法

完全非结构化道路检测是智能车辆自主行驶所面临的关键技术难题,解决该问题可以增强智能车辆的环境适应能力。以实时道路图像的真彩色信息为研究对象,提出一种三次样条曲线模型和分块子区生长模型相结合的完全非结构化道路检测算法。该算法运用三次样条曲线插值实现了真彩色空间到伪彩色空间的映射,采用主次伪色调和纹理信息相结合的子区生长方法,实现了完全非结构化道路检测。实地图像测试和对比试验表明,该算法对道路区域检测准确性高,对受到阴影、水迹等影响的道路区域具有较强抗干扰能力,实时性好。

直线道路识别实用性的优化分析

为了提高车道识别的实时性与鲁棒性,提出了一种车道识别优化方法。通过建立强鲁棒性的车道模型,对传统的道路图像边缘算法优化处理:图像预处理中充分考虑实用性,采用了加权平均法实现灰度化、中值滤波法降噪处理以及自适应Otsu法二值化分割图像、Canny算法实现边缘检测;基于模型利用极角极径法提取图像的感兴趣区域,改进Hough算法实现有效车道线的识别。最后实验证明,通过与传统方法比较,该算法极大提高了车道识别的效率并且增强了可靠性。

基于RGB熵和改进区域生长的非结构化道路识别方法

非结构化道路通常没有车道线等引导标线,且边界模糊,周围干扰因素较多,在这种道路上自动驾驶以及车辆辅助驾驶的车道保持功能将不能可靠工作。通过生成道路RGB图像的熵图像,并计算此熵图像直方图的最小差值,以此差值作为阈值初步分割道路图像并使用改进区域生长方法提取出道路区域。使用实时性较好的二次曲线建立车道模型,并使用改进的最小二乘拟合方法可有效避开道路区域边缘杂点并提高边缘拟合速度。试验结果表明,改进的方法可以快速并较好地提取出非结构化道路图像中的车道并拟合出车道线,有利于实现基于视觉的自动驾驶和车辆辅助驾驶系统在非结构化道路上的车道保持。

矿区复杂道路边缘检测

针对在露天矿区无人驾驶卡车道路识别中,受矿区道路边缘模糊、阴影与车辙印干扰等因素的影响,往往无法准确检测到实际道路的问题,提出一种基于HSV空间图像处理的矿区道路边缘检测方法。在HSV颜色空间内,利用半阈值小波对图像进行初步去噪,针对矿区道路边界模糊、边缘退化等问题,提出一种基于融合策略的道路图像增强分割处理算法,可以有效地突出道路边缘,最后利用Canny算子实现对矿区非结构化道路边缘检测。实验结果表明,该方法的检测准确率可达到90.0%以上,能有效识别复杂背景下矿区非结构化道路边缘。